{"id":8240,"date":"2021-09-20T18:58:11","date_gmt":"2021-09-20T18:58:11","guid":{"rendered":"https:\/\/knowhow.distrelec.com\/?p=8240"},"modified":"2021-09-20T18:58:12","modified_gmt":"2021-09-20T18:58:12","slug":"eliminera-driftsstopp-hur-ai-forandrar-underhall","status":"publish","type":"post","link":"https:\/\/knowhow.distrelec.com\/sv\/underhall-reparation-och-drift\/eliminera-driftsstopp-hur-ai-forandrar-underhall\/","title":{"rendered":"Eliminera driftsstopp: hur AI f\u00f6r\u00e4ndrar underh\u00e5ll"},"content":{"rendered":"\n

N\u00e4r maskinfel intr\u00e4ffar kan det inte bara bli otroligt dyrt. Det kan till och med vara en fr\u00e5ga om liv eller d\u00f6d. Men med det v\u00e4xande omr\u00e5det artificiell intelligens kan driftsstopp snart tillh\u00f6ra det f\u00f6rflutna.<\/p>\n\n\n\n

\n\t<\/div>\n\n\n\n

Eliminera driftsstopp: hur AI f\u00f6r\u00e4ndrar underh\u00e5ll<\/h2>\n\n\n\n

Det moderna samh\u00e4llet \u00e4r i h\u00f6g grad beroende av maskiner. Vi anv\u00e4nder bilar, bussar och t\u00e5g f\u00f6r pendla till arbetet. Vi f\u00f6rlitar oss p\u00e5 att turbiner och eln\u00e4t levererar str\u00f6m till v\u00e5ra hem. Vi \u00e4r beroende av jordbruksmaskiner f\u00f6r att odla och sk\u00f6rda v\u00e5ra livsmedel. Faktum \u00e4r att det \u00e4r l\u00e4tt att gl\u00f6mma hur stor del av v\u00e5ra liv som \u00e4r beroende av maskiner. I alla fall s\u00e5 l\u00e4nge som maskinerna fungerar. Tillsyn, underh\u00e5ll och sk\u00f6tsel avg\u00f6r hur anv\u00e4ndbar en maskin \u00e4r. Men det inneb\u00e4r ofta en besv\u00e4rlig balansg\u00e5ng n\u00e4r det g\u00e4ller att avg\u00f6ra om delar ska repareras eller bytas ut. Som de flesta beslut som bygger p\u00e5 antaganden kan det medf\u00f6ra en hel del ineffektivitet. Det \u00e4r ingen \u00f6verraskning att m\u00e5nga organisationer tittar p\u00e5 hur AI och maskininl\u00e4rning kan ge \u00f6kad insikt och minska ineffektivitet och fel.<\/p>\n\n\n\n

Driftsstopp d\u00f6dar produktiviteten<\/h2>\n\n\n\n

Oplanerade driftsstopp kostar industritillverkare cirka 50 miljarder dollar om \u00e5retK\u00e4lla: Deloitte<\/em><\/strong><\/p><\/blockquote>\n\n\n\n

Driftsstopp \u00e4r motsatsen till produktivitet. Det r\u00e4cker att en enda maskin inte fungerar f\u00f6r att stoppa en hel leveranskedja. Men m\u00e5nga f\u00f6retag r\u00e4knar sj\u00e4lvklart med och accepterar kortare driftsstopp. De f\u00f6rst\u00e5r att maskiner m\u00e5ste repareras d\u00e5 och d\u00e5 och tas ur drift vid s\u00e4kerhetsinspektioner och reparationer. \u00c4ven om f\u00f6retag arbetar runt de planerade driftsstoppen f\u00f6r att se till att verksamheten \u00e4r ig\u00e5ng s\u00e5 gott det g\u00e5r kan oplanerade driftsstopp orsaka stora st\u00f6rningar. Oplanerade str\u00f6mavbrott och fel p\u00e5 utrustning kan kosta ett f\u00f6retag mycket tid och pengar. D\u00e5 kan de anst\u00e4llda inte sk\u00f6ta sina jobb, tidsplaneringen f\u00f6r produktion stannar och beroende p\u00e5 vilken bransch det g\u00e4ller kan det leda till minskat f\u00f6rtroende fr\u00e5n kunderna. T\u00e4nk till exempel p\u00e5 vilken katastrof det kan leda till om medicinsk utrustning p\u00e5 sjukhus inte fungerar.<\/p>\n\n\n\n

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

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

Attualmente, la maggior parte degli interventi di manutenzione pu\u00f2 essere suddivisa in tre categorie<\/p>\n\n\n\n

1. MANUTENZIONE REATTIVA<\/h3>\n\n\n\n

Riparazione solo in caso di guasto.<\/p>\n\n\n\n

2. PLANNED MAINTENANCE<\/h3>\n\n\n\n

La manutenzione viene programmata, indipendentemente dalle condizioni.<\/p>\n\n\n\n

3. MANUTENZIONE PIANIFICATA<\/h3>\n\n\n\n

Un componente viene sostituito in base alle esperienze passate in previsione di un guasto futuro. La decisione \u00e8 spesso basata sulle tempistiche e ricavata dalle statistiche..<\/p>\n\n\n\n

D\u00e5liga underh\u00e5llsstrategier kan minska den totala produktionskapaciteten i en fabrik med 5\u201320 %<\/p>K\u00e4lla: Deloitte<\/em><\/strong><\/cite><\/blockquote>\n\n\n\n

\"\"<\/figure>
\n

Reaktivt underh\u00e5ll (dvs. oplanerade driftsstopp) inneb\u00e4r att utrustningen anv\u00e4nds tills den g\u00e5r s\u00f6nder. Det kan bli ett stort st\u00f6rningsmoment eftersom f\u00f6retaget m\u00e5ste avbryta verksamheten n\u00e4r fel p\u00e5 maskiner intr\u00e4ffar utan f\u00f6rvarning. Fast det passiva f\u00f6rh\u00e5llningss\u00e4ttet h\u00e5ller kostnaden f\u00f6r rutinm\u00e4ssigt underh\u00e5ll nere. Teknisk personal beh\u00f6ver bara kallas in vid behov. Planerat underh\u00e5ll med periodiska bed\u00f6mningar minskar risken f\u00f6r fel. \u00c4ven om risken f\u00f6r fel fortfarande existerar har f\u00f6retagen st\u00f6rre chans att r\u00e4tta till problemen i f\u00f6rv\u00e4g, innan de blir f\u00f6r stora. Men trots att det kan maximera livsl\u00e4ngden f\u00f6r maskiner kan det \u00e4ven leda till betydande produktionsstopp n\u00e4r maskiner st\u00e5r stilla. Proaktivt underh\u00e5ll syftar till att g\u00f6ra underh\u00e5llet mer effektivt. Det sker genom analyser f\u00f6r att f\u00f6rst\u00e5 maskiners kapacitet, identifiera kritiska tillst\u00e5nd och optimera underh\u00e5llsresurser. Det handlar mindre om att f\u00f6lja ett schema och mer om att anv\u00e4nda data f\u00f6r att granska och f\u00f6rb\u00e4ttra driften. F\u00f6r f\u00f6retag med en stor maskinpark kan proaktivt underh\u00e5ll vara den mest kostnadseffektiva strategin p\u00e5 s\u00e5v\u00e4l kort som l\u00e5ng sikt. Men det h\u00e4r tillv\u00e4gag\u00e5ngss\u00e4ttet \u00e4r begr\u00e4nsat eftersom det enbart inneb\u00e4r att kontrollera de faktorer som kan leda till maskinfel, snarare \u00e4n att inspektera sj\u00e4lva maskinen. <\/p>\n<\/div><\/div>\n\n\n\n

Vad ska man d\u00e5 g\u00f6ra? Lyckligtvis kan b\u00e4ttre anslutningsm\u00f6jligheter och sp\u00e4nnande tekniska innovationer fylla i luckorna.<\/p>\n\n\n\n

Hur anslutningsm\u00f6jligheter f\u00f6r\u00e4ndrar underh\u00e5llet<\/h2>\n\n\n\n

Idag fokuserar m\u00e5nga teknikj\u00e4ttar p\u00e5 AI-utveckling. F\u00f6retag som Microsoft, Google, Amazon, IBM, Facebook och men \u00e4ven tusentals nystartade AI-f\u00f6retag konkurrerar med varandra f\u00f6r att ta ledningen inom AI. Enligt marknadsunders\u00f6kningsf\u00f6retaget Tractica var den globala AI-marknaden v\u00e4rd 1.99 miljarder euro 2017 och f\u00f6rv\u00e4ntas vara v\u00e4rd 30 miljarder euro 2025.<\/p>\n\n\n\n

AI f\u00f6rv\u00e4ntas leda till att 1.8 miljoner jobb f\u00f6rsvinner fram till 2020. Men det f\u00f6rv\u00e4ntas ocks\u00e5 skapa 2.3 miljoner nya jobb under samma period. Till att b\u00f6rja med kommer efterfr\u00e5gan p\u00e5 arbetskraft att \u00f6ka inom den offentliga sektorn och utbildningsomr\u00e5det. Tillverkningsindustrin drabbas h\u00e5rdast.K\u00e4lla: Garner<\/em><\/strong><\/p><\/blockquote>\n\n\n\n

Tillv\u00e4xten blir betydande eftersom tekniken kan anpassas till alla branscher och anv\u00e4ndare \u2013 och \u00e4ven f\u00f6r underh\u00e5ll. Det beror p\u00e5 att oavsett vad AI-forskare skapar s\u00e5 har de ett gemensamt syfte. Det handlar om att eliminera repetitiva uppgifter och hj\u00e4lpa m\u00e4nniskor att bli mer \u00e4ndam\u00e5lsenliga och effektivare inom vad de \u00e4n vill g\u00f6ra. F\u00f6rb\u00e4ttrat underh\u00e5ll \u00e4r en del av detta.<\/p>\n\n\n\n

Med AI kan underh\u00e5ll utvecklas fr\u00e5n att vara enbart f\u00f6rebyggande eller proaktivt till att bli prediktivt.<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Prediktivt underh\u00e5ll<\/h3>\n\n\n\n

M\u00e5nga branscher som \u00e4r mycket beroende av sina maskintillg\u00e5ngar investerar i prediktivt underh\u00e5ll.

Det beror p\u00e5 att med kapaciteten hos AI kan underh\u00e5ll utvecklas fr\u00e5n att enbart vara f\u00f6rebyggande eller proaktivt. I st\u00e4llet kan det bli prediktivt. Med prediktivt underh\u00e5ll utf\u00f6rs reparationer bara n\u00e4r det beh\u00f6vs. Det uppn\u00e5s genom anslutna sensorer, switchar och AI-aktiverade verktyg som kan analysera de tusentals variabler som spelar in vid maskinunderh\u00e5ll och f\u00e5 insikter som annars inte uppt\u00e4cks. Data fr\u00e5n olika k\u00e4llor kan samlas in, kombineras och analyseras i realtid s\u00e5 att f\u00f6retag kan f\u00f6rutse fel p\u00e5 maskiner innan de intr\u00e4ffar. N\u00e4r data visar prestandaminskningar kan operat\u00f6rer v\u00e4lja att utf\u00f6ra reparationer innan hela produktionskedjan stannar. F\u00f6rm\u00e5gan att f\u00f6rutse reparationsbehov kan minska och kontrollera underh\u00e5llskostnaderna betydligt. Men det kan \u00e4ven leda till st\u00f6rre f\u00f6rdelar f\u00f6r verksamheten. Om prediktivt underh\u00e5ll misst\u00e4nker att ett fel snart intr\u00e4ffar kan ett antal saker utf\u00f6ras automatiskt beroende p\u00e5 vad problemet best\u00e5r av, till exempel skicka en arbetsbest\u00e4llning, meddela relevanta tekniker eller best\u00e4lla en ers\u00e4ttningsdel. \u00d6ver tid kan prediktivt underh\u00e5ll identifiera det b\u00e4sta s\u00e4ttet att utf\u00f6ra reparationer. Ett s\u00e5dant andra analyslager ger f\u00f6retagen \u00f6kad insikt i hur effektiviteten ska st\u00e4rkas och till slut leda till noll driftsstopp.<\/p>\n\n\n\n

\"\"<\/figure>
\n

Det beror p\u00e5 att AI kan avg\u00f6ra utrustningens faktiska livsl\u00e4ngd, den b\u00e4sta tiden n\u00e4r reparationer ska utf\u00f6ras och hur driften ska planeras f\u00f6r att minska tiden f\u00f6r reparationer. Dessutom kan data som samlas in vid prediktivt underh\u00e5ll ge arbetsledare \u00f6kade insikter om varf\u00f6r olika arbetslag som anv\u00e4nder samma maskiner f\u00e5r olika resultat. Den h\u00e4r typen av extra data kan ge f\u00f6retagen de insikter som beh\u00f6vs f\u00f6r att f\u00f6rst\u00e5 hur de ska \u00f6ka vinsten. Det kan hj\u00e4lpa till vid projektplanering, personalbehov, lagerhantering och kundservice. Beslut bygger p\u00e5 bevis och kan d\u00e4rf\u00f6r fattas med mindre risk och st\u00f6rre tillf\u00f6rsikt.<\/p>\n<\/div><\/div>\n\n\n\n

F\u00f6rutse framtiden redan idag<\/h2>\n\n\n\n

Prediktivt underh\u00e5ll \u00e4r nyckeln till innovationer inom tillverkning eftersom det l\u00e5ter organisationer optimera hela sin underh\u00e5llsstrategi fr\u00e5n b\u00f6rjan till slut. Det antyder visserligen en sp\u00e4nnande framtid f\u00f6r sektorn men en god nyhet \u00e4r att det redan anv\u00e4nds idag. Inom m\u00e5nga industrier anv\u00e4nds n\u00e5gon form av prediktivt underh\u00e5ll idag genom tekniker f\u00f6r konstant \u00f6vervakning. IoT-verktyg hj\u00e4lper organisationer att h\u00e5lla ett \u00f6ga p\u00e5 systemprestanda och driftsmilj\u00f6. Men st\u00e4ndig \u00f6vervakning genererar stora datam\u00e4ngder och det \u00e4r d\u00e4r AI kommer in. Med avancerade algoritmer och maskininl\u00e4rning kan f\u00f6retag anv\u00e4nda realtidsinsikter i beslutsfattandet.

H\u00e4r f\u00f6ljer n\u00e5gra av de till\u00e4mpningar av prediktivt underh\u00e5ll som anv\u00e4nds idag:<\/p>\n\n\n\n

T\u00e5g<\/h3>\n\n\n\n

I Tyskland arbetar Deutsche Bahn tillsammans med Siemens f\u00f6r att f\u00f6rb\u00e4ttra sina strategier f\u00f6r f\u00f6rebyggande underh\u00e5ll. Genom att anv\u00e4nda smarta sensorer och algoritmer hoppas t\u00e5goperat\u00f6ren att avancerad dataanalys ska kunna uppt\u00e4cka m\u00f6nster i driftsdata. Till exempel kan intelligenta bromssystem \u00f6vervakas f\u00f6r att f\u00e5 fram optimal tid f\u00f6r utbyte. Sensorer kan \u00f6vervaka status f\u00f6r sp\u00e5r och hantera reparationer. Genom att minska felintervall f\u00f6r t\u00e5gdelar kan Deutsche Bahn minska behovet av reservdelar och antalet driftsstopp.<\/p>\n\n\n\n

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

Fordon<\/h3>\n\n\n\n

Att beh\u00f6va \u00e5terkalla fordon \u00e4r inte bara kostsamt f\u00f6r tillverkare utan utg\u00f6r \u00e4ven en stor fara f\u00f6r konsumenter. Lyckligtvis kan data och AI f\u00f6rebygga detta genom att uppt\u00e4cka problem mycket tidigare. BMW arbetar med Teradata f\u00f6r att f\u00f6rb\u00e4ttra beslutsfattande genom att anv\u00e4nda de stora datam\u00e4ngder som genereras vid fordonsdesign, tillverkning och distribution. Genom att kombinera data och anv\u00e4nda kraftfulla analysverktyg kan biltillverkare \u00f6ka effektiviteten i produktionskedjan och notera fel innan de orsakar problem.<\/p>\n\n\n\n

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

Flygbolag<\/h3>\n\n\n\n

Flygplansunderh\u00e5ll \u00e4r ofta mycket komplext och d\u00e4rf\u00f6r h\u00e5ller forskare p\u00e5 att utveckla sm\u00e5 robotar som kan ta sig in i motorer f\u00f6r att inspektera delar och utf\u00f6ra reparationer. The Economist rapporterar om ett s\u00e5dant projekt som utvecklas av ett forskarteam vid GE Global Research. Idag programmeras robotarna f\u00f6r att genomf\u00f6ra inspektioner. Men s\u00e5 snart det steget \u00e4r klart hoppas forskarna att robotarna \u00e4ven kan utf\u00f6ra reparationer och arbeta n\u00e4r planet v\u00e4ntar vid gate mellan flygningar.<\/p>\n\n\n\n

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

Lagerh\u00e5llning<\/h3>\n\n\n\n

Robotar som \u00e4r konstruerade f\u00f6r tunga lyft anv\u00e4nds redan idag. Men morgondagens robotar f\u00f6rv\u00e4ntas ocks\u00e5 hj\u00e4lpa m\u00e4nniskor. SecondHands \u00e4r en robot som konstruerats f\u00f6r att assistera m\u00e4nskliga underh\u00e5llstekniker. Den utvecklas av Ocado Technology i samarbete med Karlsruhe Institute of Technology och \u00e4r konstruerad f\u00f6r att g\u00f6ra underh\u00e5ll som styrs av m\u00e4nniskor effektivare. Till exempel kan roboten proaktivt r\u00e4cka m\u00e4nniskorna vissa verktyg n\u00e4r den k\u00e4nner av att en \u00e5tg\u00e4rd beh\u00f6vs. F\u00f6r att uppn\u00e5 det anv\u00e4nder roboten bland annat visuell rumsuppfattning, igenk\u00e4nning av m\u00e4nskliga \u00e5tg\u00e4rder samt planering och genomf\u00f6rande av uppgifter.<\/p>\n\n\n\n

\n