Forudsigende vedligeholdelse: Maksimer oppetid og omkostningsbesparelser
Forudsigende vedligeholdelse vurderer løbende udstyrets tilstand i realtid, hvilket hjælper dig med at maksimere udstyrets ydeevne, oppetid og levetid, samtidig med at de samlede ejeromkostninger minimeres.
Hvad er predictive maintenance?
Forudsigende vedligeholdelse er en tilgang til vedligeholdelse, der lægger vægt på at høre, hvad virksomhedens aktiver forsøger at fortælle dig. Maskinerne på dine fabrikker, din flåde af lastbiler, dit industriudstyr – de har talt med dig i årevis. Hvis du kan lytte nøje, kan du forstå, hvornår dine maskiner er ved at gå i stykker, og hvad de skal køre længere og mere gnidningsløst.
Prognosticeret vedligeholdelse gør det muligt for din virksomhed at forudse udstyrsfejl og planlægge vedligeholdelse, når og hvor der er brug for det med det samme. Det giver dig de oplysninger, der er nødvendige for at køre dine aktiver i spidsbelastningsperioder uden at skubbe dem for langt og risikere dyre nedbrud.
Definition af prognosevedligehold
Prognosevedligeholdelse søger at forhindre udstyrsfejl og nedetid ved at forbinde IoT-aktiverede virksomhedsaktiver, anvende avancerede analyser på de realtidsdata, de genererer, og anvende den tilknyttede indsigt til at informere omkostningseffektive og effektive vedligeholdelsesprotokoller.
Hvorfor er prædiktiv vedligeholdelse så vigtig i dag?
Forudsigende vedligeholdelse er vigtig, fordi det sparer virksomheder tid og penge ved at krydse dyre og forstyrrende udstyrsfejl. Efterhånden som forbrugernes efterspørgsel efter produkttilgængelighed vokser, kan organisationer med prognosevedligeholdelsesprogrammer producere uden afbrydelser. Resultatet er løbende kundeloyalitet, højere indtægter og forbedret konkurrencefordel.
Intelligente prædiktive vedligeholdelsesløsninger forudsiger, hvornår der er behov for vedligeholdelse af aktiver, hjælper med at øge omkostningseffektiviteten og strømliner komplekse krav til administration af virksomhedens aktiver. Kort sagt, anvendelse af prædiktiv vedligeholdelsesteknologi hjælper din virksomhed med at spare tid, penge og proceduremæssige hovedpine.
Hvordan fungerer prognosticeret vedligeholdelse?
Prognosevedligeholdelse fungerer ved at registrere og analysere udstyrsdata i realtid for at forudsige potentielle problemer, før de fører til udstyrsfejl.
Det første trin i denne proces omfatter indsamling af realtidsdata og oplysninger fra netværksforbundne IoT-sensorer, der sender oplysninger om udstyrsforhold. Disse data skal derefter lagres og administreres på en måde, så de let kan tilgås, behandles og analyseres. Den "prædiktive" komponent kommer i spil, når kunstig intelligens (AI) og maskinindlæringsteknologier anvendes på dataene for at fortælle en nyttig og handlingsrettet historie.
Der er fire grundlæggende trin i den prædiktive vedligeholdelses arkitektur og et industrielt IoT-netværk (IIoT):
Prognosticeret vedligeholdelsesproces
- Indsamling af data fra sensorer, der kan overvåge maskinens egenskaber såsom vibrationer, temperatur, fugtighed, tryk, støj og mere
- Overførsel af disse data i realtid på tværs af netværket til et centralt forretningssystem
- Anvendelse af intelligente teknologier som AI og maskinindlæringsanalyser til disse data for at afsløre nyttige og relevante analyser
- Hurtig handling baseret på disse indsigter, enten med automatiseret respons eller gennem menneskelig indgriben
Brug af prædiktive vedligeholdelsesteknologier
Konditionsovervågning
Forudsigende vedligeholdelse er muliggjort gennem cyberfysiske systemer, der bringer maskiner og software sammen i et intelligent IoT-netværk. For at opbygge et sådant netværk skal du starte med at identificere de aktivforhold, der skal overvåges.
Den analyse, der er nødvendig for at identificere aktivets tilstand, kan være visuel, auditiv, termisk eller typisk en kombination af disse kriterier. Fokus på dette punkt er at bestemme de korrekte sensorer og overvågningsværktøjer, der skal monteres:
Vibrationsanalyse: Små ændringer i vibrationsmønstre kan indikere ubalance eller uoverensstemmelse, mens høje vibrationsniveauer kan indikere forestående lejeproblemer. Vibrationsanalyse kan give tidlige advarsler om fejl og er især nyttig til at opdage ubalance, fejljustering, mekanisk løsnethed eller slidte eller beskadigede dele.
Lyd- og ultralydsanalyse: Under normal drift skaber de fleste systemer stabile lydmønstre. Ændringer i referencelydmønsteret kan indikere slid eller andre former for forringelse. Ultralydsanalyser kan også give oplysninger om systemets overordnede tilstand ved at oversætte højfrekvente lyde (såsom dem, der produceres af damp- eller luftlækager) til det hørbare område.
Infrarød analyse: Som med ultralydsanalyse afdækker termografi også det skjulte ved hjælp af infrarød analyse for at omsætte temperaturændringer til et synligt spektrum. Selv subtile ændringer i normale driftstemperaturer kan advare om forestående problemer.
Væskeanalyse: Ud over blot at overvåge væskeniveauer og temperatur kan den fysiske og kemiske analyse af væsker give værdifulde oplysninger om tilstanden af mekaniske komponenter. Ved at påvise nedbrydningshastigheden i kølemidler og smøremidler kan der træffes forebyggende foranstaltninger, så snart disse indsigter berettiger det.
Andre: Andre prædiktive vedligeholdelsesteknologier er specialiserede til forskellige unikke industrielle behov. Disse omfatter laserjustering, overvågning af elektriske kredsløb, registrering af revner, fejldetektering, korrosionsovervågning, elektriske modstandsændringer og andre branchespecifikke metoder til måling af korrosion eller forringelse.
Vigtige prædiktive vedligeholdelsesteknologier
Når ovennævnte kriterier er fastlagt, skal de relevante sensorer og monitorer installeres og forbindes til et centralt forretningssystem, oftest et ERP-system (Enterprise Resource Planning), via et cloud-forbundet IoT-netværk. Endelig skal AI-drevne løsninger være på plads til at analysere dataene og levere handlingsrettet indsigt og anbefalinger fra de indsamlede data.
IoT-netværk: Når virksomhedens aktiver udvides med sensorer, behandlingsevne og andre teknologier, kan de sende og modtage data – som regel via cloud-forbindelse – til og fra et centralt forretningssystem. Dette omfatter et IoT-netværk og understøtter den prædiktive vedligeholdelsesstrategi.
IoT-gateways: Mange ældre aktiver fungerer stadig perfekt, men deres analoge teknologi går forud for digital integration. Disse maskiner kan udstyres med IoT-gateway-enheder, som kan omfatte kameraer, mikrofoner og termometre, for at indsamle og overføre realtidsdata om deres driftstilstand.
Cloud-forbindelse: Cloud-konnektivitet leverer on-demand tilgængelighed af computersystemressourcer. I et IoT-netværk, der består af flere industrielle aktiver, er det afgørende, at datacentre med flere placeringer integreres i en enkelt database og et enkelt system.
Moderne database og ERP: Legacy diskbaserede databaser er ikke godt rustet til at håndtere de voluminøse og ikke-lineære data, der omfatter Big Data og komplekse datasæt. Desuden anvender prædiktiv vedligeholdelse 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, responsiv og næsten uendeligt skalerbar.
AI og maskinindlæring: Maskinindlæring er et undersæt af AI, der bruger algoritmer til at analysere og forstå data. Forudsigende vedligeholdelsesløsninger afhænger af AI og maskinindlæring for ikke blot at sortere, forstå og lære af driftsdata for virksomhedens aktiver, men også for at generere anbefalinger og indsigt, der kan handles på.
Avanceret analyse: AI og maskinindlæringsstyrke avancerede analyser. Ledere skal bestemme de attributter og betingelser, der skal vurderes, og de ønskede analytiske resultater. På denne måde kan de algoritmer, der informerer avancerede analyser, programmeres til at være så indsigtsfulde og handlingsmuligheder som muligt og bedst muligt lære af data og nye oplevelser over tid.
Digitale tvillinger: En digital tvilling er en virtuel genskabelse af et faktisk fysisk aktiv. Ved at skabe digitale tvillinger, kan ledere besøge ethvert muligt operationelt scenario på tvillingen – uden risiko for reel skade på en dyr maskine eller enhed. Dette hjælper med at øge den prædiktive vedligeholdelse ved at tillade maskinindlæring og AI-værktøjer at inkorporere og lære af oplevelser, der aldrig engang er sket.
Prognosticeret vedligeholdelse vs. forebyggende vedligeholdelse
Forskellen mellem disse vedligeholdelsesmodeller ligger ikke så meget i , hvordan vedligeholdelsesopgaverne udføres, men hvornår.
Forebyggende vedligeholdelse: Vedligeholdelse, der er informeret af tidligere præstationer og ingeniørers og operatørers viden og erfaring. Den omfatter rutinemæssig, periodisk, planlagt eller tidsbaseret vedligeholdelse. Selvom det ofte forhindrer nedbrud, kan det være upræcist, hvilket kan føre til dyr vedligeholdelse, før det er nødvendigt eller til ubemærket svagheder i vedligeholdelsesprocessen. Forebyggende vedligeholdelse sker til tider, der er forudindstillet, ofte længe i forvejen.
Prognosevedligehold: Vedligeholdelse, der er mulig, når IoT-netværk integrerer alle virksomhedens aktiver i et live-økosystem. Evnen til at overføre og analysere data i realtid betyder, at overvågning af live-aktivets tilstand – i stedet for kalendere – bliver grundlaget for vedligeholdelsesprotokoller. Prognosticeret vedligeholdelse sker i realtid, præcis hvornår og hvor det er nødvendigt.
Andre teknikker til vedligeholdelse af aktiver
Reaktiv vedligeholdelse
Vedligeholdelse udført som følge af pludselige nedbrud eller fejl i udstyret. Denne type vedligeholdelse er ofte ikke planlagt og kan medføre øget nedetid og omkostninger.
Korrigerende vedligeholdelse
Vedligeholdelse udført for at korrigere en fejl eller fejl i udstyret. Denne type vedligeholdelse udføres typisk, efter at et problem er blevet identificeret, og kan være med til at forhindre, at der opstår yderligere problemer.
Præskriptiv vedligeholdelse
Vedligeholdelse, der bestemmes af producentens anbefalinger eller retningslinjer for et bestemt udstyr. Denne type vedligeholdelse er baseret på producentens foreskrevne tidsplan for vedligeholdelsesopgaver.
Konditionsbaseret vedligeholdelse
Vedligeholdelse udført på grundlag af udstyrets tilstand i stedet for en forudbestemt tidsplan. Denne type vedligeholdelse anvender overvågning og inspektion til at afgøre, hvornår det er nødvendigt at gribe ind. Selvom det kan hjælpe med at reducere unødvendige vedligeholdelsesopgaver og minimere nedetid, er konditionsbaseret vedligeholdelse meget manuel og tidskrævende.
Pålidelighedscentreret vedligeholdelse
Vedligeholdelse, der prioriterer opgaver baseret på udstyrets pålidelighed og vigtighed. Denne tilgang fokuserer på at identificere de vigtigste vedligeholdelsesopgaver for at maksimere udstyrets pålidelighed og effektivitet.
Udviklingen i vedligeholdelse af aktiver
Nedenstående diagram (tilpasset fra Deloitte) viser udviklingen af teknologiske kapaciteter gennem industrielle omdrejninger og den deraf følgende indvirkning på vedligeholdelsesstrategier og udstyrseffektivitet.
Eksempler på prognosevedligehold i aktion
Olie- og gassektoren: Olieboringer giver et enormt slid på aktiverne og kan medføre stor risiko og fare i tilfælde af en fiasko. Ved at overvåge olietemperaturen og hastigheden af gearkasser i boreudstyr har den forebyggende vedligeholdelse forbedret sikkerheden og reduceret vedligeholdelsesomkostningerne med op til 38 %.
Automobilindustrien: På samlebånd udfører spotsvejsepistoler omkring 15.000 spotsvejsninger hver dag. Ved at forbinde svejsepistoler over hele verden og indsamle deres operationelle data kan bilproducenter indsamle millioner af datapunkter, hvilket fører til hidtil uset forudsigelig nøjagtighed på tilstanden og tilstanden af disse aktiver.
Produktion af husholdningsapparater: Vibrationsmålinger af tromlerotationen i produktionen af tørretumblere har medvirket til at forudsige funktionsfejl eller nedbrud. Denne prædiktive vedligeholdelsesapplikation har elimineret produktionsfejl med 33 % og reduceret omkostningerne til forbrugervedligeholdelse med 27 %.
Forvaltning af jernbaneaktiver: "Voids" opstår, når et tomt rum udvikler sig under et spor, der fører til potentiel forsinkelse eller endda afsporing. Nyere innovation har ført til kabinebaserede systemer, der overvåger en række variabler, når de ruller over skinnerne. Dette har ført til forbedret registrering af ugyldighed og en generel stigning i kundesikkerheden.
Stålindustri: Afvigelsesdetektering bruges til at indsamle realtidsaflæsninger af vibrationer, rotationshastighed og elektrisk strøm (ampere) i det koldvalsningsudstyr, der anvendes i stålforarbejdning. Denne applikation har ført til en 60% forbedring af udstyrets levetid og stærkt reduceret tab på grund af nedetid og forsinkelser.
Fordele ved prædiktive vedligeholdelsesprogrammer
Implementeringen af prædiktive vedligeholdelsessystemer har ført til imponerende resultater på tværs af flere brancher. I en rapport for 2022 fra Deloitte nævnes talrige kvantificerbare forbedringer. Disse omfatter en reduktion på op til 15 % i nedetid, en stigning på 20 % i arbejdsproduktiviteten og en 30 % reduktion i beholdningsniveauer med mindre behov for lagerføring af just-in-case dele.
Med teknologier som AI og integreret ERP ved hånden viser organisationer fordelene ved prædiktive vedligeholdelsesløsninger, der virkelig fungerer. Disse omfatter:
Bedre synlighed på tværs af hele din drift: Med øget synlighed over markaktiver og andet eksternt udstyr kan OEM'er og tredjepartstjenesteudbydere levere mere informerede tjenester og større værdi.
Lavere vedligeholdelsesomkostninger og forbedret ydeevne: Ved at minimere nedetid sparer prognosticeret vedligeholdelse dig penge og hjælper dig med at få mere brug af eksisterende aktiver, selv når du forlænger deres levetid.
Mere styrkede teams: Bevæbnet med datavidenskab og realtidsanalyser kan dine aktivoperatører, serviceudbydere og forsyningskædeledere foretage overgangen fra brandmænd til planlæggere og strateger.
Overvindelse af almindelige prædiktive vedligeholdelsesudfordringer
I dette afsnit fremhæves almindelige prædiktive vedligeholdelsesudfordringer, og der udforskes strategier for at overvinde dem.
Datakvalitet og -tilgængelighed: Forudsigende vedligeholdelse afhænger i høj grad af høj kvalitet og tilstrækkelige historiske data. Dårlig datakvalitet eller utilstrækkelige data kan føre til unøjagtige forudsigelser. For at bidrage til at sikre datakvaliteten er bedste praksis at etablere et datastyringsprogram, der bakkes op af vigtige interessenter.
IoT-forbindelse: Opsætning af et forbundet IoT-netværk kræver smart udstyr og kantenheder med sensorer, der kan oprette forbindelse til datalag og overføre data i fladfilformater. Du skal lægge vægt på at forenkle dine forbindelsesscenarier, så du kan oprette forbindelse til enhver IoT-datakilde uden problemer.
IoT-enhedsstyring: Administration af IoT-netværksenheder kræver fokus på enhedssikkerhed for at minimere sårbarheder over for cyberangreb. Samtidig ønsker De at fremme interoperabilitet på tværs af enheder og opskalere efter behov. For at finde den rette balance er det bedst at indføre moderne løsninger til administration af aktivets ydeevne, der understøtter integreret avanceret enhedsstyring og robuste tilslutningsmuligheder.
Dataintegration: Integration af data fra forskellige kilder som IoT-sensorer, legacy-systemer og vedligeholdelsesregistreringer kan være komplekse og tidskrævende. Se efter en kraftfuld integrationsplatform i virksomhedsklasse med et omfattende bibliotek af forudbyggede stik til at understøtte dine behov for dataintegration.
Sensor data kompleksitet: IoT sensor data kan være svært at forstå, ofte kræver specialiserede data viden, der udgør en barriere for pålidelighed ingeniører. Se efter løsninger til styring af aktivets ydeevne, der kan distillere data for ikke-tekniske målgrupper for at forstå og manipulere.
Algoritmevalg: Valg af de rigtige algoritmer til prædiktiv vedligeholdelse er nøglen til succes. Sørg for nøje at evaluere specifikke anvendelseseksempler og dataenes karakteristika for at vælge de mest passende algoritmer til dine maskin- og forretningsbehov.
Integration af vedligeholdelsesstrategi: Implementering af prædiktiv vedligeholdelse kræver, at den integreres i eksisterende vedligeholdelsesstrategier og -workflows. Modstand mod forandringer og organisatorisk inerti kan hindre en vellykket gennemførelse. Stærk ledelse, lederopbakning, klar kommunikation og professionel forandringsledelse er en forudsætning for succes.
Sådan implementeres et prædiktivt vedligeholdelsesprogram i tre enkle trin
- Definer mål og definer omfang: Start med at identificere, hvilke overvågningsbetingelser der er de rigtige for hvert aktiv. For eksempel anvendes infrarød termografi bedst på udstyr, der kan lække luft eller damp, mens vibrationsanalyse bedst anvendes på roterende udstyr, men ikke udstyr, der roterer langsomt (mindre end 5 omdr./min.). Olieanalyse og akustisk analyse er bedre til langsomt roterende udstyr. Sørg også for at bestemme omfanget af din indsats. Vil du f.eks. overvåge specifikke, individuelle aktiver, eller stræber du efter mere omfattende dækning?
- Installer relevante IoT-sensorer: Installer IoT-sensorer baseret på de analysetyper, der passer bedst til hvert overvåget aktiv – og begynd derefter at indsamle data. Sørg for, at disse sensorer er forbundet til databehandlingssystemer – som dem, der almindeligvis er integreret i løsninger til styring af aktivets ydeevne – for at reducere omkostninger, tid og menneskelige fejl.
- Opsæt protokoller: For effektivt at reagere på afvigelsesregistreringer skal du oprette protokoller for at sikre, at aktiver repareres effektivt og i overensstemmelse med mål for oppetid. Disse protokoller kan være automatiserede, manuelle eller en blanding af begge.
Transformer din forsyningskæde med prædiktive vedligeholdelsesløsninger
Mange virksomheder har ikke ændret deres strategier for vedligeholdelse af aktiver i årtier – på trods af at have moderniseret andre områder af deres forretning. Det er en udfordring at ændre mangeårige processer, og det kan være svært at få buy-in fra dine teams. De mest succesrige forretningstransformationsplaner begynder med en god kommunikations- og forandringsstyringsstrategi – for at hjælpe med at engagere dine teams og nedbryde siloer. Tal med din softwareleverandør for at få mere at vide om, hvilke værktøjer og løsninger der fungerer bedst til dine unikke behov, og for at få dig til at rulle med din køreplan og din digitale transformationsrejse.
Udforsk prædiktive vedligeholdelsesløsninger
Maksimer dit aktivs ydeevne med moderne prædiktive vedligeholdelsesværktøjer.
Understøt aktiver, pålidelighed og sikkerhed med AI
Find ud af, hvordan jernbaner og andre aktivintensive industrier kan bruge AI-assisteret visuel inspektion til at forbedre pålideligheden, optimere driften og sænke omkostningerne.