Skip to main content

Bild

Image

Hand holding Iphone Device
Blogg

Industri 4.0 – prediktivt underhåll

Sektioner

Text

För tillverkningsindustrin kan fördelarna med digitalisering vara enorma och i denna blogg kommer vi att fokusera på prediktivt underhåll och dess inverkan på produktionen. Vad är egentligen prediktivt underhåll, och vad innebär det för den svenska industrin?

 

Prediktivt underhåll avser de förebyggande åtgärder som görs i produktionen för att motverka funktionsfel och driftstopp och på så vis minska de totala produktionskostnaderna. Tanken är att underhåll ska optimeras och prioriteras baserat på utrustningens skick. Om vi vet vad utrustningens ”smärtgräns” är kan vi schemalägga underhållet och därmed förhindra produktionsstopp. Detta sätt att arbeta innebär att du alltid har koll på utrustningens skick och vet när den behöver repareras eller bytas ut. Det betyder att du kan vidta åtgärder innan någon incident inträffar och att du enbart behöver arbeta med underhåll när det verkligen behövs. Genom att kontinuerligt kontrollera och reparera din utrustning är det oftast bara ett fåtal komponenter som behöver bytas, något som direkt minskar reparationskostnaderna. Om man istället arbetar reaktivt och väntar tills att någon incident inträffar är felen oftast förödande och kräver storskaliga insatser, vilket ökar kostnaderna och riskerar leverans ut mot kund. Genom att optimera underhållet eliminerar man allt extra onödigt underhåll och på så vis minskar reparationskostnaderna ytterligare. Som ni märker är fördelarna många, vilket kan förklara det stora intresset som finns inom den svenska industrin. 

Att prediktivt underhåll skulle gynna produktion- och underhållsverksamheten är de flesta eniga om. Men frågan som många ställer sig är hur det ska gå till och vart man ska börja? En utgångspunkt är att börja samla in PLC-data i molnet. Många frågar sig om man ska börja installera nya sensorer, men eftersom man vill åstadkomma ökad driftsäkerhet ska man utgå från befintlig data så långt som möjligt. Att tillföra nya sensorer högt och lågt kan skapa problem i framtiden. Om man satsar på PLC-data får man även fler möjligheter utöver övervakning av komponenter. Man kan även följa upp störningshistorik, cykeltider, systemförluster, drifttider, omkörningar, kassationer, osv. Vi på Enfo menar dock att företag måste börja ställa krav på maskinbyggarna, så att komponenterna är förberedda för sensorer och algoritmer. Maskinbyggarna måste å andra sidan börja ställa krav på komponenttillverkarna för att de ska börja sälja kompletta komponenter med sensorer och tillhörande algoritmer. Man kommer dock inte ifrån att man måste tillföra sensorer på vissa komponenter eller sin prioriterade utrustning. Då gäller det att man installerar och dokumenterar det minst lika bra som vid ny utrustning, dvs att man tar ställning till att optimal funktionssäkerhet, underhållsmässighet och underhållssäkerhet uppnås. 

Många företag har redan implementerat detta och har börjat samla in sin underhålls- och produktionsdata. Problemet är att företag inte nyttjar sin sensorsdata till fullo, det behövs en knuff i ryggen för att ta nästa steg och börja få ut värdet av sin data. Genom att nyttja data i produktionen kan du börja arbeta med prediktivt underhåll och koppla ihop data från produktionen till ert underhållssystem och på så vis få koll på hela flödet. Du kan då uppmärksamma funktionsfel och slitage i rätt tid. Dagens digitala möjligheter gör att du kan arbeta prediktivt med realtidsdata för att dra slutsatser gällande vad som kommer att hända, du kan rent ut av få rekommendationer på vilka åtgärder som bör vidtas baserat på realtidsdata. Prediktivt underhåll tar data från ett flertal varierande källor och kombinerar den, och sedan appliceras maskininlärningstekniker för att förutse funktionsfel innan de uppstår. Detta kan till exempel ske baserat på data som påvisar temperatur, vibrationer eller elförbrukning. Genom att övervaka utrustningens värden kan vi få fram värden på utrustningens skick och hur den fungerar vid ”normalt” bruk. Avvikelser från dessa värden kan påvisa att något inte står rätt till och åtgärder kan då sättas in direkt. Skulle ett maskinhaveri ändå ske kommer man hela tiden lära sig av detta och man kommer kunna förutse med bättre och bättre sannolikhet i framtiden. När det sedan kommer till maskininlärningsmetoder finns det ett flertal olika, och det gäller att hitta den metod som passar ditt data och din utrustning bäst.

Vi på Enfo har märkt att företag ofta behöver en rådgivande tredje part för att hamna rätt, det är inte enkelt att veta hur man ska börja. Vårt främsta råd är att samarbeta med en partner som både är väl insatt i den svenska industrin och underhållsarbetet, men även som har bred kompetens inom maskininlärning och analytics. Vem som helst kan leverera en algoritm men det är inte alla som kan förstå den interna verksamheten och de processer som behöver optimeras för att applicera dessa algoritmer. 

Dela