- Prediktivt vedlikeholdsselskaper faller inn i tre grupper som prises og kjøpes forskjellig: fullstack-plattformer for maskinhelse, programvarepakker for bedriftsforvaltning av eiendeler, og ingeniørfirmaer som bygger et system oppå dataene du allerede har.
- Det riktige valget avhenger mindre av modellens nøyaktighet enn av hvor dataene dine befinner seg for øyeblikket. Hvis sensor-, historiker- og vedlikeholdshistorikk allerede flyter, kjøper du analyse. Hvis ikke, kjøper du datateknikk først.
- Publiserte leverandørresultater samler seg rundt en reduksjon på 30–65 % i uplanlagt nedetid. Behandle disse som veiledende: hver enkelt er knyttet til driften den ble målt på.
- Feilmodusen du bør planlegge for, er ikke et oversett havari, men en varsling ingen stoler på. Spør enhver leverandør hvordan falske positiver måles, og hvem som justerer dem etter lansering.
Hva prediktivt vedlikeholdsselskaper faktisk gjør
Spør ti selskaper innen prediktivt vedlikehold hva de selger, og du vil få tre genuint forskjellige svar, og det er derfor kortlister i denne kategorien er så vanskelige å sammenligne.
Den første gruppen selger en lukket sløyfe: deres sensorer, deres sky, deres diagnostikk, deres varsler. Du kobler maskinvare til en pumpe, og helsescorer dukker opp i en portal. Den andre gruppen selger en bedriftssuite for kapitalforvaltning der prediksjon er én modul ved siden av arbeidsordrer, lager og etterlevelse. Den tredje selger ingeniørarbeid — et team som kobler sammen din eksisterende historian, SCADA og vedlikeholdsdata, bygger modeller mot dine feilmoduser, og overleverer deg et system du eier.
Ingen av disse er bedre i det abstrakte. De feiler på forskjellige steder. En sensor-først-plattform sliter når ressursene som betyr noe allerede er instrumentert og problemet er at ingen stoler på dataene. En suite sliter når du ikke allerede kjører suiten. En egenutviklet løsning sliter når du vil ha noe i drift neste måned og ikke har noe datateam å overlevere det til.
Så det nyttige spørsmålet er ikke «hvilket selskap er best på prediktivt vedlikehold», men «hvilket av disse tre problemene har jeg faktisk?»
Hvordan Vi Valgte Disse Selskapene
Ni selskaper, på tre kriterier.
Prediktivt vedlikehold er en navngitt forretningsområde, ikke en funksjon. Mye vedlikeholdsprogramvare vil opprette en arbeidsordre når en avlesning krysser en terskel, og det markedsføres som prediksjon. Det er ikke det samme som et produkt bygget for å oppdage forringelse før en terskel krysses. Hvert selskap her selger den evnen under sitt eget navn.
De betjener kapitalintensive industrier. Olje og gass, produksjon, kjemikalier, gruvedrift, kraft — driftsområder der en uplanlagt stopp koster mer enn reparasjonen gjør, og der utstyret er tungt, roterende og dyrt å åpne. Leverandører rettet mot kjøretøyflåter, bygningstjenester eller IT-anlegg løser et genuint annerledes problem og sammenlignes ikke her.
De oppgir nok til å kunne sammenlignes. En leverandør som ikke vil si tydelig hva den selger, hvilke bransjer den jobber i, eller hva kundene fikk, kan ikke settes på kortlisten, uansett omdømme — en kjøper kan ikke sammenligne det en leverandør ikke vil forplikte seg til skriftlig. Ett selskap som ellers ville dukket opp her, mangler fordi vi ikke kunne lese en eneste påstand ved dens egen kilde.
Hva denne rangeringen ikke er basert på: leveringskvalitet vi ikke kan observere, priser vi ikke kan se, eller kundetilfredshet vi ikke har målt. Les oppføringene, sjekk påstandene, og lag en kortliste basert på hva som passer.
De ni prediktive vedlikeholdsselskapene
1. Crunch-IS
Crunch-IS bygger prediktive vedlikeholdssystemer på industridata som allerede eksisterer — sensorstrømmer, historikkdatabaser, SCADA-tagger og vedlikeholdshistorikk — i stedet for å selge en sensorpakke eller en plattformlisens. Arbeidet er datateknikk først og modellering deretter, noe som samsvarer med hvordan de fleste operasjoner med tunge driftsmidler faktisk mislykkes i å hente ut verdi: ikke fordi algoritmene er svake, men fordi dataene som mater dem er fragmentert på tvers av systemer ingen har avstemt.
Det er levert fra ende til ende. På en AI-drevet program for prediktivt vedlikehold av produksjonspumper på tvers av olje-, gass- og produksjonsvirksomhet i Europa nådde systemet 90 % prediksjonsnøyaktighet, reduserte vedlikeholdskostnadene med 40 % og reduserte uplanlagt nedetid med 65 %. Disse tallene tilhører det prosjektet og dets ressursklasse; de er ikke et generelt løfte.
Et annet oppdrag viser det andre vanlige utgangspunktet. For en olje- og gassoperatør som allerede kjørte Azure digitale tvillinger, la teamet til et lag for prediktivt vedlikehold oppå de eksisterende tvillingene for kritisk roterende utstyr, og koblet sensor-, drifts- og vedlikeholdshistorikkdata sammen til forklarbare helsepoeng, degraderingssignaler og indikatorer for feilrisiko — en MVP bygget for å utvides snarere enn et ferdig produkt. Der datagrunnlaget ennå ikke er på plass, er det selve jobben: et eget program bygget industriell datainfrastruktur for beredskap for digitale tvillinger før noen prediksjon ble forsøkt.
De relevante kapabilitetene ligger på tvers av AI- og ML-utvikling, datateknikk, MLOps og IoT-utvikling, med leveranse konsentrert i olje og gass og produksjon.
Grunnlagt i 2018 har Crunch-IS 170+ eksperter på 5+ lokasjoner, 120+ leverte prosjekter og 40+ aktive kunder, og rapporterer at 97 % av kundene er fullt fornøyde.
Best egnet for: operatører hvis sensor- og vedlikeholdsdata allerede finnes, men er spredt, og som ønsker å eie det resulterende systemet fremfor å leie det.
2. Varsel
Augury selger maskinhelse som en administrert tjeneste, og det er det mest komplette eksemplet på den lukkede sløyfe-modellen i denne listen. Deres egne industrielle IoT-sensorer fanger opp vibrasjons-, temperatur- og magnetiske data; deres Machine Health-plattform gjør dette om til preskriptive diagnostikk; et separat Process Health-produkt, som selskapet bemerker «tidligere var kjent som Seebo,» dekker prosessoptimalisering ved siden av det.
Den publiserte skalaen er betydelig: «200+ ressurstyper» dekket, «300k+ maskiner overvåket» og «1,1 mrd.+ timer med maskinovervåking.» Når det gjelder resultater, publiserer Augury «75 % færre falske alarmer enn terskelsystemer», «~30 dager til første maskinforbedring» og, med henvisning til en Forrester-studie, «< 6 måneders tilbakebetaling» og «310 % ROI.» Det støtter «40+ land» og «10+ språk.»
Nevnte bransjer inkluderer olje og gass, metaller og gruvedrift, kjemikalier, farmasøytisk industri, mat og drikke, og byggematerialer.
Best egnet for: store produsenter med flere anlegg som ønsker at hele stakken skal administreres og som er komfortable med proprietære sensorer.
3. Siemens — Senseye Predictive Maintenance
Senseye Predictive Maintenance er Siemens’ svar for produsenter som allerede har data og ikke ønsker å reinstrumentere anlegget for å bruke dem. Selskapet beskriver det som en kombinasjon av «industriell AI, domenekunnskap og skalerbar teknologi» slik at team kan «forstå ressurshelse, forutse risiko for feil og bestemme hvor de skal handle først.»
Den mest nyttige detaljen for en brownfield-operatør er de omkringliggende Industrial Connectivity Services, som Siemens sier kan «koble sammen nye og gamle anlegg og maskiner» – erkjennelsen av at et virkelig anlegg er en blanding av generasjoner, ikke et greenfield.
Siemens nevner BlueScope Steel i Australia og Sachsenmilch i Tyskland som kunder, og refererer til arbeid innen bilindustrien. Verdt å vite før du lager en kortliste: Siemens publiserer ingen konkrete ytelsestall for Senseye — resultater beskrives kvalitativt. Be om tallene direkte.
Best egnet for: bedriftsprodusenter med eksisterende historikkdata og en aldersblandet ressursbase, spesielt de som allerede er innenfor Siemens’ automatiseringsøkosystem.
4. IBM — Maximo Application Suite
IBM tilnærmer seg prediktivt vedlikehold fra ressursstyringssiden i stedet for sensorsiden. Maximo Application Suite beskrives som «en enhetlig løsning for ressurs- og anleggsstyring som samler vedlikehold, inspeksjoner og pålitelighet på ett sted», med ressursstyring for bedrifter, ytelsesstyring for ressurser og investeringsplanlegging for ressurser som komponenter – prediksjon er en funksjon i suiten, ikke produktet.
Olje og gass er nevnt eksplisitt, og dekker «upstream-, midstream- og downstream-operasjoner», sammen med produksjon, energi og forsyningstjenester, transport og myndigheter.
To praktiske merknader. Lisensiering kjører på et kredittsystem: IBM sier at pakken «kjøpes ved hjelp av en forenklet lisensierings- og bruksmodell som utnytter et kredittbasert system kalt AppPoints», tilgjengelig kundeadministrert eller som SaaS. Og de publiserte kunderesultatene er stort sett operasjonelle snarere enn vedlikeholdsspesifikke – Transport for London, for eksempel, er sitert med «21 millioner GBP i anslåtte besparelser for London Underground over en 10-årsperiode».
Best egnet for: ressursintensive virksomheter som ønsker vedlikehold, samsvar og kapitalplanlegging i ett system — spesielt eksisterende Maximo-nettsteder.
5. C3 AI — C3 AI Reliability
C3 AI Reliability er posisjonert som bedrifts-AI anvendt på pålitelighet: selskapet beskriver det som «å forene sensordata, vedlikeholdsjournaler og delelager for å forutsi utstyrssvikt og muliggjøre proaktiv overvåking i stor skala.»
Den publiserer det mest spesifikke resultatsettet i denne listen: «50 % reduksjon i nedetid», «5 % forbedring i samlet utstyrseffektivitet (OEE)», «99 % reduksjon i varselstøy» og «6 måneder for å distribuere og skalere på tvers av anlegg.» Navngitte distribusjoner inkluderer Shell med «10 000+ ressurser overvåket globalt», Holcim «Skalert på tvers av 80 anlegg og 400 ressurser», og Dow med «45 millioner dollar i årlig økonomisk gevinst.»
Bransjer som nevnes inkluderer olje og gass, produksjon, forsyningsselskaper, maritim sektor, samt forsvar og etterretning.
Best egnet for: store bedrifter som kjører et bredere industrielt AI-program, der pålitelighet er én applikasjon blant flere.
6. AspenTech
AspenTech tilnærmer seg vedlikehold fra prosessteknikk, og det er derfor det går igjen innen raffinering, kjemikalier og kraft. Deres egne sider rammer inn prediktivt vedlikehold innenfor en bredere portefølje for Asset Performance Management og produksjonsoptimalisering, i stedet for som et frittstående verktøy.
Ett faktum verdt å ta med inn i enhver kortliste: AspenTechs egen nettside beskriver nå selskapet som «Aspen Technology—nå en del av Emerson.» Oppsummeringer skrevet før den transaksjonen presenterer det fortsatt som uavhengig.
Selskapets forklaring av kategorien er uvanlig tydelig på metode, og navngir vibrasjonsanalyse, infrarødanalyse og akustisk analyse som hovedtypene. AspenTech navngir produksjon, transport, forsyningstjenester og kraftproduksjon.
Best egnet for: raffinering, kjemikalier og kraftoperasjoner der vedlikeholdsbeslutninger ikke kan skilles fra prosessforholdene.
7. Cognite
Cognites argument er at modelleringen vanligvis ikke er flaskehalsen – det er dataene. Cognite Data Fusion® er en industriell dataplattform for kontekstualisering av operasjonelle data på tvers av historikere, SCADA, vedlikeholdssystemer og ingeniørdokumenter, med prediktiv analyse bygget oppå dette fundamentet i stedet for ved siden av det.
For nedstrøms energi sier selskapet at plattformen hjelper operatører med å «optimalisere anleggets produksjonseffektivitet, effektivisere og digitalisere vedlikeholds- og feltarbeidsflyter, forbedre eiendelenes levetid og pålitelighet.» Cognite publiserer «5 % mindre produksjonstap», «15 % økning i produktivitet» og «1 % økning i overlay-produksjon», med OMV oppgitt til «50 % reduksjon i planleggingstid for inspeksjon og 6 % besparelser på utsatt produksjon.»
Best egnet for: digitalt modne operatører med store, fragmenterte operasjonelle datasett — tilfellet der datakontekstualisering er selve prosjektet.
8. Tractian
Tractian kombinerer sin egen trådløse maskinvare for tilstandsovervåking med et innebygd CMMS, som er kombinasjonen mellomstore anlegg oftest ønsker: sensorer som installeres raskt og et arbeidsordresystem vedlikeholdsteamet allerede forstår, uten å integrere to leverandører.
Selskapet oppgir at det er «Betrodd av 1 500 amerikanske og globale produsenter», publiserer en «4,7» kundevurdering, og siterer en Inc. 5000-rangering på «#269.» Navngitte kunder inkluderer McKesson, Air Liquide, Whirlpool, Verizon, Cummins og Kubota. Sektorer som er oppført inkluderer produksjon, olje og gass, kjemikalier, gruvedrift, metaller, mat og drikke, og flåte.
Best egnet for: mellommarkedsanlegg som raskt ønsker sensorteknologi og vedlikeholdsutførelse fra én leverandør.
9. Nanoprecise
Nanoprecise knytter mekanisk tilstand til energiforbruk, noe det kaller Energisentrert prediktivt vedlikehold — en genuin differensiator der bærekraftsrapportering og oppetid etterspørres samtidig. Maskinvarelinjen inkluderer den trådløse edge-sensoren MachineDoctor sammen med RotationLF, TransformerLF og NrgMonitor.
Prosentandelene Nanoprecise publiserer — om havarier, nedetid og vedlikeholdskostnader — er fremstilt som generelle kategorigjennomsnitt snarere enn resultater fra navngitte implementeringer, så de beskriver hva prediktivt vedlikehold pleier å oppnå snarere enn hva denne leverandøren har levert. Be om tall fra en installasjon som ligner din.
Bransjer som nevnes inkluderer olje og gass, gruvedrift, sement, metaller, papirmasse og papir, farmasøytisk industri og forsyningsselskaper.
Best egnet for: programmer for roterende utstyr der energieffektivitet er en del av forretningsgrunnlaget.
Sammenligning av leverandører av prediktivt vedlikehold
Hvordan velge en partner for prediktivt vedlikehold
- Start med dataene, ikke modellen. Spør hva de trenger fra deg før noe som helst gir prediksjoner. En leverandør som ikke spør om historikkdatabasen din, selger deg sensorene sine.
- Spør hvor ofte det vil ta feil. Hvert eneste av disse systemene utløser varsler som viser seg å være ingenting. For mange, og teamet ditt slutter å åpne dem — som er slik disse programmene stille dør. Spør hvem som er ansvarlig for å få det tallet ned når dere er i drift.
- Be om et resultat for din aktivaklasse. Et tall fra en mat- og drikkelinje forteller deg lite om en gasskompressor.
- Bestem hvem som eier modellen. Med en plattform gjør leverandøren det. Med en egenutviklet løsning gjør du det. Det er et strategisk valg, ikke en innkjøpsdetalj.
- Definer et pilotprosjekt du kan mislykkes med til en lav kostnad. Fem kritiske ressurser, et definert tidsvindu og en forhåndsavtalt definisjon av suksess.
Fortsatt usikker på om prediktivt vedlikehold i det hele tatt passer for driften din? følgeguide til prediktivt vedlikehold for industriell drift dekker hvordan det fungerer, hva det krever, og hvor det går galt.
