Uplanlagt nedetid er dyrt i mange aspekter inden for produktion. Det reducerer leveringsevne, kundetilfredshed og øger de samlede omkostninger. Så hvilken vedligeholdelsesmetode skal vi bruge for at reducere hyppigheden af nedetid?
På IDA Industri 4.0-konference talte vi om, hvordan man bruger maskinlæring til at forudsige uplanlagt nedetid og dermed reducere de samlede omkostninger.
Hvor dyrt er uplanlagt nedetid?
Lad os se på, hvad undersøgelser siger om uplanlagt nedetid. De samlede omkostninger ved uplanlagt nedetid afhænger af, hvad din virksomhed producerer, omkostningerne til råmateriale og hyppighed af maskinens nedetid. Det kan derfor variere, hvad en times nedetid koster.
Det afhænger desuden af det givne segment, hvor en times nedetid for krydstogtskibe eller fly er dyre, mens omkostningerne ved uplanlagt nedetid til produktion af chokolade muligvis er lavere, men alligevel betydelige.
En feltundersøgelse af 450 virksomheder på tværs af forskellige segmenter såsom fremstilling, medicin, olie og gas, energi og forsyning, distribution, telekommunikation og logistik og transport fandt, at:
⋅⋅⋅ “82 procent af virksomheder, der har oplevet uplanlagt nedetid i løbet af de sidste tre år varede i gennemsnit 4 timer og kostede i gennemsnit 2 millioner dollars”
⋅⋅⋅ “Uplanlagt nedetid resulterer i tab af kundetillid og produktivitet - 46 procent kunne ikke levere ydelser til deres kunder”
⋅⋅⋅ “70% af virksomhederne mangler fuldstændig opmærksomhed på, hvornår udstyrets aktiver skal vedligeholdes eller opgraderes”
Et andet studie af BHGE, 2016 på offshore olie og gas finder, at brug af data og overvågning til vedligeholdelse er den billigste metode sammenlignet med planlagt og reaktiv.
Disclaimer: Undersøgelsen viser ikke klart, hvad der menes med årlige ikke-planlagte nedetidsdage, hvad værdien er for hver vedligeholdelsesmetode eller hvordan dette beregnes. Derfor vil vi se bort fra dette i dette blogindlæg.
Omkostninger ved brug af forskellige vedligeholdelsesmetoder
Reaktiv: Når noget er ødelagt - fiks det -tilgang
Brug af den reaktive tilgang i fremstillingen betyder, at produktionen kører, indtil noget går i stykker.
Der er ingen vedligeholdelse involveret, indtil maskinen går i stykker, hvilket betyder, at din fabrik skal være udstyret til at håndtere driftsstop (f.eks. Hvis du har et større sikkerhedslager eller producerer efter “made-to-stock” - princippet).
I deres undersøgelse havde den reaktive metode en årlig omkostning på 58 millioner dollars med en gennemsnitlig uplanlagt nedetid på 8,43% (se figur ovenfor) eller en oppetid svarende til 91,57%.
Hvis en fabrik udfører arbejder 24/7/365, svarer dette til 30 dage og 18 timers nedetid, eller hvad der svarer til en samlet produktionsmåned!
Planlagt (forebyggende): planlagt vedligeholdelse
Ved planlagt vedligeholdelse har en virksomhed oftest en aftale om at få serviceret maskinen en gang om måneden, en gang hvert kvartal eller en gang om året for at reducere risikoen for nedetid.
Dette efterlader imidlertid et mellemrum mellem to serviceperioder, hvor maskiner kan blive overophedet, eller skruer kan løsne, hvilket forårsager en maskinnedbrud og derved uplanlagt nedetid.
Derudover betaler du måske for service på maskinen mere ofte end nødvendigt.
I denne undersøgelse havde den planlagte vedligeholdelses metode en omkostning på næsten 60 millioner dollars med en gennemsnitlig uplanlagt nedetid på 7,95% (se figur ovenfor) eller en oppetid på 92,05%
Data og overvågning (Prædiktiv): Brug af data til at vide, når noget i maskinen ændrer sig
Prædiktiv vedligeholdelse bruger data fra maskiner, der ligner at tage temperaturen på mennesket, for at fortælle, om maskineriet er godt eller “sygt”.
Når du bruger data fra maskiner, vil du altid være opmærksom på, hvor godt maskinen fungerer.
Du kan få en advarsel om nedbrydning af maskiner dage eller uger før det finder sted og derved planlægge din vedligeholdelse uden for planlagt produktionstid.
Derudover kan vi oprette en ekstra model, der udløses af “syge data”, der kan fortælle dig årsagen til maskinens nedbrud. På den måde ved du straks, hvor du skal sætte dit fokus, når du vedligeholder maskinen.
Du vil ikke kun minimere omkostningerne ved service af maskinen til efter behov, du vil også minimere den tid, det tager at servicere det givne maskiner.
I denne undersøgelse havde den prædiktive metode en omkostning på 24 millioner dollars, eller 60% mindre end den planlagte metode og 58,6% mindre end den reaktive metode. Og havde en gennemsnitlig uplanlagt nedetid på 5,82% eller en oppetid på 94,28%.
“Den uplanlagte nedetid for respondenter, der bruger mere forudsigelige data- og tilstandsbaserede overvågningsmetoder, er 36% lavere end respondenterne, der bruger en mere reaktiv tilgang.”
Sådan kommer du i gang
Så hvordan går du fra at bruge reaktiv eller planlagt vedligeholdelse til prædiktiv vedligeholdelse? Det hele starter og slutter med dine data. Vi er nødt til at indsamle data fra maskinerne. Gode forudsigelser for fremtidige nedbrud kan findes i f.eks. Temperaturen, rotationshastigheden, vibrationer og lyden, som vi fandt i Forudsige harddisk fejl med Machine Learning.
Dataene indsamles med forskellige sensorer knyttet til dine maskiner og opbevares i et data warehouse eller en data lake. For at give gode forudsigelser er der behov for at have data fra fortiden for at sammenligne dem med aktuelle data. Dataene skal mærkes som “sunde” data eller “syge” data. Det er vigtigt for din maskinlæringsmodel, at du har data tilgængelige fra begge tilfælde! Det er ikke muligt for en maskinlæringsmodel at finde mønstre, hvis begge tilfælde ikke er repræsenteret i datasættet.
Når du har tilstrækkeligt data, kan en maskinlæringsmodel laves, der kan bruges til at forudsige fremtidige begivenheder! Kimberlite-studiet fandt, at en 1% uplanlagt nedetid i olie- og gasindustrien (eller 3,65 dages driftstop) kan give en ekstra omkostning på $ 5,037 millioner årligt. Dette indikerer, at hvis vi kan oprette en model, der kun er 1% bedre end din i øjeblikket bedste praksis, vil de sparede omkostninger være mere end visuelle på din bundlinje. Den 60% lavere årlige økonomiske virkning ved at bruge prædiktiv vedligeholdelse kunne ifølge BHGE resultere i $34 millioner i indtjening i gennemsnit pr. år.
Men du skal begynde at indsamle relevante data i dag!
I henhold til landing.ai kan en AI-transformation i din virksomhed tage op til 2 - 3 år, men inden for 6 - 12 måneder kan du se de første konkrete resultater hvis du starter på den rigtige måde!
Hvis du starter i dag, kan det forbedre din leveringsevne, reducere omkostninger og øge oppetiden og hjælpe din virksomhed med at nå sine Key Performance Indicators (KPI’er).
// Maria Hvid, Machine Learning Engineer @ neurospace