Blog TDK - Specjaliści w dziedzinie Automotive

Jeszcze kilka lat temu utrzymanie ruchu w wielu zakładach przemysłowych polegało głównie na reagowaniu na awarie. Maszyna stawała, serwis przyjeżdżał, produkcja czekała. Dziś takie podejście jest luksusem, na który niewiele firm może sobie pozwolić. Każda godzina przestoju na linii produkcyjnej w automotive to strata rzędu kilkudziesięciu tysięcy euro, a presja na terminowość dostaw rośnie z roku na rok. Predykcyjne utrzymanie ruchu (PdM) staje się więc nie modą, a koniecznością. Co ważne – da się je wdrożyć w zaledwie sześć tygodni, bez konieczności przebudowy całego systemu produkcji.

Reakcyjne utrzymanie ruchu nie działa

W zakładach motoryzacyjnych nawet 40% przestojów wynika z awarii, których można było uniknąć. Wiele z nich nie jest efektem błędów ludzkich, ale zwykłego braku danych. Klasyczne przeglądy okresowe czy TPM opierają się na założeniu, że maszyna „zużywa się” w przewidywalnym rytmie. Tymczasem współczesne linie z robotami, manipulatorami i napędami serwo generują tysiące zmiennych, które potrafią pokazać symptomy awarii na długo przed jej wystąpieniem – o ile ktoś potrafi je zinterpretować.

Predykcyjne utrzymanie ruchu polega właśnie na tym: zbieramy dane z maszyn, analizujemy trendy i uczymy system rozpoznawać wzorce typowe dla awarii. To odejście od kalendarza na rzecz realnego stanu technicznego urządzeń.

Od monitoringu do przewidywania

Wielu inżynierów myli PdM z monitoringiem stanu maszyn (Condition Monitoring). Monitoring informuje, że temperatura łożyska przekroczyła 70°C. PdM powie Ci, że za 11 dni prawdopodobnie dojdzie do jego zatarcia, bo wykres drgań od dwóch tygodni rośnie o 15% dziennie. Różnica polega więc na analizie przyczyn, nie tylko symptomów.

Kluczem do sukcesu jest zrozumienie, że nie chodzi o samą technologię, ale o proces decyzyjny. Czujniki zbierają dane, algorytmy je interpretują, a utrzymanie ruchu reaguje według ustalonego scenariusza. Dzięki temu decyzje przestają być intuicyjne, a stają się oparte na danych.

Jak wdrożyć PdM w 6 tygodni – plan krok po kroku

Tydzień 1–2: Wybierz, co naprawdę jest krytyczne

Nie zaczynaj od całej fabryki. Wybierz 3–5 maszyn, których zatrzymanie powoduje największy efekt domina. Wykorzystaj analizę FMEA lub RCM, by ocenić ich wpływ na produkcję. Sprawdź, gdzie awarie zdarzają się najczęściej, a części zamienne mają długi czas dostawy.

Tydzień 3: Dobierz czujniki i parametry

Dla większości maszyn w automotive kluczowe są dane drganiowe i termiczne. Czujniki wibracji ujawnią luzy, niewspółosiowość, uszkodzenia łożysk czy niewyważenie. Termografia pokaże tarcie lub przegrzewy. Warto dodać pomiar prądu silnika (analiza MCSA), który pozwala wykryć problemy elektryczne i mechaniczne jednocześnie.Nie zawsze potrzebny jest drogi system – wystarczą zestawy IoT oparte na Wi-Fi lub BLE, które zbierają dane do chmury i analizują je lokalnie.

Tydzień 4–5: Zbieraj dane i ucz system

Aby system mógł rozpoznawać anomalie, musi wiedzieć, jak wygląda normalna praca maszyny. Przez pierwsze dwa tygodnie rejestruj dane w warunkach stabilnej produkcji. Ustal częstotliwość próbkowania i zakres obserwowanych parametrów. Analizuj trendy w widmie FFT – wibracje w określonych częstotliwościach często zdradzają uszkodzenie wałów lub łożysk dużo wcześniej, niż pokaże to temperatura.Na tym etapie możesz korzystać z prostych narzędzi wizualizacyjnych – od arkuszy danych po dashboardy w Power BI lub oprogramowaniu producenta czujników.

Tydzień 6: Wdrażaj reguły alarmowe i integruj z UR

Ustal trzy poziomy alarmów: informacyjny (trzeba obserwować), ostrzegawczy (przygotować interwencję), krytyczny (natychmiastowa reakcja). Połącz system z modułem CMMS, tak by alarm automatycznie generował zlecenie pracy. Dopiero wtedy PdM zaczyna działać naprawdę – dane przekładają się na decyzję, a decyzje na oszczędność.

Jak policzyć opłacalność

Przewidywanie awarii to nie sztuka dla sztuki. W automotive każda minuta przestoju to realne pieniądze. Dlatego warto policzyć ROI już na starcie.Wzór jest prosty:Oszczędność = uniknięte przestoje + mniejsza liczba awarii – koszt wdrożenia.Jeśli trzy krytyczne maszyny powodowały pięć awarii rocznie po cztery godziny każda, a koszt godziny przestoju to 10 000 zł, to nawet ograniczenie o połowę oznacza 100 000 zł rocznie. System PdM, który kosztował 30 000 zł, zwraca się w cztery miesiące.

Najczęstszy błąd? Liczenie tylko sprzętu. Prawdziwy zysk to krótszy MTTR (czas naprawy), mniejsze zużycie części i mniej stresu dla całego zespołu.

Case study: linia montażu karoserii

W jednej z fabryk montażu karoserii problemem były nagłe awarie manipulatora – bez ostrzeżenia zatrzymywały całą linię. Wdrożono prosty system PdM: czujniki drgań na silnikach osiowych, termometry kontaktowe na przekładniach i pomiar prądu.Już po trzech tygodniach system wykrył nietypowe wibracje w jednym z napędów. Analiza trendu pokazała narastające luzy w mocowaniu łożyska. Dzięki planowemu zatrzymaniu i wymianie elementu uniknięto przestoju wartego 120 000 zł. Od tamtej pory zespół UR reaguje, zanim maszyna „poprosi o pomoc”.

5 najczęstszych pułapek PdM

Zbyt szeroki start. Wdrażanie na całej fabryce naraz kończy się chaosem. Zacznij od pilotażu.
Zbieranie danych bez celu. Dane bez interpretacji to tylko cyfry.
Złe miejsce montażu czujników. Czujnik zamocowany na osłonie nie pokaże prawdziwych wibracji.
Brak integracji z procesem. Alarmy bez reakcji demotywują załogę.
Brak lidera PdM. Jeśli nikt nie odpowiada za system, projekt umiera po trzech miesiącach.

Od monitoringu do przewidywania – jak wdrożyć predykcyjne utrzymanie ruchu w 6 tygodni