Voor- en nadelen van AI voor voorspellend onderhoud

Kunstmatige intelligentie (AI) ligt ten grondslag aan de huidige oplossingen voor geautomatiseerd voorspellend onderhoud (PdM). De algoritmen van Senseye PdM waarschuwen gebruikers bijvoorbeeld op tijd voor verslechterende machines om een ​​storing te voorkomen, wat een schat aan bijbehorende voordelen oplevert, zoals verminderde uitvaltijd en meer gerichte onderhoudsinspanningen, wat de duurzaamheid en efficiëntie ten goede komt. Deze tools zijn zo krachtig dat het gemakkelijk is om je te laten meeslepen door de mogelijkheden van AI in de context van PdM.

Een veel voorkomende misvatting is dat op AI gebaseerde systemen kunnen voorspellen wanneer en hoe machines zullen falen door aanwijzingen te ontdekken die onzichtbaar zijn voor een menselijke expert. Maar de waarheid is dat getrainde analisten voor conditiebewaking de gouden standaard bepalen voor het begrijpen van de gezondheid van machines. Het belangrijkste verschil tussen menselijke aanraking en wat automatisering kan bieden, is schaalbaarheid, niet een magische vorm van gegevensanalyse.

Een expert kan slechts één asset tegelijk onderzoeken, terwijl een geautomatiseerd systeem duizenden assets tegelijk kan monitoren. Dit maakt de weg vrij voor grote veranderingen. In het verleden hielden de tijd, moeite en kosten die gemoeid waren met handmatige conditiebewaking het beperkt tot alleen de meest kritieke activa. Daarentegen maken geautomatiseerde PdM-systemen het nu praktisch om dezelfde benadering uit te breiden naar elke machine gedurende uw hele bedrijf.

Hulpmiddelen voor beslissingsondersteuning
De voordelen van schaalbaarheid raken ook de mythe dat PdM-oplossingen banen bedreigen. Deze tools zijn bedoeld om operators en onderhoudsteams in staat te stellen betere beslissingen te nemen, niet om ze te vervangen. Met PdM-oplossingen kunnen gebruikers hun inspanningen op het gebied van activabeheer tot nu toe op ronduit onmogelijke manieren sturen, waardoor bestaande teams productiever kunnen zijn, met vaak beperkte budgetten.

Echte voordelen zijn afhankelijk van kwaliteitsgegevens
Een op AI gebaseerde PdM-oplossing is transformatief voor onderhoudswerkzaamheden, op voorwaarde dat deze toegang heeft tot de juiste soorten machinegegevens. De sleutel is om ervoor te zorgen dat gebruikers voldoende vertrouwen kunnen hebben in het geautomatiseerde PdM-systeem om adequaat te reageren wanneer het systeem een ​​waarschuwing geeft. Het betrouwbaarheidsniveau zal voornamelijk afhangen van de kwaliteit van de beschikbare gegevens die het systeem binnenkomen. Je kunt niet ontsnappen aan het oude gezegde:"Garbage in, garbage out."

Basisgegevens voor conditiebewaking zijn het absolute minimum dat vereist is voor PdM. Dit kan parameters omvatten zoals de stroom die door een motor wordt getrokken of de timing tussen twee instelpunten, waarbij een storing op korte termijn of een trend op langere termijn kan betekenen dat de toestand van een actief verslechtert.

Gebruikers kunnen een beperkt vertrouwen hebben in waarschuwingen die worden gegenereerd met behulp van primaire gegevens, omdat het proces of de omgevingsveranderingen ook van invloed kunnen zijn op veel parameters. Het omschakelen van een pomp om een ​​product met een hogere dichtheid te verwerken of veranderingen in de omgevingstemperatuur kan een aanzienlijke impact hebben.

Conditie-indicatoren houden rekening met dergelijke misleidende informatie en zijn bedoeld om veranderingen met betrekking tot verwerking en omgevingsfactoren weg te werken in plaats van het gedrag van de machine zelf.

Geavanceerde conditie-indicatoren gaan een stap verder door zich te richten op specifieke faalwijzen. Het klassieke voorbeeld zou zijn in trillingsbewaking, die iemand kan afstemmen om te zoeken naar indicatoren van falen die zichtbaar zijn bij specifieke frequenties, wat bijvoorbeeld kan aangeven dat een motoras niet goed is uitgelijnd.

Een gebruiker kan aan het begin van een PdM-implementatie faalwijzen identificeren door de onderhoudsgeschiedenis van elk activum en de bijbehorende algemene technische informatie te onderzoeken. Gebruikers kunnen vervolgens de conditie-indicatoren kiezen die waarde toevoegen en sensoren instellen om zich te concentreren op de faalwijzen die waarschijnlijk de grootste voordelen opleveren.

Bewezen succes
Op AI gebaseerde PdM-oplossingen zijn geen toverstokjes, maar de enorme voordelen van de overstap naar een succesvol PdM-regime zijn goed bewezen. Bij Senseye gebruiken we eigen op AI en ML gebaseerde algoritmen om klanten te helpen tienduizenden machines over de hele wereld te monitoren om de onderhoudsefficiëntie te verbeteren en van tevoren de juiste informatie te verstrekken. De resultaten zijn onder meer een daling van de ongeplande machinestilstand met 50%, een daling van de onderhoudskosten met 40% en een stijging van de productiviteit van het onderhoudspersoneel en een nauwkeurigheid van de voorspelling van stilstand met respectievelijk 55% en 85%.

Neem contact op met Senseye voor een demo en leer meer over hoe we u kunnen helpen bij het behalen van uw machinebetrouwbaarheids- en duurzaamheidsdoelstellingen.