Nyttiga prognoser

Sakernas internet, big data, artificiell intelligens och prediktivt underhåll är ord som ofta används i dagens tillverkningsindustri, men vad innebär begreppen och kan man uppnå konkreta fördelar genom att digitalisera produkter? Trelleborgs Johannes Kunze von Bischhoffshausen är övertygad om att det finns uppenbara fördelar med digital omvandling för produkter och processer.

Tänk om man kunde förutsäga när en maskin kommer att haverera? Hemma kan vi bli rejält stressade av att plötsligt inte ha en fungerande tvättmaskin. Förr eller senare går tvättmaskinen sönder, men skulle det inte vara bra att veta när? 

 

Maskiner i produktionsmiljöer går också sönder, inte minst de som är i bruk dygnet runt. För tillverkarna handlar det dock inte om en växande hög med smutstvätt utan om kostnaden för förlorad produktion och uteblivna intäkter. 

 

— Digital teknik används för att öka processeffektiviteten, och utvecklingen av densamma kan också minimera stilleståndstider och minska den totala ägandekostnaden, två mål som är viktiga för alla tillverkare. Underhållet står i fokus och den mest grundläggande underhållsstrategin är avhjälpande underhåll, helt enkelt att laga saker efter hand som de går sönder, säger Johannes Kunze som är ansvarig för digital omvandling inom Trelleborg Sealing Solutions.

 

Han förklarar att den strategin räcker gott i icke-kritiska tillämpningar men inte är en bra lösning när stillestånd är kostsamma.

 

— I mer kritiska tillämpningar är det viktigt att ge underhåll i förebyggande syfte — innan maskinen går sönder. Det innebär i praktiken planerade underhållsintervall som baseras på användningsintensitet eller drifttid, men utan att involvera digital teknik. Det kan dock innebära att komponenter byts ut innan det är nödvändigt vilket är slöseri med både tid och resurser.

 

Ett ytterligare steg är tillståndsbaserat underhåll, där maskiner förses med sensorer som övervakar tillståndet och varnar för tecken på förslitning. När en sensorsignal har nått en viss nivå måste den övervakade komponenten bytas.

 

Även om ovanstående är digital övervakning är det ett steg kvar till fullt prediktivt underhåll, vilket innebär att optimera underhållet genom att förutsäga en komponents livslängd eller tidpunkten när den havererar. Prediktivt underhåll betraktas som en av de stora drivkrafterna bakom digitaliseringen och enligt McKinsey Global Institutes rapport, The Internet of Things: Mapping the Value Beyond the Hype, uppskattas att tillämpningar av sakernas internet (IoT), som prediktivt underhåll, kan hjälpa företag att fram till 2025 spara 630 miljarder USD.

 

Johannes Kunze tillägger:
— Man kan planera underhållet genom att använda sensorernas signaler som indata och med hjälp av statistik eller artificiell intelligens (AI) förutsäga vad som kommer att hända inom ett system och när en specifik komponent potentiellt havererar 

 

För företag som använder IoT och ai i sina produkter och dess system är utmaningen inte att installera sensorer, samla in data och analysera data. Den verkliga utmaningen ligger i att förstå analysresultaten och agera utifrån dem. 

 

Bra prediktivt underhåll handlar om att identifiera de signaler som ger information om förestående haverier i systemet.

 

— När man pratar med tekniker säger de ofta att de kan höra på en maskin när den håller på att gå sönder, så ljudnivån är en bra indikator, liksom yttemperatur och vibrationer. Problemet är att dessa tydliga indikatorer vanligen uppträder först när haveri är omedelbart förestående, och när det oftast är för sent för att förebygga stillestånd, säger Johannes Kunze.

 

Idag används allt oftare sensorer i utrustning. De mäter allt från vibrationer, luftfuktighet och omgivningstemperatur till akustiska signaler, motorström, isolationsresistans, elektrisk kapacitans och elektrisk induktans. Vissa sensorlösningar använder till och med termografi för att skapa värmekartor som grafiskt illustrerar vad som händer inuti utrustningen. Vanligen räcker det inte med en sensorsignal för att avslöja fel. Det brukar krävas data från en kombination av sensorer.

 

Johannes Kunze fortsätter:
— För att träna en modell eller en algoritm för digitalt drivet prediktivt underhåll måste sensordata kombineras med bra data från fältet och med referensdata. Det gäller att hitta dolda mönster, till exempel att hitta förändringar i förhållandet mellan olika tryck och varvtal under perioder av normal drift. En datakälla kan vara teknikerrapporter som beskriver i detalj hur en maskin havererat och vilka komponenter som byttes vid reparationen. Sensordata delas upp i data från normal drift och data från havererad maskin. Insamlade data måste sedan integreras med annan teknisk kunskap i förbearbetningen.

 

Prediktivt underhåll handlar inte om statistik för statistikens skull. Att använda sensordata för att skapa potentiellt meningsfulla indikatorer kräver djup kunskap om specifika tillämpningar och kräver samarbete mellan ingenjörer och datavetare för att utveckla felmodeller. 

 

— IoT kommer inte att leda till att människor ersätts av robotar, som gör teknikern eller ingenjören överflödig. IoT kräver intelligenta maskiner, avancerad analys och — framför allt — erfarna människor, försäkrar Johannes Kunze.

 

Han berättar att allt fler smarta maskiner har sensorer och internetuppkoppling så att de kan överföra data för analys.

 

— I slutänden är det människor som fattar beslut, men i verkligt prediktivt underhåll baseras besluten på avancerad analys av data som hämtas från dessa smarta maskiner. Utan IoT har inte ingenjörer någon chans att dechiffrera data från de uppemot 50 sensorer som kan finnas i moderna tillverkningsmaskiner. Dataforskare utvecklar algoritmer för att hitta mönster och samband i strömmen av data från sensorer och andra datakällor. Algoritmerna omvandlar rådata till användbar information som ger insikter som människor kan basera beslut på, vilket gör arbetet både enklare och betydligt effektivare, säger Johannes Kunze.

 

Inom Trelleborg Sealing Solutions kallas det övergripande förhållningssättet till prediktivt underhåll för Cognitive Sealing. Vanligtvis fokuserar prediktivt underhåll på områden där driftstopp och underhåll innebär höga kostnader. Det pågår för närvarande flera Cognitive Sealing-projekt.

 

— Ett exempel är vårt trepartssamarbete med Vapo Hydraulics och Ampelmann Operations. Samarbetet visar hur big data kan användas för att utveckla nästa generations lösningar. Genom att verka för att förbättra våra kunders produkter och deras kunders produkter kan vi minska alla inblandades totala ägandekostnad. Det är en investering i våra kundrelationer och det är så vi vill arbeta, säger Johannes Kunze. 

 

 


För mer information, besök:
https://www.trelleborg.com/sv-se/seals


Detta är en artikel från Trelleborgs magasin T-Time, för att se alla språkversioner och tidigare nummer, klicka här.

Pressservice: Denna artikel finns att tillgå i 8 språkversioner. Media är välkommen att använda artikeln i sin egen publikation. För att ladda ner artikeln gå till https://bamboo-contentpartner.com/.  Om den återpubliceras, vänligen uppge kontaktuppgifterna: www.trelleborg.com

E-post: news@trelleborg.com