Prediktivt vedlikehold – Hva, hvorfor og hvordan

Midt opp i alt dette, utfører dere mye ressurskrevende periodisk forebyggende vedlikehold? Trenger dere tiltak for å oppnå mer bærekraftig produksjon?

Prediktivt vedlikehold er en ny teknologi i skuddet, som kan hjelpe deg med disse utfordringene.

Hvorfor?

De mulige fordelene ved implementering av prediktivt vedlikehold er flere.

Du overvåker tilstanden på utstyr og utfører vedlikehold kun når det er behov for det.

• Dette medfører mindre uventet svikt på utstyret, og at vedlikehold kan utføres utenfor produksjonstid.
• Slik økes påliteligheten til utstyret, og fører til mindre tapt produksjon.
• Samtidig vil man få bedre tid til å planlegge vedlikehold, som fører til mer effektivt vedlikehold og færre vaktutkallinger.
• Mindre behov for å leie inn eventuelle underleverandører til høy pris.

Ved å utføre vedlikehold kun ved behov utnyttes den fulle potensielle levetiden til utstyret.

• Om man sammenligner dette med periodisk vedlikehold, vil man i lengden spare stort på å utføre vedlikehold kun når det er nødvendig.

I følge rapporten «Reducing operation and maintenance costs» (Emerson Process Management) er 30% av periodisk forebyggende vedlikehold nødvendig, 30% er unødvendig og de neste 40% er skadelig for utstyret.

• Samme rapport sier at 86% av vedlikehold er reaktivt – for sent, eller preventivt (unødvendig).
• Unngå unødvendig og skadelig vedlikehold gjennom tilstandsbasert prediktivt vedlikehold. Mindre sløsing med ressurser og bedre bærekraft/klimaregnskap!
• Ofte kan garanti fra leverandører ivaretas med lengre serviceintervaller ved tilstandsovervåkning.

Til sammen kan disse fordelene øke produktiviteten og redusere vedlikeholdskostnaden på utstyret. I en rapport skrevet av DNV GL er det funnet at selskaper innenfor solkraft som har gjennomført pilotprosjekt eller implementert prediktivt vedlikehold oppnådd følgende: 12% kostnadsreduksjon, 9% forbedring av oppetid, 14% reduksjon i HSEQ risiko og 20% forlengelse av livstid for utstyr.

Hva?

Prediktivt vedlikehold er en form for tilstandsbasert vedlikehold, og er definert som vedlikehold gjort på bakgrunn av utstyrets estimerte tid til svikt. Estimat kan komme fra matematiske modeller eller analysering av data fra bilder eller sensordata gjennom statistikk og maskinlæring. Kjernespørsmålet er:

«Basert på utstyrets nåværende tilstand, når burde vi utføre vedlikehold?»

Mulighetene for innhenting og analysering av data har eksplodert de siste årene gjennom blant annet sensorteknologi, droner, IT infrastruktur, maskinlæring og statistikk. Disse metodene gjør at vi kan oppnå høyere nøyaktighet på denne type prediksjoner enn tidligere.

Hvordan?

Prediktivt vedlikehold er forskjellig fra case til case, derfor kan det være lurt å starte med et pilotprosjekt. Finn en gjentagende feil, gjerne på en type utstyr dere har flere av, og finn ut hvilke parameter som kan overvåkes for å detektere progresjonen til en viss type svikt. Dere har kanskje allerede data tilgjengelig f.eks. fra et SCADA system?

Om ikke installerer man sensorer eller foretar fotografering. Denne dataen kan bli kombinert med tidspunkter for feil, til å estimere tiden til svikt. En maskinlæringsalgoritme eller statistisk modell vil da eksempelvis kunne si:

«basert på historisk data, når verdi 1 er 100 og verdi 2 er 29, er estimert tid til svikt 5 dager».

Man kan også benytte logikk som gir alarm når verdier går utenfor normalen (anomaly detection).

Eksisterende caser

Prevas samarbeider i dag med en kunde i matvareindustrien som implementerer prediktivt vedlikehold, på pumper av samme type i kritiske prosesser. Kunden har ambisjon om å unngå svikt på kritisk utstyr, som vil innebære stopp i produksjon og store mengder ødelagt produkt.

For et operatørselskap innen fornybar energi, har vi utviklet en såkalt Proof of Concept (PoC) maskinlæringsalgoritme for prediktivt vedlikehold på vekselstrømomformere. Dette kan forhindre avbrudd i strømproduksjonen og mindre tapt produksjon under timene med sol.

Ønsker du å undersøke ditt selskaps mulighet for å oppnå prediktivt vedlikehold? Ta kontakt!

Forfatteren
Som 15-åring startet jeg som lærling i en produksjonsbedrift og tok fagbrev innenfor kjemiprosess. Samspillet mellom drift og vedlikehold var noe som fanget min interesse i årene her.

Senere gikk jeg videre til å studere til en bachelorgrad som Maskiningeniør ved NTNU, med spesialisering innenfor drift og vedlikehold. Her ble jeg fenget av fenomenet prediktivt vedlikehold, som jeg ønsket å lære mer om.

De tre siste årene har jeg jobbet deltid i Prevas, der jeg har jobbet som konsulent med implementering og tilpasning av HxGn EAM. Parallelt med dette har jeg tatt en mastergrad innenfor Data Science ved NMBU der min hovedmotivasjon har vært å forstå mulige måter å innføre prediktivt vedlikehold i praksis.

//Gøran Sildnes Gedde-Dahl, Data Driven Maintenance Consultant, Prevas AS