Predictive Message in a Bottle:een moderne benadering van een eeuwenoud proces

De kunst van het maken van alcohol kan worden teruggevoerd tot ver vóór 7000 vGT, waar fruit en granen werden gefermenteerd voor persoonlijk gebruik en plezier. In deze moderne tijd is ditzelfde proces echter geïndustrialiseerd voor de productie van grote hoeveelheden en wereldwijde distributie, waardoor het meer lijkt op precieze chemische productie dan een tijdverdrijf in het weekend.

De machines die worden gebruikt bij het fermenteren, testen, rijpen, bottelen, verpakken en vervolgens distribueren, zorgen ervoor dat de alcoholindustrie perfect gepositioneerd is om de revolutie van online voorspellend onderhoud (PdM) op te nemen, zodat kwaliteit en kwantiteit kunnen voldoen aan de eisen voor uw merk.

Distilleerderijen &brouwerijen zijn groot, complex en energie-intensief. Ze voeren processen uit waar schijnbaar kleine problemen met apparatuur kunnen leiden tot grote problemen met de productkwaliteit.

Ze werken ook 24/7 en uitvaltijd kan doorgaans oplopen tot $ 40.000 per uur aan verloren productie. Voorspellend onderhoud kan deze uitdagingen overwinnen. Het kan downtime en onderhoudskosten verminderen. Het kan ook helpen om de productieprestaties te optimaliseren, de productkwaliteit te waarborgen en de energierekening te verlagen. De potentiële impact op de winstgevendheid is enorm.

Voorspellend onderhoud lijkt misschien een niche-onderwerp als je magazijnen hebt vol met veroudering en wachtend om te rijpen, maar eigenaren van distilleerderijen mogen het grote verschil dat voorspellend onderhoud kan maken voor hun bedrijf niet onderschatten. De introductie van een programma voor voorspellend onderhoud kan een grote bijdrage leveren aan de winstgevendheid, zoals bedrijven in veel andere industriële sectoren al ontdekken.

Bovendien staan ​​distilleerderij- en brouwerij-exploitanten voor dezelfde demografische uitdagingen als bedrijven in de vergrijzende economieën van de ontwikkelde wereld, waarbij 70% van de ervaren werknemers in de komende 15 jaar met pensioen gaat.

Bedrijven moeten manieren vinden om te voorkomen dat al die expertise verloren gaat voor het bedrijf. Machine learning en kunstmatige intelligentie ingebed in de nieuwste geautomatiseerde systemen kunnen helpen om de zich ontwikkelende tekorten aan vaardigheden tegen te gaan.

Wat verschillen ce kan voorspellend onderhoud maken?

Voorspellend onderhoud is afhankelijk van het monitoren van de toestand van machines om veel eerder te identificeren wanneer er iets misgaat. Hierdoor kunnen technici problemen oplossen voordat ze een storing veroorzaken die van invloed zou zijn op de prestaties of de productie zou verstoren. Dus hoeveel verschil zou dat kunnen maken in een distilleerderij of brouwerij?

Neem een ​​eenvoudige lagerstoring als een veelvoorkomend voorbeeld van wat er mis kan gaan. Fabrikanten geven een verwachte levensduur voor elk lager, maar schattingen suggereren dat minder dan 10% van de lagers die limiet bereikt voordat ze defect raken. Dit betekent dat meer dan negen van de tien lagerstoringen voorbarig zijn. Met andere woorden, ze zijn alleen te vermijden met de juiste conditiebewakingssystemen om te waarschuwen wanneer er een storing dreigt.

In een branche waar duizenden lagers op één locatie zijn geïnstalleerd en ongeplande uitvaltijd door machinestoringen doorgaans $ 40.000 per uur aan verloren productie kost, is het gemakkelijk in te zien hoe het voorkomen van deze storingen van invloed kan zijn op de winstgevendheid.

Naast het verminderen van uitvaltijd tot 50%, zijn andere voordelen van voorspellend onderhoud lagere arbeidskosten, geoptimaliseerd beheer van reserveonderdelen en het vermijden van secundaire schade aan de distilleerderij of brouwerij of aan de productkwaliteit.

Moderne oplossingen beloven overtuigende ROI

Voorspellende onderhoudssystemen vereisen een effectieve conditiebewaking - kijken naar veranderende patronen van machinegedrag die een teken kunnen zijn van het ontstaan ​​van problemen.

Vroeger betekende dat dat data-experts moeizaam de data die van individuele machines binnenkwamen moesten monitoren en analyseren. Maar de nieuwste geautomatiseerde systemen maken gebruik van geavanceerde machine learning-algoritmen om conditiebewaking te bieden zonder menselijke tussenkomst.

Deze geautomatiseerde oplossingen voor conditiebewaking zijn ook cloudgebaseerd en gemakkelijk schaalbaar, waardoor het eenvoudig is om ze in het begin op een paar machines te testen, voordat ze naadloos over de hele operatie worden uitgerold.

Dit cloudgebaseerde SaaS-leveringsmodel (Software as a Service) betekent dat de prijs per machine doorgaans sterk daalt naarmate het aantal machines dat onder de Predictive Maintenance-implementatie valt, groeit.

Door de investeringen, tijd en moeite die nodig zijn om conditiebewaking te implementeren, te verminderen, heeft de nieuwe generatie slimme oplossingen het rendement op investering (ROI) sterk verschoven ten gunste van voorspellend onderhoud.

De ervaring leert bijvoorbeeld dat Senseye-klanten de kosten van hun abonnementen alleen al in het eerste jaar tussen de vijf en tien keer kunnen terugverdienen, plus:

• 10-40% lagere onderhoudskosten
• 30-50% reductie in uitvaltijd
• 45-55% verhoogde productiviteit
• 85% toename in onderhoudsnauwkeurigheid

De Senseye PdM cloudgebaseerde oplossing voor voorspellend onderhoud neemt gegevens van bestaande sensoren rond een locatie en zet deze om in informatie over de toestand van de machines die worden bewaakt. Bestaande gebruikers zijn onder meer blue chip-bedrijven in de productie, de zware industrie, de auto-industrie en FMCG, die doorgaans profiteren van 50% minder ongeplande uitvaltijd.

Het systeem is ontworpen om vanaf de eerste dag te beginnen met leren en levert al binnen 14 dagen bruikbare inzichten op. Operators kunnen het systeem vooraf voorbereiden met nuttige informatie, zoals de gegevens die zijn vastgelegd in de aanloop naar eerdere storingen, maar de algoritmen zijn ontworpen om indien nodig helemaal opnieuw te beginnen.

Terwijl de meeste conditiebewakingssystemen zich richten op abstracte concepten van 'machinegezondheid', leert Senseye PdM snel om de aandacht van de machinist te richten op de meest dringende onderhoudsprioriteiten met behulp van een Aandachtsindex.

Telkens wanneer Senseye PdM een waarschuwing geeft, kan de operator met een druk op de knop aangeven of die waarschuwing nuttig is of niet. Dit leert het systeem geleidelijk de aandacht van de operator te richten op de belangrijkste trends of gebeurtenissen, in plaats van ze te bombarderen met waarschuwingen op laag niveau vanuit alle richtingen. Dit is vooral handig bij grote implementaties die honderden of zelfs duizenden activa kunnen dekken.

Terwijl Senseye PdM onmiddellijk begint met het leveren van effectieve ondersteuning, is het uiteindelijke doel om het punt te bereiken waarop het nauwkeurige voorspellingen kan leveren van de resterende gebruiksduur (RUL) van elk activum - een techniek die prognostiek wordt genoemd. Het is alsof u een ervaren operator bij de hand hebt die weet wanneer een ratelende pomp onmiddellijke aandacht nodig heeft en wanneer deze veilig kan worden achtergelaten tot de volgende geplande stopzetting.

Is Senseye PdM geschikt voor mij?

Wilt u meer weten over hoe Senseye PdM u kan helpen uw winstgevendheid te vergroten? Boek vandaag nog een afspraak met ons.