AI in maintenance: How to turn data and human expertise into practical support for manufacturing

Prediktivní údržba v průmyslu

Prediktivní údržba patří mezi často diskutovaná témata průmyslové digitalizace. Její plošné zavedení ale není tak jednoduché, jak by se mohlo zdát. Jak upozornil Tomáš Krejčí, jednatel společnosti Better industry, skutečně funkční řešení bývají často postavená na konkrétním stroji nebo skupině podobných zařízení. To, co funguje na jedné výrobní lince, proto nelze automaticky přenést do každého provozu.

Vedle samotného předvídání poruch se tak do popředí dostává další důležitá otázka: Jak využít data, která už firmy mají, a proměnit je v praktickou pomoc pro údržbáře?

Když se zkušenosti údržbářů neztrácejí v jejich hlavách

Praktickou zkušenost z průmyslu přinesl Bohumír Novák, výrobní ředitel ze společnosti Tenneco. Jedním z důvodů pro zavedení systému BI maintenance bylo získat lepší přehled o práci údržby. Zatímco výroba měla detailní přehled o činnosti operátorů, u údržbářů podobné informace chyběly. Firma potřebovala vědět, kolik poruch se daří během směn vyřešit, jak jsou kapacity údržby využívány a jaká historie za jednotlivými zásahy stojí.

Systém přinesl také možnost zaznamenávat historii poruch a komentáře k jejich řešení. Právě zde se ale objevuje typický problém: každý pracovník může stejnou poruchu pojmenovat jinak a odlišně popsat i způsob opravy. Data se pak obtížně vyhodnocují a hledají se v nich souvislosti.

Další výzvou je předávání zkušeností. Značná část know-how zůstává v hlavách zkušených pracovníků, kteří se postupně blíží odchodu do důchodu. Firmy zároveň obtížně hledají nové zaměstnance do údržby, zejména do vícesměnných a nepřetržitých provozů.

Situaci komplikuje také různorodost strojového parku a technické dokumentace v různých jazycích. Orientace v manuálech může být časově náročná i pro zkušeného údržbáře.

AI jako pomocník při hledání příčin a řešení poruch

Právě v těchto situacích vidí Světlana Margetová, jednatelka Pulsar Solutions, potenciál umělé inteligence. Její řešení pracuje s technickými manuály i zkušenostmi z praxe a pomáhá pracovníkům vyhledat relevantní informace pro řešení konkrétních problémů.

AI může například upozornit, že se určitá závada opakuje, nabídnout postup opravy nebo pomoci vyhodnotit, zda je vhodné změnit interval preventivní údržby. Cílem je omezit zdlouhavé hledání v dokumentaci a zpřístupnit potřebné informace přímo lidem, kteří je při práci potřebují.

Důležitou vlastností takového řešení je práce se zdroji. Pokud systém nenajde odpovídající informaci, nemá si odpověď domýšlet. Uživatel má zároveň možnost dohledat konkrétní pasáž v dokumentaci, ze které doporučení vychází. AI tak může údržbářům pomoci, ale nenahrazuje jejich odborný úsudek ani odpovědnost za bezpečné provedení zásahu.

Propojení systémů může přinést největší efekt

Samostatný nástroj pro vyhledávání informací je užitečný. Jeho potenciál ale roste, pokud dokáže spolupracovat se systémem, ve kterém firma eviduje poruchy a opravy.

Krejčí upozornil, že Better industry prostřednictvím svého systému BI maintenance pomáhá zkracovat reakční časy na poruchy. Další možností je navázat na tato data a propojit je s řešením Pulsar Solutions. Tím by bylo možné lépe propojit samotné nahlášení závady s informacemi potřebnými pro její vyřešení.

Podle Margetové není pro začátek nutné mít dokonale strukturovaná data. Základem je identifikace stroje a postupné shromažďování historie poruch a oprav. Systém si dokáže poradit i s různými způsoby, jakými pracovníci své zásahy popisují.

Z propojení mohou následně těžit oba systémy. AI může doplnit informace o dotčených komponentách, chybových kódech a postupech oprav, zatímco údržbový systém poskytne další podklady pro vyhodnocování opakovaných závad a hledání možností, jak celý proces zefektivnit.

Technologie musí odpovídat podmínkám firmy

Při zavádění AI je potřeba řešit také infrastrukturu, náklady na pořízení a bezpečnost dat. Řešení lze provozovat lokálně, v cloudu nebo v hybridním režimu. Každá varianta má jiné požadavky na hardware, rychlost nasazení i způsob práce s daty.

Lokální provoz může být vhodný zejména tam, kde firma potřebuje mít technickou dokumentaci a interní know-how pod vlastní kontrolou. Hybridní varianta zase umožňuje kombinovat lokální zpracování s vybranými online službami. Konkrétní volba by měla vycházet z požadavků firmy, její infrastruktury a bezpečnostních pravidel.

Krejčí zdůraznil, že přístup Better industry zároveň spočívá nově v poskytování dat a jejich zpřístupnění prostřednictvím AI konektoru – služba AI CONNECT. Je to nová služba od Better industry, kdy volba jazykového modelu a způsob jeho zabezpečení zůstává na straně zákazníka a jeho IT oddělení. Better industry zprostředkuje data pro jazykové modely pro lepší kontextové vyhodnocení. I to je důležitá součást celého projektu: AI nelze zavádět odděleně od firemních pravidel pro práci s daty.

Nejde jen o technologii, ale o využití toho, co už firma ví

Diskuse ukázala, že přínos AI v údržbě nemusí začínat složitou predikcí budoucích poruch. Velkou hodnotu může mít už samotné zpřístupnění dokumentace, sjednocení informací o minulých opravách a uchování znalostí zkušených pracovníků.

Pro firmy to znamená možnost zkrátit hledání správného postupu, lépe využívat kapacity údržby a postupně budovat znalostní základnu, která nezůstane závislá pouze na jednotlivcích.

Klíčem k úspěchu není samotná umělá inteligence, ale kvalitní data, propojené systémy a řešení, které údržbářům skutečně usnadní každodenní práci.