{"id":8015,"date":"2021-09-20T11:50:34","date_gmt":"2021-09-20T11:50:34","guid":{"rendered":"https:\/\/knowhow.distrelec.com\/?p=8015"},"modified":"2021-09-20T11:50:36","modified_gmt":"2021-09-20T11:50:36","slug":"eliminere-nedetid-for-maskiner-hvordan-kunstig-intelligens-forandrer-vedlikehold","status":"publish","type":"post","link":"https:\/\/knowhow.distrelec.com\/no\/vedlikehold-reparasjon-og-drift\/eliminere-nedetid-for-maskiner-hvordan-kunstig-intelligens-forandrer-vedlikehold\/","title":{"rendered":"Eliminere nedetid for maskiner: hvordan kunstig intelligens forandrer vedlikehold"},"content":{"rendered":"\n

N\u00e5r det oppst\u00e5r en maskinfeil, er det ikke bare veldig kostbart. Det kan ogs\u00e5 v\u00e6re et sp\u00f8rsm\u00e5l om liv eller d\u00f8d. Med utviklingen innenfor kunstig intelligens blir nedetid snart historie.<\/p>\n\n\n\n

Eliminere nedetid for maskiner: hvordan kunstig intelligens forandrer vedlikehold<\/h2>\n\n\n\n

Det moderne samfunnet er veldig avhengig av maskiner. Vi bruker biler, busser og tog til og fra jobb. Turbiner og str\u00f8mnettet gir oss str\u00f8m i hjemmet. Vi er avhengige av landbruksmaskiner i matproduksjon og innh\u00f8sting. Det er faktisk lett \u00e5 glemme hvor viktig maskinene er i livene v\u00e5re. Det vil si, til disse maskinene svikter. Ettersyn, vedlikehold og reparasjoner er avgj\u00f8rende for at maskinene skal fungere. Men ofte er det vanskelig \u00e5 finne balansen mellom n\u00e5r og om man skal reparere eller skifte deler. Og som ved de fleste beslutninger basert p\u00e5 magef\u00f8lelsen kan det oppst\u00e5 stor ineffektivitet. Det er ingen overraskelse at mange bedrifter ser p\u00e5 hvordan kunstig intelligens og maskinl\u00e6ring kan skape innsikt og redusere ineffektivitet og svikt.<\/p>\n\n\n\n

Nedetid dreper produktiviteten<\/h2>\n\n\n\n

Kostnader for ikke-planlagt nedetid for industrielle produsenter ca. 50 mrd. USD per \u00e5r<\/em><\/em><\/p>Kilde: Deloitte<\/em><\/strong><\/cite><\/blockquote>\n\n\n\n

Nedetid betyr det stikk motsatte av produktivitet. Dette er fordi det er nok at \u00e9n maskin er ute av drift for at en hel leveringskjede skal stanse. Mange bedrifter vil selvf\u00f8lgelig b\u00e5de forvente og godta noe nedetid. De forst\u00e5r at maskinene m\u00e5 settes ut av drift periodisk, i forbindelse med sikkerhetsinspeksjoner og reparasjoner. <\/p>\n\n\n\n

Men mens bedriftene kan finne l\u00f8sninger for \u00e5 takle planlagt nedetid for \u00e5 sikre at driften er s\u00e5 effektiv som mulig, kan nedetid som ikke er planlagt, v\u00e6re veldig skadelig. Uventede avbrudd og svikt i utstyret kan utgj\u00f8re store kostnader i form av tid og penger for et firma. Dette er fordi det forhindrer de ansatte fra \u00e5 gj\u00f8re jobben sin, forrykker tidsskjemaet i produksjonen og, avhengig av bransje, kan v\u00e6re veldig skadelig for kundenes tillit. <\/p>\n\n\n\n

Du kan sikkert forestille deg hvilke katastrofe det ville v\u00e6rt hvis medisinsk utstyr p\u00e5 et sykehus skulle svikte.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

The current state of maintenance<\/h2>\n\n\n\n

I dag kan det meste av vedlikehold inndeles i tre kategorier:<\/p>\n\n\n\n

1. REAKTIVT VEDLIKEHOLD<\/h3>\n\n\n\n

M\u00e5 bare repareres hvis \u00f8delagt.<\/p>\n\n\n\n

2. PLANLAGT VEDLIKEHOLD<\/h3>\n\n\n\n

Vedlikehold er planlagt, uavhengig av stand.<\/p>\n\n\n\n

3. PROAKTIVT VEDLIKEHOLD<\/h3>\n\n\n\n

Deler skiftes basert p\u00e5 tidligere erfaringer, etter forventninger om fremtidig svikt. Beslutningen er ofte bestemt av tid og statistikk.<\/p>\n\n\n\n

D\u00e5rlige vedlikeholdsstrategier kan redusere den samlede produksjonskapasiteten ved et anlegg med 5\u201320%.<\/em><\/em><\/p>Kilde: Deloitte<\/em><\/strong><\/cite><\/blockquote>\n\n\n\n

\"\"<\/figure>
\n

Reaktivt vedlikehold (ikke-planlagt nedetid) er en tiln\u00e6rming der utstyret g\u00e5r til det bryter sammen. Det kan v\u00e6re veldig skadelig, siden driften m\u00e5 stanses n\u00e5r maskiner uventet bryter sammen. Denne passive tiln\u00e6rmingen holder likevel kostnadene ved rutinemessig vedlikehold lave. Tekniske medarbeidere kreves bare n\u00e5r det er n\u00f8dvendig. Planlagt vedlikehold reduserer risikoen for svikt med periodiske vurderinger. <\/p>\n\n\n\n

Selv om det fortsatt er en risiko for svikt, har bedriften en st\u00f8rre sjanse for \u00e5 l\u00f8se problemet f\u00f8r det f\u00f8rer til st\u00f8rre skader. Men, selv om dette kan maksimere maskinens levetid, kan det ogs\u00e5 f\u00f8re til mye tapt produksjonstid n\u00e5r maskinen er ute av drift. M\u00e5let med proaktivt vedlikehold er \u00e5 gj\u00f8re vedlikeholdet mer effektivt. Dette oppn\u00e5s ved bruk av analyser for \u00e5 forst\u00e5 maskinenes kapasitet, identifisere kritiske momenter og optimalisere vedlikeholdsressursene. Det handler mindre om \u00e5 f\u00f8lge et tidsplan og mer om \u00e5 bruke data til \u00e5 gjennomg\u00e5 og forbedre operasjonene. <\/p>\n<\/div><\/div>\n\n\n\n

For selskaper med ansvar for en st\u00f8rre fl\u00e5te av maskiner kan proaktivt vedlikehold virke som den mest kostnadseffektive strategien for b\u00e5de kort- og langsiktig tenking. Denne tiln\u00e6rmingen er likevel begrenset fordi den bare fors\u00f8ker \u00e5 kontrollere faktorene som kan f\u00f8re til maskinsvikt, i stedet for \u00e5 unders\u00f8ke selve maskinen.\u00a0<\/p>\n\n\n\n

S\u00e5, hva gj\u00f8r man? Heldigvis bidrar bedre nettilkobling og spennende tekniske innovasjoner til \u00e5 fylle gapene.<\/p>\n\n\n\n

How connectivity will transform maintenance<\/h2>\n\n\n\n

I dag fokuserer mange teknologigiganter ressursene sine p\u00e5 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 \u00e5 ta ledelsen innenfor kunstig intelligens. If\u00f8lge markedsunders\u00f8kelsesselskapet Tractica var det globale markedet for kunstig intelligens verdt 1,99 mrd. EUR i 2017, et tall som forventes \u00e5 stige til 30 mrd. EUR innen 2025.<\/p>\n\n\n\n

Kunstig intelligens forventes \u00e5 eliminere 1,8 millioner jobber innen 2020. Men, det forventes ogs\u00e5 at det vil skape 2,3 millioner jobber i den samme perioden. Til \u00e5 begynne med vil man se en kontinuerlig voksende ettersp\u00f8rsel etter arbeidskraft innenfor helse, offentlig sektor og utdanning. Produksjon er den sektoren som vil rammes hardest.<\/em><\/em><\/p>Kilde: Garner<\/em><\/strong><\/cite><\/blockquote>\n\n\n\n

Vi kommer til \u00e5 oppleve en sterk vekst fordi teknologien kan brukes i alle bransjer og situasjoner \u2013 ogs\u00e5 vedlikehold. Dette er fordi alt deler et felles form\u00e5l, uavhengig av hva forskerne innenfor kunstig intelligens skaper. Form\u00e5let er \u00e5 eliminere repetitive oppgaver og hjelper mennesker med \u00e5 bli mer effektive i alt det foretar seg. Bedre vedlikehold er en del av dette.<\/p>\n\n\n\n

Med kunstig intelligens kan vedlikehold utvikle seg fra \u00e5 v\u00e6re rent forebyggende eller proaktivt, til \u00e5 bli forutsigende<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Forutsigende vedlikehold<\/h3>\n\n\n\n

Mange industrier som er veldig avhengige av maskiner, investerer i forutsigende vedlikehold.

Dette er fordi vedlikehold kan utvikle seg fra \u00e5 v\u00e6re rent forebyggende eller proaktivt ved hjelp av kunstig intelligens. I stedet kan det bli forutsigende. Med forutsigende vedlikehold utf\u00f8res reparasjoner bare n\u00e5r det er n\u00f8dvendig. <\/p>\n\n\n\n

Dette oppn\u00e5r man ved hjelp av tilkoblede sensorer, brytere og verkt\u00f8yer for kunstig intelligens som kan analysere flere tusen variabler i en maskin for \u00e5 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 f\u00f8r de oppst\u00e5r. N\u00e5r data viser at ytelsen blir lavere, kan operat\u00f8rene velge \u00e5 utf\u00f8re reparasjoner f\u00f8r hele samleb\u00e5ndet stanser. Denne evnen til \u00e5 forutse reparasjoner vil bidra til \u00e5 redusere og kontrollere vedlikeholdskostnadene. Det kan ogs\u00e5 gi virksomheten andre fordeler. Hvis for eksempel forutsigende vedlikehold indikerer at en feil er n\u00e6rt forest\u00e5ende, kan flere ting skje automatisk, avhengig av hva problemet er \u2013 opprette en arbeidsordre, varsle relevante teknikere eller bestille en ny del. Over tid kan man med forutsigende vedlikehold identifisere hvordan man best g\u00e5r frem for \u00e5 utf\u00f8re reparasjoner. <\/p>\n\n\n\n

Dette sekund\u00e6re analyseniv\u00e5et gir virksomheten mer innsikt i effektiviteten kan bedres, og vil over tid f\u00f8re til null nedetid. Dette er fordi kunstig intelligens kan fastsl\u00e5 hva utstyrets reelle levetid er, hva som er det beste tidspunktet for reparasjoner, og hvordan operasjoner planlegges for \u00e5 minimere tiden det tar \u00e5 utf\u00f8re reparasjoner.<\/p>\n\n\n\n

\"\"<\/figure>
\n

I tillegg kan den som har ansvaret, ved hjelp av data innhentet gjennom forutsigende vedlikehold, f\u00e5 en bedre forst\u00e5else av hvorfor ulike team som bruker det samme utstyret har ulik avkastning. Disse tilleggsdataene kan igjen gi virksomheten den n\u00f8dvendige innsikten som kreves for \u00e5 oppn\u00e5 meravkastning. Det kan bist\u00e5 med prosjektplanlegging, personalbehov, inventarstyring og kundeservice. Beslutninger er basert p\u00e5 beviser \u2013 og fattes derfor med mindre risiko og st\u00f8rre trygghet.<\/p>\n<\/div><\/div>\n\n\n\n

Forutse fremtiden i dag<\/h2>\n\n\n\n

Forutsigende vedlikehold er avgj\u00f8rende for innovasjoner innenfor produksjon, siden det lar organisasjonen optimalisere hele vedlikeholdsstrategien, fra toppen og ned. Mens dette inneb\u00e6rer 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 overv\u00e5king. Verkt\u00f8y for Tingenes Internett hjelper organisasjonene med \u00e5 f\u00f8lge med p\u00e5 systemytelsen og driftsmilj\u00f8et. Kontinuerlig overv\u00e5king kan generere store datamengder \u2013 og der oppst\u00e5r behovet for kunstig intelligens. Med avanserte algoritmer og maskinl\u00e6ring vil bedriftene kunne bruke samtidsinnsikt i beslutningsprosessen.

Her er noen f\u00e5 bruksomr\u00e5der for forutsigende vedlikehold i da<\/p>\n\n\n\n

Tog<\/h3>\n\n\n\n

I Tyskland samarbeider Deutsche Bahn med Siemens for \u00e5 forbedre teknologier for forebyggende vedlikehold. Ved bruk av smarte sensorer og algoritmer h\u00e5per togoperat\u00f8rene at avansert dataanalyse kan gjenkjenne m\u00f8nstre i de operasjonelle dataene. Intelligente bremsesystemer kan for eksempel overv\u00e5kes for \u00e5 oppn\u00e5 optimal tid for bytte av deler. Sensorer kan overv\u00e5ke skinnegangens stand for \u00e5 h\u00e5ndtere reparasjoner. Ved \u00e5 redusere hyppigheten for feil p\u00e5 togdeler kan Deutsche Bahn redusere behovet for nye deler og nedetiden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Forutse fremtiden i dag<\/h2>\n\n\n\n

Forutsigende vedlikehold er avgj\u00f8rende for innovasjoner innenfor produksjon, siden det lar organisasjonen optimalisere hele vedlikeholdsstrategien, fra toppen og ned. Mens dette inneb\u00e6rer 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 overv\u00e5king. Verkt\u00f8y for Tingenes Internett hjelper organisasjonene med \u00e5 f\u00f8lge med p\u00e5 systemytelsen og driftsmilj\u00f8et. Kontinuerlig overv\u00e5king kan generere store datamengder \u2013 og der oppst\u00e5r behovet for kunstig intelligens. Med avanserte algoritmer og maskinl\u00e6ring vil bedriftene kunne bruke samtidsinnsikt i beslutningsprosessen.

Her er noen f\u00e5 bruksomr\u00e5der for forutsigende vedlikehold i da<\/p>\n\n\n\n

Tog<\/h3>\n\n\n\n

I Tyskland samarbeider Deutsche Bahn med Siemens for \u00e5 forbedre teknologier for forebyggende vedlikehold. Ved bruk av smarte sensorer og algoritmer h\u00e5per togoperat\u00f8rene at avansert dataanalyse kan gjenkjenne m\u00f8nstre i de operasjonelle dataene. Intelligente bremsesystemer kan for eksempel overv\u00e5kes for \u00e5 oppn\u00e5 optimal tid for bytte av deler. Sensorer kan overv\u00e5ke skinnegangens stand for \u00e5 h\u00e5ndtere reparasjoner. Ved \u00e5 redusere hyppigheten for feil p\u00e5 togdeler kan Deutsche Bahn redusere behovet for nye deler og nedetiden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Flyselskaper<\/h3>\n\n\n\n

Vedlikehold av fly er ofte veldig komplekst, og derfor utvikler forskerne bittesm\u00e5 roboter som kan komme inn p\u00e5 innsiden av en motor for \u00e5 inspisere deler og utf\u00f8re 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 \u00e5 gjennomf\u00f8re inspeksjoner. N\u00e5r dette stadiet er fullf\u00f8rt, h\u00e5per forskerne at robotene vil kunne utf\u00f8re reparasjoner og arbeid mens flyet venter ved gaten mellom flyvninger.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Lagerhold<\/h3>\n\n\n\n

Roboter designet for tunge l\u00f8ft er allerede i bruk i dag, men fremtidens lagerroboter forventes \u00e5 kunne hjelpe mennesker ogs\u00e5. SecondHands er en robot designet for \u00e5 hjelpe menneskelige vedlikeholdsteknikere. Den utvikles av Ocado Technology i samarbeid med Karlsruhe Institute of Technology, og er designet for \u00e5 gj\u00f8re vedlikehold under menneskelig ledelse mer effektivt. Roboten kan for eksempel proaktivt gi en person ulike verkt\u00f8y n\u00e5r den oppdager at en handling m\u00e5 utf\u00f8res. Roboten bruker visuell oppfatning av stedet, oppfattelse av menneskelige handlinger, oppgaveplanlegging og -utf\u00f8relse og andre ferdigheter for \u00e5 oppn\u00e5 dette.https:\/\/www.youtube.com\/embed\/v0vlOmKmApc<\/p>\n\n\n\n

\n