När maskinfel inträffar kan det inte bara bli otroligt dyrt. Det kan till och med vara en fråga om liv eller död. Men med det växande området artificiell intelligens kan driftsstopp snart tillhöra det förflutna.
Table of Contents
- Eliminera driftsstopp: hur AI förändrar underhåll
- Driftsstopp dödar produktiviteten
- The current state of maintenance
- Hur anslutningsmöjligheter förändrar underhållet
- Med AI kan underhåll utvecklas från att vara enbart förebyggande eller proaktivt till att bli prediktivt.
- Förutse framtiden redan idag
- Framtidens åtgärder
Eliminera driftsstopp: hur AI förändrar underhåll
Det moderna samhället är i hög grad beroende av maskiner. Vi använder bilar, bussar och tåg för pendla till arbetet. Vi förlitar oss på att turbiner och elnät levererar ström till våra hem. Vi är beroende av jordbruksmaskiner för att odla och skörda våra livsmedel. Faktum är att det är lätt att glömma hur stor del av våra liv som är beroende av maskiner. I alla fall så länge som maskinerna fungerar. Tillsyn, underhåll och skötsel avgör hur användbar en maskin är. Men det innebär ofta en besvärlig balansgång när det gäller att avgöra om delar ska repareras eller bytas ut. Som de flesta beslut som bygger på antaganden kan det medföra en hel del ineffektivitet. Det är ingen överraskning att många organisationer tittar på hur AI och maskininlärning kan ge ökad insikt och minska ineffektivitet och fel.
Driftsstopp dödar produktiviteten
Oplanerade driftsstopp kostar industritillverkare cirka 50 miljarder dollar om åretKälla: Deloitte
Driftsstopp är motsatsen till produktivitet. Det räcker att en enda maskin inte fungerar för att stoppa en hel leveranskedja. Men många företag räknar självklart med och accepterar kortare driftsstopp. De förstår att maskiner måste repareras då och då och tas ur drift vid säkerhetsinspektioner och reparationer. Även om företag arbetar runt de planerade driftsstoppen för att se till att verksamheten är igång så gott det går kan oplanerade driftsstopp orsaka stora störningar. Oplanerade strömavbrott och fel på utrustning kan kosta ett företag mycket tid och pengar. Då kan de anställda inte sköta sina jobb, tidsplaneringen för produktion stannar och beroende på vilken bransch det gäller kan det leda till minskat förtroende från kunderna. Tänk till exempel på vilken katastrof det kan leda till om medicinsk utrustning på sjukhus inte fungerar.
The current state of maintenance
Attualmente, la maggior parte degli interventi di manutenzione può essere suddivisa in tre categorie
1. MANUTENZIONE REATTIVA
Riparazione solo in caso di guasto.
2. PLANNED MAINTENANCE
La manutenzione viene programmata, indipendentemente dalle condizioni.
3. MANUTENZIONE PIANIFICATA
Un componente viene sostituito in base alle esperienze passate in previsione di un guasto futuro. La decisione è spesso basata sulle tempistiche e ricavata dalle statistiche..
Dåliga underhållsstrategier kan minska den totala produktionskapaciteten i en fabrik med 5–20 %
Källa: Deloitte
Reaktivt underhåll (dvs. oplanerade driftsstopp) innebär att utrustningen används tills den går sönder. Det kan bli ett stort störningsmoment eftersom företaget måste avbryta verksamheten när fel på maskiner inträffar utan förvarning. Fast det passiva förhållningssättet håller kostnaden för rutinmässigt underhåll nere. Teknisk personal behöver bara kallas in vid behov. Planerat underhåll med periodiska bedömningar minskar risken för fel. Även om risken för fel fortfarande existerar har företagen större chans att rätta till problemen i förväg, innan de blir för stora. Men trots att det kan maximera livslängden för maskiner kan det även leda till betydande produktionsstopp när maskiner står stilla. Proaktivt underhåll syftar till att göra underhållet mer effektivt. Det sker genom analyser för att förstå maskiners kapacitet, identifiera kritiska tillstånd och optimera underhållsresurser. Det handlar mindre om att följa ett schema och mer om att använda data för att granska och förbättra driften. För företag med en stor maskinpark kan proaktivt underhåll vara den mest kostnadseffektiva strategin på såväl kort som lång sikt. Men det här tillvägagångssättet är begränsat eftersom det enbart innebär att kontrollera de faktorer som kan leda till maskinfel, snarare än att inspektera själva maskinen.
Vad ska man då göra? Lyckligtvis kan bättre anslutningsmöjligheter och spännande tekniska innovationer fylla i luckorna.
Hur anslutningsmöjligheter förändrar underhållet
Idag fokuserar många teknikjättar på AI-utveckling. Företag som Microsoft, Google, Amazon, IBM, Facebook och men även tusentals nystartade AI-företag konkurrerar med varandra för att ta ledningen inom AI. Enligt marknadsundersökningsföretaget Tractica var den globala AI-marknaden värd 1.99 miljarder euro 2017 och förväntas vara värd 30 miljarder euro 2025.
AI förväntas leda till att 1.8 miljoner jobb försvinner fram till 2020. Men det förväntas också skapa 2.3 miljoner nya jobb under samma period. Till att börja med kommer efterfrågan på arbetskraft att öka inom den offentliga sektorn och utbildningsområdet. Tillverkningsindustrin drabbas hårdast.Källa: Garner
Tillväxten blir betydande eftersom tekniken kan anpassas till alla branscher och användare – och även för underhåll. Det beror på att oavsett vad AI-forskare skapar så har de ett gemensamt syfte. Det handlar om att eliminera repetitiva uppgifter och hjälpa människor att bli mer ändamålsenliga och effektivare inom vad de än vill göra. Förbättrat underhåll är en del av detta.
Med AI kan underhåll utvecklas från att vara enbart förebyggande eller proaktivt till att bli prediktivt.
Prediktivt underhåll
Många branscher som är mycket beroende av sina maskintillgångar investerar i prediktivt underhåll.
Det beror på att med kapaciteten hos AI kan underhåll utvecklas från att enbart vara förebyggande eller proaktivt. I stället kan det bli prediktivt. Med prediktivt underhåll utförs reparationer bara när det behövs. Det uppnås genom anslutna sensorer, switchar och AI-aktiverade verktyg som kan analysera de tusentals variabler som spelar in vid maskinunderhåll och få insikter som annars inte upptäcks. Data från olika källor kan samlas in, kombineras och analyseras i realtid så att företag kan förutse fel på maskiner innan de inträffar. När data visar prestandaminskningar kan operatörer välja att utföra reparationer innan hela produktionskedjan stannar. Förmågan att förutse reparationsbehov kan minska och kontrollera underhållskostnaderna betydligt. Men det kan även leda till större fördelar för verksamheten. Om prediktivt underhåll misstänker att ett fel snart inträffar kan ett antal saker utföras automatiskt beroende på vad problemet består av, till exempel skicka en arbetsbeställning, meddela relevanta tekniker eller beställa en ersättningsdel. Över tid kan prediktivt underhåll identifiera det bästa sättet att utföra reparationer. Ett sådant andra analyslager ger företagen ökad insikt i hur effektiviteten ska stärkas och till slut leda till noll driftsstopp.
Det beror på att AI kan avgöra utrustningens faktiska livslängd, den bästa tiden när reparationer ska utföras och hur driften ska planeras för att minska tiden för reparationer. Dessutom kan data som samlas in vid prediktivt underhåll ge arbetsledare ökade insikter om varför olika arbetslag som använder samma maskiner får olika resultat. Den här typen av extra data kan ge företagen de insikter som behövs för att förstå hur de ska öka vinsten. Det kan hjälpa till vid projektplanering, personalbehov, lagerhantering och kundservice. Beslut bygger på bevis och kan därför fattas med mindre risk och större tillförsikt.
Förutse framtiden redan idag
Prediktivt underhåll är nyckeln till innovationer inom tillverkning eftersom det låter organisationer optimera hela sin underhållsstrategi från början till slut. Det antyder visserligen en spännande framtid för sektorn men en god nyhet är att det redan används idag. Inom många industrier används någon form av prediktivt underhåll idag genom tekniker för konstant övervakning. IoT-verktyg hjälper organisationer att hålla ett öga på systemprestanda och driftsmiljö. Men ständig övervakning genererar stora datamängder och det är där AI kommer in. Med avancerade algoritmer och maskininlärning kan företag använda realtidsinsikter i beslutsfattandet.
Här följer några av de tillämpningar av prediktivt underhåll som används idag:
Tåg
I Tyskland arbetar Deutsche Bahn tillsammans med Siemens för att förbättra sina strategier för förebyggande underhåll. Genom att använda smarta sensorer och algoritmer hoppas tågoperatören att avancerad dataanalys ska kunna upptäcka mönster i driftsdata. Till exempel kan intelligenta bromssystem övervakas för att få fram optimal tid för utbyte. Sensorer kan övervaka status för spår och hantera reparationer. Genom att minska felintervall för tågdelar kan Deutsche Bahn minska behovet av reservdelar och antalet driftsstopp.
Fordon
Att behöva återkalla fordon är inte bara kostsamt för tillverkare utan utgör även en stor fara för konsumenter. Lyckligtvis kan data och AI förebygga detta genom att upptäcka problem mycket tidigare. BMW arbetar med Teradata för att förbättra beslutsfattande genom att använda de stora datamängder som genereras vid fordonsdesign, tillverkning och distribution. Genom att kombinera data och använda kraftfulla analysverktyg kan biltillverkare öka effektiviteten i produktionskedjan och notera fel innan de orsakar problem.
Flygbolag
Flygplansunderhåll är ofta mycket komplext och därför håller forskare på att utveckla små robotar som kan ta sig in i motorer för att inspektera delar och utföra reparationer. The Economist rapporterar om ett sådant projekt som utvecklas av ett forskarteam vid GE Global Research. Idag programmeras robotarna för att genomföra inspektioner. Men så snart det steget är klart hoppas forskarna att robotarna även kan utföra reparationer och arbeta när planet väntar vid gate mellan flygningar.
Lagerhållning
Robotar som är konstruerade för tunga lyft används redan idag. Men morgondagens robotar förväntas också hjälpa människor. SecondHands är en robot som konstruerats för att assistera mänskliga underhållstekniker. Den utvecklas av Ocado Technology i samarbete med Karlsruhe Institute of Technology och är konstruerad för att göra underhåll som styrs av människor effektivare. Till exempel kan roboten proaktivt räcka människorna vissa verktyg när den känner av att en åtgärd behövs. För att uppnå det använder roboten bland annat visuell rumsuppfattning, igenkänning av mänskliga åtgärder samt planering och genomförande av uppgifter.
Framtidens åtgärder
Prediktivt underhåll passar stora företag med ansvar för ett stort antal maskiner. Det beror på att tillräckligt mycket data behövs för att kunna identifiera mönster och lösa problem. Men när stora företag har möjlighet att fatta prediktiva beslut kan kunskapen licensieras till mindre företag. På så sätt kan alla dra nytta av AI. Ser vi ännu längre framåt förväntas nästa steg inom underhåll vara att maskinerna blir helt självreparerande. Det kan åstadkommas genom att kombinera tekniker som 3D-utskrift med AI-kapacitet. När det inträffar finns det knappt något behov mänsklig interaktion över huvud taget. Men idag kan kunskapen om hur oplanerade driftsstopp påverkar organisationen hjälpa företag att förstå vad de bör investera i eftersom fördelarna i form av ökad kapacitet och lägre omkostnader är betydande. De som förbereder sig idag är bättre rustade att behålla sina konkurrensfördelar i morgon.
