De toekomst van onderhoud in de metaal- en mijnbouwsector

Het ontginnen en raffineren van metalen is een van de oudste ter wereld, en hoewel het aanzienlijk heeft geprofiteerd van het gebruik van moderne machines en gegevensanalyse, is de manier waarop waarde wordt gecreëerd generaties lang hetzelfde gebleven. De toekomst voor de metaal- en mijnbouwsector biedt een aantal kritieke uitdagingen die moeten worden geanticipeerd en beheerd om de wielen van deze industrie winstgevend te laten blijven draaien.

Hoewel er een groeiende vraag is, blijft de prijs die metalen en andere mineralen kunnen bereiken onder grote druk staan ​​vanwege het enorme productvolume dat op de markt komt. Dientengevolge moeten fabrikanten kostenbesparingen vinden om de winst te beschermen en enige stabiliteit te bieden in een steeds fluctuerende economische omgeving.

Het vermogen van producenten om meer efficiëntie te leveren, wordt echter op de proef gesteld door het feit dat grote spelers op de markt al de minste vruchten van automatisering hebben geoogst. De volgende fase in de reis naar meer efficiëntie vereist dat producenten een stap verder gaan in het rijk van Industrie 4.0. Hoewel dit misschien een grote sprong in het onbekende lijkt, is het een relatief kleine, eenvoudige stap voor een sector die al veel gebruik maakt van data in hun productieomgevingen.

Organisaties die betrokken zijn bij de winning en het smelten van metalen zijn over het algemeen behoorlijk geavanceerd als het gaat om het verzamelen van gegevens uit hun productieomgevingen, en zijn goed uitgerust om te profiteren van de overstap naar Industrie 4.0. Deze bedrijven verzamelen aanzienlijk meer gegevens met betrekking tot het productieproces dan de meeste segmenten van de productiegemeenschap en maken veel meer gebruik van fabriekshistorici en industriële IoT-platforms om deze gegevens op te slaan en te analyseren.

Deze hoge mate van datavolwassenheid komt voort uit het feit dat in metalen het geheim van kwaliteit niet noodzakelijk de machines zelf zijn, maar de processen waarbij ze betrokken zijn. Strikte controle over de methoden en timing maken het verschil tussen het produceren van een product van hoge kwaliteit en helemaal niets van waarde hebben. Producenten houden dit proces nauwlettend in de gaten en verzamelen daarbij grote hoeveelheden gegevens om de productie te informeren en te beoordelen hoe ze presteren. Nu het zware werk van het extraheren van gegevens uit productieomgevingen is voltooid, is een enorme hoeveelheid toegevoegde waarde nu haalbaar.

Voorspellend onderhoud biedt organisaties die actief zijn in dit deel van de economie een grote kans om de efficiëntie te verbeteren. Goede onderhoudspraktijken zijn essentieel om de productie online te houden en catastrofale storingen te voorkomen.

Er wordt al enorm veel zorg en aandacht besteed om ervoor te zorgen dat kritieke uitrustingen zoals smederijen volledig functioneel en in goede staat blijven. Problemen hier kunnen catastrofaal zijn voor de productie, omdat ze tijd en enorme hoeveelheden geld kosten. Erger nog, smeedfouten creëren een reëel risico op schade voor mensen die in en rond die omgevingen werken.

Er wordt echter veel minder aandacht besteed aan het optimaal werken van hulpcomponenten. In het beste geval worden deze ondergewaardeerde apparaten onderhouden volgens een strikt tijdschema, wat betekent dat ze worden onderhouden, of ze het nu nodig hebben of niet. Deze aanpak leidt er ook toe dat een probleem met een machine of een afzonderlijk onderdeel maanden kan duren voordat het wordt ontdekt. Deze problemen kunnen een productielijn platleggen en secundaire schade aan de betrokken machines veroorzaken.

Geautomatiseerde producten voor voorspellend onderhoud, zoals Senseye's PdM-softwaresuite, bieden een oplossing waarmee organisaties onmiddellijk tastbare besparingen kunnen realiseren door een vergelijkbaar niveau van zorg en aandacht toe te passen op alle productiemiddelen.

In plaats van mensen te vragen elk productiemiddel handmatig te controleren, hebben we algoritmen voor machine learning ontwikkeld die automatisch de toestand van industriële machines beoordelen. We bereiken dit door zelflerende algoritmen toe te passen op bestaande gegevensuitvoer om te controleren op hun kleine maar significante variaties in trillingen, druk, temperatuur, koppel, elektrische stroom en andere bronnen die wijzen op een verslechtering van de machinegezondheid.

Gewapend met dit inzicht kunnen producenten precies de juiste onderhoudsinterventie op het juiste moment doorvoeren. Deze aanpak zorgt ervoor dat machines zo soepel mogelijk kunnen werken, vermindert het risico op catastrofale machinestoringen en elimineert de inefficiënties en verspilling die gepaard gaan met overmatig onderhoud. Producenten kunnen overstappen van het monitoren van een handvol kritieke activa naar duizenden, waarbij ze de efficiëntie en controle maximaliseren met een uitgebreid overzicht van wat er in hun productielijnen gebeurt.

De uitdagingen voor de metaal- en mijnbouwsector zijn niet uniek en zeker niet terminaal. Het is een industrie die al millennia bestaat en ongetwijfeld nog een aantal jaren zal blijven bestaan. Gezien de uitdagingen waarmee deze sector wordt geconfronteerd, zullen de winnaars echter degenen zijn die een product van hoge kwaliteit kunnen blijven leveren tegen een concurrerende prijs, een taak die slimmere, steeds efficiëntere operaties vereist. Voorspellend onderhoud is een gebied waarop producenten tastbare besparingen en efficiëntie kunnen realiseren, terwijl ze ook aspecten als veiligheid en milieuprestaties kunnen verbeteren. De gegevens die nodig zijn om deze nieuwe manier van werken te implementeren, zijn al aanwezig voor de meeste organisaties die in deze sector actief zijn.

Lees meer door onze case study over Alcoa te downloaden of boek een Senseye-demo.