Блог пользователя - admin

Специалисты по управлению автопарками часто оказываются перегружены данными. Современные системы управления автопарком могут генерировать сотни отчетов, охватывающих использование транспортных средств, расход топлива, затраты на техническое обслуживание, время простоя, инциденты, выбросы и поведение водителей.

Если бы вы могли сообщить своему руководству только три показателя, то следующие три коэффициента дали бы удивительно точную картину состояния вашего автопарка:

1. Коэффициент обновления парка,
2. Коэффициент отложенной замены,
3. Коэффициент обслуживания активов.

1. Коэффициент обновления: Достаточно ли быстро вы заменяете активы?

Цель: 100%

Коэффициент обновления сравнивает стоимость заменяемых активов автопарка со стоимостью амортизируемых активов.
Проще говоря, он отвечает на вопрос: «Обновляется ли автопарк с той же скоростью, с какой он изнашивается?»

Коэффициент обновления ниже 100 % часто является тревожным сигналом о том, что финансирование замены оборудования отстает от графика. Транспортные средства и оборудование могут оставаться в рабочем состоянии в краткосрочной перспективе, но со временем парк стареет, затраты на техническое обслуживание растут, а надежность снижается.

Этот показатель особенно полезен при обсуждении бюджета, поскольку он быстро демонстрирует, успевает ли финансирование капитальных затрат за темпами потребления основных средств.

2. Коэффициент отложенной замены: Какой объем работ по замене просрочен?

Цель: 0% (или менее 2%)

Коэффициент отложенной замены показывает стоимость активов, срок замены которых истек, в процентах от общей стоимости автопарка.

Он отвечает на простой, но важный вопрос: «Какую часть нашего автопарка уже давно следовало бы заменить?»

Многие организации знают о наличии устаревшего автопарка, но им сложно донести до руководства масштаб проблемы. Коэффициент отложенной замены преобразует эту проблему в единый показатель, который легко понять руководителям.

Растущий объем невыполненных замен обычно указывает на то, что программы замены откладываются, часто из-за бюджетных ограничений. К сожалению, отсрочка замены редко позволяет сократить затраты. Она просто увеличивает затраты на техническое обслуживание, простои и операционные риски.

3. Коэффициент обслуживания активов: Заботимся ли мы о том, чем владеем?

Цель: 100%

Коэффициент обслуживания активов показывает, выполняются ли запланированные работы по техническому обслуживанию в соответствии с планом.

Он может измеряться как запланированные расходы на техническое обслуживание в сравнении с бюджетом или как количество выполненных работ по техническому обслуживанию по сравнению с запланированным.

Этот коэффициент отвечает на вопрос: «Правильно ли мы обслуживаем автопарк?»

Коэффициент технического обслуживания активов ниже 100% часто указывает на нехватку ресурсов, проблемы с производственными мощностями, плохое планирование производственные потребности, которые препятствуют проведению профилактического обслуживания.

Зрелая система управления автопарком не просто отчитывается о пройденных километрах или израсходованном топливе. Она оценивает финансовую устойчивость, эксплуатационную надежность и качество технического обслуживания автопарка. Эти три показателя обеспечивают именно такой результат.

Если бы в ежемесячном отчете о состоянии автопарка указывались только коэффициент обновления, коэффициент отложенной замены и коэффициент обслуживания, большинству руководителей было бы достаточно этой информации, чтобы понять, в каком состоянии находится автопарк и не возникнет ли проблем.

Зачастую вывод о повышении надежности оборудования делается на основании метрик, в числе которых можно увидеть высокое соотношение планового и внепланового технического обслуживания, большее количество плановых остановок, чем внеплановых, и множество других привлекательных индикаторов. Однако увеличение объема работ по техническому обслуживанию не всегда приводит к повышению надежности.

Цель RCM-анализа заключается не в увеличении объема ТО, а в том, чтобы согласовать программу ТО со следующими факторами:

1. фактические виды отказов,
2. уровень риска оборудования,
3. условия эксплуатации,
4. последствия отказа.

Объектом анализа был насос, работающий в системе водяного охлаждения на нефтеперерабатывающем заводе, который выбран из-за его эксплуатационной важности. С точки зрения эксплуатации, насос находился в приемлемом состоянии, работал в обычном режиме и поддерживался существующими программами профилактического обслуживания и технического обслуживания по состоянию. Работы по техническому обслуживанию (ТО) были надлежащим образом зафиксированы в информационной системе (CMMS), а история ТО была хорошо документирована. Таким образом, с точки зрения организации, оборудование считалось работающим в приемлемых и управляемых условиях.

В ходе проверки основное внимание было уделено тому, насколько существующие программы ТО соответствуют видам отказов оборудования, условиям эксплуатации и уровню риска. Иными словами, главный вопрос был не в выявлении причин отказа. В действительности вопрос заключался в следующем: «Действительно ли существующие программы и мероприятия по ТО предотвращают критические отказы оборудования?».

Проверка RCM3 для данного оборудования проводилась в соответствии с принципами SAE JA 1011, NAVAIR и ISO 14224. На первом этапе были рассмотрены условия эксплуатации оборудования, определены его границы, техническая документация, история эксплуатации за предыдущие четыре года и условия окружающей среды нефтеперерабатывающего завода.

Проверка оборудования показала, что насос:

• установлен на открытом воздухе.
• подвергается воздействию пыли из окружающей среды.
• эксплуатируется в условиях изменяющейся температуры и влажности.
• эксплуатируется в прерывистом режиме.

В соответствии с принципами ISO 14224 границы оборудования были четко определены, и электродвигатель был отнесен к области, находящейся за пределами анализа. Далее, с использованием принципов и структуры классификации ISO 14224 и OREDA были определены функции оборудования, виды отказов, последствия и критичность отказов, что обеспечило соответствие анализа стандартным отраслевым стандартам и передовой практике.

Анализ показал, что около 73% заданий на работы, выданных для этого оборудования, не вносили эффективного вклада в управление отказами. Иными словами, организация выполняла работы, которые не обязательно предотвращали отказы.

Многие виды деятельности из программы ТО:

• были определены как повторяющиеся рутинные задачи,
• не имели прямой связи с конкретным видом отказа,
• проводились главным образом на основе организационных привычек,
• или потому что были созданы внутри CMMS.

Причем, ремонтная бригада, работавшая с этим насосом много лет, была осведомлена о его неисправностях и обладала достаточным опытом в выявлении основных причин отказов. Проблема заключалась не в отсутствии информации о неисправности или данных анализа первопричин. Настоящая проблема заключалась в качестве принимаемых решений по техническому обслуживанию.

Например:

• Какие виды отказов действительно требуют профилактического ТО?
• Какими видами отказов следует управлять с помощью ТО по состоянию?
• Для каких видов отказов экономически не оправдано профилактическое ТО?
• Какими видами отказов можно управлять в рамках стратегии "эксплуатация до отказа"?

Одним из видов отказов данного насоса является постепенная деградация подшипников, которая со временем может привести к повышению уровня вибрации и снижению надежности насоса. На основе проведенного анализа, вместо задачи планового периодического ТО было принято решение управлять этим видом отказа посредством обслуживания по состоянию. 

Один из важнейших уроков этого проекта заключается в следующем. Надежность оборудования не достигается за счет создания большего количества заявок на ТО. Повышение надежности начинается с принятия более взвешенных решений о том, как следует управлять каждым видом отказов.

В журнале "Экономика космоса" опубликована статья "Формирование иерархии производственно-технологического оборудования с применением рационального подхода анализа его критичности", подготовленная головным экономическим научно-исследовательским институтом ракетно-космической промышленности (АО «Организация «Агат»).

В статье рассматривается формирование иерархии активов организаций ракетно-космической промышленности с целью оптимизации операционных и капитальных затрат, повышения эффективности производства путем внесения разовых преобразований в стратегию технического обслуживания и ремонта и выбора политик управления отказами производственно-технологического оборудования. Приводится обоснование целесообразности формирования иерархической структуры производственно-технологического оборудования организаций отрасли с применением методов анализа его критичности. 

Рассматриваются принципы формирования иерархической структуры объектов обслуживания на основе оценки критичности отказов производственно-технологического оборудования. Автором предлагается к рассмотрению методика формирования иерархической структуры оборудования с целью определения стратегии снижения производственных рисков. 

Список литературы включает 10 источников, три из которых - публикации НПП СпецТек.

Иерархическая структура производственного оборудования, сформированная на основе анализа его критичности, является гибким инструментом  инженерных служб (ТОиР) предприятия, позволяющим: 

• своевременно проводить работы по изменению периодичности обслуживания и ремонта производственного оборудования с целью сокращения операционных затрат (корректировка стратегии ТОиР и определение приоритетов при планировании ее ресурсного обеспечения);
• осуществлять работы по мониторингу и профилактике возникновения новых «узких мест» в производственном (технологическом) процессе для нивелирования рисков отказа оборудования (останова производства);
• осуществлять приоритизацию перечня планируемого к закупке оборудования в процессе проектирования и реализации инвестиционных мероприятий (для предоставления входных данных в программу капиталовложений с тем, чтобы оборудованию с наибольшей критичностью был присвоен более высокий приоритет для обновления или замены).

Выбранные по результатам анализа политики управления отказами должны привести к снижению операционных затрат, направленных на ликвидацию последствий от отказов оборудования, произошедших за межремонтный период, привести к увеличению наработки до отказа критичной группы оборудования (снижению вероятности отказа). В свою очередь это приведет к сокращению доли критичных и умеренно критичных групп оборудования и сокращению «узких мест» в производственном процессе с одновременной оптимизацией длительности производственного цикла целевого изделия.

Компания LEW Verteilnetz Network (LVN) вошла в число первых сетевых операторов в Германии, получивших сертификат в соответствии с новой версией стандарта управления активами ISO 55001:2024. Сертификацию провела компания TÜV Nord Cert.

Сертификация подтверждает, что LVN управляет своей сетевой инфраструктурой — линиями электропередач, подстанциями и крупными трансформаторами — в соответствии с четкими и едиными принципами. Это гарантирует, что оператор сети эффективно и оптимально использует свои инвестиции, а также эксплуатационные и технические затраты в соответствии с установленными целевыми показателями. 

В частности, оператор сетей принимает решения о расширении, обновлении и техническом обслуживании оборудования, используя структурированный процесс управления. Это включает в себя такие вопросы, как: следует ли модернизировать трансформаторную подстанцию ​​или построить более крупную? Следует ли строить новую подстанцию? Когда следует прокладывать подземные кабели для воздушной линии среднего напряжения? LVN оценивает такие решения по пяти критериям: безопасность, качество электроснабжения, эффективное и рациональное использование финансовых ресурсов, соответствие законодательству и экологическим нормам, а также надежность для муниципалитетов и потребителей сети. Постоянный мониторинг обеспечивает успешное выполнение этих целевых критериев.

Отделы планирования, эксплуатации и управления активами, совместно с центральной проектной группой, разработали логику оценки и включили ее в свои рабочие процессы. Это включает в себя стандартизированные критерии для анализа состояния активов, оценки рисков и возможностей, определения приоритетов инвестиций и постоянного мониторинга того, способствуют ли и каким образом принимаемые меры достижению поставленных целей.

На отраслевом ресурсе добывающей промышленности опубликована статья с комментариями НПП СпецТек на актуальную тему: цифровизация, данные, искусственный интеллект.

Основные тезисы, вошедшие в статью:

1. Проблема избытка данных порождена технологическим развитием, которое обеспечило доступность инструментов сбора данных и возможность хранения неограниченных объемов данных, и тем самым сформировало соблазн собирать как можно больше данных только по той причине, что они считаются полезными.
2. Существует причина, по которой данных много, а извлечь из них пользу нельзя: либо у них нет нужных атрибутов, либо где-то не добрали ключевых данных из-за эпизодичности их сбора, либо наблюдается разнобой в структурировании данных, собираемых разными подразделениями, либо просто нет доступа к данным.
3. Особую сложность в проектах цифровизации имеет задача интеграции со смежными системами. Учитывая, что каждый бизнес структурирует свои данные совершенно по-разному, готовых интерфейсов «из коробки» не существует.
4. Искусственный интеллект не понимает технические объекты. Он берет входные данные и выявляет в них закономерности. Он не видит механизмов неисправности, породившей эти данные. Он будет не обращать внимания на проблемы, если его не научить, на что обращать внимание.
5. Один из самых опасных рисков, связанных с ИИ, это «галлюцинации», когда инструмент с ИИ уверенно выдаёт ошибочный вывод. Проблема в том, что ИИ не понимает, когда он чего-то не понимает. Вот почему так важна экспертная оценка выводов ИИ человеком.

Более 90% машин оснащены подшипниками качения. Для достижения производственных целей подшипники качения работают непрерывно в различных условиях эксплуатации и окружающей среды. Это приводит к различным типам дефектов в компонентах подшипников, таким как усталость, износ, вибрации, недостаточная смазка, ошибки проектирования, пластическая деформация, образование борозд, коррозия и неправильная установка. 

Значительная доля отказов (около 40% отказов вращающегося оборудования) связана именно с дефектами подшипников. Следовательно, они являются одними из наиболее важных компонентов. Любые серьезные дефекты в них повлияют не только на производительность, но и на доступность, безопасность и надежность.

В этом обзоре систематизированы методы диагностики подшипников качения с акцентом на методы машинного обучения и передовые методы глубокого обучения. 

Традиционные методы диагностики дефектов в значительной степени основаны на процессе, частоте появления признаков или извлечении признаков неисправности из характеристик подшипникового узла. Для диагностики используют такие традиционные методы, как:

1. Визуальный осмотр, который позволяет обнаружить трещины, коррозию, изменения цвета металла и другие дефекты.
2. Аудиальная диагностика - прослушивание шумов и вибраций с помощью стетоскопа или акустических датчиков.
3. Инструментальный контроль - измерение вибраций, температуры, токов, анализ состояния смазки и продуктов износа.
4. Термография, которая позволяет визуализировать распределение температуры по поверхности подшипникового узла и выявить аномальные зоны нагрева.

Однако, традиционные методы сталкиваются с ограничениями при обнаружении дефектов сложного оборудования, поскольку в значительной степени зависят от практического опыта и профессиональной экспертизы, требуют специальных знаний. С другой стороны, сигналы со статистическими характеристиками (вибрационные и другие) можно анализировать с помощью вычислительных методов выявления закономерностей и аномалий, что облегчает идентификацию и диагностику неисправностей. К таким методам относятся, в частности: 

1. анализ огибающей, 
2. вейвлет-преобразование,
3. быстрое преобразофание Фурье,
4. эмпирическое разложение по модам (EMD).

Они давно используются, но их возможности ограничены шумами и нестационарными сигналами. Недавние исследования интегрируют передовые методы обработки сигналов с подходами машинного обучения. Алгоритмы машинного обучения (ML) уменьшают зависимость от субъективной интерпретации признаков неисправности и повышают точность диагностики в сложных условиях эксплуатации. Обучившись на трендах из вибрационных и других сигналов, излучаемых подшипником, алгоритмы ML автоматически обнаруживают и распознают неисправности.

Существуют различные алгоритмы машинного обучения, которые включают:

1. классификационный анализ, 
2. регрессионный анализ, 
3. кластеризацию данных,
4. обучение ассоциативным правилам, 
5. инженерию признаков для уменьшения размерности, 
6. методы глубокого обучения (ANN, CNN, LSTM, DNN, RNN). 

Как поверхностные, так и глубокие методы машинного обучения способствуют идентификации, локализации и оценке серьезности неисправностей. Поверхностные модели позволяют проводить модульный, интерпретируемый анализ, в то время как глубокое обучение обеспечивает автоматическое извлечение признаков и сильную обобщающую способность в сложных условиях. 

Методы, основанные на искусственных нейронных сетях (CNN), способны изучать сложные шаблоны данных. Подходы глубокого обучения, такие как сверточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM), эффективно моделируют деградацию и распространение неисправностей. Они могут изучать сигнатуры неисправностей непосредственно из необработанных данных без необходимости ручного извлечения характеристик. 

В обнаружении неисправностей подшипников искусственные нейронные сети (ANN) широко используются для диагностики таких дефектов, как дефекты внутреннего кольца, наружного кольца и сепаратора. Как правило, сигналы вибрации или акустической эмиссии сначала предварительно обрабатываются с использованием статистических мер или вейвлет-преобразований, чтобы подчеркнуть характеристики, связанные с неисправностью, и уменьшить шум. При этом ANN на основе вейвлетов достигают точности классификации выше 99% для сценариев сложных неисправностей 

Для повышения эффективности диагностики EMD был интегрирован со сверточными нейронными сетями (CNN). Гибрид EMD–CNN продемонстрировал заметный успех в обнаружении ранних признаков неисправностей и обработке нестационарной динамики, при этом несколько исследований подтвердили его применимость на эталонных наборах данных и реальных промышленных системах. 

В диагностике подшипников CNN все чаще используются благодаря их способности автоматически изучать дискриминантные признаки из необработанных или слегка обработанных данных, устраняя необходимость в ручной разработке признаков. CNN очень эффективными для классификации типов неисправностей и оценки остаточного срока службы (RUL).

Глубокие нейронные сети (DNN) представляют собой более широкий класс нейронных архитектур, характеризующихся множеством скрытых слоев, которые постепенно преобразуют входные данные в представления более высокого уровня. Каждый слой применяет нелинейные преобразования, что позволяет DNN улавливать сложные взаимосвязи и иерархические закономерности в вибрационных или акустических данных. Сила DNN заключается в их способности исключать ручную разработку признаков путем автоматического извлечения признаков из необработанных входных данных датчика. Ранние слои улавливают низкоуровневые признаки, такие как пики и края сигнала, в то время как более глубокие слои кодируют абстрактные сигнатуры деградации, обеспечивая надежное обнаружение неисправностей, задачи регрессии и оценку остаточного срока службы. Помимо традиционных областей, таких как распознавание речи и изображений, DNN успешно применяются для обнаружения неисправностей, обнаружения аномалий и прогнозирующего технического обслуживания вращающегося оборудования.

Хотя DNN обеспечивают высокую точность диагностики, они являются вычислительно затратными и требовательными к данным, что требует тщательной регуляризации во избежание переобучения. Их интерпретируемость также остается ограничением, поскольку более глубокие слои работают как модели «черного ящика».

Рекуррентные нейронные сети (RNN) предназначены для улавливания временных зависимостей путем включения петель обратной связи, что делает их особенно подходящими для последовательных данных, таких как сигналы вибрации. В отличие от сетей прямого распространения, RNN сохраняют память о предыдущих входных данных, что позволяет им моделировать временную динамику во вращающихся механизмах, где признаки неисправностей изменяются со временем. Это делает RNN очень эффективными для обнаружения неисправностей подшипников и мониторинга состояния в нестационарных средах.

RNN часто интегрируются с методами предварительной обработки, такими как вейвлет-преобразование или быстрое преобразование Фурье, для улучшения представления признаков. Экспериментальные оценки показали, что модели на основе RNN могут стабильно достигать точности классификации неисправностей, превышающей 95%, на различных наборах данных.

Тем не менее, RNN представляют собой проблемы, такие как высокая вычислительная стоимость, длительное время обучения и ограниченная интерпретируемость изученных временных признаков. Для решения этих проблем используются такие методы, как ограничение градиента и механизмы внимания.

Ученые Пермского Политеха создали математическую модель, способную с точностью до 95% предсказывать износ наиболее уязвимых частей мостов — «мостовых суставов», содержащих полимерные вставки.

Мосты в России работают в экстремальных условиях: перепады температур, вибрация и растущие нагрузки. Слабое место конструкции — опорные части с полимерными вставками, которые работают как «суставы». Полимерные вставки широко применяются в мостовой архитектуре, поскольку позволяют эффективно гасить вибрацию мостовых пролетов, снижать трение и обеспечивать необходимую подвижность пролетов под нагрузкой. Полимерные вставки работают как своеобразный хрящ, если сравнивать их с человеческим суставом.

Одним из перспективных решений для таких узлов является сверхвысокомолекулярный полиэтилен — пластик, устойчивый к износу и обладающий низким коэффициентом трения. Проблема в том, что в мировой практике существующие методы испытаний и расчетов антифрикционных материалов не позволяют точно предсказать их поведение при экстремальных нагрузках и перепадах температур. В лаборатории их проверяют, например, просто сжимая с постоянной скоростью или нагревая до определенной температуры. А стандартные компьютерные модели учитывают только упругость, то есть полное восстановление формы после снятия нагрузки.

Но в реальности мост постоянно испытывает сочетание разных воздействий. За ночь он может промерзнуть до –30 °C, а утром резко нагреться на солнце, не считая внутреннего повышения температуры от натирания элементов друг о друга. Из-за этого в полимере возникают сложные внутренние напряжения. Добавьте к этому вес и удары от машин или поездов — и материал начинает необратимо деформироваться. Даже когда нагрузка уходит, форма не восстанавливается, что может привести к поломке опорной части. 

Именно для учета этих факторов и создания достоверного прогноза работы конструкций при нагреве и нагрузках ученые Пермского Политеха создали математическую модель, которая впервые позволяет предсказать поведение сверхвысокомолекулярного полиэтилена с точностью до 95%, в условиях, максимально приближенных к реальной работе моста. 

PT Perusahaan Gas Negara Tbk (PGN) получила сертификат ISO 55001 на систему управления активами от британской BSI Group Indonesia с областью действия - инфраструктура передачи и газораспределения Южной Суматры-Западной Явы.

Компания PGN входит в состав Gas Pertamina, контролирует 91,36% доли национального рынка природного газа. Операционная область компании включает 18 провинций и 78 городов/округов, с более чем 822 000 клиентов, обслуживаемых через сеть газопроводов длиной более чем 33 490 километров.

Корпоративный секретарь PGN Fajriyah Usman отметил:

«Внедрение ISO 55001 обеспечивает прочную основу для оптимального управления активами. При структурированном управленческом подходе PGN способен повысить операционную эффективность при оптимизации эксплуатационных расходов компании. В будущем PGN стремится продолжать поддерживать и улучшать возможности управления инфраструктурой природного газа. При организованном управленческом подходе каждое инвестиционное решение может быть принято путем сбалансированного рассмотрения аспектов затрат, рисков и производительности. Это окажет непосредственное влияние на повышение надежности инфраструктуры, а также на устойчивость бизнеса компании в долгосрочной перспективе».

Travis Richardson из Noria Corporation в своей статье еще раз напоминает о недостатках бумажной системы ТОиР и достоинствах цифровой системы на примере обходов оборудования, точнее – на примере смазки.

Типичный бумажный рабочий процесс создает препятствия практически на каждом этапе. Планировщики создают, распечатывают и передают задания на плановые осмотры с маршрутами. Техники проводят осмотры на месте и вручную записывают результаты. Фотографии могут быть сделаны на смартфон, но отправлены отдельно по SMS или электронной почте. Заполненные техниками формы в конечном итоге возвращаются к планировщику или специалисту по составлению графиков, который должен интерпретировать записи и внести информацию в другую систему.

Такой рабочий процесс может технически «работать», но зачастую он работает за счет потерь времени, раздробления полезной информации и усложнения визуализации и использования данных о надежности. В частности, для задач смазки ограничения очевидны. Смазка — это повторяющийся, маршрутный и требующий высокой детализации процесс. Если работа не определена четко, не задокументирована и не проверена, мелкие ошибки могут накапливаться и приводить к дорогостоящим поломкам.

Неэффективность становится более очевидной при обнаружении нештатных ситуаций. Предположим, техник обнаружил утечку в линии подачи смазки на редукторе. В протоколе осмотра может быть указано «обнаружена утечка», но подтверждающее фото может находиться где-то в другом месте: на телефоне техника, в текстовом сообщении, в переписке по электронной почте или в общей папке. Если кто-то вручную не свяжет изображение с протоколом осмотра, ключевой контекст будет потерян.

Раздробление информации имеет значение. В письменной заметке можно описать проблему, но фотография может показать ее серьезность, местоположение, доступность, риск загрязнения и то, ухудшается ли состояние. Когда фотографии, заметки и записи о выполненных работах разрознены, у планировщиков и руководителей по обеспечению надежности остаются лишь фрагменты информации вместо полного отчета о техническом обслуживании.

Цифровая система управления помогает объединить все эти данные. Результаты проверки, фотографии, аннотации, записи об активах, история задач и последующие действия — все это может оставаться взаимосвязанным. Это не только делает документацию более понятной, но и повышает полезность информации. 

Более эффективное планирование и составление графиков

Одним из главных преимуществ цифрового управления смазочными работами является улучшенное планирование и составление графиков. Работы по смазке часто носят повторяющийся характер, выполняются по маршрутам и зависят от доступности оборудования. Графики производства меняются. Время простоя смещается. Численность персонала меняется. Некоторые задачи могут потребовать перераспределения, группировки или приоритизации в зависимости от условий эксплуатации.

Когда эта работа ведется на бумаге, изменения в расписании часто требуют перепечатки маршрутов, перераспределения документов и ручной сверки выполненных задач. Это добавляет лишние усилия и увеличивает вероятность того, что что-то будет упущено или даже неправильно отражено в отчете.

Цифровая система позволяет планировщикам отслеживать предстоящие работы по смазке, переносить даты, корректировать маршруты и легче координировать работу. Такая гибкость важна, поскольку профилактическое техническое обслуживание — это не просто создание задач. Речь идет о том, чтобы обеспечить выполнение правильной работы в нужное время, с предоставлением необходимой информации человеку, выполняющему работу.

Для руководителей отдела технического обслуживания это обеспечивает лучшую прозрачность выполнения работ. Они могут видеть, что было сделано, что было упущено, какие были обнаружены нештатные ситуации и где может потребоваться дальнейшее вмешательство. 

Преобразование полевых наблюдений в достоверные данные

Но самый веский аргумент в пользу цифрового управления смазыванием — это не удобство, а качество данных.

Бумажные формы планово-профилактического обслуживания плохо справляются с преобразованием полевых наблюдений в пригодные для использования данные о надежности. Даже если техники точно заполняют формы, информацию часто приходится интерпретировать и вводить вручную, прежде чем кто-либо сможет ее проанализировать. Это приводит к задержкам, ошибкам при переписывании и несогласованной терминологии. Это также увеличивает вероятность того, что важные наблюдения могут наброска карандашом и никогда не будут рассмотрены после непосредственного завершения маршрута.

Цифровая система управления рабочим процессом упрощает сбор и отслеживание информации, связанной со смазкой, с течением времени. Это может включать в себя пропущенные задачи, повторяющиеся утечки, расход смазочного материала, аномальные результаты осмотра, наблюдения за загрязнениями, места повторных отказов, показатели выполнения маршрута и корректирующие действия, разработанные на основе результатов планового технического обслуживания.

Эти данные позволяют группам технического обслуживания задавать более качественные вопросы:

1. Возникают ли у некоторых устройств периодические проблемы, связанные со смазкой?
2. Часто ли одни и те же маршруты оказываются неполными?
3. Выявляют ли технические специалисты проблемы, которые не поддаются устранению?
4. Выполняются ли работы по смазке одинаково часто в разных сменах или на разных объектах?
5. Устраняются ли повторяющиеся протечки, места загрязнения или проблемы с доступом?

Эти вопросы выводят программу за рамки простого заполнения галочек. Завершенное плановое техническое обслуживание полезно только в том случае, если работа была выполнена правильно, а полученная информация приводит к принятию более обоснованных решений по техническому обслуживанию. 

Поддержка в связи с текучестью рабочей силы

Многие предприятия также сталкиваются с изменениями в составе рабочей силы. Опытные техники уходят на пенсию, а новые сотрудники приходят в отрасль с другим опытом и набором навыков. Раньше знания о смазке часто передавались неформально, в рамках «племенной» системы знаний. Они знали, до каких фитингов трудно добраться, какие редукторы склонны к протечкам, какие подшипники чувствительны к чрезмерной смазке и какие машины требуют особого ухода.

Проблема в том, что такие коллективные знания хрупки. Когда опытные люди уходят, большая часть этих знаний уходит вместе с ними.

Цифровая система управления поможет преобразовать практические знания в структурированные процедуры. Каждая задача в ней будет включать в себя информацию о правильном типе смазки, количестве нанесения, методе, маршруте, критериях проверки, фотографиях, примечаниях и мерах безопасности. Это дает начинающим специалистам более четкие инструкции и помогает уменьшить зависимость от памяти или неформального обучения.

Это не исключает необходимости практического обучения. Смазка по-прежнему является деятельностью, требующей определенных навыков, но улучшенные процедуры облегчают закрепление знаний в процессе обучения и стандартизацию выполнения работ. 

Сокращение объемов переделок и административных издержек

В бумажных документах часто требуется многократно обрабатывать одну и ту же информацию. Планировщик создает или распечатывает план технического обслуживания. Техник заполняет его вручную. Планировщик проверяет его. Кто-то вносит результаты в другую систему. Кто-то другой может позже искать подтверждающие фотографии, сканировать документы или сверять историю выполнения задач.

Это ненужная переделка, и в итоге она обходится недешево.

Цифровая система учета процесса смазки позволяет превратить данные, внесенные техником на месте, в документацию. Заметки об осмотре, статус выполнения, фотографии и комментарии фиксируются один раз и остаются привязанными к задаче и оборудованию. Это сокращает объем административной работы и снижает вероятность потери информации между местом проведения работ и отделом планирования.

Для технических специалистов это может обеспечить более четкие инструкции по выполнению задач. Для планировщиков это может сократить время, затрачиваемое на расшифровку рукописных заметок или поиск недостающей информации. Для руководителей по обеспечению надежности это может улучшить прозрачность в отношении того, правильно ли выполняется плановое техническое обслуживание и принимаются ли меры по устранению выявленных проблем. 

Джо Кун, бывший менеджер предприятия, консультант по надежности и соведущий ежемесячного подкаста Plant Services, разбирает одну из самых распространенных проблем, с которыми он сталкивается на производственных предприятиях: программы повышения надежности, существующие на бумаге, но неэффективные на практике.

Многие предприятия заявляют о наличии программы повышения надежности, но, по словам Куна, посетившего более 40 заводов за свою карьеру, более 90% из них имеют какую-либо форму фейковой программы повышения надежности.

Проблема не в недостатке знаний. «Лучшие практики в области надежности и технического обслуживания существуют уже 40-50 лет. У нас не проблема знаний; у нас проблема реализации», — говорит Кун. Когда реализация терпит неудачу, особенно на ранних этапах, усилия по повышению надежности часто сокращаются в первую очередь, особенно когда бюджет ограничен. «Если ваша программа повышения надежности не приносит результатов в первом квартале после начала ее реализации, она станет первым пунктом, который будет сокращен во время спада деловой активности».

Вот восемь признаков фейковой программы надежности, которые приводит Кун.

1. Рабочий день инженера по надежности включает в себя все, кроме работы по обеспечению надежности.
Настоящая роль инженера по надежности сосредоточена на устранении потерь и предотвращении отказов, а не на общей деятельности предприятия.

2. Большой разрыв между количеством запланированных и выполненных работ.
Низкие показатели выполнения обычно указывают на постоянные сбои из-за незапланированных работ. Если график не выполняется, программа повышения надежности не контролируется.

3. Бригады в цехе постоянно заняты оперативным реагированием.
Настоящая программа смещает баланс в сторону плановой, точной работы, а не постоянного тушения пожаров.

4. Анализ KPI за столом, а не в цеху.
Нужно видеть KPI в процессе работы. Это означает наблюдение за временем, затраченным на ремонт, точностью технического обслуживания и качеством выполнения работ в реальных условиях, а не просто анализ отчетов.

5. Повторяющиеся проблемы, которые никогда не решаются.
Настоящие программы систематически устраняют первопричины. Фейковые программы допускают хронические проблемы.

6. Примерно в 9 часов утра инженеры по надежности все еще в кроссовках, а не в рабочей обуви.
Рабочая обувь говорит о времени, проведенном в цеху, а кроссовки — о работе за столом. Если они в кроссовках, то у вас иллюзия культуры надежности.

7. Отсутствие видимого лидерства на производстве.
Лидерство включает в себя проверку планового технического обслуживания и укрепление стандартов точности. Если лидеры не связывают работу с результатами, помогая техникам понимать, почему задачи важны и как они влияют на производительность, то надежность становится просто еще одной задачей, а не общей целью.

8. Операторы не участвуют в обслуживании оборудования и программе повышения надежности.
На вопрос об их участии они с недоумением отвечают: «А мы здесь при чем? Обратись к механику». Настоящая культура надежности — это межфункциональное взаимодействие. Если производственный отдел не вовлечен, программа неполна.

Цель повышения надежности — устранение потерь, таких как простои, дефекты, неэффективность и ненужный расход запчастей.

Если программа не приносит измеримых результатов быстро, она не выживет. «Вы можете разработать программу повышения надежности, которая даст вам результаты — ощутимые, конкретные результаты — за квартал. Это 90 дней».
Все, что дольше, рискует быть отвергнутым как теоретическое. «Эти несбыточные идеи… которые окупятся через пять лет — я даю вам почти нулевой шанс на успех», — говорит Кун.

В конечном итоге, самый большой риск заключается не в том, что программа потерпит неудачу. Риск в том, что она никогда и не была реальной.

«Вы не можете обмануть себя», — говорит Кун. «Если вы внедряете программу повышения надежности по политическим причинам, чтобы произвести впечатление на начальника, которому нужна такая программа… но она не является неотъемлемой частью корпоративной культуры, вы просто обманываете себя».