AI UPRZEDZI AWARIĘ

Bez hałasu zmienia się model operacyjny zarządzania nieruchomościami komercyjnymi. Zarówno „gaszenie pożarów”, jak i sztywne harmonogramy przeglądów lub wymiany komponentów zaczynają ustępować miejsca predictive maintenance. Model ten przybliża dr inż. Mariusz Jednoralski z PwC Polska.

dr inż. MARIUSZ JEDNORALSKI
PwC Polska

Paweł Kaliński: Zacznijmy od początku – czym jest predictive maintenance?
Mariusz Jednoralski: Jest to model utrzymania oparty na rzeczywistym stanie technicznym urządzeń, odczytywanym z dostępnych danych i analizowanym na bieżąco przez AI.

P.K.: Mimo wszystko brzmi to futurystycznie.
M.J.: Niemniej staje się właśnie rzeczywistością. Organizacje wdrażające tego typu rozwiązania raportują wymierne korzyści operacyjne, obejmujące redukcję kosztów utrzymania, poprawę niezawodności infrastruktury oraz ograniczenie zużycia energii w systemach HVAC. Oceniam, że w ciągu najbliższych 12–24 miesięcy predictive maintenance przy wykorzystaniu AI przestanie być opcją „premium” i stanie się standardem w zarządzaniu dużymi portfelami nieruchomości. Firmy, które tego nie zrobią, zapłacą podwójnie: wyższymi kosztami operacyjnymi oraz utratą wartości aktywów.

P.K.: To naprawdę sprawa tej rangi?
M.J.: Wyobraźmy sobie lipcowe popołudnie, biurowiec klasy A w centrum dużego miasta, środek sezonu urlopowego. Główny agregat chłodniczy odmawia posłuszeństwa. W ciągu kilku godzin temperatura w biurach rośnie, ludzie przebywający w budynku tracą komfort, a skrzynka działu property management zapełnia się zgłoszeniami najemców. Awaryjna naprawa kosztuje dziesiątki tysięcy złotych, do tego dochodzą kary umowne za niedotrzymanie parametrów SLA oraz trudna do wyceny strata wizerunkowa. A teraz ten sam budynek, tylko w innym wariancie: informacja o zużywającym się łożysku sprężarki pojawia się trzy tygodnie wcześniej, wymiana elementu trafia do weekendowego przeglądu i kosztuje ułamek tamtej kwoty, a najemcy w ogóle nie dowiadują się, że cokolwiek się działo. Różnica między tymi dwoma scenariuszami opiera się na kwestii odczytania danych, które budynek i tak generował przez cały czas.

P.K.: Dlaczego zaczęto z nich korzystać dopiero dziś?
M.J.: Omawiane rozwiązania stają się atrakcyjne w aspekcie biznesowym. Zacznijmy od złożoności budynków. Systemy BMS, instalacje HVAC, windy, urządzenia przeciwpożarowe czy liczniki mediów dostarczają duże zasoby danych, których kilka lat temu po prostu nie było. Równolegle rośnie presja kosztowa i regulacyjna. Ceny energii, wymagania inwestorów oraz obowiązki sprawozdawcze w obszarze ESG sprawiły, że budynek pracujący nieefektywnie nie tylko generuje wyższe rachunki, ale także realnie traci na wartości. Dodatkowo nowoczesne technologie stały się szeroko dostępne, czujniki bezprzewodowe IoT kosztują ułamek dawnych kwot, jednocześnie moc obliczeniowa w chmurze i dojrzałe algorytmy AI pozwalają analizować duże ilości danych na bieżąco. Połączone dane zaczynają tworzyć jeden ekosystem, w którym da się przejść od reagowania na przeszłość do prognozowania przyszłości, a docelowo nawet do rekomendowania konkretnych działań.

P.K.: A więc system z AI powie nam, co się zepsuje i co mamy zrobić, żeby do tego nie dopuścić?
M.J.: Do tego dążymy, to jest takzwany czwarty poziom dojrzałości. Ale mamy jeszcze trzy niższe poziomy, na których najczęściej działają firmy. Na poziomie pierwszym, zwanym reaktywnym, naprawiamy to, co już się zepsuło. Jest to najdroższy możliwy model. Na poziomie drugim – prewencyjnym – opieramy się na harmonogramach, takich jak przeglądy wykonywane co kilka miesięcy, wymiana filtra co kwartał. Jest on bezpieczniejszy, ale często prowadzi z kolei do wymiany elementów, które na przykład byłyby sprawne jeszcze przez rok. Poziom trzeci to właśnie predictive maintenance. Tu interwencja wynika z rzeczywistego stanu technicznego odczytanego z danych, a nie z kalendarza. Naprawiamy wtedy, gdy system na podstawie danych wskaże, że trzeba naprawiać. Na czwartym poziomie – prescriptive maintenance – system nie tylko przewiduje awarię, lecz proponuje konkretne działanie wraz z terminem, częścią zamienną i dostępnym technikiem, optymalizując decyzję pod kątem kosztu, ryzyka i zasobów.

P.K.: Jakie korzyści uzyskują w ten sposób zarządcy?
M.J.: Z perspektywy zarządu i dyrektora finansowego predictive maintenance jest narzędziem ochrony marży i wartości portfela. Najbardziej oczywisty efekt to niższy OPEX, wynikający z prostej zamiany napraw awaryjnych na tańsze prace planowe. Z punktu widzenia technicznego jest to wydłużenie cyklu życia urządzeń. Optymalne warunki pracy i wczesne wychwytywanie anomalii realnie odsuwa w czasie kosztowne odtworzenie aktywa, a więc przesuwa też CAPEX. Równolegle uzyskuje się oszczędność energii oraz zyski z kategorii ESG. Unikanie awarii krytycznych systemów przekłada się bezpośrednio na komfort najemców, a ten na skłonność do przedłużania umów i na pozycję negocjacyjną w rozmowach o czynszu. Zmniejszamy też ogólne ryzyko operacyjne – pełna audytowalność decyzji serwisowych to mniejsze ryzyko roszczeń i łatwiejsza rozmowa z ubezpieczycielem. Warto przy tym pamiętać, że prawdziwy koszt awarii niemal nigdy nie kończy się na fakturze za naprawę.

P.K.: Co to znaczy?
M.J.: Rozluźnione połączenie elektryczne potrafi doprowadzić do przegrzania i uszkodzenia całej rozdzielni. Niewykryty przeciek wody kończy się degradacją konstrukcji i wymianą wykończenia wnętrz. Źle skalibrowany system HVAC przez wiele miesięcy generuje nadmierne zużycie energii, zanim ktokolwiek to zauważy. Predykcja pozwala wychwycić takie zdarzenia, zanim uruchomią lawinę kosztów, i to jest moim zdaniem jej najbardziej niedoceniana zaleta. Dział utrzymania ruchu przestaje być centrum kosztów, a staje się centrum monitorowania wartości nieruchomości.

P.K.: Jak wdrożyć te rozwiązania?
M.J.: Ewolucyjnie. Rozsądna ścieżka zaczyna się od krótkiego audytu, który ma odpowiedzieć na dwa pytania: które urządzenia generują największe koszty i ryzyko oraz jakimi danymi o nich już dysponujemy. Na tej podstawie najczęściej wybieramy jeden budynek albo jeden typ aktywów – na przykład chillery, pompy ciepła lub windy – i na nim prowadzimy pilotaż. Następnie zaczyna się praca nad infrastrukturą i danymi, czyli uzupełniamy brakujące czujniki tam, gdzie to rzeczywiście konieczne, integrujemy systemy: BMS, licznikowe, CMMS z repozytorium i porządkujemy dane historyczne. Mając już połączone dane, tworzymy modele i pierwsze alerty. Cały czas pracujemy z technikami, żeby być pewnym, że informacje płynące z systemu są dla nich czytelne i wykonalne. Ostatni etap polega na wprowadzeniu wyników działania systemu w standardowe procedury, na automatyzacji zleceń w CMMS oraz rozszerzaniu rozwiązania na kolejne obiekty, a finalnie na przejściu w stronę rekomendacji preskryptywnych. Postępy mierzymy przy użyciu kilku wskaźników, które i tak są już zwykle raportowane, jak na przykład koszt utrzymania na metr kwadratowy, liczba nieplanowanych awarii systemów krytycznych, średni czas naprawy i średni czas między awariami, zużycie energii na metr kwadratowy oraz udział interwencji planowych w ogóle wszystkich zgłoszeń.