Datadrivet underhåll

Prediktivt underhåll

Ett av många tillämpningsområden för datadrivna metoder är underhåll där AI kan tillämpas för att förutsäga slitage och försämring av maskiner och annan produktionsutrustning. Detta kallas för prediktivt underhåll (predictive maintenance på engelska). För att prediktivt underhåll ska kunna utvecklas behövs data och mätningar från maskiner som samlats in över tid. Detta kan till exempel vara vibrationsmätningar i en maskin med roterande delar eller temperaturmätningar från en produktionsenhet som värmer/kyler produkter. När dessa data samlats in över en tid kan de användas för att träna en AI att känna igen mönster som motsvarar felutfall, avvikelser eller slitage i maskinen/processen.

Olika underhållsprinciper

En underhållspolicy/underhållsprincip är en regel som avgör när en underhållsåtgärd triggas. Notera att underhållsstrategi är ett bredare begrepp som innefattar hela beslutskedjan inom underhåll, inte endast avgränsat till underhållsåtgärder.

Olika underhållsprinciper lämpar sig för olika tillgångar. Vanliga underhållsprinciper är:

• Avhjälpande underhåll
• Förebyggande underhåll
• Tillståndsbaserat underhåll
• Prediktivt underhåll

Avhjälpande underhåll är en policy som innebär att man låter en tillgång vara i drift tills den förlorat sin funktion på grund av slitage och förfall. Därefter byts tillgången ut eller repareras. Denna policy lämpar sig för tillgångar där kostnaden att underhålla tillgången är större än kostnaden att reparera eller byta ut den. Ett exempel på en sådan tillgång är glödlampor. Möjligheten att underhålla glödlampor är begränsat och byte är en låg kostnad och därför låter man glödlampor lysa tills de går sönder. Avhjälpande underhåll har fördelen att man får ut maximal livslängd av tillgången innan underhåll behöver göras. En nackdel är att underhållsarbetet generellt sett inte kan planeras. De flesta industriella maskiner och andra tillgångar lämpar sig inte för denna policy i och med höga krav på stabil och tillförlitlig drift.

Förebyggande underhåll är en policy som baserar sig på planerade underhållsåtgärder med en viss frekvens. Frekvensen kan vara baserad på kalendertid eller tid i drift. Denna policy passar för tillgångar där kostnaden att underhålla är (mycket) lägre än kostnaden att reparera eller byta ut tillgången. Detta stämmer för de flesta industriella maskiner och därmed en vanligt förekommande underhållsprincip. Nackdelen med förebyggande underhåll är att inte hela tillgångens livslängd utnyttjas innan underhållsåtgärd utförs. Ett visst antal ”onödiga” underhållsstopp sker då tillgången inte har underhållsbehov. Fördelen är att underhåll kan planeras långt i förväg.

Tillståndsbaserat underhåll innebär att produktionstillgångar övervakas med diverse mätningar för att kontinuerligt bedöma underhållsbehov. Ofta bestäms ett intervall där mätningar som hamnar innanför intervallet sägs vara ”normal” drift och mätningar som hamnar utanför är ”onormal” drift. När en eller flera mätningar utanför gränsvärden observerats planeras underhåll. Förhoppningen är att tillgången ej tappat funktion utan underhållsåtgärden som krävs är mindre än den som behövts ifall den helt tappat funktion. Tillståndsbaserat underhåll som policy passar för tillgångar där kostnaden för underhåll är mindre än kostnaden för att ersätta/reparera tillgången. Policyn kan även kombineras med andra underhållsprinciper så som förebyggande underhåll.

Prediktivt underhåll liknar tillståndsbaserat underhåll men i stället för rigida intervall som definierar normal kontra onormal drift så används mer flexibla regler baserat på inlärda mönster i data. Prediktivt underhåll som policy passar tillgångar där tillgänglighet av data är hög, och kostnaden för planerad och oplanerad stopptid och underhåll är stor. Prediktivt underhåll kan kombineras med andra underhållsprinciper för att öka flexibiliteten i underhållspolicyn.

Vägen mot datadrivet underhåll

Datadrivna metoder är en samling verktyg och som alla andra verktyg så passar de olika bra till olika ändamål. Datadrivna metoder förutsätter hög datatillgång och digitaliseringsmognad. Införandet av dessa metoder i sin organisation är ett samspel mellan tekniska, organisatoriska och ekonomiska faktorer.

Datadrivna metoder kräver insamling, hantering, kvalitetskontroll och analys av data, vilket i sin tur kan kräva specialiserad mjukvara/hårdvara. Datadrivet underhåll kan även påverka organisationen genom att nya kompetenser krävs, arbetssätt förändras och ledningsprocesser påverkas. Förändringar i företagets arbetssätt och investering i mjukvara/hårdvara samt utveckling av kompetens kostar och det är viktigt att försöka uppskatta om/när satsningen kommer att ge avkastning.

Ett tillvägagångssätt är att följa devisen ”tänk stort, börja smått, lär dig snabbt”. Börja samla in data i en maskin som snabbt kan ge insikt ifall datadrivet underhåll passar organisationen. Kanske tillgången redan samlar in mätningar via styrsystem eller givare och dessa kan utvinnas? Iterera och utvärdera kontinuerligt vilken typ av arbetssätt som passar er organisation.

Artikeln är skriven utav Wilhelm Söderkvist Vermelin från RISE (Research Institutes Of Sweden)