Voorspellend onderhoud excellentie ontgrendelen: Expert best practices voor fabricanten

Met toenemende nadruk op voorspellend onderhoud gezien als een van de grote trends die de productie in 2021 en daarbuiten zullen domineren, hoe moeten fabricanten de uitdaging aanpakken van het beoordelen en reageren op machinegezondheidsinzichten?

In deze film bespreken Senseye's Alexander Hill en Rob Russell samen met Jim Davison van Make UK en Dr. Hannah Edmonds van het Manufacturing Technology Centre de best practices die maximaal voordeel leveren uit voorspellend onderhoud, en hoe de kennis van condition monitoring specialisten en betrouwbaarheidsingenieurs gedemocratiseerd kan worden om voorspellend onderhoud duurzaam en op schaal te doen.

Transcript

Alexander Hill, Senseye: Voorspellend onderhoud gaat een focus zijn voor productie- en industriële bedrijven dit jaar en de komende jaren. Het moet. Om efficiëntiewinst, geldbesparing, en dingen als remote werken en remote onderhoud te ermöglichen, is voorspellend onderhoud een absoluut essentieel onderdeel.

Rob Russell, Senseye: Het hoofd use case voor slimme fabrieken en digitalisatie is in en rond voorspellend onderhoud gebouwd. Er is een niveau van domeinkennis vereist om eerst te begrijpen hoe u de juiste informatie uit de machines haalt, maar ook hoe u die in het onderhoudscontext gebruikt.

Jim Davison, Make UK: Traditionele fabrieksingenieurs zijn vaak als ik, met grijze haren, aan het einde van hun carrière. Het is een uitdaging om de volgende generatie te werven voor die rollen. Door slimme technologieën in te zetten, brengt u een spannend element in de rol waar mensen niet bekend mee waren.

Rob Russell, Senseye: Bij het reageren op outputs m.b.t. machinegezondheid, moet u nog steeds goede engineering policy en praktijk hanteren. Databronnen en identificatie van vroege problemen in machines die voorspellend onderhoud mogelijk maken, detecteren soms subtiele beginstadia van falen.

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

Dr. Hannah Edmonds, Manufacturing Technology Centre: Als onderdeel van een groter programma had ik te maken met veel verschillende productie-elementen en analytics. De mogelijkheid om die te combineren gaf toegevoegde waarde.

We gebruikten Senseye's geautomatiseerde analyse om issues in het productiesysteem te diagnosticeren en de nuttige resterende levensduur van machines te identificeren. We konden dat visualiseren via een additioneel programma, maar combineerden het ook met een CMMS om onderhoudstaken in te plannen.

Alexander Hill, Senseye: We willen condition monitoring ingenieurs en betrouwbaarheidsspecialisten niet vervangen. We willen ervoor zorgen dat hun tijd echt effectief wordt gebruikt, want ze kijken vaak naar tienduizenden datastromen en proberen te begrijpen welke belangrijk zijn. Dat is een zware, moeilijke job.

Onze aanpak: zoveel mogelijk automatiseren van de traditionele rol van een condition monitoring ingenieur die naar duizenden datapunten kijkt en probeert te begrijpen welke relevant zijn. We hoeven handmatig modellen te bouwen en te tweaken – onze gepatenteerde technologie en algoritmes automatiseren het hele proces.