เป้าหมายสูงสุดขององค์กรทุกแห่งคือการบริหารจัดการให้เครื่องจักรสามารถทำงานได้ 24 ชั่วโมง 7 วันต่อสัปดาห์ สิ่งนี้หมายถึงเครื่องจักรได้รับการซ่อมบำรุงดูแลให้อยู่ในสภาพสมบูรณ์สูงสุด เครื่องจักรสามารถทำงานได้เต็มประสิทธิภาพและรูปแบบการซ่อมบำรุงเชิงพยากรณ์ หรือ Predictive Maintenance คือ เครื่องมือที่จะช่วยให้คุณบรรลุเป้าหมายได้ Show
ในบทความนี้ Good Material จะมาเล่าถึงการบำรุงรักษาเชิงคาดการณ์ ทั้งเรื่องประโยชน์ วิธีการนำไปใช้ และเทคโนโลยีที่จำเป็น
Predictive Maintenance คือPredictive Maintenance (PdM) คือ ประเภทของการบำรุงรักษาที่เรียกว่า “การบำรุงรักษาเชิงคาดการณ์หรือบำรุงรักษาเชิงพยากรณ์” เป็นกลยุทธ์การบำรุงรักษาเชิงรุกโดยใช้วิทยาศาสตร์ข้อมูลและการวิเคราะห์เพื่อประเมินว่าเมื่อไหร่ที่อุปกรณ์ชิ้นหนึ่งอาจะล้มเหลว เพื่อที่ทีมซ่อมบำรุงจะสามารถกำหนดเวลาเข้าไปซ่อมบำรุงรักษาก่อนที่เหตุจะเกิดขึ้น เป้าหมายของการบำรุงรักษาเชิงคาดการ 3 ประการ
เหตุใด PdM จึงมีความสำคัญโปรแกรมการบำรุงรักษาเชิงคาดการณ์คืออนาคตสำหรับเมื่อ 3-5 ปีก่อน แต่สำหรับตอนนี้ปี 2021 สิ่งนี้คือปัจจุบัน ไม่ใช่เพียงทฤษฎีเฟ้อฝันที่พูดกันในห้องเรียนมหาวิทยาลัยหรือหมู่นักวิจัยเท่านั้น ในบริษัทระดับโลกในอุตสาหกรรมการผลิตสร้างผลกำไรเพิ่มขึ้นอย่างไม่น่าเชื่อจากการใช้การบำรุงรักษาเชิงคาดการณ์เข้าไปเป็นส่วนหนึ่งของกระบวนการผลิตเพื่อเพิ่มประสิทธิภาพและลดต้นทุน จากข้อมูลจำนวนมากแสดงให้เห็นว่า Predictive Maintenance สามารถนำไปสู่ Return on Investment (ROI) ที่เพิ่มขึ้นได้สิบเท่า ต้นทุนการบำรุงรักษาลง 35-30% ของเสียลดลง 70-75% และการหยุดการทำงานลดลง 35-45% อัตราการเติบโตของตลาดการบำรุงรักษาเชิงคาดการณ์ ข้อมูลจาก https://iot-analytics.com/ จากรายงานการวิจัยของ IoT-Analytics คาดการณ์ว่าตลาดการบำรุงรักษาเชิงคาดการณ์จะเติบโตอย่างต่อเนื่อง ในปี 2018 มีมูลค่าสูงสุดถึง 3.3 พันล้านดอลลาร์สหรัฐ (ประมาณแสนล้านบาท) และคาดว่าจะเติบโต 39% ต่อปี และตลาดนี้จะมีมูลค่า 23.5 พันล้านดอลลาร์สหรัฐ (ประมาณเจ็ดแสนสองหมื่นล้านบาท) ในปี 2024 หมายถึงว่าคู่แข่งของคุณจะนำเทคนิกการบำรุงรักษาเชิงคาดการณ์มาใช้อย่างแน่นอนครับ ใครเริ่มก่อนได้เปรียบ!! บทความที่เกี่ยวข้อง : IIoT คือ ทุกเรื่องควรรู้เกี่ยวกับ Industrial Internet of Things สำหรับอุตสาหกรรมการผลิต Predictive Maintenance ทำงานอย่างไรข้อได้เปรียบหลักของ Predictive Maintenance คือ ความสามารถในการกำหนดเวลางานซ่อมบำรุงตามสภาพปัจจุบันของทรัพย์สิน อย่างไรก็ตามการพิจารณาสภาพที่แน่นอนของทรัพย์สินอย่างเครื่องจักรและอุปกรณ์ต่างๆ มีความซับซ้อน ต้องใช้องค์ประกอบหลายส่วน องค์ประกอบหลักสามส่วนที่ช่วยให้การบำรุงรักษาเชิงพยากรณ์ ที่สามารถติดตามสถานะการณ์ทำงานและสภาพของเครื่องจักร และช่วยเตือนช่างซ่อมบำรุง (ฝ่ายซ่อมบำรุง) เกี่ยวกับความล้มเหลวและโอกาสที่ความล้มเหลวของอปุกณ์จะเกิดขึ้น โดยทั้ง 3 องค์ประกอบได้แก่ :
ความแตกต่างระหว่าง Preventive Maintenance กับ Predictive Maintenance
ข้อจำกัดของ Predictive Maintenanceต้องขอบอกก่อนนะครับว่าการบำรุงรักษาเชิงคาดการณ์ไม่ใช่กลลุยธ์การบำรุงรักษาที่เหมาะสำหรับทุกองค์กร แม้ว่าคุณอาจจะคิดว่า การบำรุงรักษาเชิงคาดการณ์นี้เหมาะกับบริษัทของคุณแน่ๆ แต่อย่าลืมนำเสนอให้ฝ่ายบริหารเข้าใจถึงข้อบกพร่องที่มีอยู่และขายไอเดียให้กับพวกเขาให้ได้ โดยข้อกังวงและข้อจำกัดของ PdM ได้แก่ :
วิธีสร้างโปรแกรม Predictive Maintenanceการวางรากฐานสำหรับการบำรุงรักษาเชิงพยากรณ์เป็นสิ่งสำคัญสำหรับการสร้างระบบที่ยั่งยืน กุญแจสำคัญคือการเริ่มต้นด้วยโครงการขนาดเล็ก และขยายขนาดเมื่อองค์กรได้สร้างมาตรฐานเป็นที่เรียบร้อยแล้ว คุณอาจจะใช้รูปแบบการพัฒนา PCDA Cycle เพื่อช่วยเพิ่มประสิทธิภาพ
นี้คือโครงร่างของขั้นตอนปกติที่ควรดำเนินการเมื่อใช้โปรแกรมบำรุงรักษาเชิงพยากรณ์ครับ ขั้นตอนที่ 0 : กำหนดงบประมาณและทำแผนการการบำรุงรักษาเชิงคาดการณ์ต้องทำการบ้านวางแผนอย่างละเอียดรอบคอบ ไม่ใช่แผนที่จะสามารถทำได้ในชั่วข้ามคืน ก่อนจะดำเนินการคุณต้องศึกษา วางแผนโครงการ คุณต้องได้รับอนุมัติจากผู้บริหารระดับสูงทั้งแง่ของงบประมาณและการสนับสนุนเสียก่อน ขั้นตอนที่ 1 : ระบุทรัพย์สินที่สำคัญขั้นตอนแรกในการสร้างโปรแกรม Predictive Maintenance คือ คุณต้องเริ่มต้นด้วยการระบุทรัพย์สินที่สำคัญ เช่น เครื่องจักรที่มีต้นทุนการซ่อมแซมหรือต้นทุนการเปลี่ยนชิ้นส่วนอะไหล่สูง และสำคัญต่อกระบวนการผลิตในบริษัท หนึ่งในเรื่องมือที่นิยมใช้ในต่างประเทศคือ การวิเคราะห์ Reliability Centered Maintenance (RCM) เป็นชุดคำถามเพื่อหาว่าเครื่องจักรชิ้นไหนมีความสำคัญอย่างมีนัยสำคัญต่อองค์กร คุณสามารถศึกษาเกี่ยวกับ RCM ได้ ที่นี้ หรือใช้เครื่องมือสำหรับการวิเคราะห์ปัญหาอื่นๆ ได้แก่
ขั้นตอนที่ 2 : สร้างฐานข้อมูลเพื่อให้โปรแกรม PdM ประสบความสำเร็จปัจจัยที่สำคัญที่ต้องพิจารณาคือการมีข้อมูลที่เพียงพอที่สามารถนำข้อมูลเชิงลึกในส่วนของพฤติกรรมเครื่องจักรไปใช้ในการสร้างฐานข้อมูล ข้อมูลในอดีตของอุปกรณ์นำร่องแต่ละเครื่องจะหาได้จากแหล่งต่างๆ เช่น การจัดบันทึกการบำรุงรักษาอย่างละเอียด , ประวัติการซ่อมบำรุง ,ไฟล์ระบุระยะเวลาการเปลี่ยนอะไหล่ชิ้นส่วนแต่ละรอบ และ โปรแกรม CMMS ที่ได้ติดตั้งไว้ ตัวอย่างฐานข้อมูลได้แก่ :
ข้อมูลเหล่านี้สามารถใช้เพื่อช่วยสร้างโหมดความล้มเหลว และมีประโยชน์สำหรับการพัฒนาอัลกอริธึมการคาดการณ์ความล้มเหลวเวอร์ชั่นแรก ขั้นตอนที่ 3 : วิเคราะห์และสร้างโหมดความล้มเหลวเมื่อคุณได้ข้อมูลบางส่วนแล้ว คุณและทีมจะต้องดำเนินการวิเคราะห์ในสินทรัพย์ที่สำคัญตามทีระบุใน ขั้นตอนที่ 1 ว่ากระบวนการใดทำให้เกิดปัญหามาที่สุดหรือเครื่องจักรล้มเหลวมากที่สุด ขั้นตอนนี้คือขั้นตอนการระบุความล้มเหลว
หนึ่งในวิธีที่ยอดเยี่ยม คือ Failure Modes and Effects Analysis (FMEA) เป็นเครื่องมือการวิเคราะห์ความน่าเชื่อถือของผลิตภัณฑ์ กระบวนการที่ใช้เพื่อระบุเสี่ยงและความล้มเหลวที่ส่งผลต่อระบบ ขั้นตอนที่ 4 : ติดตั้งเซ็นเซอร์และอุปกรณ์ตรวจสอบสภาพเมื่อคุณทราบว่า ความล้มเหลว (Machine Downtime) ของเครื่องจักรของคุณเกิดจากปัจจัยใด ในระยะเวลาเท่าไหร่ ขั้นตอนต่อไปคือ หาเครื่องมือและเทคโนโลยีเข้ามาช่วยตรวจสอบอย่างใกล้ชิด “Sensor” ที่สามาถตรวจสอบแบบเรียลไทม์คือหนึ่งในเทคโนโลยที่ได้รับนิยม เทคนิคการตรวจสอบที่พบบ่อยในการตรวจจับข้อบกพร่องเหล่านี้ ได้แก่
ในหัวข้อถัดไปเราได้เชียนถึงเทคโนโลยีในการตรวจสอบไว้แล้วครับ!! ในการซื้อคุณควรพิจารณาเลี่ยงเทคโนโลยีเก่า เพราะอาจจะมีปัญหาในการติดตั้งและไม่รอบรับการโปรแกรมสมัยใหม่ รวมถึงตรวจเช็คกับผู้ให้บริการโปรแกรมการบำรุงรักษา CMMS ว่าสามารถเชื่อมต่อข้อมูลเพื่อตรวจสอบข้อมูลเชิงลึกในแหล่งเดียวกันได้หรือไม่ **เรื่องเทคโนโลยีเก่าเพื่อให้เห็นภาพ นึกถึงไอโฟนรุ่นเก่าที่ไม่สามารถลงโปรแกรมรุ่นใหม่ๆได้ แบบเดียวกันเลยครับ ขั้นตอนที่ 5 : พัฒนาอัลกอริธึมการคาดการณ์ขั้นตอนต่อไปของ Predictive Maintenance คือ การออกแบบวิธีการสร้างแบบจำลองที่เหมาะสมกับธุรกิจและเครื่องจักรของคุณซึ่งจะเป็นพื้นฐานสำหรับการทำนายความล้มเหลวที่จะเกิดขึ้นในอนาคต ในจุดนี้องค์กรต่างๆจะเริ่มจ้าง Data Scientist (นักวิทยาศาตร์ข้อมูล) มาช่วยทำการวิเคราะห์ข้อมูลเพื่อพัฒนาอัลกอริธึมการบำรุงรักษาเชิงคาดการณ์ โดยอาศัยเซ็นเซอร์และฐานข้อมูลอื่นๆ ที่องค์กรของคุณจะสามารถหามาได้
คุณสามารถศึกษาเกี่ยวกับการออกแบบอัลกอริธึมได้ ที่นี้ ขั้นตอนที่ 6 : ปรับใช้กับอุปกรณ์นำร่องมาถึงขั้นนี้คุณพอจะมีเครื่องมือสำหรับเฝ้าติดตามและคาดการณ์ความผิดปกติที่จะเกิดขึ้นกับเครื่องจักรแล้ว ขั้นตอนสุดท้ายของการนำไปใช้งานคือการปรับเทคโนโลยีเข้ากับอุปกรณ์นำร่อง (เครื่องจักรที่ได้เลือกไว้) เฝ้าตรวจสอบผลลัพธ์ที่เกิดขึ้น หากกระบวนการดำเนินไปอย่างถูกต้องคุณจะเห็นถึงผลการปรับปรุงการดำเนินงานของบริษัทอย่างมีนัยสำคัญ ผลกระทบที่เห็นอาจจะต้องใช้เวลาสองถึงสามเดือนขึ้นอยู่กับขนาดของโครงการและจำนวนข้อมูลสำหรับการพยากรณ์ ยิ่งข้อมูลเยอะความแม่นยำยิ่งสูงขึ้น (Big Data) เทคโนโลยีสำหรับการบำรุงรักษาเชิงพยากรณ์องค์กรของคุณสามารถใช้ประโยชน์จากเครื่องมือและเทคโนโลยีที่หลากหลายเพือเพิ่มความน่าเชื่อถือของอุปกรณ์ เพื่อผลผลัพธ์ที่ดีที่สุดคุณจำเป็นต้องเลือกเครื่องมือที่ถูกต้องเหมาะสมสำหรับงานและเครืองจักรของคุณ สำหรับการบำรุงรักษาเชิงคาดการณ์มีเครื่องมือให้เลือกมากมาย และนี้คือชนิดของเครื่องมือที่เราค้นคว้ามาแนะนำครับ Infrared ThermographyInfrared Thermography (IR) หรือ อินฟราเรดเทอร์โมกราฟฟี ใช้ในงานบำรุงรักษาเชิงพยกรณ์ในส่วนของการตรวจจับอุณหภูมิ (Hot spot) กรณีที่เครื่องจักรมีส่วนประกอบที่สึกหรออาจจะมาจากการเสียดสีรวมถึงวงจรไฟฟ้าที่ทำงานผิดปกติจะปล่อยความร้อนออกมาซึ่งจะแสดงเป็นฮอตสปอตบนภาพความร้อน การที่ภาพความร้อนถูกระบุจากการใช้อินฟราเรดจะช่วยในการระบุปัญหาและช่วงหลีกเลี่ยงค่าใช้จ่ายในการซ่อมแซมและหยุดการทำงาน (Machine Downtime) เทคโนโลยี Infrared Thermography (IR) ถือเป็นหนึ่งในเครื่องมือการบำรุงรักษาเชิงพยากรณ์ที่มีการใช้งานหลากหลายที่สุด ตัวอย่างการใช้งาน IR
ข้อดีข้อง Infrared Thermography (IR)
Vibration Analysis (VA)สำหรับอุปกรณ์ที่หมุนด้วยความเร็วสูงการวิเคราะห์การสั่นสะเทือนทำได้โดยการติดตั้งเครืองมือขนาดเล็กหรือเซ็นเซอร์ตรวจสอบการสั่นสะเทือนแบบเรียลไทม์ไว้ที่อุปกรณ์หรือเครื่องจักร เครื่องจักรที่ทำงานในสภาวะสูงสุดมีรูปแบบการสั่นสะเทือนที่เฉพาะเจาะจง แต่เมื่อส่วนประกอบเช่น แบริ่งและเพลาเริ่มสึกหรอและมีสภาวะล้มเหลว เครื่องจักรจะเริ่มสร้างแรงสั่นสะเทือนที่แตกต่างกัน ด้วยเครื่องมือการตรวจการสั่นสะเทือนเชิงรุกกับช่างเทคนิกที่ผ่านการฝึกอบรมจะสามารถอ่านเปรียบเทียบค่าระหว่างการทำปกติ กับค่าสั่นสะเทือนที่มีแนวโน้มล้มเหลวออกจากกันได้ ตัวอย่าง Vibration Analysis
ข้อดีข้อง Vibration Analysis
Video Analysisการวิเคราะห์ด้วยวีดีโอเป็นแนวคิดการแปลงภาพของวีดีโอเป็นกราฟฟิกที่ถูกจำลองขึ้นมาเพื่อแสดงการเคลื่อนไหวของอุปกรณ์และส่วนประกอบต่างๆในช่วงเวลาใดเวลาหนึ่ง เพื่อดูลักษณะการเคลื่อนที่ การสั่นสะเทือนและโก่งตัวระหว่างการทำงาน Operating Deflection Shape รูปภาพจาก www.researchgate.net หนึ่งในเครื่องมือสำหรับเคราะห์ด้วยวีดีโอ คือ Operating Deflection Shape (ODS) หรือการวิเคราะห์รูปร่างเบี่ยงเบนเชิงปฎิวัติการ เพื่อให้ข้อมูลเชิงลึกเกี่ยวกับปัญหาเสียงรบกวนหรือการสั่นสะเทือนที่วัดจาก Vibration Analysis ยังให้ข้อมูลไม่เพียงพอ ข้อดีของ Video Analysis (ODS)
ข้อด้อยของ Video Analysis
Oil Analysisการวิเคราะห์น้ำมัน เป็นเครื่องมือที่มีประสิทธิภาพในการบำรุงรักษาเชิงพยากรณ์ ช่วยให้ช่างเทคนิกช่างซ่อมบำรุงสามารถตรวจสอบสภาพของน้ำมันและตรวจสอบว่ามีอนุภาคและสิ่งปนเปื้อนอื่นๆ อยู่หรือไม่ สำหรับระบบไฮดรอลิค หนึ่งในสาเหตุหลักที่ทำให้เครื่องจักรพัง 80% มาจาก “ความสกปรกในน้ำมันไฮดรอลิค” การตรวจสอบน้ำมันเป็นประจำ หรือ ใช้เทคโนโลยีในการตรวจสอบน้ำมันแบบ On line Oil Analysis ที่ช่วยให้ทราบสถานะสิ่งปนเปื้อนในน้ำมันแบบเรียลไทม์จะช่วยให้คุณเพิ่มประสิทธิภาพของการบำรุงรักษาเชิงพยากรณ์ได้อย่างมากครับ ตัวอย่าง On line Oil Analysis
ข้อดีของการวิเคราะห์น้ำมัน
สรุปPredictive Maintenance คือ รูปแบบการซ่อมบำรุงเชิงรุกที่ใช้เทคโนโลยีในการรวบรวมและวิเคราะห์ข้อมูลเพื่อที่ฝ่ายซ่อมบำรุงจะสามารถคาดการณ์รูปแบบการซ่อมบำรุงให้เกิดประสิทธิภาพและลดการใช้ทรัพยากรขั้นสูงสุด ขั้นตอนเริ่มจากการระบุทรัพย์สิน กำหนดปัญหาที่เจอ ใช้เทคโนโลยีเข้าไปจับ และสร้างรูปแบบการพยากรณ์ที่แม่นยำขึ้นมา
goodmaterialGood Material คือ แหล่งรวมเรื่องราวที่ช่วยให้ชีวิตดีขึ้น ทั้งความรู้ สิ่งของ รวมถึงไอเดีย และหวังว่าสิ่งเหล่านี้จะช่วยให้ชีวิตของเพื่อนๆ ดีขึ้นเช่นกันครับ |