Hva er prediktivt vedlikehold?
Denne websiden er maskinoversatt for å hjelpe deg. SAP kan ikke garantere at maskinoversettelsen er riktig eller fullstendig oversatt. Den opprinnelige engelske nettsiden finner du ved å bruke verdenskartet i øvre høyre hjørne av denne siden.
Med teknologi for prognosevedlikehold kan du høre hva foretakets eiendeler prøver å fortelle deg. Maskinene i fabrikkene dine, din flåte av lastebiler, ditt industriutstyr – de har snakket med deg i årevis. De har fortalt deg når de er i ferd med å bryte ned og hva de må løpe lenger og mer uten problemer.
Med prediksjonsvedlikehold kan bedrifter forutse feil og planlegge vedlikehold når og hvor det trengs umiddelbart. Virksomheter med den informasjon de trenger for å bidra til å oppnå størst mulig resultater fra sine verdifulle eiendeler, er likevel trygge på at de ikke presser dem for langt og risikerer et kostbart sammenbrudd.
Definisjon av prognosevedlikehold: Prognosevedlikehold forsøker å forhindre utstyrsfeil og -avbruddstid ved å koble sammen IoT-aktiverte foretakseiendeler, bruke avanserte analyser på sanntidsdataene de leverer, og bruke de resulterende analysene for å informere informerte, kostnadseffektive og effektive vedlikeholdsprotokoller.
Hvorfor er prediktivt vedlikehold så viktig for dagens bedrifter?
Moderne bedrifter er i en tid uten sidestykke endring og konkurranse. Amazonaseffekten har ført til en rask økning i forbrukernes krav om kontroll, persontilpasning og hurtighet. Et skiftende handels- og politisk klima har etterlatt mange selskaper som sliter med å opprettholde rimelige forsynings- og produksjonsforhold. Og ettersom flere og flere bedrifter gjennomgår digital transformasjon, stiger konkurransen og feilmarginen blir stadig svakere. Som et resultat av dette er dagens forretningsledere i gang med å få et konkurransefortrinn gjennom smarte løsninger, som spår når det er behov for vedlikehold av eiendeler, bidra til å øke kostnadseffektiviteten og effektivisere deres ofte sammensatte krav til formuesforvaltning.
Brukstilfelle
for Sveits' føderale jernbaner
Hør hvordan prognosevedlikehold bidrar til å oppnå utmerket drift.
Hva er forskjellen mellom reaktivt, forebyggende og prediktivt vedlikehold?
Forskjellen i disse tre vedlikeholdsmodellene ligger ikke så mye på hvordan vedlikeholdsoppgavene utføres, men når.
- Reaktivt vedlikehold: Dette er i all vesentlighet handlingen å gjøre ingenting før noe brytes. Som en vedlikeholdsstrategi praktiseres dette vanligvis ikke av store selskaper av åpenbare grunner. Det kan imidlertid være en utilsiktet praksis hvis visse deler og komponenter blir utelatt fra den vanlige rotasjonen av tradisjonelle vedlikeholdsplaner. Reaktivt vedlikehold skjer alltid etter faktumet.
- Forebyggende vedlikehold: Dette informeres av tidligere resultater og ingeniørers og operatørers kunnskap og erfaring. Den inkluderer rutinevedlikehold, periodisk, planlagt eller tidsbasert vedlikehold. Faktisk forhindrer det ofte brudd, men dessverre kan det være unøyaktig, noe som kan føre til dyrt vedlikehold før det trengs eller til uvitende svakheter i vedlikeholdsprosessen. Forebyggende vedlikehold skjer til tider som er forhåndsinnstilt, ofte lenge på forhånd.
- Prognosevedlikehold: Dette er mulig når IoT-nettverk (Internet of Things) integrerer alle foretakseiendeler i et produktivt økosystem. Muligheten til å overføre og analysere data i sanntid, betyr at live anleggsstatus – i stedet for kalendere – blir grunnlaget for vedlikeholdsprotokoller. Prognosevedlikehold skjer i sanntid, nøyaktig når og hvor det trengs.
Følgende diagram (tilpasset fra Deloitte) viser progresjon av teknologiske egenskaper gjennom hele industrielle omdreininger og den resulterende påvirkningen på vedlikeholdsstrategier og utstyrseffektivitet.
Hvordan fungerer prediktivt vedlikehold og IoT-analyser?
Det første trinnet i prognosevedlikeholdsprosessen involverer innsamling av sanntidsdata og informasjon fra tilknyttede IoT-nettverksressurser i hele virksomheten. Disse dataene skal deretter lagres og håndteres på en slik måte at de lett kan behandles, aksesseres og analyseres. Prognosekomponenten vises når kunstig intelligens (AI) og maskinlæringsteknologier brukes på dataene for å få den til å begynne å fortelle en nyttig og handlebar historie.
Det finnes fire grunnleggende trinn i arkitekturen for prediktivt vedlikehold og et nettverk av industriell IoT (IIoT):
Den prediktive vedlikeholdsprosessen
- Sensing og innsamling av data ved hjelp av vedlikeholdsteknologier for prognoser (for eksempel termisk bildebehandling eller vibrasjoner)
- Overføre disse dataene – i sanntid – på tvers av nettverket til et sentralt forretningssystem
- Bruke intelligente teknologier som AI-er og maskinlæringsanalyser på disse dataene for å få dem til å gi de mest nyttige og relevante analysene
- Iverksette raske tiltak på de datastyrte innsiktene for å fastslå de nødvendige vedlikeholds- og responsprotokollene (både menneskelige og automatiserte)
Overvåke eiendelsvilkår og bruke prediktiv vedlikeholdsteknologi
Prognosevedlikehold gjøres mulig gjennom cyber-fysiske systemer som bidrar til å integrere maskiner og foretakseiendeler i et intelligent IoT-nettverk. Den begynner med å identifisere eiendelsvilkårene som må overvåkes, deretter tilpasse sensorer og etablere et IoT-nettverk, og til slutt samle inn og analysere data fra dette nettverket for å levere nyttige funn og analyser. Å identifisere disse betingelsene som skal overvåkes, er det første avgjørende trinnet for å transformere en virksomhets administrasjon av foretakets eiendeler gjennom prognosevedlikehold.
Overvåkingsvilkår
Ledere skal i utgangspunktet fastsette de forholdene som må overvåkes for hver maskin. Denne analysen kan være visuell, hørbar, termisk eller – vanligvis en kombinasjon av disse kriteriene og mer. Det teknologiske trinnet på dette punktet består i å bestemme de riktige følerne og overvåkingsverktøyene som skal monteres:
- Vibrasjonsanalyse: Små endringer i vibrasjonsmønstre kan tyde på ubalanse eller feil justering, mens høye vibrasjonsnivåer kan indikere nedsettende påvirkning eller andre problemer. Vibrasjonsanalyse kan gi tidlige advarsler om svikt og er spesielt nyttig ved påvisning av ubalanse, feil justering, mekanisk løselighet eller slitte eller skadede deler.
- Lyd og ultralydanalyse: Under normal drift skaper de fleste systemer stødige lydmønstre. Endringer i referansens lydmønster kan indikere slitasje eller andre typer forringelse. Ultralydanalyser kan også gi informasjon om systemets generelle helse ved å omsette høyfrekvente lyder (slik som de som produseres av damp eller luftlekkasjer) til lydområdet.
- Infrarød analyse: Som med ultralydanalyse, avdekker termografi også den skjulte ved å bruke infrarød analyse for å omsette temperaturendringer til et synlig spektrum. Selv svært små endringer i normale driftstemperaturer kan advare mot problemer.
- Fluidanalyse: Utover bare å overvåke nivåene og temperaturen, kan den fysiske og kjemiske analysen av væsker gi verdifull informasjon om tilstanden til mekaniske komponenter. Ved å se nedbrytingshastigheten i kjølemidler og smøremidler, kan forebyggende tiltak iverksettes så snart disse analysene berettiger det.
- Annet: Andre prediktive vedlikeholdsteknologier er spesialisert for ulike unike industrielle behov. De omfatter laserjustering, elektrisk kretsovervåking, sprekkpåvisning, korrosjonsovervåking, elektriske resistensendringer og andre industrispesifikke metoder for måling av korrosjon eller forringelse.
Teknologier for prognosevedlikehold
Når kriteriene ovenfor er fastsatt, må de riktige sensorene og monitorene monteres og kobles til et sentralt forretningssystem, vanligvis et ERP-system (Enterprise Resource Planning) via et skykoblet IoT-nettverk. Til slutt må de nødvendige AI-styrte programvareløsningene være på plass for å støtte de ulike algoritmene og analyseprosessene som er nødvendige for å gi nyttige innsikter og anbefalinger fra de innsamlede dataene.
- IoT-nettverk: Når foretakets eiendeler utvides med sensorer, behandlingsevne og andre teknologier, kan de sende og motta data – vanligvis via nettskykonnektivitet – til og fra et sentralt forretningssystem. Dette omfatter et IoT-nettverk og underbygger prognosevedlikeholdsstrategien.
- IoT gateways: Mange eldre ressurser virker fortsatt perfekt bra, men deres analoge teknologi går forut for digital integrasjon. Disse maskinene kan utstyres med IoT gatewayenheter, som kan omfatte kameraer, mikrofoner og termometre, for å samle inn og overføre sanntidsdata om deres driftstilstander.
- Nettskykonnektivitet: Nettskykonnektivitet gir tilgjengelighet på forespørsel for datasystemressurser. I et IoT-nettverk som består av flere industrielle ressurser, er det viktig at datasentre med flere lokaliseringer integreres i én enkelt database og ett enkelt system.
- Moderne database og ERP: Eldre diskbaserte databaser er ikke godt utstyrt for å administrere de voluminøse og ikke-lineære dataene som omfatter store og komplekse datasett. Prognosevedlikehold bruker også AI og maskinlæring for å utføre avanserte analyser av slike data. Denne hele prosessen serveres best av en moderne AI-drevet ERP med en in-memory-database som er rask, responsiv og nesten uendelig skalerbar.
- AI og maskinlæring: Datamaskinforskeren John McCarthy definerer AI som «vitenskapen og teknologien ved å lage intelligente maskiner.» Maskinlæring er en undergruppe av AI som bruker algoritmer til å analysere og forstå data. Prognosevedlikeholdsløsninger er avhengige av AI og maskinlæring for ikke bare å sortere, forstå og lære fra foretakets driftsdata – men å ekstrapolere på den kunnskapen med handlingsbaserte anbefalinger og analyser.
- Avanserte analyser: AI-er og maskinlæringsevne – avansert analyse. Ledere må fastsette attributtene og betingelsene som skal vurderes, og de analytiske resultatene som ønskes. På denne måten kan algoritmene som informerer avanserte analyser bli programmert til å være så innsiktsfulle og gjennomførbare som mulig, og for å lære best av data og nye opplevelser over tid.
- Digitale tvillinger: En digital tvilling er nettopp at: en virtuell gjenskaping av en faktisk fysisk eiendel. Ved å opprette digitale tvillinger kan ledere besøke alle mulige driftsscenarier ved tvillingen – uten risiko for faktisk skade i virkeligheten på en kostbar maskin eller enhet. Dette bidrar til å utvide prognosevedlikehold ved å la maskinlæring og AI-verktøy integrere og lære av opplevelser som aldri har skjedd.
Eksempler på brukstilfeller for prediktivt vedlikehold
- Olje- og gassektoren: Oljeboring setter enorm slitasje på eiendeler og kan føre til stor risiko og fare ved svikt. Gjennom sanntidsovervåking av endringer i oljetemperaturen og hastigheten på girkasser i boreutstyr har prediktivt vedlikehold forbedret sikkerheten betraktelig og reduserte vedlikeholdskostnadene med opptil 38 %.
- Bilindustri: På montasjelinjer utfører spot-sveise-kanoner ca. 15 000 flekksveiser hver dag. Ved å knytte sammen sveisevåpen rundt om i verden og samle inn sine operative data, kan auto produsenter samle inn millioner av datapunkter, noe som fører til enestående forutsigelsesnøyaktighet på tilstanden og tilstanden til disse eiendelene.
- Produksjon av utstyr til husholdningsbruk: Vibrasjonsmålinger av trommelrotasjonen i tørkeproduksjonsprosessen har bidratt til å forutsi funksjonsfeil eller driftsforstyrrelser. Denne prediktive vedlikeholdsapplikasjonen har eliminert produksjonsfeil med 33 % og redusert forbrukervedlikeholdskostnader med 27 %.
- Forvaltning av jernbaneanlegg: «Voider» oppstår når et tomt område utvikles under et spor som fører til mulig forsinkelse eller til og med avsporing. Nylig innovasjon har ført til kabelbaserte overvåkingssystemer som kan oppdage en rekke variabler når de ruller over skinnene. Dette har ført til forbedret void påvisning og en samlet økning i kundesikkerheten.
- Stålindustri: Anomali detektering brukes til å samle avlesninger i sanntid av vibrasjon, rotasjonshastighet og elektrisk strøm (amperes) i det kaldvalsede utstyret som brukes ved stålbehandling. Denne søknaden har ført til en 60 % forbedring i utstyrets levetid og sterkt reduserte tap på grunn av nedetid og forsinkelser.
Fordeler med prognosevedlikehold
Implementeringen av prediktive vedlikeholdssystemer har ført til imponerende resultater på tvers av flere bransjer.
Det er usikkert at ideen om prognosevedlikehold er noe nytt. I flere tiår har bedrifter arbeidet for å oppnå større forutsigbarhet i anleggsvedlikeholdet – men det har tatt framveksten av teknologier som AI og moderne ERP-systemer for å levere den kapasiteten og funksjonaliteten som er nødvendig for å oppnå prediktive vedlikeholdsløsninger som virkelig fungerer. Ytelsene som omfatter:
- Bedre oversikt over hele operasjonen: Økt innsyn i feltressurser og andre ressurser utenfor anlegget. Dette gjør at OEM-er og tredjepartstjenesteleverandører kan tilby bedre verdi og mer informerte tjenester.
- Lavere vedlikeholdskostnader og bedre anleggsytelse: Prognosevedlikehold fører konsekvent til bedre bruk av eksisterende ressurser, en reduksjon i nedetid og til livsforlengelse av verdifulle eiendeler.
- Mer bemyndigede team: Når eiendelsoperatører, tjenesteleverandører og forsyningskjedeledere er bevæpnet med datavitenskap og sanntidsanalyser, kan de utvikle vedlikeholdsplaner som fungerer – de blir planleggere og strateger i stedet for brannmenn.
Neste trinn for å transformere forsyningskjeden med prediktive vedlikeholdsløsninger
Mange bedrifter har ikke endret sine anleggsvedlikeholdsstrategier på flere tiår – til tross for at de har modernisert andre områder av sin virksomhet. Endring av langvarige prosesser er utfordrende, og det kan være vanskelig å komme inn fra teamene. De mest vellykkede planene for forretningstransformasjon begynner med en god kommunikasjons- og endringsstyringsstrategi – for å bidra til å engasjere teamene og bryte ned siloer. Snakk med programvareleverandøren din for å lære mer om hvilke verktøy og løsninger som fungerer best for dine unike behov, og for å få deg til å rulle med veikartet og den digitale transformasjonsreisen.
Utforsk SAP Asset Performance Management
Maksimer anleggsytelsen med moderne prediktive vedlikeholdsverktøy.
Nyhetsbrev for SAP Insights