I dette blogindlæg vil vi tale om fordelene ved at anvende begrebet resterende brugbare levetid, eller remaining useful life, på en maskinkomponent som en hoveddriver til planlægning af vedligeholdelse og påvisning af slid, før der opstår nedbrud. Der er et stort potentiale for både at reducere de samlede omkostninger ved vedligeholdelse og reservedele, men også for at øge den samlede oppetid ved at bruge data, når man planlægger vedligeholdelsesintervaller.
I dette blogindlæg gennemgår vi de forskellige tilgange til prædiktiv vedligeholdelse. Right data er altid grundlaget, og forskellige typer maskinlæringsalgoritmer kan bruges afhængigt af den aktuelle situation og det problem / den værdi, vi sigter mod.
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].
Vi bliver ofte bedt om at forklare forskellen mellem tilstandsbaseret vedligeholdelse og prædiktiv vedligeholdelse. Dette blogindlæg vil give dig en omfattende forståelse af lighederne og forskellene mellem tilstandsbaseret vedligeholdelse og prædiktiv vedligeholdelse.
I dette blogindlæg taler vi om, hvordan vi kan bruge en usuperviseret lærings algoritme til at skabe værdi så hurtigt som muligt.
I dette blogindlæg vil vi bruge data fra 51 sensorer til at forudsige sandsynligheden for et fremtidigt nedbrud på en vandpumpe.
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?