Ifølge Dansk Vedligeholdelsesforening (DDV) anslås maskinervedligeholdelse til at koste danske produktionsvirksomheder 25 milliarder danske kroner hvert år. Derudover anslås det, at der sker en global omkostningsreduktion på $ 240 - $ 630 milliarder i 2025 takket være implementeringen af ​​prædiktiv vedligeholdelse [1].

image of pipes

Det indikerer, at potentialet er stort inden for reduktion af uplanlagt nedetid og de deraf følgende omkostninger. Dette potentiale spænder over flere industrier lige fra energi til produktion, hvor det er vigtigt at sikre en høj oppetid på kritiske komponenter. Det vigtigste er, at det ikke behøver at tage år at høste disse fordele, men det kan gøres inden for måneder.

Prædiktiv vedligeholdelse beskriver en specifik vedligeholdelsesmetode, hvor du forudsiger fremtidige nedbrud eller sandsynligheden for at der opstår en nedbrud, baseret på mønstre i data indsamlet fra maskinerne. Dette kan for eksempel være tryk, flow, strømforbrug, temperatur, lyd og vibration fra udstyret. Disse typer operationelle data kan kombineres med vedligeholdelsesdata for at forudsige, om et serviceinterval kan udskydes eller flyttes til senere.

Mulighederne

Med en god forudsigelsesmodel, der estimerer udstyrets resterende levetid giver det produktionen mulighed for at planlægge køb af reservedele såvel som planlægningen af ​​vedligeholdelsen, så det ikke påvirker de planlagte produktionstimer. Dette vil være en stor forbedring at gå fra at udføre reaktiv vedligeholdelse, hvor vedligeholdelsesafdelingen aldrig ved hvilket problem der opstår næste gang. Brug af forudsigelig vedligeholdelse vil reducere de samlede omkostninger ikke kun ved ikke uplanlagt nedetid, men også reducere omkostningerne til reservedele.

Det reducerer omkostningerne til reservedele og vedligeholdelsestimer, idet der køres med variable intervaller efter mantraet “hvis intet er galt med lejet, hvorfor skifte det?” For nogle virksomheder kan det at forhindre farlige situationer og føre til et sikrere produktionsmiljø samt reducere sandsynligheden for længere driftsstop ved at kunne registrere pludselige fejl minutter inden sammenbruddet opstår. For andre kan det spare dem mange penge hvis produkterne skal smides ud, når noget går galt med en produktionsmaskine.

Ufordringen

Det kræver et vist modenshedsniveau før værdien af prædiktiv vedligeholdelse kan bringes i spil. Derudover kræver det de rigtige data. Rigtige data er når drifts- og vedligeholdelsesdata opsamles i den rigtige hastighed, fra de rigtige kilder, er repræsentative og er pålidelige.

Groft sagt kan prædiktiv vedligeholdelse forudsige to slags sammenbrud: 1) pludselige fejl og 2) sammenbrud, der opstår på grund af slidtage.

Hvis en virksomhed øsnker at detekterer pludselige fejl kan en anomali detektions model implementerres i løbet af få månder. Anomali detektion registrerer i kortere tidsrum, minutter til timer, før en sammenbrud finder sted, og har svært ved at opdage sammenbrud, der opstår på grund af slid. For at være i stand til at opdage pludselige sammenbrud, skal opsamlingshastigheden af data være meget høj. Én gang i timen eller en gang om dagen er ikke tilstrækkelig, når man ønsker at anvende prædiktiv vedligeholdelse.

Hvis et firma ønsker at estimere den resterende levetid for et udstyr, kræves det et større datasæt, hvoraf du har flere (5-10 <) nedbrud, der opstår på grund af slid. I blog posten der omhandler prædiktiv nedbrud på et vandpumpe data sæt, oplevede vi 7 sammenbrud inden for ca. 6 måneder. Datasættet var således tilstrækkeligt til at oprette en machine learning model til både at opdage pludselige fejl, såvel som den resterende levetid for vandpumpen. I andre tilfælde kan tiden der går, før de oplever tilstrækkelige sammenbrud til at forudsige slid, være lang.

Konklusion

Potentialet ved at bruge prædiktiv vedligeholdelse til at opnå en høj operationel oppetid og reducere de samlede driftsomkostninger er stort. Uafhængig af om din virksomhed ønsker at opdage pludselige fejl eller den resterende levetid for et udstyr, skal du skaffe rigtige data.

// Maria Jensen, Machine Learning Engineer @ neurospace

Referencer

[1] Egedorf, S. (n.d.) Prædiktiv Vedligehold lover positivt i forhold til at kunne spare virksomheder for unødvendige udgifter ved at optimere vedligeholdelsesstrategien, og tilgangen anvendes i flere virksomheder. (DDV).