Blogg

Genom att underhållstidpunkten optimeras förbättras maskinens användningsgrad

Driftsäkerhet och pålitlighet är grundpelarna i ett företags framgång. Oavsett om det gäller resor med flyg eller tåg, transport av material i gruvor eller ovan mark, eller också funktionaliteten i industrins processer, korrelerar lönsamheten med driftsäkerheten. Det sätter underhållet och optimeringen av underhållet på agendan.

Traditionellt sker underhåll utgående från ett kalenderschema. Utmaningen är då att underhållet och kalendern inte alltid följs åt. Följden kan bli att produktivt kapital ligger inaktivt i onödan, eller så kan fel tidpunkt för underhåll orsaka ett dyrt, oväntat driftstopp som tär på kundnöjdheten. Underhåll handlar alltså inte enbart om oljebyten utan inbegriper ofta många mycket komplicerade, prismässigt värdefulla delar som nöts under produktionen. Det lönar sig att optimera bytet av dessa delar.

Förutsägande underhåll som baserar sig på information som samlats in via sensordata kan spara in miljoner. Med hjälp av IBM:s SPSS Modeler blir data som samlats in via sensorer i processer och maskiner en förutsägande underhållsmodell som betjänar verksamheten och som, genom att förutsäga när komponenter är uttjänta, kan optimera tidpunkten för underhållet. Då minskas risken för oplanerade nedstängningar samtidigt som man undviker onödigt underhåll och de driftstopp sådant för med sig.

Med de data som samlas in via sensorerna skapas en livscykelmodell för delarna. Modellen anger de delar som sannolikt måste bytas ut inom en snar framtid, och samtidigt får man lärdomar omhur oväntade stopp i maskinerna kan förebyggas. Med hjälp av analyserna fås realtidslarmen att fungera optimalt, vilket minskar på det onödiga arbete som falska larm orsakar. På så sätt kan förutsägande, optimerat underhåll avsevärt minska kostnaderna, förbättra driftsäkerheten och förebygga onödiga byten av fungerande delar.

Ett exempel är en stor järnvägsoperatör som installerat tusentals sensorer längs ett 20 000 km långt banavsnitt för att övervaka i vilket skick järnvägstrafikens hjul och axlar befinner sig. Med hjälp av SPSS Modeler utnyttjas de kritiska parametrar som sensorernas data förmedlar, till exempel hjulens värme, grad av slitage och positionsfel, för förutsägande och optimering av underhåll och granskningar. Detta har gett utrustningen fler driftstimmar och samtidigt förebyggt oväntade driftstopp. Tack vare det smarta uppföljnings- och underhållssystemet har såväl servicenivån som kundnöjdheten bland både affärs- och fritidsresenärer ökat.

Om målet är att skapa en intelligent underhållsmodell är SPSS Modeler en fungerande lösning i verkligt många branscher. ”Det enklaste och effektivaste sättet att korrigera ett fel är att på förhand se till att det aldrig inträffar”.