MLnext w praktyce: predykcyjne utrzymanie ruchu na przykładzie maszyny lutowniczej

controlbyte.pl 21 godzin temu

Wprowadzenie: czym jest predykcyjne utrzymanie ruchu i dlaczego staje się standardem

W tradycyjnym podejściu utrzymanie ruchu miało charakter reaktywny – naprawiano maszynę dopiero wtedy, gdy już doszło do awarii. W lepszym przypadku wdrażano prewencyjne przeglądy, oparte na harmonogramie (np. co 500 godzin pracy).
Dziś jednak coraz więcej zakładów przechodzi na predykcyjne utrzymanie ruchu (PdM), które wykorzystuje dane, sztuczną inteligencję i uczenie maszynowe, aby przewidywać awarie z wyprzedzeniem.

Predykcyjne utrzymanie ruchu to nie tylko analiza danych historycznych – to ciągły proces monitorowania, w którym modele ML uczą się, jak wygląda „zdrowa” praca maszyny i wykrywają odstępstwa w czasie rzeczywistym.
Jednym z najciekawszych i najbardziej praktycznych narzędzi do tego typu zastosowań jest MLnext – otwarte środowisko opracowane przez Phoenix Contact, które pozwala łatwo wdrożyć analitykę AI w środowisku przemysłowym (np. w maszynie lutowniczej, prasie, zgrzewarce, sprężarce itp.).

Architektura systemu MLnext (Docker)

MLnext składa się z lekkiego zestawu kontenerów Docker, które tworzą kompletny pipeline AI:

MySQL – baza danych pomiarów i wyników AI
Adminer – interfejs www do przeglądania danych
Grafana – wizualizacja trendów i alerty
Generator – symulacja danych (jeśli brak realnego źródła)
MLnext Execution – silnik AI odpowiedzialny za trenowanie i predykcję
CodeMeter – zarządzanie licencją

Dane z maszyn (np. przez MQTT, Modbus, OPC UA) trafiają do bazy MySQL. MLnext przetwarza je, a Grafana pokazuje wyniki w czasie rzeczywistym.

Jak MLnext przewiduje awarie

Silnik MLnext uruchamia cyklicznie tzw. Periodic Job. Co kilka sekund pobiera nowe dane, przetwarza je i wykonuje predykcję.
W modelu typu Variational Autoencoder (VAE) uczony jest wzorzec poprawnej pracy maszyny. Następnie porównywane są wartości rzeczywiste z przewidywanymi – im większa różnica (tzw. błąd rekonstrukcji), tym większe prawdopodobieństwo anomalii.

Ten mechanizm działa jak cyfrowy stetoskop:

mały błąd rekonstrukcji → maszyna pracuje normalnie,
rosnący błąd → proces zaczyna się zmieniać (np. zużycie komponentu),
nagły skok błędu → potencjalna awaria lub zakłócenie.

Case study: maszyna lutownicza

Dla przykładu przyjrzyjmy się maszynie lutowniczej, w której MLnext monitoruje 18 parametrów w czasie rzeczywistym:

Grupa pomiarowa	Parametry
Napięcie	Voltage L1, L2, L3
Prąd	Current L1, L2, L3
Moc czynna/bierna/pozorna	Real, Reactive, Apparent Power (L1–L3)
Współczynnik mocy	Power Factor L1, L2, L3

Na tej podstawie MLnext tworzy model normalnej pracy lutownicy i zapisuje pary: np. Current_L1 oraz Current_L1_recon. W Grafanie użytkownik widzi oba wykresy i może natychmiast zauważyć, gdy rekonstrukcja (czyli przewidywanie) znacząco odbiega od rzeczywistego pomiaru.

Co oznaczają konkretne odchylenia

Obserwacja	Możliwa przyczyna	Działanie prewencyjne
Wahania napięcia L2 > ą5%	Luźne styki / zasilacz fazowy	Sprawdź połączenia i przewody
Spadek współczynnika mocy	Zwiększona indukcyjność obciążenia	Weryfikacja kompensacji mocy
Różnice między prądami L1/L2/L3	Nierównomierne obciążenie / uszkodzenie grzałki	Inspekcja grzałki lub grotu
Nagłe piki prądu	Zatarcie mechaniczne lub zanieczyszczenie	Czyszczenie i smarowanie układu
Stopniowy wzrost błędu MSE	Postępujące zużycie komponentu	Zaplanować przegląd prewencyjny

Analiza i alerty w Grafanie

MLnext zapisuje dane w bazie MySQL, z której Grafana pobiera je w postaci zapytań SQL.
Przykładowe obliczenie błędu (Mean Squared Error) dla trzech faz:

SELECT time, ( POW(Current_L1 - Current_L1_recon, 2) + POW(Current_L2 - Current_L2_recon, 2) + POW(Current_L3 - Current_L3_recon, 2) ) AS mse FROM power_result WHERE $__timeFilter(time) ORDER BY time DESC;

Jeżeli mse > 0.5 przez dłuższy czas – system generuje alert w Grafanie.
Alert można wysłać:

e-mailem (SMTP),
SMS-em (np. przez webhook API),
na komunikator (Teams, Slack, Telegram).

Integracja z utrzymaniem ruchu

Predykcyjne utrzymanie ruchu z MLnext pozwala nie tylko unikać awarii, ale też planować serwis w sposób optymalny.
Zamiast wymieniać komponent „na wszelki wypadek”, można to zrobić w momencie, gdy model zauważy rzeczywiste oznaki zużycia.

To zmniejsza:

liczbę nieplanowanych przestojów choćby o 30–50%,
koszty części i serwisu o 20–30%,
liczbę interwencji awaryjnych.

Dodatkowo – wszystkie dane są zapisywane w jednym miejscu (MySQL) i wizualizowane w Grafanie, co ułatwia analizę trendów i raportowanie.

Dlaczego AI i Machine Learning zmieniają utrzymanie ruchu

W erze Przemysłu 4.0 dane z czujników nie mogą być tylko archiwizowane — muszą pracować dla nas.
AI i uczenie maszynowe pozwalają wykrywać mikro-odchylenia, których człowiek nie zauważy, oraz łączyć korelacje pomiędzy setkami sygnałów.

Dzięki takim rozwiązaniom:

operatorzy reagują zanim wystąpi awaria,
planista UR otrzymuje rekomendacje oparte na danych,
kierownictwo ma mierzalny ROI z inwestycji w AI.

Właśnie dlatego predykcyjne utrzymanie ruchu i narzędzia takie jak MLnext będą jednym z kluczowych trendów przemysłowych w tej dekadzie.

Podsumowanie

MLnext to gotowa platforma do wdrożenia predykcyjnego utrzymania ruchu w praktyce.
Dzięki prostemu wdrożeniu (Docker), otwartym narzędziom (Grafana, MySQL) i wbudowanym modelom AI (VAE), pozwala firmom przemysłowym: