Hvad er prognose vedligeholdelse?
Denne webside er blevet maskinoversat for at gøre det nemmere for dig. SAP yder ingen garanti for maskinoversættelsens korrekthed eller fuldstændighed. Den originale engelske webside kan findes ved at bruge verdenskortet i øverste højre hjørne af denne side.
Med prognose vedligeholdelsesteknologier kan du høre, hvad virksomhedens aktiver forsøger at fortælle dig. Maskinerne på dine fabrikker, din flåde af lastbiler, dit industrielle udstyr – de har talt med dig i årevis. De har fortalt dig, hvornår de er ved at gå i stykker, og hvad de skal bruge for at køre længere og mere problemfrit.
Prognosticeret vedligeholdelse giver virksomheder mulighed for at forudse fejl og planlægge vedligeholdelse, når og hvor det er nødvendigt med det samme. Det forsyner virksomheder med de oplysninger, de har brug for til at presse på for at opnå de bedste resultater fra deres værdifulde aktiver, men de har stadig tillid til, at de ikke skubber dem for langt og risikerer et dyrt sammenbrud.
Definition af prognose vedligeholdelse: Prognosticeret vedligeholdelse har til formål at forhindre fejl og nedetid for udstyret ved at forbinde IoT-kompatible virksomhedsaktiver, anvende avancerede analyser til de data, de leverer i realtid, og anvende den resulterende indsigt til at informere uddannede, omkostningseffektive og effektive vedligeholdelsesprotokoller.
Hvorfor er prognose vedligeholdelse så vigtig for nutidens virksomheder?
Moderne virksomheder befinder sig i en tid med hidtil usete forandringer og konkurrence. Amazon Effect har ført til en hurtig stigning i forbrugernes krav om kontrol, personalisering og hurtighed. Et skiftende handels- og politisk klima har efterladt mange virksomheder, der kæmper for at opretholde overkommelige forsynings- og produktionsforhold. Og i takt med at flere og flere virksomheder gennemgår digital omstilling, stiger konkurrencen, og fejlmargenen bliver mere og mere slank. Som følge heraf søger nutidens virksomhedsledere at opnå en konkurrencemæssig fordel gennem intelligente løsninger, der forudsiger, hvornår der er behov for vedligeholdelse af aktiver, bidrager til at øge omkostningseffektiviteten og strømliner deres ofte komplekse krav til forvaltning af virksomhedens aktiver.
Eksempel fra schweiziske jernbaner
Hør hvordan prognose vedligeholdelse var med til at opnå operationel topkvalitet
Hvad er forskellen på reaktiv, forebyggende og prognosticeret vedligeholdelse?
Forskellen i disse tre vedligeholdelsesmodeller ligger ikke så meget i, hvordan vedligeholdelsesopgaverne udføres, men hvornår.
- Reaktiv vedligeholdelse: Dette er i bund og grund den handling, at man intet foretager sig, før noget går i stykker. Som vedligeholdelsesstrategi praktiseres dette normalt ikke af store virksomheder af indlysende årsager. Det kan dog være en utilsigtet praksis, hvis visse dele og komponenter ikke er omfattet af den normale rotation af de traditionelle vedligeholdelsesplaner. Reaktiv vedligeholdelse sker altid efter faktum.
- Forebyggende vedligeholdelse: Dette skyldes tidligere præstationer og ingeniørers og operatørers viden og erfaring. Den inkluderer rutinemæssig, periodisk, planlagt eller tidsbaseret vedligeholdelse. Det forhindrer nemlig ofte nedbrud, men desværre kan det være unøjagtigt, hvilket kan føre til dyr vedligeholdelse, før det er nødvendigt, eller til uopdagede svagheder i vedligeholdelsesprocessen. Forebyggende vedligeholdelse sker på tidspunkter, der er forudindstillet, ofte lang tid i forvejen.
- Prognosticeret vedligeholdelse: Dette er muligt, når Internet of Things (IoT)-netværk integrerer alle virksomhedsaktiver i et live-økosystem. Muligheden for at overføre og analysere data i realtid betyder, at live-aktiv-kondition – frem for kalendere – bliver grundlaget for vedligeholdelsesprotokoller. Prognosticeret vedligeholdelse sker i realtid, præcis hvornår og hvor det er nødvendigt.
Nedenstående diagram (tilpasset fra Deloitte) viser den teknologiske kapacitets udvikling gennem industrielle revolutioner og den deraf følgende indvirkning på vedligeholdelsesstrategier og udstyrseffektivitet.
Hvordan fungerer prognose vedligeholdelse og IoT-analyser?
Det første trin i prognose vedligeholdelsesprocessen omfatter indsamling af data og oplysninger i realtid fra forbundne IoT-netværksaktiver i hele virksomheden. Disse data skal derefter lagres og styres på en sådan måde, at de let kan behandles, tilgås og analyseres. "Prognose" komponentet kommer i spil, når kunstig intelligens (AI) og maskinindlæringsteknologier anvendes på dataene for at få den til at begynde at fortælle en nyttig story, der kan handles på.
Der er fire grundlæggende trin i arkitekturen for forudsigelig vedligeholdelse og et industrielt IoT-netværk (IIoT):
Proces for prognosevedligehold
- Sensnings- og indsamlingsdata ved hjælp af prædiktiv vedligeholdelsesteknologi (fx termisk billeddannelse eller vibrationer)
- Overførsel af disse data – i realtid – på tværs af netværket til et centralt forretningssystem
- Anvendelse af intelligente teknologier som AI og maskinindlæringsanalyser på disse data for at få dem til at levere de mest nyttige og relevante analyser
- Hurtig indsats over for disse datadrevne indsigter med henblik på at udarbejde de nødvendige vedligeholdelses- og responsprotokoller (både menneskelige og automatiserede)
Overvågning af aktivets vilkår og udnyttelse af prognose vedligeholdelsesteknologi
Forudsigelig vedligeholdelse muliggøres gennem cyberfysiske systemer, der hjælper med at integrere maskiner og virksomhedsaktiver i et intelligent IoT-netværk. Den starter med at identificere de aktivbetingelser, der skal overvåges, derefter montere sensorer og etablere et IoT-netværk og endelig indsamle og analysere data fra dette netværk for at levere resultater og indsigt, der kan handles på. Identificering af disse betingelser, der skal overvåges, er det første afgørende trin i retning af at omdanne en virksomheds formueforvaltning gennem prognosticeret vedligeholdelse.
Overvågningsbetingelser
I første omgang skal lederne fastsaette de forhold, der skal overvåges for den enkelte maskine. Denne analyse kan være visuel, auditiv, termisk eller – typisk – en kombination af disse kriterier og mere. Det teknologiske trin på dette tidspunkt består i at bestemme, hvilke sensorer og overvågningsværktøjer der skal monteres:
- Vibrationsanalyse: Små ændringer i vibrationsmønstre kan indikere ubalance eller uoverensstemmelse, mens høje vibrationsniveauer kan indikere forestående lejemål eller andre problemer. Vibrationsanalyse kan give tidlige advarsler om svigt og er især nyttigt til at opdage ubalance, uensretning, mekanisk løselighed eller slidte eller beskadigede dele.
- Lyd- og ultralydsanalyse: Under normal drift skaber de fleste systemer stabile lydmønstre. Ændringer i referencestøjmønstret kan indikere slid eller andre former for forringelse. Ultrasoniske analyser kan også give information om systemets overordnede sundhedstilstand ved at omsætte højfrekvente lyde (såsom dem, der produceres af damp eller luftlækager) i lydspektret.
- Infrarød analyse: Som ved ultralydsanalyse afdækker termografien også det skjulte ved at bruge infrarød analyse til at omsætte temperaturændringer til et synligt spektrum. Selv meget subtile ændringer i normale driftstemperaturer kan advare om forestående problemer.
- Væskeanalyse: Ud over blot at overvåge niveauerne og temperaturen kan den fysiske og kemiske analyse af væsker give værdifulde oplysninger om de mekaniske komponenters tilstand. Ved at se nedbrydningshastigheden i kølemidler og smøremidler kan der tages forebyggende skridt, så snart disse indsigter tilsiger det.
- Andre: Andre prædiktive vedligeholdelsesteknologier er specialiserede til forskellige unikke industrielle behov. De omfatter: laserensretning, overvågning af elektriske kredsløb, detektion af revner, korrosionsovervågning, ændringer i elektrisk modstand og andre branchespecifikke midler til måling af korrosion eller forringelse.
Teknologier til prognose vedligeholdelse
Når ovenstående kriterier er fastlagt, skal de relevante sensorer og monitorer monteres og tilsluttes et centralt forretningssystem, oftest et ERP-system (Enterprise Resource Planning), via et cloud-forbundet IoT-netværk. Endelig skal de nødvendige AI-drevne softwareløsninger være på plads til at understøtte de forskellige algoritmer og analyseprocesser, der er nødvendige for at levere handlebar indsigt og anbefalinger fra de indsamlede data.
- IoT-netværk: Når virksomhedsaktiver udvides med sensorer, behandlingsmuligheder og andre teknologier, er de i stand til at sende og modtage data – normalt via cloud-konnektivitet – til og fra et centralt forretningssystem. Dette omfatter et IoT-netværk og understøtter prognosevedligeholdelsesstrategien.
- IoT-gateways: Mange ældre aktiver fungerer stadig upåklageligt, men deres analoge teknologi går forud for digital integration. Disse maskiner kan udstyres med IoT-gateway-enheder, som kan omfatte kameraer, mikrofoner og termometre, til at indsamle og sende realtidsdata om deres driftstilstande.
- Cloud-konnektivitet: Cloud-konnektivitet giver on-demand tilgængelighed af computersystemressourcer. I et IoT-netværk bestående af flere industrielle aktiver er det vigtigt, at multilokationsdatacentre integreres i en enkelt database og et enkelt system.
- Moderne database og ERP: Gamle diskbaserede databaser er ikke godt udstyret til at administrere de voluminøse og ikke-lineære data, der omfatter Big Data og komplekse datasæt. Desuden bruger prognosevedligeholdelse AI og maskinindlæring til at udføre avancerede analyser af sådanne data. Hele denne proces er bedst tjent med et moderne AI-drevet ERP med en in-memory-database, der er hurtig, besværlig og stort set uendelig skalerbar.
- AI og maskinindlæring: Pioneringsdatalogen John McCarthy definerer AI som "videnskaben og ingeniørvidenskaben i at lave intelligente maskiner." Maskinindlæring er et undersæt af AI, der bruger algoritmer til at analysere og forstå data. Prognoseløsninger er afhængige af AI og maskinindlæring for ikke blot at sortere, forstå og lære af driftsmæssige data for virksomhedsaktiver, men for at ekstrapolere denne viden med handlingsrelevante anbefalinger og indsigt.
- Avancerede analyser: AI-analyse og avanceret maskinindlæringskraft. Ledere skal bestemme de attributter og betingelser, der skal vurderes, og de ønskede analytiske resultater. På den måde kan de algoritmer, der informerer om avancerede analyser, programmeres til at være så indsigtsfulde og handlekraftige som muligt, og til bedst muligt at tage ved lære af data og nye oplevelser over tid.
- Digitale tvillinger: En digital tvilling er netop det: en virtuel genskabelse af et egentligt fysisk aktiv. Ved at skabe digitale tvillinger kan ledere besøge ethvert muligt driftsscenarie ved tvillingen – uden risiko for faktisk reallivsskade på en dyr maskine eller anordning. Dette hjælper med at forbedre prognosevedligeholdelse ved at tillade maskinindlæring og AI-værktøjer at inkorporere og lære af oplevelser, der ikke engang er sket.
Eksempler på prognose vedligeholdelse
- Olie- og gassektoren: Olieboring medfører et enormt slid på aktiver og kan medføre stor risiko og fare i tilfælde af en fiasko. Gennem realtidsovervågning af ændringer i olietemperatur og gearkassers hastighed i boreudstyr har forudsigende vedligeholdelse forbedret sikkerheden betydeligt og reduceret vedligeholdelsesomkostningerne med op til 38%.
- Automobilindustri: På samlebånd udfører spotsvejseskyts ca. 15.000 stiksvejsninger hver dag. Ved at forbinde svejsepistoler rundt om i verden og indsamle deres operationelle data kan bilfabrikanterne samle millioner af datapunkter, hvilket fører til hidtil uset forudsigende nøjagtighed med hensyn til disse aktivers tilstand og tilstand.
- Fremstilling af husholdningsapparater: Vibrationsmålinger af tromlens rotation i tørreprocessen har været med til at forudsige funktionssvigt eller nedbrydning. Denne prognose vedligeholdelsesapplikation har elimineret produktionsfejl med 33% og reduceret forbrugervedligeholdelsesomkostningerne med 27%.
- Forvaltning af jernbaneaktiver: »Voids« opstår, når en tom plads udvikler sig under et spor, der fører til potentiel forsinkelse eller endog afsporing. Nyere innovation har ført til kabinebaserede overvågningssystemer, der kan opdage en del variable, når de ruller over skinnerne. Dette har ført til forbedret ugyldighedsopsporing og en generel stigning i kundesikkerheden.
- Stålindustrien: Der anvendes antændelsesdetektion til at indsamle realtidsaflæsninger af vibrationer, rotationshastighed og elektrisk strøm (ampere) i koldvalseudstyr, der anvendes til stålforarbejdning. Denne anvendelse har ført til en forbedring af udstyrets levetid på 60% og reduceret tabene på grund af nedetid og forsinkelser betydeligt.
Fordele ved prognose vedligeholdelse
Implementeringen af prognose vedligeholdelsessystemer har ført til imponerende resultater på tværs af flere brancher.
Interessant nok er det ikke, at ideen om forudsigende vedligeholdelse er noget nyt. I årtier har virksomhederne bestræbt sig på at opnå større forudsigelighed i deres vedligeholdelse af deres aktiver – men det har taget fremkomsten af teknologier som AI og moderne ERP-systemer at levere den kapacitet og funktionalitet, der er nødvendig for at opnå løsninger til forudsigelig vedligeholdelse, der virkelig fungerer. Fordelene ved dette omfatter:
- Bedre synlighed på tværs af hele din operation: Øget synlighed over aktiver uden for virksomheden. Dette gør det muligt for OEM'er og tredjepartstjenesteudbydere at tilbyde mere værdifulde og informerede tjenester.
- Lavere vedligeholdelsesomkostninger og forbedret performance for aktivet: Prognosticeret vedligeholdelse fører konsekvent til bedre udnyttelse af eksisterende ressourcer, reduktion af nedetid og forlængelse af levetiden for værdifulde aktiver.
- Mere kvalificerede teams: Når aktivoperatører, serviceudbydere og forsyningskædeledere er bevæbnet med datavidenskab og analyser i realtid, kan de udvikle vedligeholdelsesplaner, der fungerer – de bliver planlæggere og strateger i stedet for brandfolk.
Næste trin til at transformere din forsyningskæde med løsninger til prognose vedligeholdelse
Mange virksomheder har ikke ændret deres strategier for vedligeholdelse af aktiver i årtier – på trods af at de har moderniseret andre forretningsområder. Det er en udfordring at skifte mangeårige processer, og det kan være vanskeligt at få opkøb fra dine teams. De mest succesfulde forretningsplaner starter med en god kommunikations- og forandringsledelsesstrategi – der skal vaere med til at engagere dine teams og nedbryde siloer. Tal med din softwareleverandør om, hvilke værktøjer og løsninger der vil fungere bedst til dine unikke behov, og få dig til at rulle med din roadmap og din digitale transformationsrejse.
Udforsk SAP Predictive Asset Insights
Maksimer dit aktivs performance med moderne værktøjer til prognosevedligeholdelse.
SAP Insights Newsletter
Abonner i dag
Få nøgleindblik ved at abonnere på vores nyhedsbrev.