Predaktivt vedlikehold

Predikativt vedlikehold handler om at man utnytter sensoriske data fra industri 4.0 revolusjonen for å optimalisere vedlikehold, og dermed også unngår unødige stopp i produksjonen. I all hovedsak består det av fem ulike komponenter. Maskinen, sensoren, en database, en modell eller et program, og en presenter, som varsler til personale om at nå er det noe som er i ferd med å skje. Modellene varierer både i grad av kompleksitet, presisjon, og informasjon, og kan i all hovedsak deles inn i 5 forskjellige nivå.

 

 

Nivå 1

Dette er de aller enkleste vedlikeholdsprogrammene som er styrt av gitte tidsintervaller, som for eksempel serviceintervallene på bilen. Når bilen har kjørt i ett år ber den om å bli tatt på service, uavhengig av om den har kjørt 1?000km eller 10?000km, eller om den har kjørt på humpete grusveger eller motorveger.  


Nivå 2 

Nivå 2 er at man benytter seg av en form for input-data. Det kan være oppetid (antall timer i aktivitet), antall ordre, eller antall skift. Dette er gjerne erfaringsbasert, styrt av en anbefaling fra produsent eller andre fageksperter, og et godt steg videre fra nivå 1. Her er vedlikeholdet mer tilpasset belastningen på maskina.  


Nivå 3 

På nivå 3 benytter man sensorer som forteller om vibrasjoner, temperatur, eller antall ordre. Dette er det mange maskinprodusenter har startet å kalle for predikativt vedlikehold. Dette er basert erfaring der de har sett at maskinene ofte bryter ned kort tid etter at en sensor overstiger en gitt verdi. Eksempelvis at hvis motoren på en maskin blir varmere, eller at går seg tregere enn normalt.  


Nivå 4 

Nivå 4 handler om å kombinere nivå 1-3. I praksis vil det si at om en maskin ikke har vist tegn til å gå raskere eller tregere, så er man ekstra på vakt, og legger inn i planene at maskina kan bryte ned i nær fremtid ettersom den nærmer seg gitt intervall for vedlikehold. Alternativt setter man en makstid på vedlikeholdsintervaller, noe som da ligner mer på nivå 1, men med et ekstra varsel fra nivå 3 om det skulle oppstå en unormal situasjon. 


Nivå 5 

På nivå 5 tar vi det hele ett steg videre. Nå ser vi på kombinasjonen av de forskjellige variablene. Vi henter inn data fra flere sensorer og databaser, og kombinerer dem for å lete etter sammenhenger. På denne måten kan vi avskrive falske varsel fra en sensor, som en forhøyet temperatur fra en maskin som står i et rom der sola skinner akkurat denne dagen. På nivå 5 kan man også avdekke hvilken type feil, samt hele tiden ha kontroll på gjenstående levetid på enheten. Dette er modeller som fort blir komplekse, og nettopp av denne grunn tar vi i bruk maskinlæring for å avdekke de riktige mønstrene. Den største fordelen med dette er økt forutsigbarhet og presisjon enn de mer enkle modellene. Dette gjør at man kan ta grep tidlig for å forhindre stans, eller ta med nedetid i planlegging før man legger inn en bestilling som krever ekstra av maskinparken.  
Alt i alt handler altså predikativt vedlikehold om å ta dataene fra industri 4.0 et steg videre. I prosessen skaper man også en ny kontroll på hva som skjer i produksjonen. Kanskje oppdager man også nye måter å produsere på som kan øke effektiviteten på produksjonen? 
 
Har du kontroll på maskinparken?  
Utnytter du dataene fra produksjonslinjen? 
Industri 4.0 gir nye muligheter 
Reduser nedetid, havari og unødvendig vedlikehold med utnyttelse av data  

 
 



Forslag til andre tjenester / artikler

x