Beste praktijken voor voorspellend onderhoud | Senseye

Met een grotere nadruk op voorspellend onderhoud, gezien als een van de belangrijkste trends die de productie in 2021 en daarna zullen domineren, hoe moeten fabrikanten beginnen met de uitdaging aangaan van het beoordelen van en reageren op machinegezondheidsinzichten?

In deze film worden Alexander Hill en Rob Russell van Senseye vergezeld door Jim Davison en Dr. Hannah Edmonds van Make UK van het Manufacturing Technology Centre om de beste werkwijzen te onderzoeken die maximaal voordeel opleveren voorspellend onderhoud, en hoe de kennis van conditiebewakingsspecialisten en betrouwbaarheidsingenieurs kan worden gedemocratiseerd om voorspellend onderhoud duurzaam en op schaal mogelijk te maken.

Transcript

Alexander Hill, Senseye:Voorspellend onderhoud zal dit jaar en de komende jaren een aandachtspunt zijn van productie- en industriële bedrijven. Het moet zo zijn. Om te profiteren van deze efficiëntiewinst, geld te besparen en zaken als werken op afstand en onderhoud op afstand mogelijk te maken, is voorspellend onderhoud een absoluut essentieel onderdeel.

Rob Russell, Senseye:De belangrijkste use case voor slimme fabrieken en digitalisering is gebouwd in en rond voorspellend onderhoud. Er is een niveau van domeinkennis vereist om eerst te begrijpen hoe je het juiste type informatie uit de machines haalt, maar ook hoe je dat binnen de onderhoudscontext kunt gebruiken.

Jim Davison, Make UK:De traditionele fabrieksingenieurs zijn net als ik, met grijs haar, tegen het einde van hun carrière aan het komen. Het is een uitdaging voor ons om de volgende generatie te rekruteren om die rollen te vervullen. Door zaken als slimme technologieën in te zetten, voegt het een heel spannend element toe aan de rol waar mensen niet bekend mee zouden zijn geweest.

Rob Russell, Senseye:Als je kijkt naar de uitdagingen van hoe te reageren op de output, met betrekking tot de gezondheid van machines, moet je dat nog steeds benaderen met goed technisch beleid en praktijk. De gegevensbronnen en de identificatie van de vroege problemen die u zou hebben binnen machines die voorspellend onderhoud mogelijk maken, detecteren soms vrij subtiele vroege stadia van falen.

Het onderhoudsteam zal manieren gaan vinden om hun bevindingen te onderbouwen en ook te begrijpen dat vroege detectie hen een veel groter tijdvenster geeft. Dit stelt hen in staat om de planning en het onderzoek te doen wanneer de productie de machines niet nodig heeft en vervolgens ook het onderhoud te plannen in een later stadium, wanneer de machines weer uit zijn en er geen productie-impact is.

Dr. Hannah Edmonds, Manufacturing Technology Centre:Als onderdeel van een groter programma waar ik bij betrokken ben geweest, hadden we veel verschillende productie-elementen samen, veel verschillende analyses die plaatsvonden - de mogelijkheid om die te combineren gaf ons toegevoegde waarde.

We hebben de geautomatiseerde analyse van Senseye gebruikt om problemen in het productiesysteem te diagnosticeren en de bruikbare resterende levensduur van machines te identificeren. We konden dat visualiseren via een extra programma, maar we combineerden het ook met een geautomatiseerd onderhoudsbeheersysteem om onderhoudstaken in te plannen.

Alexander Hill, Senseye:We willen condition monitoring engineers en betrouwbaarheidsspecialisten niet vervangen. We willen er gewoon zeker van zijn dat hun tijd echt effectief wordt gebruikt, omdat ze vaak naar tienduizenden datastromen kijken en proberen te begrijpen welke belangrijk zijn. Dat is een zeer belastende, zeer moeilijke taak om te doen.

De manier waarop we dit probleem zouden aanpakken, is dat we de traditionele rol van een ingenieur voor conditiebewaking die duizenden gegevenspunten bekijkt, zoveel mogelijk automatiseren en proberen begrijpen welke belangrijk zijn.

We hoeven modellen niet handmatig te bouwen en aan te passen, dankzij onze gepatenteerde technologie en algoritmen kunnen we dat hele proces automatiseren.