제조 유지 관리 개선

디지털 세계는 2년마다 두 배로 증가하고 있으며, 2013년 4조 4천억 기가바이트에서 2020년 44조로 증가할 것으로 예상됩니다. EMC Digital Universe에 따르면 이 디지털 세계에 보관된 데이터의 약 85%를 기업이 책임지고 있습니다.

제조 공장은 이러한 데이터 생산에 기여하는 기업의 한 유형에 불과하며, 기계 상태를 모니터링하기 위해 프로세스 데이터를 수집합니다. 자동화 부품 공급업체인 EU Automation의 미국 관리자인 Claudia Jarret에 따르면 플랜트 엔지니어는 이 데이터를 최대한 활용하고 유지 관리 일정이 플랜트에 도움이 되도록 할 수 있습니다.

Jarret은 제조업체가 유연성을 유지하면서 고객의 요구에 부응해야 한다는 끊임없는 압력에 직면해 있으며 공장 가동 중지 시간의 위협을 심각하게 인식하고 있다고 설명했습니다. 분석 회사 Aberdeen Research에 따르면 기계 고장을 비롯한 다양한 요인으로 인해 가동 중지 시간으로 인해 제조업체는 시간당 최대 260,000달러의 비용을 지출할 수 있습니다.

따라서 고장 후 장비를 수리하는 사후 보수보다 장비가 고장나기 전에 유지 보수하는 예방 유지 보수가 필수적입니다.

그러나 식품 및 음료 또는 자동차 부품 제조와 같은 대량의 저마진 산업의 경우 높은 초기 비용으로 인해 예방 유지 관리가 불가능하다고 잘못 인식될 수 있습니다.

예방

예를 들어, 모터 과열이나 열 전달 시스템 누출로 인해 시스템이 고장날 때까지 기다리던 시대는 고맙게도 우리 뒤에 있다고 Jarret은 말했습니다. 공장 관리자는 이제 고장을 피하기 위해 정기적인 검사, 업그레이드 및 문제 해결을 계획합니다. 이러한 간단한 단계는 예방 유지보수를 수행할 수 있는 한 가지 방법입니다.

그러나 상태 모니터링과 같은 인더스트리 4.0 기술에 대한 접근성이 높아짐에 따라 더욱 스마트하고 정확하며 시간이 덜 소요되는 방법을 사용할 수 있게 되었습니다.

많은 제조 공장에서는 이제 정교한 형태의 예방 유지 관리인 예측 유지 관리를 사용하여 장비가 얼마나 잘 작동하는지 확인하고 오류가 발생하기 전에 정확하게 예측합니다. 이렇게 하면 다운타임으로 인한 고장의 위험을 줄일 수 있을 뿐만 아니라 필요한 교체 부품을 주문할 수 있고 장비 고장 시 재고를 확보할 수 있습니다.

또한 장비 상태를 모니터링하면 이전에는 개선을 위해 대대적인 점검이 필요했던 점진적인 조정이 가능합니다. 변경은 프로세스의 효율성을 향상시켜 궁극적으로 비효율적인 요소를 제거하고 마모 부품의 유지 보수 또는 교체를 통해 장비 수명을 연장함으로써 비용을 절감할 수 있습니다.

시작 위치

예방 유지보수 일정을 구현할 때 공장 관리자가 취해야 하는 첫 번째 단계는 가능한 한 많은 데이터를 수집하는 것이라고 Jarret은 조언했습니다. 여기에는 해당 플랜트의 실제 가동 중지 시간 비용에 대한 정확한 추정이 포함되어야 합니다. 스마트 센서, 판매 수치 및 개조된 시스템에서 수집한 데이터를 대조하면 판매 손실, 폐기 제품 및 긴급 수리 비용을 고려할 수 있어 유용한 기준 수치를 제공할 수 있습니다.

플랜트에 대한 경험을 바탕으로 유지 보수 엔지니어는 모터, 터빈과 같이 고장이 발생하기 쉬운 구형 장비 또는 기계와 같이 더 높은 수준의 유지 보수가 필요할 것으로 생각되는 영역을 포함하여 플랜트에 대한 이상적인 계획을 수립하는 데 참여해야 합니다. , 또는 기타 움직이는 부품.

그런 다음 이 계획을 예산과 함께 사용하여 사용할 수 있는 예방 유지 관리 수준을 포함하여 현실적인 유지 관리 계획을 생성할 수 있습니다. 일부 제조업체의 경우 이는 공장 섹션의 경우 한 달에 한 번 또는 변동성이 큰 기계의 경우 매일과 같이 정기적인 장비 점검을 의미합니다.

데이터

진정한 예측 유지보수가 목표라면 온도, 압력 및 진동과 같은 데이터가 센서에 의해 수집되고 지속적으로 통합, 저장 및 분석됩니다. 제조업체의 다음 질문은 이러한 중요하지만 대용량 데이터 세트를 최대한 활용하는 방법입니다.

데이터가 수집되면 그 잠재력을 최대한 활용하기 위한 다음 단계는 분석을 시작하는 것입니다. 데이터 분석을 위한 인기 있는 옵션 중 하나는 클라우드 분석 서비스입니다. 여기에서 원시 데이터는 클라우드로 전송되어 고장을 포함한 이벤트를 예측할 수 있는 추세에 대해 저장 및 분석할 수 있습니다. 많은 서비스는 또한 경고 시스템을 통합하고 웹 포털, 앱, 이메일 또는 문자 메시지를 통해 임박한 고장에 대한 경고를 관련 담당자에게 보낼 수 있습니다.

사이버 보안, 클라우드에 저장된 데이터의 장기적인 안정성 또는 데이터 수집과 분석 사이의 지연을 우려하는 다른 제조업체는 내부에서 원시 데이터를 분석합니다. 이것은 종종 훨씬 더 많은 리소스를 차지하지만 공장 관리자에게 데이터를 완벽하게 제어할 수 있습니다.

단종

구현된 시스템에 관계없이 예측 유지 관리를 사용하여 노후화를 관리하고 가동 중지 시간을 줄이고 프로세스 효율성을 개선할 수 있습니다.

이는 유지보수 일정에 맞는 정확한 시간에 부품을 주문할 수 있음을 의미합니다. 전통적으로 제조업체는 교체가 필요할 수 있는 부품 재고를 유지해야 했으며, 이는 대신 작업에 사용할 수 있는 귀중한 공간을 생산 현장에서 차지했습니다. 예비 부품은 또한 부피가 크며 공장 바닥에 보관할 경우 발에 걸리거나 화재 위험을 비롯한 건강 및 안전 위험을 초래할 수 있습니다.

대신 제조업체는 필요한 경우에만 교체 부품을 주문하도록 선택할 수 있으므로 사용 가능한 공간과 리소스를 최대화할 수 있습니다. EU Automation과 같은 공급업체는 노후 부품을 24시간 이내에 전 세계로 배송할 수 있으므로 이제 부품을 현장에 보관할 필요가 없으며 부품이 도착하기까지 오랜 기간의 가동 중지 시간을 겪을 필요가 없습니다.

예측 유지보수를 사용하는 경우 수집된 데이터는 프로세스 효율성을 높이고 충분한 시간 내에 교체 부품을 주문하는 것과 같은 다른 목적으로도 사용할 수 있습니다. 이 데이터의 적절한 수집 및 분석은 잠재력을 극대화하는 데 필수적이며 이는 데이터 양이 증가함에 따라 매년 더 중요해질 것입니다.