نگهداری پیش‌بینانه چیست؟

مقدمه
 نگهداری پیش‌بینانه (Predictive Maintenance - PdM) در بسیاری از موارد به‌اشتباه مترادف با نگهداری مبتنی بر وضعیت (Condition-Based Maintenance - CBM) در نظر گرفته می‌شود. با این حال، تحولات فناورانه اخیر، از جمله ظهور هوش مصنوعی (Artificial Intelligence - AI)، کاهش هزینه حسگرهای پیشرفته تجهیزات، و توسعه الگوریتم‌های یادگیری ماشین (Machine Learning - ML)، موجب شده است که تفاوت‌های بنیادین میان این دو رویکرد به‌وضوح قابل تشخیص باشد.

هدف این مقاله، تبیین دقیق مفهوم نگهداری پیش‌بینانه، بررسی تمایزهای کلیدی آن با نگهداری مبتنی بر وضعیت، و تحلیل روندهای نوظهور در صنعت است که با بهره‌گیری از هوش مصنوعی و یادگیری ماشین، امکان پیش‌بینی دقیق‌تر و کارآمدتر خرابی‌های قریب‌الوقوع را فراهم ساخته‌اند.

نگهداری پیش‌بینانه (Predictive Maintenance - PdM) به‌عنوان یکی از زیرمجموعه‌های نگهداری پیشگیرانه (Preventative Maintenance) شناخته می‌شود، زیرا اقدامات لازم پیش از وقوع خرابی برنامه‌ریزی و اجرا می‌گردد.

این رویکرد را می‌توان شکل پیشرفته‌تری از نگهداری مبتنی بر وضعیت (Condition-Based Maintenance - CBM) دانست؛ رویکردی که در آن از پارامترهای مختلف فرآیندی برای ارزیابی وضعیت تجهیزات و تشخیص فاصله‌ گرفتن آن‌ها از شرایط پایدار عملیاتی استفاده می‌شود. همچنین، اتکا بر سیستم‌های هوشمند و پیشرفته برای پیش‌بینی طول عمر باقی‌مانده تجهیزات و تعیین زمان مناسب مداخله، نقش مهمی در اثربخشی این روش دارد.

به بیان دیگر، نگهداری پیش‌بینانه تنها در صورتی کارآمد خواهد بود که داده‌های اندازه‌گیری‌شده متنوع و کافی برای تحلیل روند خرابی در دسترس باشد و یک مدل معتبر و دقیق برای پیش‌بینی وضعیت تجهیز مورد استفاده قرار گیرد.

تغییر در فناوری (Shift in Technology)

از دهه ۱۹۹۰ به این‌سو، تحولات چشمگیری در حوزه فناوری رخ داده است. ورود رایانه‌هایی با قدرت پردازشی بالاتر و هزینه کمتر به بازار، یکی از مهم‌ترین این تغییرات محسوب می‌شود؛ تغییری که در نمودار مربوطه با خط سبز نمایش داده شده است.

از اوایل دهه ۱۹۹۰، سرعت میکروپردازنده‌ها (Microprocessor Speeds) بیش از ۱۰,۰۰۰ برابر افزایش یافته است. به‌طور هم‌زمان، هزینه تقریباً تمامی انواع حسگرها (Sensors) به‌صورت چشمگیری کاهش پیدا کرده است. اینترنت (Internet) به جریان اصلی فناوری تبدیل شده و رایانش ابری (Cloud Computing) به یک استاندارد پذیرفته‌شده بدل گشته است. در دهه اخیر نیز یادگیری ماشین (Machine Learning) و هوش مصنوعی (Artificial Intelligence) با سرعتی چشمگیر پیشرفت کرده‌اند. در نتیجه، امروزه شاهد حرکت شتابان به‌سمت نگهداری مبتنی بر وضعیت (Condition-Based Maintenance) و نگهداری پیش‌بینانه (Predictive-Based Maintenance) هستیم.

تکامل نگهداری: نسل چهارم (Evolution of Maintenance: 4th Generation)

این تحول سریع در حوزه فناوری، بستر لازم را برای توسعه و شکل‌گیری نسل چهارم نگهداری (4th Generation of Maintenance) فراهم کرده است.

مشکل اصلی این است که بسیاری از کارخانه‌ها در سراسر جهان منابع خود را صرف پیاده‌سازی روش‌های نگهداری نسل چهارم (Fourth-Generation Maintenance) می‌کنند، در حالی که هنوز زیرساخت‌ها و اصول اولیه را استقرار نداده‌اند. این واحدها می‌کوشند بدون طی کردن مراحل ضروری، از وضعیت واکنشی نسل اول (First-Generation) مستقیماً به نگهداری پیش‌بینانه (Predictive Maintenance) پیشرفته وارد شوند. در نتیجه، هزینه‌های قابل‌توجهی (گاهی صدها هزار دلار) برای نرم‌افزار و فناوری صرف می‌شود، اما دستاورد ملموسی در بهبود قابلیت اطمینان (Reliability) به دست نمی‌آید.

به جای این رویکرد، لازم است یک برنامه نگهداری پیشگیرانه (Preventive Maintenance - PM) کارآمد و ساختاریافته طراحی شود. این برنامه باید ترکیبی از راهکارهای نسل دوم (Second-Generation Maintenance)، نسل سوم (Third-Generation Maintenance) و در نهایت، نسل چهارم (Fourth-Generation Maintenance) باشد. برخی از مدهای خرابی (Failure Modes) را می‌توان به‌طور مؤثر از طریق نگهداری زمان‌محور (Time-Based Maintenance) مدیریت کرد، برخی دیگر نیازمند نگهداری مبتنی بر وضعیت (Condition-Based Maintenance) هستند و تنها بخش کوچکی از مدهای خرابی از نظر اقتصادی توجیه لازم برای استفاده از نگهداری پیش‌بینانه (Predictive Maintenance) را دارند.

نگهداری مبتنی بر وضعیت در مقابل نگهداری پیش‌بینانه (Condition-based Maintenance vs. Predictive Maintenance)

پایش وضعیت (Condition Monitoring) بخش اساسی و مهمی از نگهداری پیش‌بینانه (Predictive Maintenance) محسوب می‌شود. داده‌های به‌دست‌آمده از پایش وضعیت، اطلاعات جامعی در خصوص شرایط فعلی و سوابق عملکردی تجهیزات و کارخانه ارائه می‌دهند.

در نگهداری پیش‌بینانه، این داده‌ها با اطلاعات واقعی مربوط به خرابی‌ها ترکیب می‌شوند تا مدلی ایجاد گردد که نشان می‌دهد تجهیزات چگونه ممکن است دچار افت عملکرد شوند، چه زمانی احتمال خرابی وجود دارد و در چه زمانی باید اقدامات نگهداری صورت گیرد.

تفاوت اصلی میان نگهداری مبتنی بر وضعیت (CBM) و نگهداری پیش‌بینانه (PdM) در استفاده از مدل‌های مبتنی بر یادگیری ماشین (Machine Learning) و هوش مصنوعی (Artificial Intelligence) است؛ مدل‌هایی که در نگهداری پیش‌بینانه به‌کار می‌روند تا وقوع احتمالی خرابی و زمان مناسب برای مداخله را پیش‌بینی کنند.

فرایند ۴ مرحله‌ای نگهداری پیش‌بینانه (4 Step Process of Predictive Maintenance)

نگهداری مبتنی بر وضعیت (Condition-Based Maintenance) یک فرایند سه‌مرحله‌ای شامل تشخیص (Detect)، تحلیل (Analyse) و اصلاح (Rectify) است. اما در نگهداری پیش‌بینانه (Predictive Maintenance) این فرایند به چهار مرحله توسعه یافته است، زیرا مرحله‌ای با عنوان پیش‌بینی (Predict) اضافه شده که در آن نتایج تحلیل مورد استفاده قرار گرفته و با برون‌یابی، زمان و نوع مداخله مناسب مشخص می‌شود.

مراحل اصلی در نگهداری پیش‌بینانه عبارتند از:

  1. تشخیص (Detect): شناسایی نشانه‌ها و داده‌های اولیه از تجهیزات با کمک حسگرها و پایش وضعیت.

  2. تحلیل (Analyse): ارزیابی و تحلیل داده‌ها برای شناسایی الگوها و تعیین وضعیت سلامت تجهیزات.

  3. پیش‌بینی (Predict): بهره‌گیری از نتایج تحلیل، مدل‌های یادگیری ماشین (Machine Learning) و هوش مصنوعی (Artificial Intelligence) برای پیش‌بینی زمان و نوع خرابی احتمالی.

  4. اصلاح (Rectify): اجرای اقدامات نگهداری یا تعمیرات موردنیاز در زمان مناسب، پیش از وقوع خرابی.

نگهداری مبتنی بر وضعیت و نگهداری پیش‌بینانه در بسیاری از جنبه‌ها شباهت‌های قابل‌توجهی دارند، اما وجود مدل‌های مبتنی بر یادگیری ماشین (Machine Learning) و هوش مصنوعی (Artificial Intelligence) همان ویژگی‌ای است که نگهداری پیش‌بینانه (Predictive Maintenance) را از نگهداری مبتنی بر وضعیت (Condition-Based Maintenance) متمایز می‌کند. همین وابستگی به مدل‌های پیشرفته، سبب می‌شود پیاده‌سازی نگهداری پیش‌بینانه در عمل فرآیندی پیچیده و پرهزینه باشد.

نخست، وجود یک مجموعه داده خرابی (Failure Data) قابل‌توجه برای آموزش مدل‌های یادگیری ماشین ضروری است، امری که همیشه امکان‌پذیر نیست و حتی در برخی موارد مطلوب هم به نظر نمی‌رسد. دوم، توسعه این مدل‌ها مستلزم صرف زمان، تلاش و برخورداری از تخصص‌های عمیق است و این تخصص‌ها به‌طور معمول هزینه‌بر هستند. از این رو، استفاده از چنین مدل‌هایی تنها در کاربردهای پیچیده یا دارای ارزش سرمایه‌ای بالا توجیه‌پذیر است.

با وجود این، حوزه نگهداری پیش‌بینانه به‌سرعت در حال پیشرفت است و ارزش آن را دارد که مورد توجه و پایش قرار گیرد. با این حال، توصیه می‌شود تحت تأثیر تبلیغات یا رویکردهای فروش‌محور موجود در بازار قرار نگیرید. توجه به اصول اساسی نگهداری مؤثر همواره باید در اولویت باشد، زیرا برای بسیاری از دارایی‌ها، نگهداری پیش‌بینانه نباید در مراحل اولیه توسعه راهبرد نگهداری، جایگاه اصلی داشته باشد.

تکامل برنامه نگهداری پیشگیرانه (Evolving Your Preventive Maintenance Program)

در فرآیند توسعه یا بهبود برنامه نگهداری پیشگیرانه (Preventive Maintenance - PM)، نباید به‌سرعت به سمت نگهداری پیش‌بینانه یا نرم‌افزارهای پیشرفته حرکت کرد. آغاز مسیر باید با اصول پایه‌ای صورت گیرد و به‌تدریج بر مبنای آن‌ها توسعه یابد. برای سازمان‌هایی که در ابتدای مسیر قرار دارند و قصد دارند از چرخه معیوب نگهداری واکنشی خارج شوند، نخستین گام، استقرار یک برنامه پایه‌ای و کارآمد نگهداری پیشگیرانه است.

ابتدا لازم است مدهای خرابی وابسته به عمر (Age-Related Failure Modes) شناسایی شوند و PMهای زمان‌محور (Time-Based PMs) برای مدیریت این خرابی‌ها به‌کار گرفته شوند. سپس باید وظایف شناسایی خرابی (Failure-Finding Tasks) برای مدهای خرابی پنهان، به‌ویژه در عملکردهای حفاظتی، تعریف شود. پس از این مرحله، استفاده از رویکردهای ساده اما کارآمد نگهداری مبتنی بر وضعیت (Condition-Based Maintenance - CBM) می‌تواند برای مدیریت بیشتر مدهای خرابی با نرخ ثابت مؤثر باشد.

در این نقطه، وجود یک فرآیند اجرایی نگهداری (Maintenance Execution Process) مؤثر برای رفع به‌موقع مشکلات، حیاتی است. بدون چنین فرآیندی، نمی‌توان از مزایای واقعی CBM بهره‌مند شد. این موضوع به ضرورت ایجاد یک فرآیند برنامه‌ریزی و زمان‌بندی (Planning & Scheduling Process) دقیق و ساختاریافته تأکید دارد.

با پیشرفت برنامه، می‌توان از کاهش نسبی هزینه حسگرها (Sensors) برای افزایش ارزیابی‌های وضعیت تجهیزات بهره برد و ارزش افزوده حاصل از CBM را گسترش داد. همچنین، بررسی امکان استفاده از نگهداری مبتنی بر ریسک (Risk-Based Maintenance - RBM) می‌تواند در اولویت قرار گیرد. تنها پس از طی این مراحل است که بررسی ارزش‌افزایی نگهداری پیش‌بینانه (Predictive Maintenance - PdM) برای کسب‌وکار، منطقی خواهد بود.

به‌طور خلاصه، برنامه PM باید از پایه و ساده آغاز شود و گام‌به‌گام توسعه یابد. برای اکثر سازمان‌ها، PdM باید در زمره آخرین مراحل بهبود برنامه نگهداری پیشگیرانه قرار گیرد.


Powered by Froala Editor