Når det oppstår en maskinfeil, er det ikke bare veldig kostbart. Det kan også være et spørsmål om liv eller død. Med utviklingen innenfor kunstig intelligens blir nedetid snart historie.
Eliminere nedetid for maskiner: hvordan kunstig intelligens forandrer vedlikehold
Det moderne samfunnet er veldig avhengig av maskiner. Vi bruker biler, busser og tog til og fra jobb. Turbiner og strømnettet gir oss strøm i hjemmet. Vi er avhengige av landbruksmaskiner i matproduksjon og innhøsting. Det er faktisk lett å glemme hvor viktig maskinene er i livene våre. Det vil si, til disse maskinene svikter. Ettersyn, vedlikehold og reparasjoner er avgjørende for at maskinene skal fungere. Men ofte er det vanskelig å finne balansen mellom når og om man skal reparere eller skifte deler. Og som ved de fleste beslutninger basert på magefølelsen kan det oppstå stor ineffektivitet. Det er ingen overraskelse at mange bedrifter ser på hvordan kunstig intelligens og maskinlæring kan skape innsikt og redusere ineffektivitet og svikt.
Nedetid dreper produktiviteten
Kostnader for ikke-planlagt nedetid for industrielle produsenter ca. 50 mrd. USD per år
Kilde: Deloitte
Nedetid betyr det stikk motsatte av produktivitet. Dette er fordi det er nok at én maskin er ute av drift for at en hel leveringskjede skal stanse. Mange bedrifter vil selvfølgelig både forvente og godta noe nedetid. De forstår at maskinene må settes ut av drift periodisk, i forbindelse med sikkerhetsinspeksjoner og reparasjoner.
Men mens bedriftene kan finne løsninger for å takle planlagt nedetid for å sikre at driften er så effektiv som mulig, kan nedetid som ikke er planlagt, være veldig skadelig. Uventede avbrudd og svikt i utstyret kan utgjøre store kostnader i form av tid og penger for et firma. Dette er fordi det forhindrer de ansatte fra å gjøre jobben sin, forrykker tidsskjemaet i produksjonen og, avhengig av bransje, kan være veldig skadelig for kundenes tillit.
Du kan sikkert forestille deg hvilke katastrofe det ville vært hvis medisinsk utstyr på et sykehus skulle svikte.
The current state of maintenance
I dag kan det meste av vedlikehold inndeles i tre kategorier:
1. REAKTIVT VEDLIKEHOLD
Må bare repareres hvis ødelagt.
2. PLANLAGT VEDLIKEHOLD
Vedlikehold er planlagt, uavhengig av stand.
3. PROAKTIVT VEDLIKEHOLD
Deler skiftes basert på tidligere erfaringer, etter forventninger om fremtidig svikt. Beslutningen er ofte bestemt av tid og statistikk.
Dårlige vedlikeholdsstrategier kan redusere den samlede produksjonskapasiteten ved et anlegg med 5–20%.
Kilde: Deloitte
Reaktivt vedlikehold (ikke-planlagt nedetid) er en tilnærming der utstyret går til det bryter sammen. Det kan være veldig skadelig, siden driften må stanses når maskiner uventet bryter sammen. Denne passive tilnærmingen holder likevel kostnadene ved rutinemessig vedlikehold lave. Tekniske medarbeidere kreves bare når det er nødvendig. Planlagt vedlikehold reduserer risikoen for svikt med periodiske vurderinger.
Selv om det fortsatt er en risiko for svikt, har bedriften en større sjanse for å løse problemet før det fører til større skader. Men, selv om dette kan maksimere maskinens levetid, kan det også føre til mye tapt produksjonstid når maskinen er ute av drift. Målet med proaktivt vedlikehold er å gjøre vedlikeholdet mer effektivt. Dette oppnås ved bruk av analyser for å forstå maskinenes kapasitet, identifisere kritiske momenter og optimalisere vedlikeholdsressursene. Det handler mindre om å følge et tidsplan og mer om å bruke data til å gjennomgå og forbedre operasjonene.
For selskaper med ansvar for en større flåte av maskiner kan proaktivt vedlikehold virke som den mest kostnadseffektive strategien for både kort- og langsiktig tenking. Denne tilnærmingen er likevel begrenset fordi den bare forsøker å kontrollere faktorene som kan føre til maskinsvikt, i stedet for å undersøke selve maskinen.
Så, hva gjør man? Heldigvis bidrar bedre nettilkobling og spennende tekniske innovasjoner til å fylle gapene.
How connectivity will transform maintenance
I dag fokuserer mange teknologigiganter ressursene sine på utvikling av kunstig intelligens. Selskaper som Microsoft, Google, Amazon, IBM og Apple, i tillegg til tusenvis av oppstartsbedrifter innenfor kunstig intelligens, konkurrerer alle mot hverandre for å ta ledelsen innenfor kunstig intelligens. Ifølge markedsundersøkelsesselskapet Tractica var det globale markedet for kunstig intelligens verdt 1,99 mrd. EUR i 2017, et tall som forventes å stige til 30 mrd. EUR innen 2025.
Kunstig intelligens forventes å eliminere 1,8 millioner jobber innen 2020. Men, det forventes også at det vil skape 2,3 millioner jobber i den samme perioden. Til å begynne med vil man se en kontinuerlig voksende etterspørsel etter arbeidskraft innenfor helse, offentlig sektor og utdanning. Produksjon er den sektoren som vil rammes hardest.
Kilde: Garner
Vi kommer til å oppleve en sterk vekst fordi teknologien kan brukes i alle bransjer og situasjoner – også vedlikehold. Dette er fordi alt deler et felles formål, uavhengig av hva forskerne innenfor kunstig intelligens skaper. Formålet er å eliminere repetitive oppgaver og hjelper mennesker med å bli mer effektive i alt det foretar seg. Bedre vedlikehold er en del av dette.
Med kunstig intelligens kan vedlikehold utvikle seg fra å være rent forebyggende eller proaktivt, til å bli forutsigende
Forutsigende vedlikehold
Mange industrier som er veldig avhengige av maskiner, investerer i forutsigende vedlikehold.
Dette er fordi vedlikehold kan utvikle seg fra å være rent forebyggende eller proaktivt ved hjelp av kunstig intelligens. I stedet kan det bli forutsigende. Med forutsigende vedlikehold utføres reparasjoner bare når det er nødvendig.
Dette oppnår man ved hjelp av tilkoblede sensorer, brytere og verktøyer for kunstig intelligens som kan analysere flere tusen variabler i en maskin for å finne innsikt som ellers ikke ville blitt oppdaget. Data fra ulike kilder kan samles inn, kombineres og analyseres i sanntid, slik at bedriftene kan forutse feil i maskinene før de oppstår. Når data viser at ytelsen blir lavere, kan operatørene velge å utføre reparasjoner før hele samlebåndet stanser. Denne evnen til å forutse reparasjoner vil bidra til å redusere og kontrollere vedlikeholdskostnadene. Det kan også gi virksomheten andre fordeler. Hvis for eksempel forutsigende vedlikehold indikerer at en feil er nært forestående, kan flere ting skje automatisk, avhengig av hva problemet er – opprette en arbeidsordre, varsle relevante teknikere eller bestille en ny del. Over tid kan man med forutsigende vedlikehold identifisere hvordan man best går frem for å utføre reparasjoner.
Dette sekundære analysenivået gir virksomheten mer innsikt i effektiviteten kan bedres, og vil over tid føre til null nedetid. Dette er fordi kunstig intelligens kan fastslå hva utstyrets reelle levetid er, hva som er det beste tidspunktet for reparasjoner, og hvordan operasjoner planlegges for å minimere tiden det tar å utføre reparasjoner.
I tillegg kan den som har ansvaret, ved hjelp av data innhentet gjennom forutsigende vedlikehold, få en bedre forståelse av hvorfor ulike team som bruker det samme utstyret har ulik avkastning. Disse tilleggsdataene kan igjen gi virksomheten den nødvendige innsikten som kreves for å oppnå meravkastning. Det kan bistå med prosjektplanlegging, personalbehov, inventarstyring og kundeservice. Beslutninger er basert på beviser – og fattes derfor med mindre risiko og større trygghet.
Forutse fremtiden i dag
Forutsigende vedlikehold er avgjørende for innovasjoner innenfor produksjon, siden det lar organisasjonen optimalisere hele vedlikeholdsstrategien, fra toppen og ned. Mens dette innebærer en spennende fremtid for sektoren, er de gode nyhetene at det allerede blir tatt i bruk. Mange bransjer bruker i dag en eller annen form av forutsigende vedlikehold gjennom teknologier for kontinuerlig overvåking. Verktøy for Tingenes Internett hjelper organisasjonene med å følge med på systemytelsen og driftsmiljøet. Kontinuerlig overvåking kan generere store datamengder – og der oppstår behovet for kunstig intelligens. Med avanserte algoritmer og maskinlæring vil bedriftene kunne bruke samtidsinnsikt i beslutningsprosessen.
Her er noen få bruksområder for forutsigende vedlikehold i da
Tog
I Tyskland samarbeider Deutsche Bahn med Siemens for å forbedre teknologier for forebyggende vedlikehold. Ved bruk av smarte sensorer og algoritmer håper togoperatørene at avansert dataanalyse kan gjenkjenne mønstre i de operasjonelle dataene. Intelligente bremsesystemer kan for eksempel overvåkes for å oppnå optimal tid for bytte av deler. Sensorer kan overvåke skinnegangens stand for å håndtere reparasjoner. Ved å redusere hyppigheten for feil på togdeler kan Deutsche Bahn redusere behovet for nye deler og nedetiden.
Forutse fremtiden i dag
Forutsigende vedlikehold er avgjørende for innovasjoner innenfor produksjon, siden det lar organisasjonen optimalisere hele vedlikeholdsstrategien, fra toppen og ned. Mens dette innebærer en spennende fremtid for sektoren, er de gode nyhetene at det allerede blir tatt i bruk. Mange bransjer bruker i dag en eller annen form av forutsigende vedlikehold gjennom teknologier for kontinuerlig overvåking. Verktøy for Tingenes Internett hjelper organisasjonene med å følge med på systemytelsen og driftsmiljøet. Kontinuerlig overvåking kan generere store datamengder – og der oppstår behovet for kunstig intelligens. Med avanserte algoritmer og maskinlæring vil bedriftene kunne bruke samtidsinnsikt i beslutningsprosessen.
Her er noen få bruksområder for forutsigende vedlikehold i da
Tog
I Tyskland samarbeider Deutsche Bahn med Siemens for å forbedre teknologier for forebyggende vedlikehold. Ved bruk av smarte sensorer og algoritmer håper togoperatørene at avansert dataanalyse kan gjenkjenne mønstre i de operasjonelle dataene. Intelligente bremsesystemer kan for eksempel overvåkes for å oppnå optimal tid for bytte av deler. Sensorer kan overvåke skinnegangens stand for å håndtere reparasjoner. Ved å redusere hyppigheten for feil på togdeler kan Deutsche Bahn redusere behovet for nye deler og nedetiden.
Flyselskaper
Vedlikehold av fly er ofte veldig komplekst, og derfor utvikler forskerne bittesmå roboter som kan komme inn på innsiden av en motor for å inspisere deler og utføre reparasjoner. Som beskrevet i The Economist er det et prosjekt som utvikles av et team av forskere i GE Global Research. I dag programmeres disse robotene for å gjennomføre inspeksjoner. Når dette stadiet er fullført, håper forskerne at robotene vil kunne utføre reparasjoner og arbeid mens flyet venter ved gaten mellom flyvninger.
Lagerhold
Roboter designet for tunge løft er allerede i bruk i dag, men fremtidens lagerroboter forventes å kunne hjelpe mennesker også. SecondHands er en robot designet for å hjelpe menneskelige vedlikeholdsteknikere. Den utvikles av Ocado Technology i samarbeid med Karlsruhe Institute of Technology, og er designet for å gjøre vedlikehold under menneskelig ledelse mer effektivt. Roboten kan for eksempel proaktivt gi en person ulike verktøy når den oppdager at en handling må utføres. Roboten bruker visuell oppfatning av stedet, oppfattelse av menneskelige handlinger, oppgaveplanlegging og -utførelse og andre ferdigheter for å oppnå dette.https://www.youtube.com/embed/v0vlOmKmApc
Fremtiden for fiksing
Forutsigende vedlikehold brukes med gode resultater av store selskaper med ansvar for et stort antall maskiner. Dette er fordi tilstrekkelige data kreves for at mønstre skal kunne identifiseres og problemer løses.
Når store selskaper har evnen til å fatte slike forutsigende beslutninger, kan de også lisensiere denne kunnskapen til mindre selskaper. Alle kan derfor dra fordel av kunstig intelligens. I fremtiden forventes det at det neste steget innenfor vedlikehold blir maskiner som kan vedlikeholde seg helt selv.
Dette kan oppnås ved å kombinere teknologi som 3D-printing i kombinasjon med kunstig intelligens. Når dette skjer, vil behovet for menneskelig innblanding bli veldig lite.
For øyeblikket kan kunnskapen om hva ikke-planlagt nedetid vil bety for en organisasjon hjelpe bedrifter med å bedre forstå hvor det er nødvendig med investeringer – siden fordelene ved større kapasitet og lavere faste kostnader er betydelige. De som forbereder seg i dag vil ha bedre muligheter til å beholde konkurransefortrinnet sitt i fremtiden.
