Prediktivt underhåll: Maximera drifttid och kostnadsbesparingar för utrustningen
Prediktivt underhåll utvärderar kontinuerligt utrustningens status i realtid, vilket hjälper dig att maximera utrustningens prestanda, drifttid och livslängd och samtidigt minimera den totala ägandekostnaden.
Vad är prediktivt underhåll?
Prediktivt underhåll är en metod för underhåll som lägger tonvikten på att höra vad företagets tillgångar försöker berätta för dig. Maskinerna i dina fabriker, din lastbilspark, din industriella utrustning – de har pratat med dig i åratal. Om du kan lyssna noga kan du förstå när dina maskiner är på väg att gå sönder och vad de behöver för att fungera längre och smidigare.
Prediktivt underhåll gör det möjligt för din verksamhet att förutse utrustningsfel och planera underhåll när och var det omedelbart behövs. Det ger dig den information som behövs för att köra dina tillgångar på topp prestanda utan att trycka dem för långt och riskera kostsamma haverier.
Definition av predictive maintenance
Prediktivt underhåll syftar till att förhindra utrustningsfel och driftstopp genom att ansluta IoT-aktiverade företagstillgångar, tillämpa avancerade analyser på de realtidsdata de genererar och använda tillhörande insikter för att informera kostnadseffektiva och effektiva underhållsprotokoll.
Varför är prediktivt underhåll så viktigt idag?
Prediktivt underhåll är viktigt eftersom det sparar företagets tid och pengar genom att avhjälpa kostsamma och störande utrustningsfel. I takt med att konsumenternas efterfrågan på produkttillgänglighet ökar kan organisationer med prediktiva underhållsprogram producera utan avbrott. Resultatet är löpande kundlojalitet, högre intäkter och förbättrade konkurrensfördelar.
Smarta prediktiva underhållslösningar förutsäger när anläggningsunderhåll behövs, hjälper till att öka kostnadseffektiviteten och effektiviserar komplexa krav på kapitalförvaltning i företaget. Enkelt uttryckt, att använda prediktiv underhållsteknik hjälper din verksamhet att spara tid, pengar och procedurhuvudvärk.
Hur fungerar prediktivt underhåll?
Prediktivt underhåll fungerar genom att registrera och analysera utrustningsdata i realtid för att prognostisera potentiella problem innan de leder till utrustningsfel.
Det första steget i denna process innebär insamling av realtidsdata och information från nätverksanslutna IoT-sensorer som överför information om utrustningsförhållanden. Dessa data måste sedan lagras och hanteras på ett sådant sätt att de lätt kan nås, bearbetas och analyseras. Den ”prediktiva” komponenten spelar in när artificiell intelligens (AI) och maskininlärningsteknik tillämpas på data för att berätta en användbar och utförbar historia.
Det finns fyra grundläggande steg till arkitekturen för prediktivt underhåll och ett nätverk för industriell IoT (IIoT):
Processen för prediktivt underhåll
- Samla in data från sensorer som kan övervaka maskinens egenskaper som vibration, temperatur, fuktighet, tryck, buller med mera
- Överföra dessa data i realtid över hela nätverket till ett centralt affärssystem
- Tillämpa intelligenta tekniker som AI och maskininlärningsanalys på dessa data för att visa användbara och relevanta insikter
- Snabba åtgärder baserade på dessa insikter, antingen med automatiserad respons eller genom mänsklig intervention
Använda prediktiv underhållsteknik
Tillståndsövervakning
Prediktivt underhåll möjliggörs genom cyberfysiska system som sammanför maskiner och programvara till ett intelligent IoT-nätverk. För att bygga ett sådant nätverk, börja med att identifiera de anläggningsförhållanden som behöver övervakas.
Den analys som krävs för att identifiera tillgångsförhållandena kan vara visuell, auditiv, termisk eller oftast en kombination av dessa kriterier. Fokus i detta skede ligger på att bestämma vilka sensorer och övervakningsverktyg som ska monteras:
Vibrationsanalys: Små förändringar i vibrationsmönster kan tyda på obalans eller feljustering, medan höga vibrationsnivåer kan tyda på förestående lagerproblem. Vibrationsanalys kan ge tidiga varningar om fel och är särskilt användbart för att upptäcka obalans, feljustering, mekanisk löslighet eller slitna eller skadade delar.
Ljud- och ultraljudsanalys: Under normal drift skapar de flesta system stabila ljudmönster. Förändringar i referensljudmönstret kan tyda på slitage eller andra typer av försämring. Ultraljud analyser kan också ge information om systemets övergripande hälsa genom att översätta högfrekventa ljud (såsom de som produceras av ånga eller luft läckor) till hörbart område.
Infraröd analys: Liksom med ultraljud analys, termografi avslöjar också den dolda med infraröd analys för att omvandla temperaturförändringar till ett synligt spektrum. Även subtila förändringar av normala driftstemperaturer kan varna för förestående problem.
Vätskeanalys: Förutom att helt enkelt övervaka vätskenivåer och temperatur kan fysikalisk och kemisk analys av vätskor ge värdefull information om tillståndet hos mekaniska komponenter. Genom att upptäcka 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. Dessa inkluderar laserjustering, elektrisk kretsövervakning, sprickdetektering, feldetektering, korrosionsövervakning, elektriska motståndsförändringar och andra branschspecifika metoder för att mäta korrosion eller försämring.
Viktiga prediktiva underhållstekniker
När ovanstående kriterier har fastställts måste lämpliga sensorer och monitorer monteras och anslutas till ett centralt affärssystem, oftast ett ERP-system (Enterprise Resource Planning), genom ett molnanslutet IoT-nätverk. Slutligen måste AI-drivna lösningar finnas på plats för att analysera data och leverera användbara insikter och rekommendationer från insamlade data.
IoT-nätverk: När företagets tillgångar utökas med sensorer, bearbetningsförmåga och annan teknik kan de skicka och ta emot data – oftast via molnanslutning – till och från ett centralt affärssystem. Detta omfattar ett IoT-nätverk och ligger till grund för den prediktiva underhållsstrategin.
IoT-gateways: 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.
Molnanslutning: Molnanslutning ger tillgång till datorsystemresurser på begäran. I ett IoT-nätverk som består av flera industriella tillgångar 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 omfattar Big Data och komplexa datauppsättningar. Prediktivt underhåll använder dessutom AI och maskininlärning för att utföra avancerad analys 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: Maskininlärning är en delmängd av AI som använder algoritmer för att analysera och förstå data. Lösningar för prediktivt underhåll är beroende av AI och maskininlärning för att inte bara sortera, förstå och lära sig av verksamhetsdata för företagstillgångar, utan också för att generera rekommendationer och insikter som kan utföras.
Avancerad analys: AI och maskininlärning ger avancerad analys. Cheferna måste bestämma vilka attribut och villkor som ska bedömas och vilka analytiska resultat som önskas. På så sätt kan algoritmerna som ligger till grund för avancerad analys programmeras så att de är så insiktsfulla och genomförbara som möjligt, och för att på bästa sätt lära sig av data och nya erfarenheter över tid.
Digitala tvillingar: En digital tvilling är en virtuell rekreation av en faktisk fysisk tillgång. Genom att skapa digitala tvillingar kan chefer besöka alla möjliga driftsscenarier på tvillingen – utan någon risk för verkliga skador på en kostsam maskin eller enhet. Detta bidrar till att förbättra prediktivt underhåll genom att tillåta maskininlärning och AI-verktyg att införliva och lära av erfarenheter som aldrig ens har hänt.
Prediktivt underhåll kontra förebyggande underhåll
Skillnaden mellan dessa underhållsmodeller ligger inte så mycket i hur underhållsuppgifterna utförs, utan när.
Förebyggande underhåll: Underhåll som styrs av tidigare prestanda och ingenjörers och operatörers kunskap och erfarenhet. Den inkluderar rutinmässigt, periodiskt, planerat eller tidsbaserat underhåll. Även om det ofta förhindrar haverier, kan det vara inexakt, vilket kan leda till dyrt underhåll innan det behövs eller till obemärkta svagheter i underhållsprocessen. Förebyggande underhåll sker vid förinställda tillfällen, ofta långt i förväg.
Prediktivt underhåll: Underhåll som är möjligt när IoT-nätverk integrerar alla företagstillgångar i ett levande ekosystem. Möjligheten att överföra och analysera data i realtid innebär att övervakning av tillgångarnas tillstånd i realtid – snarare än kalendrar – blir grunden för underhållsprotokoll. Prediktivt underhåll sker i realtid, exakt när och var det behövs.
Andra tekniker för anläggningsunderhåll
Reaktivt underhåll
Underhåll som utförs som svar på ett plötsligt avbrott eller fel i utrustningen. Denna typ av underhåll är ofta oplanerat och kan leda till ökade stilleståndstider och kostnader.
Korrektivt underhåll
Underhåll som utförs för att korrigera ett fel eller fel i utrustningen. Denna typ av underhåll utförs vanligtvis efter att ett problem har identifierats och kan bidra till att förhindra att ytterligare problem uppstår.
Preskriptivt underhåll
Underhåll som bestäms av tillverkarens rekommendationer eller riktlinjer för en viss utrustning. Denna typ av underhåll baseras på tillverkarens föreskrivna tidsplan för underhållsåtgärder.
Villkorsbaserat underhåll
Underhåll som utförs baserat på utrustningens skick i stället för en förutbestämd tidsplan. Denna typ av underhåll använder övervakning och kontroll för att avgöra när det är nödvändigt att ingripa. Även om det kan bidra till att minska onödiga underhållsuppgifter och minimera stilleståndstid, är tillståndsbaserat underhåll mycket manuellt och tidskrävande.
Tillförlitlighetsbaserat underhåll
Underhåll som prioriterar uppgifter baserat på utrustningens tillförlitlighet och kriticitet. Denna metod fokuserar på att identifiera de viktigaste underhållsuppgifterna för att maximera utrustningens tillförlitlighet och effektivitet.
Utvecklingen av underhåll av tillgångar
Följande diagram (anpassat från Deloitte) visar utvecklingen av teknisk kapacitet under industriella varv och den resulterande effekten på underhållsstrategier och utrustningens effektivitet.
Exempel på prediktivt underhåll i åtgärd
Olje- och gassektorn: Oljeborrning innebär ett enormt slitage på tillgångarna och kan leda till stor risk och fara i händelse av ett misslyckande. Genom att övervaka oljetemperaturen och varvtalet på växellådorna i borrutrustning har det prediktiva underhållet avsevärt förbättrat säkerheten och minskat underhållskostnaderna med upp till 38 %.
Fordonsindustrin: På monteringslinjer utför spotsvetspistoler cirka 15 000 punktsvetsar varje dag. Genom att ansluta svetspistoler runt om i världen och samla in sina operativa data kan biltillverkare samla in miljontals datapunkter, vilket leder till oöverträffad prediktiv noggrannhet om tillgångarnas skick och tillstånd.
Tillverkning av hushållsapparater: Vibrationsmätningar av trummans rotation i produktionen av torktumlare har bidragit till att förutsäga funktionsfel eller haveri. Denna prediktiva underhållsapplikation har eliminerat tillverkningsdefekter med 33 % och minskat kostnaderna för konsumentunderhåll med 27 %.
Förvaltning av järnvägstillgångar: ”Voider” uppstår när ett tomt utrymme utvecklas under ett spår som leder till potentiella förseningar eller till och med urspårning. Den senaste tidens innovation har lett till kabinbaserade system som övervakar ett antal variabler när de rullar över rälsen. Detta har lett till förbättrad tomhetsdetektering och en övergripande ökning av kundsäkerheten.
Stålindustrin: Avvikelsedetektering används för att samla realtidsavläsningar av vibration, rotationshastighet och elektrisk ström (ampere) i kallvalsutrustning som används vid stålbearbetning. Denna tillämpning har lett till en 60% förbättring av utrustningens livslängd och kraftigt minskade förluster på grund av driftstopp och förseningar.
Fördelar med prediktiva underhållsprogram
Implementeringen av prediktiva underhållssystem har lett till imponerande resultat i flera branscher. En rapport från Deloitte från 2022 nämner många kvantifierbara förbättringar. Dessa inkluderar upp till 15 % kortare stilleståndstid, 20 % ökning av arbetsproduktiviteten och 30 % minskning av lagernivåerna med mindre behov av just-in-case delar.
Med tekniker som AI och integrerad ERP till hands visar organisationer fördelarna med prediktiva underhållslösningar som verkligen fungerar. Bland annat följande:
Bättre insyn i hela din verksamhet: Med ökad insyn i fälttillgångar och annan extern utrustning kan OEM:er och tredjepartstjänsteleverantörer leverera mer välinformerade tjänster och större värde.
Lägre underhållskostnader och förbättrad anläggningsprestanda: Genom att minimera stilleståndstiden sparar prediktivt underhåll pengar och hjälper dig att få mer användning av befintliga anläggningar även när du förlänger deras livslängd.
Mer kraftfulla team: Med hjälp av datavetenskap och realtidsanalys kan dina tillgångsoperatörer, tjänsteleverantörer och ansvariga för försörjningskedjan göra övergången från brandmän till planerare och strateger.
Att övervinna vanliga utmaningar i fråga om prediktivt underhåll
Det här avsnittet belyser vanliga problem med prediktivt underhåll och utforskar strategier för att övervinna dem.
Datakvalitet och tillgänglighet: Prediktivt underhåll är i hög grad beroende av högkvalitativa och tillräckliga historiska data. Dålig datakvalitet eller otillräckliga data kan leda till felaktiga prognoser. För att säkerställa datakvaliteten är bästa praxis att inrätta ett datastyrningsprogram som stöds av viktiga intressenter.
IoT-anslutning: För att skapa ett anslutet IoT-nätverk krävs smart utrustning och kantenheter med sensorer som kan ansluta till datasjöar och överföra data i platta filformat. Fokusera på att förenkla dina anslutningsscenarier så att du kan ansluta till valfri IoT-datakälla utan problem.
Hantering av IoT-enheter: Hantering av IoT-nätverksenheter kräver fokus på enhetssäkerhet för att minimera sårbarheter för cyberattacker. Samtidigt vill du främja interoperabilitet mellan olika enheter och skala upp efter behov. För att hitta rätt balans är det bäst att använda moderna lösningar för hantering av tillgångsprestanda som stöder integrerad avancerad enhetshantering och robusta anslutningsmöjligheter.
Dataintegration: Integrering av data från olika källor som IoT-sensorer, äldre system och underhållsuppgifter kan vara komplicerat och tidskrävande. Leta efter en kraftfull integrationsplattform i företagsklass med ett omfattande bibliotek med färdiga anslutningar som stöder dina behov av dataintegration.
Sensordatakomplexitet: IoT-sensordata kan vara svåra att förstå, vilket ofta kräver specialiserad datakunskap som utgör ett hinder för tillförlitlighetsingenjörer. Leta efter lösningar för resursprestandahantering som kan ta bort data för icke-tekniska målgrupper att förstå och manipulera.
Val av algoritm: Att välja rätt algoritmer för prediktivt underhåll är nyckeln till framgång. Var noga med att noggrant utvärdera specifika användningsfall och egenskaperna hos data för att välja de mest lämpliga algoritmerna för dina maskiner och affärsbehov.
Integration av underhållsstrategi: Implementering av prediktivt underhåll kräver integration med befintliga underhållsstrategier och workflows. Motståndskraft mot förändringar och organisatorisk tröghet kan hindra ett framgångsrikt genomförande. För att lyckas krävs ett starkt ledarskap, ledarstöd, tydlig kommunikation och professionell förändringsledning.
Hur du implementerar ett prediktivt underhållsprogram i tre enkla steg
- Definiera mål och bestäm omfattning: Börja med att identifiera vilka övervakningsvillkor som är rätt för varje anläggning. Till exempel används infraröd termografi bäst på utrustning som kan läcka luft eller ånga medan vibrationsanalys används bäst på roterande utrustning, men inte utrustning som roterar långsamt (mindre än 5 varv/min). Oljeanalys och akustisk analys är bättre för långsam roterande utrustning. Se också till att bestämma omfattningen av dina ansträngningar. Kommer du till exempel att övervaka specifika, enskilda tillgångar eller strävar du efter en mer omfattande täckning?
- Installera lämpliga IoT-sensorer: Installera IoT-sensorer baserat på de typer av analyser som är mest lämpliga för varje övervakad tillgång – och börja sedan samla in data. Se till att dessa sensorer är anslutna till databehandlingssystem – som de som vanligtvis är integrerade i lösningar för hantering av tillgångarnas prestanda – för att minska kostnader, tid och mänskliga misstag.
- Konfigurera protokoll: För att effektivt svara på avvikelseupptäckter, skapa protokoll för att säkerställa att tillgångar repareras effektivt och i linje med upptidsmål. Dessa protokoll kan automatiseras, manuellt eller en blandning av båda.
Omvandla din försörjningskedja 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 ändra långvariga processer är utmanande och det kan vara svårt att få buy-in från era team. De mest framgångsrika affärstransformationsplanerna börjar med en bra kommunikations- och förändringshanteringsstrategi – för att engagera dina team och bryta ner silor. Tala med din mjukvaruleverantör 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 färdplan och digitala transformationsresa.
Utforska lösningar för prediktivt underhåll
Maximera anläggningens prestanda med moderna prediktiva underhållsverktyg.
Understöder tillgångar, tillförlitlighet och säkerhet med AI
Ta reda på hur järnvägar och andra tillgångsintensiva branscher kan använda AI-assisterad visuell inspektion för att förbättra tillförlitligheten, optimera driften och sänka kostnaderna.