Prediktiv kapacitet handlar om att kunna förutspå framtida kapacitet och fatta informerade beslut utifrån välformulerade prognoser. Ett av de mest påtagliga områden som vi kommer att se utspridd integration på är inom maskinunderhåll. I det här inlägget kommer vi att prata om vad det innebär för våra maskiner när vi kan skapa prognoser för dess underhåll, och hur våra fabriker därmed kan bli mer produktiva.
Modeller för underhåll
Att identifiera potentiella risker och förbereda sig på driftstopp är inte ett enkelt uppdrag. Tack vare ny teknik kan fabriker nu få ut mer av sina maskiner och planera inför stopp i driften genom att använda sig av prediktiva modeller.
När vi pratar om underhåll har vi tidigare jobbat med reaktivt, planerat och proaktivt underhåll. Reaktivt underhåll handlar om att ta hand om de maskiner som behöver underhåll först efter att fel i driften har upptäckts. Planerat underhåll har varit ett försök att minimera antalet oförutsedda händelser genom att ha planerade scheman för underhåll, medan proaktivt underhåll har handlat om att ständigt underhålla de maskiner som vi använder.
Det finns ett antal problem som har varit svåra att lösa med dessa underhållsmodeller. Reaktivt underhåll innebär att driftstoppen blir många och oförutsägbara, vilket kan leda till katastrofala produktionsstopp. Planerat underhåll är bättre, men leder även till att maskiner måste stängas av och underhållas trots att det egentligen inte behövs, och proaktivt underhåll blir ofta dyrt.
Det som blir möjligt i och med Industri 4.0 är prediktivt underhåll. Tack vare smarta och uppkopplade enheter, som kombinerar både digitala och fysiska tillgångar, blir det nu enklare att förutspå exakt när maskiner behöver underhållas. Dessutom har det blivit allt billigare då tillgången av tekniken ökat. Genom att samla in data från smarta sensorer i och på utrustningen kan vi förutspå, på ett optimalt sätt, när maskinerna behöver underhållas. Det maximerar reservdelarnas användning och minimerar stopp i driften. I de allra flesta fall innebär det att prediktivt underhåll är det mest effektiva sättet att sköta underhållet på.
Implementering av prediktivt underhåll
Följande behövs för att kunna genomföra prediktivt underhåll:
Smarta sensorer samlar in data om maskinerna. Att ha tillgång till denna data är det första steget mot att kunna skapa prognoser för maskinunderhåll.
För att data från maskinerna ska kunna användas behöver ni ett system som låter data skickas till och från era enheter.
All data lagras i en central databas, antingen lokalt eller i molnet.
Genom analytiska algoritmer skapar ni prognoser där data används för att känna igen mönster och generera information och flagga när underhåll behövs.
Utöver prognoser för framtida maskinfel behöver ni även analysera data för att identifiera effektivt underhåll.
För att implementera prediktivt underhåll på ett effektivt sätt är det viktigt att kartlägga varför maskiner slutar fungera och skapa en plan för framtida underhåll. Genom att använda smarta sensorer för att skapa prediktiv analys blir det verklighet.