تعمیرات و نگهداری هوشمند به مفهوم دیجیتالی شدن صنعت ریلی است. راه حل های ممکن برای این منظور شامل بهینه سازی فرآیندهای نگهداری موجود، کاهش هزینه های چرخه عمر با استفاده کارآمد از دارایی های موجود و پیاده سازی مدل ها و خدمات جدید کسب و کار است. در دسترس بودن و استفاده از داده ها از منابع مختلف عوامل تعیین کننده موفقیت هستند. زیرساخت برای ایجاد و مدیریت حجم زیادی از داده ها مورد نیاز است. فناوریهای تجزیه و تحلیل دادهها، کشف دانش و هوش مصنوعی به سرعت در سالهای گذشته توسعه یافته و بازیگران اصلی برای دهه آینده هستند. استقرار و به کارگیری دانش جدید به همان اندازه مهم و چالش بزرگی در پیاده سازی تعمیرات و نگهداری هوشمند است.
نگهداری و تعمیرات هوشمند چطور کار میکند؟
به طور سنتی تعمیرات و نگهداری در صنعت ریلی بر اساس یک برنامه زمان بندی دقیق بر اساس تقویم یا زمان اجرا و همچنین تعمیرات و نگهداری در صورت خرابی یک قطعه انجام می شود. این بدان معنی است که کار نت در حال حاضر برای نیازهای یک جزء خاص یا زود یا خیلی دیر انجام می شود. زمانی که داده های بیشتری در دسترس قرار می گیرد، مفهوم نگهداری و تعمیرات از مدل نت واکنشی به نت پیش بینی تغییر می کند، به این معنی که ارزیابی سلامت می تواند به صورت مجازی و مداوم انجام شود.
مراحل مختلف باری توسعه ارزیابی سلامت وجود دارد. تعمیرات شرایطی یا Condition Based Maintenance می تواند سلامت (وضعیت) فعلی یک جزء یا یک قطعه را ارزیابی کند. ساده ترین پیاده سازی، دسته بندی در 2 حالت است: کار کردن و کار نکردن. توسعه بیشتر می تواند حالت های بیشتری را اضافه کند، به عنوان مثال: خوب به عنوان جدید، خوب کار می کند، اولین نشانه های آسیب، کار نمی کند. همانطور که مدل ها به سمت تعمیر و نگهداری پیش بینی تکامل می یابند، چالش پیش بینی این است که وضعیت در آینده تا چه اندازه کار نمیکند. این مقدار معمولاً به عنوان عمر مفید باقی مانده توصیف می شود. در بیشتر موارد یک مدل با استفاده از داده کاوی طراحی میشود. پس از آزمایش مدل، می توان آن را روی داده های واقعی و جدید اعمال کرد تا عمر مفید باقی مانده را پیش بینی کند. سپس از این مقدار برای برنامهریزی به موقع نگهداری و تعمیرات یا صرفهجویی در هزینهها زمانی که قطعات بیش از حد انتظار در دسترس هستند، استفاده میشود.
چگونه می توان تعمیر و نگهداری هوشمند را پیاده سازی کرد؟
سیستم های بیشتری هر ساله دیجیتالی میشوند و اکثر شرکت ها تاکنون داده هایی در دسترس دارند. داده ها ممکن است از مورد به مورد متفاوت باشد، اما داده ها به ندرت برای تجزیه و تحلیل بیشتر و اجرای نگهداری مبتنی بر شرایط یا پیشبینی استفاده میشوند. برای پرداختن به این موضوع، مهم است که یک شرکت یک استراتژی دادهای داشته باشد تا اطلاعات این بخش را جمعآوری کند و این جمع آوری و استخراج اطلاعات برایش مقرون به صرفه باشد. تعمیر و نگهداری هوشمند پتانسیل بسیار زیادی دارد، اما انتخاب مورد استفاده صحیح باید قبل از صرف زمان با دقت زیاد انجام شود. علاوه بر این، یک رویکرد ساختاریافته برای موفقیت در مواردی که اطلاعات استفاده چندمنظوره دارد، مورد نیاز است.
ابتدا باید مرحله اولیه انجام شود که برای آن یک تیم بین رشته ای از متخصصان فناوری و حوزه مورد نیاز است. مهم است که همه گروه های ذینفع را در این فرآیند دخیل باشند. کارشناسان این حوزه می توانند نگرش های ارزشمندی به جزئیات کسب و کار بدهند و موارد استفاده را تأیید کنند. کارشناسان فناوری می توانند نظرات خود را بیان کنند که با زیرساخت های فعلی چه چیزی ممکن است و چه چیزی برای پروژه های آینده از مورد نیاز است. پس از تعریف یک یا چند مورد استفاده، اولین بررسی سریع را می توان انجام داد. در دسترس بودن، کیفیت و کمیت داده ها باید تجزیه و تحلیل شوند و می توان یک تحلیل اکتشافی داده انجام داد. فرضیه اول را می توان آزمایش کرد، ناهنجاری ها و الگوها را می توان یافت. فرضیه اول را میتوان آزمایش کرد، ناهنجاریها و الگوها را میتوان یافت. اگر مرحله اول موفقیت آمیز باشد، مرحله بعدی توسعه یک سیستم کاری است. فرآیندهای توسعه نرم افزار برای موفقیت مهم هستند. یک تیم توسعه حرفه ای، اعتبارسنجی، بررسی و آزمایش، مستندسازی را مدیریت خواهد کرد. علاوه بر تمام موضوعات توسعه نرم افزار کلاسیک، چالش های تجزیه و تحلیل داده ها مانند مهندسی Feature، انتخاب چارچوب ها و الگوریتم ها، آموزش مدل و بهینه سازی و تجسم یا Visualization باید انجام شود. پس از نهایی کردن یک سیستم تحلیلی، نتایج باید با عملیات یکپارچه شوند. سیستم های اجرای تعمیر و نگهداری و زنجیره های ابزار متفاوت هستند و رابط های بین راهحلها باید متناسب با آن تطبیق داده شوند. پس از عملیاتی شدن سیستم تحلیلی، اعتبارسنجی مستمر کلید موفقیت بلند مدت است. عملکرد باید برای تشخیص انحرافات مدل نظارت شود و تغییرات بر این اساس انجام شود. یک راه حل صحیح مربوط به سیستمهایی است که در حین انجام عملیات به یادگیری ادامه می دهند در واقع سیستم خود را بر اساس دادههای جدید استخراج شده به روز رسانی میکند. صدور گواهینامه چنین سیستم هایی، به ویژه در اروپا، یک چالش مداوم است، اما انتظار می رود فرآیندها نیز تغییر کنند.
عرفان قربانعلی، کارشناس حملونقل