Prædiktiv vedligeholdelse

Prædiktiv vedligeholdelse bruger sensorer, historik og modeller til at forudsige, hvornår en maskine er ved at fejle, så I kan planlægge reparationer før et uventet stop. Systemet kombinerer målinger fra vibration, temperatur, tryk eller driftstimer med information om tidligere nedbrud, og en model (ofte baseret på Maskinlæring) genkender mønstre, der peger på kommende fejl.

Sådan virker prædiktiv vedligeholdelse i praksis

Forestil dig en pumpe på et anlæg, hvor I måler vibration og temperatur hvert minut. Data sendes til en server, og modellen sammenligner aktuelle mønstre med historiske tilfælde, hvor pumpen senere svigtede. Når modellen ser et typisk forløb, sender den et varsel med sandsynlighed og anbefaling: kontroller lejer om tre dage, hav reservedele klar. Det svarer lidt til at have en erfaren teknikermindset i softwaren, ikke en trylleformular, den siger hvad der typisk sker, ikke hvad der altid sker.

Hvorfor prædiktiv vedligeholdelse er relevant for din virksomhed

I Midt- og Vestjylland får I ofte tilbuddet fra maskinleverandører: "Vi kan opsætte PdM for jer." Beslutningen handler ikke kun om teknologi, men om data. Har I løbende sensormålinger, log over tidligere nedbrud og et sted at samle det (et historik-regneark eller et vedligeholdssystem)? Hvis ja, kan I skifte fra faste serviceintervaller til at reagere på faktiske signaler. Gevinsterne er typisk færre uventede stop, lavere lager af reservedele og bedre planlægning af vedligeholdspersonale. Omkostningen er tid til at samle data, kalibrere sensorer og få modellen til at forstå netop jeres maskiner.

Eksempel: prædiktiv vedligeholdelse hos en dansk producent

En driftsleder i en produktion af metaldele besluttede at prøve prædiktiv vedligeholdelse en mandag morgen, efter en række korte, uventede pumpestop i højsæsonen. Virksomheden havde 12 ældre pumper uden netop forbundet sensorer, men havde regneark med servicehistorik fra de seneste fem år og en PDF med pumpespecifikationer. Projektet begyndte med at sætte vibration-sensorer på tre af pumperne og samlede en måneds driftsdata. I første runde var modellen overalarmérbar; den gav tre falske varsler i løbet af tre uger, så teamet brugte ekstra tid på at tune tærskler og samle mere historik. Resultatet var en mere præcis alarmprofil, men også en lærestreg: for at få brugbare varsler kræver det både sensor-dækning og sammenhængende historik, og den første fase kostede en uge i installation og to ugers opfølgning fra driftsfolk og en konsulent.

Prædiktiv vedligeholdelse er ikke det samme som forebyggende eller tilstandsbaseret vedligehold

Begreberne bruges ofte i flæng. Tilstandsbaseret vedligehold handler om at måle og handle på den aktuelle tilstand, men uden nødvendigvis at forudsige tiden til svigt. Forebyggende vedligehold følger et fast skema, fx udskiftning hver sjette måned. Prædiktiv vedligeholdelse bruger derimod historik og algoritmer til at estimere, hvornår en komponent faktisk fejler. Maskinlæring er et værktøj til at finde de mønstre i data, der gør forudsigelsen mulig, men PdM kan også bruge enklere statistiske regler.

Hvad du skal være opmærksom på

Dataens kvalitet bestemmer resultatet. Manglende tidsstempler, afbrudte målinger eller inkonsistente service-logs betyder ekstra arbejde. Vær klar på at investere tid i opmærkning af historik, kalibrering af sensorer og en periode med falske alarmer. Tænk også på reservedele og kapacitet hos jeres vedligeholdsteam: et varsel er kun nyttigt, hvis I kan handle på det. Endelig: forvent ikke at alle maskiner kan dækkes fra dag ét, start småt, lær, og udvid løbende.

Er I i tvivl om, hvad prædiktiv vedligeholdelse betyder for jeres eget ansvar, så tag det med i AI-rådgivningen. Vil I have prædiktiv vedligeholdelse sat i drift på jeres egen maskine, er det dét, AI Hero Sidekick er bygget til.