Vad är prognostiserat underhåll?
Denna webbsida har maskinöversatts för att underlätta för dig. SAP ger inga garantier angående korrektheten eller fullständigheten av maskinöversättningen. Den ursprungliga engelska webbsidan hittar du genom att använda världskartan i det övre högra hörnet på denna sida.
Med prediktiv underhållsteknik kan du höra vad företagets tillgångar försöker berätta för dig. Maskinerna i dina fabriker, din lastbilsflotta, din industriella utrustning – de har pratat med dig i åratal. De har berättat för dig när de ska gå sönder och vad de behöver för att fungera längre och smidigare.
Med prognostiserat underhåll kan företag förutse fel och planera in underhåll när och var det behövs omedelbart. Den beväpnar företag med den information de behöver för att driva på toppresultat från sina värdefulla tillgångar, men de är fortfarande säkra på att de inte driver dem för långt och riskerar ett kostsamt sammanbrott.
Definition av prognostiserat underhåll: Syftet med prognostiserat underhåll är att förhindra fel och avbrott i utrustningen genom att ansluta IoT-aktiverade företagstillgångar, tillämpa avancerade analyser på data som levereras i realtid och använda resulterande insikter för att informera utbildade, kostnadseffektiva och effektiva underhållsprotokoll.
Varför är prediktivt underhåll så viktigt för dagens verksamheter?
De moderna företagen befinner sig i en tid av aldrig tidigare skådad förändring och konkurrens. Amazoneffekten har lett till en snabb ökning av konsumenternas krav på kontroll, personanpassning och snabbhet. Ett föränderligt handels- och politiskt klimat har gjort att många företag har svårt att upprätthålla prisvärda leverans- och tillverkningsrelationer. Och i takt med att allt fler företag genomgår digital omställning ökar konkurrensen och felmarginalen blir allt mindre. Dagens företagsledare försöker därmed få konkurrensfördelar genom smarta lösningar som förutser när anläggningsunderhåll behövs, bidrar till att öka kostnadseffektiviteten och förenklar deras ofta komplexa kapitalförvaltningskrav.
Schweiziska federala järnvägars användningsfall
Hör hur det prediktiva underhållet hjälpte till att uppnå en effektiv verksamhet.
Vad är skillnaden mellan reaktivt, förebyggande och prediktivt underhåll?
Skillnaden i dessa tre underhållsmodeller ligger inte så mycket i hur underhållsuppgifterna utförs, utan när.
- Reaktivt underhåll: Detta är i grund och botten handlingen att inte göra någonting förrän något går sönder. Som underhållsstrategi brukar detta av förklarliga skäl inte utövas av stora företag. Det kan dock vara en oavsiktlig praxis om vissa delar och komponenter lämnas utanför den regelbundna rotationen av traditionella underhållsscheman. Reaktivt underhåll sker alltid efter fakta.
- Förebyggande underhåll: Detta bygger på tidigare prestationer och ingenjörers och operatörers kunskaper och erfarenheter. Den inkluderar rutinmässigt, periodiskt, planerat eller tidsbaserat underhåll. Det förhindrar ofta avbrott, men tyvärr kan det vara inexakt, vilket kan leda till dyrt underhåll innan det behövs eller till obemärkta svagheter i underhållsprocessen. Förebyggande underhåll sker vid tider som är förinställda, ofta långt i förväg.
- Prediktivt underhåll: Detta är möjligt när Internet of Things (IoT)-nätverk integrerar alla företagstillgångar i ett live-ekosystem. Möjligheten att överföra och analysera data i realtid innebär att faktisk anläggningsstatus – i stället för kalendrar – blir grunden för underhållsprotokoll. Prediktivt underhåll sker i realtid, exakt när och var det behövs.
Följande diagram (anpassat från Deloitte) visar utvecklingen av den tekniska kapaciteten genom industriella varv och den resulterande effekten på underhållsstrategier och utrustningens effektivitet.
Hur fungerar prediktivt underhåll och IoT-analyser?
Det första steget i den prediktiva underhållsprocessen omfattar insamling av realtidsdata och information från anslutna IoT-nätverkstillgångar över hela verksamheten. Dessa uppgifter måste sedan lagras och hanteras på ett sådant sätt att de lätt kan bearbetas, nås och analyseras. Den "prediktiva" komponenten blir aktuell när artificiell intelligens (AI) och maskininlärningsteknik tillämpas på data så att den börjar berätta en användbar och användbar story.
Det finns fyra grundläggande etapper för arkitekturen för prediktivt underhåll och ett nätverk för industriell IoT (IIoT):
Processen för prognostiserat underhåll
- Sensning och insamling av data med prediktiv underhållsteknik (till exempel termisk avbildning eller vibrationer)
- Överföring av dessa data – i realtid – över nätverket till ett centralt affärssystem
- Tillämpa intelligenta teknologier som AI och maskininlärningsanalyser på dessa data så att de ger så användbara och relevanta insikter som möjligt
- Snabba åtgärder mot dessa datadrivna insikter för att upprätta de underhålls- och svarsprotokoll (både mänskliga och automatiserade) som krävs
Övervaka anläggningsvillkor och utnyttja prediktiv underhållsteknik
Prediktivt underhåll är möjligt via it-fysiska system som hjälper till att integrera maskiner och företagstillgångar i ett intelligent IoT-nätverk. Den börjar med att identifiera de tillgångsvillkor som måste övervakas, sedan montera sensorer och upprätta ett IoT-nätverk och slutligen samla in och analysera data från det nätverket för att leverera genomförbara resultat och insikter. Att identifiera dessa villkor som ska övervakas är det första avgörande steget mot att omvandla ett företags anläggningsförvaltning genom prognostiserat underhåll.
Villkor för övervakning
Inledningsvis måste chefer fastställa de förhållanden som behöver övervakas för varje maskin. Analysen kan vara visuell, hörbar, termisk eller – oftast – en kombination av dessa kriterier och mer. Det tekniska steget i detta skede består i att bestämma vilka korrekta sensorer och övervakningsverktyg som ska monteras:
- Vibrationsanalys: Små förändringar i vibrationsmönstren kan tyda på obalans eller feljustering, medan höga vibrationsnivåer kan tyda på hotande bärighet eller andra problem. Vibrationsanalys kan ge tidiga varningar om fel och är särskilt användbar för att upptäcka obalans, feljustering, mekanisk löslighet eller slitna eller skadade delar.
- Ljud och ultraljudsanalys: Under normal drift skapar de flesta system stadiga ljudmönster. Förändringar i referensljudmönstret kan tyda på slitage eller andra typer av försämringar. Ultraljudsanalyser kan också ge information om systemets övergripande hälsa genom att översätta högfrekventa ljud (som de som produceras av ånga eller luftläckor) till det hörbara intervallet.
- Infraröd analys: Liksom med ultraljudsanalys avslöjar termografin också det dolda genom att använda infraröd analys för att omvandla temperaturförändringar till ett synligt spektrum. Även mycket subtila förändringar av normala driftstemperaturer kan varna för annalkande problem.
- Vätskeanalys: Förutom att bara övervaka nivåer och temperatur kan den fysiska och kemiska analysen av vätskor ge värdefull information om mekaniska komponenters tillstånd. Genom att se nedbrytningshastigheten i kylmedel och smörjmedel kan förebyggande åtgärder vidtas så snart dessa insikter motiverar det.
- Övrigt: Andra prediktiva underhållstekniker är specialiserade för olika unika industriella behov. De omfattar bland annat: laserinställning, övervakning av elektriska kretsar, sprickdetektering, korrosionsövervakning, förändringar av elmotståndet och andra branschspecifika metoder för att mäta korrosion eller försämring.
Prediktiv underhållsteknik
När ovanstående kriterier har fastställts måste lämpliga sensorer och monitorer monteras och anslutas till ett centralt affärssystem, oftast ett ERP-system, via ett molnanslutet IoT-nätverk. Slutligen måste de AI-styrda programvarulösningarna finnas på plats för att stödja de olika algoritmer och analysprocesser som krävs för att leverera genomförbara insikter och rekommendationer från de data som samlas in.
- IoT-nätverk: När företagets tillgångar utökas med sensorer, bearbetningsförmåga och annan teknik kan de skicka och ta emot data – vanligtvis via molnkonnektivitet – till och från ett centralt affärssystem. Detta omfattar ett IoT-nätverk och underbygger den prediktiva underhållsstrategin.
- IoT-nätslussar: Många äldre tillgångar fungerar fortfarande utmärkt, men deras analoga teknik föregår digital integration. Dessa maskiner kan utrustas med IoT gateway-enheter, som kan inkludera kameror, mikrofoner och termometrar, för att samla in och överföra realtidsdata om deras drifttillstånd.
- Molnkonnektivitet: Molnkonnektivitet tillhandahåller tillgänglighet på begäran för datorsystemresurser. I ett IoT-nätverk som består av flera industriella anläggningar är det viktigt att datacenter med flera platser integreras i en enda databas och ett enda system.
- Modern databas och ERP: Gamla diskbaserade databaser är inte väl utrustade för att hantera de omfattande och icke-linjära data som består av stordata och komplexa dataset. Prediktivt underhåll använder dessutom AI och maskininlärning för att utföra avancerade analyser av sådana data. Hela denna process betjänas bäst av en modern AI-driven ERP med en minnesbaserad databas som är snabb, responsiv och nästan oändligt skalbar.
- AI och maskininlärning: Den pioneriske datavetaren John McCarthy definierar AI som “vetenskapen och ingenjörsvetenskapen för att tillverka intelligenta maskiner.” Maskininlärning är en delmängd av AI som använder algoritmer för att analysera och förstå data. Prediktiva underhållslösningar är beroende av AI och maskininlärning för att inte bara sortera, förstå och lära av företagets tillgångar operativa data – utan för att extrapolera den kunskapen med utförbara rekommendationer och insikter.
- Avancerade analyser: Avancerad analys för AI och maskininlärning. Chefer måste bestämma vilka attribut och villkor som ska bedömas och vilka analysresultat som önskas. På så sätt kan algoritmerna som informerar avancerade analyser programmeras till att vara så insiktsfulla och handlingskraftiga som möjligt, och att lära sig bäst av data och nya erfarenheter över tid.
- Digitala tvillingar: En digital tvilling är just det: en virtuell rekreation av en faktisk fysisk tillgång. Genom att skapa digitala tvillingar kan chefer besöka alla möjliga driftsscenarier vid tvillingen – utan risk för verklig skada på en kostsam maskin eller enhet. Detta bidrar till att öka det prediktiva underhållet genom att låta maskininlärning och AI-verktyg införliva och lära av erfarenheter som aldrig ens har hänt.
Exempel på användningsfall för prognostiserat underhåll
- Olje- och gassektorn: Oljeborrning lägger ett enormt slitage på tillgångar och kan leda till stora risker och faror vid ett misslyckande. Genom realtidsövervakning av förändringar i oljetemperaturen och växellådans hastighet i borrutrustning har det prediktiva underhållet avsevärt förbättrat säkerheten och minskat underhållskostnaderna med upp till 38 %.
- Bilindustrin: På monteringslinjer utför spotsvetskanoner cirka 15 000 spotsvetsar vardera per dag. Genom att koppla samman svetskanoner runt om i världen och samla in deras operativa data kan biltillverkarna samla in miljontals datapunkter, vilket leder till oöverträffad prediktiv noggrannhet när det gäller tillgångarnas skick och tillstånd.
- Tillverkning av hushållsapparater: Vibrationsmätningar av trumrotationen i torkprocessen har bidragit till att förutse funktionsfel eller haveri. Denna applikation för prediktivt underhåll har eliminerat tillverkningsfel med 33 % och minskat konsumentunderhållskostnaderna med 27 %.
- Förvaltning av järnvägstillgångar: ”Voids” uppstår när ett tomt utrymme utvecklas under ett spår som kan leda till förseningar eller till och med urspårning. Den senaste tidens innovation har lett till kabelbaserade övervakningssystem som kan upptäcka ett antal variabler när de rullar över rälsen. Detta har lett till bättre upptäckt av tomrum och en allmän ökning av kundsäkerheten.
- Stålindustri: Anomali detektion används för att samla realtidsavläsningar av vibrationer, rotationshastighet och elektrisk ström (ampere) i den kallvalsningsutrustning som används vid stålbearbetning. Denna tillämpning har lett till en 60-procentig förbättring av utrustningens livslängd och avsevärt minskat förlusterna på grund av driftstopp och förseningar.
Fördelar med prognostiserat underhåll
Implementeringen av system för prognostiserat underhåll har lett till imponerande resultat i flera branscher.
Intressant nog är det inte så att idén om prediktivt underhåll är något nytt. I årtionden har företagen strävat efter att uppnå större förutsägbarhet i sitt underhåll av tillgångar – men det har tagit utvecklingen av teknologier som AI och moderna ERP-system att leverera den kapacitet och funktionalitet som krävs för att uppnå prediktiva underhållslösningar som verkligen fungerar. Fördelarna med detta omfattar:
- Bättre insyn i hela verksamheten: Ökad insyn i fält och andra externa tillgångar. Detta gör det möjligt för utrustningstillverkare och tredjepartsleverantörer att erbjuda mer värdefulla och välinformerade tjänster.
- Lägre underhållskostnader och förbättrad anläggningsprestanda: Prediktivt underhåll leder konsekvent till bättre användning av befintliga resurser, minskad avbrottstid och förlängd livslängd för värdefulla anläggningar.
- Mer inflytelserika team: När kapitaloperatörer, tjänsteleverantörer och försörjningskedjeförvaltare är utrustade med datavetenskap och realtidsanalys kan de utveckla underhållsscheman som fungerar – de blir planerare och strateger snarare än brandmän.
Nästa steg för att omvandla försörjningskedjan med prediktiva underhållslösningar
Många företag har inte ändrat sina strategier för underhåll av tillgångar på årtionden – trots att de har moderniserat andra delar av sin verksamhet. Att förändra långvariga processer är utmanande och det kan vara svårt att få inköp från sina team. De mest framgångsrika omställningsplanerna börjar med en bra strategi för kommunikation och förändringshantering – för att hjälpa till att engagera dina team och bryta ner silor. Tala med programvaruleverantören för att lära dig mer om vilka verktyg och lösningar som fungerar bäst för dina unika behov och för att få dig att rulla med din vägkarta och digitala transformationsresa.
Utforska SAP Predictive Asset Insights
Maximera din tillgångsprestanda med moderna prediktiva underhållsverktyg.
SAP Insights nyhetsbrev
Prenumerera idag
Få viktiga insikter genom att prenumerera på vårt nyhetsbrev.