PLC के लिए AI predictive मेंटेनेंस: reactive से proactive तक

आपका PLC पहले से जानता है कि आपका उपकरण ख़राब हो रहा है। डेटा मौजूद है — cycle time, मोटर करंट, टेम्परेचर ट्रेंड और अलार्म पैटर्न में। AI बस breakdown होने से पहले इन कड़ियों को जोड़ देता है।

मेंटेनेंस परिपक्वता का स्पेक्ट्रम

ज़्यादातर मैन्युफैक्चरिंग प्लांट मेंटेनेंस रणनीतियों के एक स्पेक्ट्रम पर कहीं न कहीं होते हैं, और यही स्थिति downtime और लागत दोनों तय करती है:

• Reactive (run-to-failure) — टूटे तो ठीक करो। यह सबसे सस्ता तरीका है, जब तक कि कोई महँगी चीज़ शुक्रवार रात 2 बजे बुरी तरह फ़ेल न हो जाए। तंग बजट और बिना मेंटेनेंस प्लानिंग वाले प्लांट्स में आम है।
• Preventive (समय-आधारित) — हालत चाहे जो हो, तय शेड्यूल पर पार्ट्स बदलो। Reactive से बेहतर, पर फ़िज़ूलख़र्ची वाला। आप 6 महीने पर bearing बदल देते हैं, भले ही उसमें 2 साल की ज़िंदगी बाकी हो, और वह bearing छूट जाता है जो 5 महीने में फ़ेल होता है।
• Condition-based — उपकरण की सेहत के संकेतक मॉनिटर करो और गिरावट दिखने पर कार्रवाई करो। समय-आधारित से ज़्यादा कुशल, लेकिन फिर भी गिरावट पर प्रतिक्रिया है, फ़ेल्योर का पूर्वानुमान नहीं।
• Predictive (AI-आधारित) — operating डेटा के पैटर्न के आधार पर machine learning से अनुमान लगाओ कि फ़ेल्योर कब होगा। मेंटेनेंस सबसे सही समय पर शेड्यूल होता है — इतनी देर से कि पार्ट की पूरी उम्र इस्तेमाल हो, और इतनी जल्दी कि unplanned downtime न हो।

Preventive से predictive की छलांग में ही AI की भूमिका आती है। लेकिन ज़्यादातर vendors जिस "AI predictive maintenance" की मार्केटिंग करते हैं, वह अक्सर सिर्फ़ कागज़ी होता है। यहाँ जानिए कि असल में क्या काम करता है और क्या नहीं।

Predictive मॉडल को कौन-सा PLC डेटा चाहिए

हर PLC लगातार ऐसा डेटा इकट्ठा करता है जिसमें मेंटेनेंस से जुड़े सिग्नल होते हैं। चुनौती यह जानना है कि कौन-से सिग्नल मायने रखते हैं और उनके ट्रेंड को कैसे समझें। Predictive मेंटेनेंस के लिए सबसे क़ीमती PLC सिग्नल कुछ श्रेणियों में आते हैं:

मोटर करंट और पावर

मोटर का करंट मैकेनिकल सेहत के सबसे भरोसेमंद संकेतकों में से एक है। स्वस्थ conveyor चलाने वाली मोटर किसी तय speed और load पर एक जैसा करंट लेती है। Bearing ख़राब होने लगें तो घर्षण बढ़ता है और करंट बढ़ता है। Belt फिसलने लगे तो करंट का पैटर्न बदलता है। Gearbox में lubrication कम हो तो acceleration के दौरान करंट बढ़ जाता है।

ज़्यादातर variable frequency drives (VFD) मोटर करंट को PLC tag के रूप में उपलब्ध कराते हैं। अगर आपका PLC Drive_01.OutputCurrent पढ़ता है, तो डेटा आपके पास पहले से है — बस उसे किसी एक पल की वैल्यू की तरह देखने के बजाय हफ़्तों और महीनों में ट्रेंड करना है।

Cycle time और throughput

Cycle time सबसे सरल और लगभग हर जगह उपलब्ध सिग्नल है। करीब-करीब हर मशीन इसे ट्रैक करती है। स्वस्थ उपकरण एक जैसे cycle time देता है। Hydraulic सिस्टम में leak हो तो cycle time धीरे-धीरे बढ़ता है। Pneumatic cylinder धीमा पड़े तो cycle लंबा हो जाता है। Tool घिसे तो या तो cycle लंबा होता है (अगर प्रोसेस इसकी भरपाई करता है) या क्वालिटी गिरती है (अगर नहीं करता)।

असली बात absolute cycle time नहीं, बल्कि variance है। 0.05 सेकंड variance के साथ 4.2 सेकंड के cycle चलाने वाली मशीन स्वस्थ है। वही मशीन 0.3 सेकंड variance के साथ 4.2 सेकंड के cycle चलाए, तो वह बता रही है कि कुछ गड़बड़ है — भले ही औसत नहीं बदला।

टेम्परेचर ट्रेंड

औद्योगिक उपकरणों में टेम्परेचर सेंसर हर जगह होते हैं — मोटर, bearing, hydraulic reservoir, spindle, gearbox और enclosure पर। सिर्फ़ टेम्परेचर एक lagging संकेतक है (bearing गर्म होने तक नुकसान काफ़ी हो चुका होता है), लेकिन load पर टेम्परेचर बढ़ने की दर एक leading संकेतक है।

एक स्वस्थ मोटर 30 मिनट चलने के बाद 65C तक पहुँच सकती है। अगर वही मोटर आसपास के माहौल या load में बिना किसी बदलाव के 20 मिनट में 65C तक पहुँच जाए, तो cooling सिस्टम या bearing की हालत बिगड़ी है। AI मॉडल इस drift को टेम्परेचर के अलार्म setpoint तक पहुँचने से काफ़ी पहले पकड़ सकता है।

वाइब्रेशन डेटा

घूमने वाले उपकरणों की सेहत के लिए वाइब्रेशन विश्लेषण सबसे भरोसेमंद मानक है। पहले इसके लिए अलग वाइब्रेशन सेंसर और ख़ास विश्लेषण सॉफ़्टवेयर चाहिए होता था। अब वाइब्रेशन सेंसर ज़्यादातर सीधे PLC I/O modules या एज डिवाइस से जुड़ते हैं, जो डेटा को PLC tags के रूप में उपलब्ध कराते हैं।

Predictive मेंटेनेंस के लिए उपयोगी वाइब्रेशन सिग्नल ये हैं:

• Overall RMS velocity — वाइब्रेशन की गंभीरता का सामान्य संकेतक (ISO 10816 वर्गीकरण)
• Frequency spectrum peaks — ख़ास frequencies ख़ास failure modes से जुड़ी होती हैं (1x = imbalance, 2x = misalignment, bearing frequencies = bearing defects)
• Crest factor — peak और RMS का अनुपात, जो bearing defects बढ़ने के साथ बढ़ता है

अलार्म पैटर्न

यह सबसे ज़्यादा नज़रअंदाज़ किया जाने वाला predictive सिग्नल है, और PLC अलार्म मैनेजमेंट से सबसे सीधा जुड़ा हुआ। ज़्यादातर मामलों में उपकरण अचानक फ़ेल नहीं होता। वह धीरे-धीरे बिगड़ता है। और यह बिगड़ना अलार्म पैटर्न में दिखता है:

• रुक-रुककर आने वाला सेंसर अलार्म, जो पहले हफ़्ते में एक बार, फिर दो बार, फिर रोज़ आने लगे
• हाई-टेम्परेचर अलार्म, जो दोपहर में active होने लगे जबकि पहले कभी नहीं होता था
• ड्राइव fault, जो reset पर clear हो जाए लेकिन बढ़ती बारंबारता से लौटे
• Sequence timeout, जो दुर्लभ से कभी-कभार और फिर आम हो जाए

इनमें से हर पैटर्न एक predictive सिग्नल है। अलार्म लॉग देखने वाला मेंटेनेंस टेक्नीशियन यह ट्रेंड हाथ से पकड़ सकता है। AI सिस्टम इसे अपने-आप पकड़ता है और बदलाव की दर को मापता है।

Machine learning मॉडल PLC डेटा पर कैसे काम करते हैं

PLC-आधारित predictive मेंटेनेंस के लिए सबसे व्यावहारिक ML तरीका anomaly detection है, failure prediction नहीं। यह फ़र्क़ मायने रखता है।

Failure prediction के लिए labeled training डेटा चाहिए: सामान्य संचालन के उदाहरण, साथ में ख़ास failure modes के उदाहरण। यह डेटा जुटाना महँगा है, क्योंकि फ़ेल्योर (उम्मीद है) कम होते हैं, और हर failure mode के लिए अलग training उदाहरण चाहिए। ज़्यादातर प्लांट्स के पास यह डेटा होता ही नहीं।

Anomaly detection के लिए सिर्फ़ सामान्य operating डेटा चाहिए। मॉडल एक साथ कई सिग्नलों में सीखता है कि "सामान्य" कैसा दिखता है, फिर सामान्य से हटने वाली स्थितियों को फ़्लैग करता है। यह तरीका इसलिए काम करता है क्योंकि:

• सामान्य operating डेटा भरपूर है — प्रोडक्शन का हर दिन training उदाहरण देता है
• मॉडल को यह जानने की ज़रूरत नहीं कि कोई ख़ास फ़ेल्योर कैसा दिखता है, बस इतना कि मौजूदा व्यवहार baseline से अलग है
• यह ऐसे अनपेक्षित failure modes भी पकड़ता है जो किसी labeled training set में नहीं होते

एक व्यावहारिक उदाहरण: सामान्य प्रोडक्शन में एक पैकेजिंग मशीन 12.3A मोटर करंट, 3.8s cycle time और 52C bearing टेम्परेचर पर चलती है। Anomaly detection मॉडल ये संबंध सीखता है, जिसमें यह भी शामिल है कि टेम्परेचर बढ़ने पर करंट थोड़ा बढ़ता है। एक दिन करंट 13.1A है, लेकिन टेम्परेचर सिर्फ़ 48C। कोई अकेली वैल्यू चिंताजनक नहीं है, लेकिन उनके बीच का संबंध बदल गया है। मॉडल इस anomaly को फ़्लैग करता है। जाँच में घिसा हुआ belt मिलता है, जो मैकेनिकल load बढ़ा रहा है, जबकि कम घर्षण टेम्परेचर घटा रहा है। सिर्फ़ करंट पर लगा पारंपरिक अलार्म 15A तक ट्रिगर नहीं होता।

लागू करने के व्यावहारिक कदम

AI predictive मेंटेनेंस लागू करने के लिए किसी बड़े IT प्रोजेक्ट की ज़रूरत नहीं। एक व्यावहारिक तरीका:

1. डेटा इकट्ठा करने से शुरुआत करें। किसी भी AI से पहले आपको ऐतिहासिक time-series डेटा चाहिए। अपने PLC या एज gateway को कॉन्फ़िगर करें ताकि मुख्य सिग्नल (मोटर करंट, टेम्परेचर, cycle time, अलार्म इवेंट) किसी डेटाबेस या historian में लॉग हों। न्यूनतम उपयोगी हिस्ट्री: 3 महीने का प्रोडक्शन डेटा।
2. एक मशीन चुनें। पूरे प्लांट को एक साथ मॉनिटर करने की कोशिश न करें। ऐसी मशीन चुनें जो अहम हो, जिसका unplanned downtime का इतिहास हो, और जिसका PLC डेटा उपलब्ध हो। एक मशीन पर सफलता विस्तार को सही ठहराती है।
3. अपने सिग्नल तय करें। हर मशीन के लिए उपकरण की सेहत से जुड़े 5-15 सिग्नल चुनें। ज़्यादा का मतलब बेहतर नहीं — अप्रासंगिक सिग्नल noise बढ़ाते हैं, जिससे मॉडल की परफ़ॉर्मेंस गिरती है।
4. Baseline तय करें। Anomaly detection मॉडल को 2-3 महीने के सामान्य operating डेटा पर चलाएँ। Sensitivity को ऐसे tune करें कि वह रोज़मर्रा के प्रोसेस बदलावों (प्रोडक्ट changeover, startup/shutdown sequence, शिफ़्ट बदलना) पर अलर्ट न दे।
5. मेंटेनेंस रिकॉर्ड से पुष्टि करें। Anomaly detections की तुलना पिछले मेंटेनेंस इवेंट्स से करें। क्या मॉडल ने चौथे महीने में हुए bearing replacement को पकड़ा? क्या उसने छठे महीने के ड्राइव फ़ेल्योर को फ़्लैग किया? अगर नहीं, तो सिग्नल या sensitivity बदलें।
6. Workflows में जोड़ें। अगर कोई AI prediction पर कार्रवाई ही न करे, तो उसकी कोई क़ीमत नहीं। Anomaly अलर्ट को अपने CMMS या मेंटेनेंस शेड्यूलिंग सिस्टम से जोड़ें, ताकि उनसे सिर्फ़ डैशबोर्ड notification नहीं, बल्कि work order बनें।

मैन्युफैक्चरिंग मेंटेनेंस में AI की मौजूदा स्थिति

ईमानदार आकलन: AI predictive मेंटेनेंस असली है, लेकिन इसे ज़रूरत से ज़्यादा बढ़ा-चढ़ाकर बताया जाता है। आज क्या काम करता है और क्या नहीं:

क्या काम करता है

• Time-series PLC डेटा पर anomaly detection — अच्छी तरह स्थापित, व्यावहारिक, और ठीक से लागू हो तो मापने योग्य नतीजे देता है
• अलार्म पैटर्न विश्लेषण — बढ़ती अलार्म बारंबारता पकड़ना और अलार्म के समूहों को आने वाले फ़ेल्योर से जोड़ना
• Remaining useful life (RUL) का अनुमान — ख़ास, अच्छी तरह अध्ययन किए गए पार्ट्स के लिए, जैसे अलग वाइब्रेशन सेंसर वाले bearings
• ऑटोमेटेड रिपोर्ट बनाना — AI उपकरणों की सेहत के ट्रेंड का सार देता है और ध्यान माँगने वाली मशीनों को उजागर करता है

क्या (अभी) काम नहीं करता

• Plug-and-play predictive मेंटेनेंस — आपके ख़ास उपकरण और प्रोसेस की जानकारी के बिना कोई भी प्रोडक्ट सीधे बॉक्स से काम नहीं करता
• ख़ास failure modes का पूर्वानुमान — आपके उपकरण के labeled failure डेटा के बिना
• मेंटेनेंस विशेषज्ञता की जगह लेना — AI अनुभवी मेंटेनेंस टीमों की ताक़त बढ़ाता है, उनकी जगह नहीं लेता। मॉडल anomaly फ़्लैग कर सकता है, लेकिन diagnose और repair के लिए टेक्नीशियन फिर भी चाहिए।
• अलग-अलग मशीनों पर एक ही generic मॉडल — एक extruder पर train किया गया मॉडल दोबारा train किए बिना दूसरे extruder पर काम नहीं करता

सिग्नल जो आपको आज से इकट्ठा करने चाहिए

अगर आप अभी पूरे AI predictive मेंटेनेंस के लिए तैयार नहीं हैं, तब भी ये सिग्नल अभी से इकट्ठा करना शुरू करें। आगे चलकर यह डेटा होने के लिए आप ख़ुद को शुक्रिया कहेंगे:

• हर VFD का output करंट और speed — मोटर से चलने वाले उपकरणों के लिए सबसे क़ीमती predictive सिग्नल
• सभी टेम्परेचर सेंसर — मोटर, bearing, hydraulic reservoir, spindle housing
• टाइमस्टैम्प के साथ cycle time — सिर्फ़ औसत नहीं, हर cycle की अवधि
• टाइमस्टैम्प के साथ अलार्म इवेंट — हर अलार्म का active होना, acknowledgment और return-to-normal
• Hydraulic और pneumatic प्रेशर — ट्रेंड से pump की घिसावट, leak और valve की गिरावट का पता चलता है
• हर उपकरण के runtime घंटे — बुनियादी, लेकिन गिरावट को इस्तेमाल से जोड़ने के लिए ज़रूरी

आगे पढ़ें

• PLC अलार्म root cause analysis — अलार्म पैटर्न उपकरण की सेहत की समस्याएँ कैसे उजागर करते हैं
• औद्योगिक उपकरणों के लिए MQTT अलार्म मॉनिटरिंग — Predictive मॉडल के लिए रियल-टाइम डेटा संग्रह
• Allen-Bradley अलार्म मैनेजमेंट गाइड — ControlLogix और CompactLogix से अलार्म डेटा लेना
• OEE की गणना कैसे करें — उपकरण की availability पर मेंटेनेंस रणनीति का सीधा असर पड़ता है
• AlarmIQ — AI-आधारित PLC अलार्म डायग्नॉस्टिक्स और root cause ट्रेसिंग
• PulseMQ इनसाइट्स — और इंजीनियरिंग गाइड व तकनीकी लेख