Hur man startar ett program för prediktivt underhåll

Någonstans mellan att läsa om hur förebyggande underhåll fungerar och att fråga vem som ska bygga det ligger frågan som faktiskt avgör budgeten: är detta värt att göra här, på vilken utrustning, och vad skulle det ge tillbaka.

Om du fortfarande försöker förstå vad tekniken gör, börja med guide till förebyggande underhåll för industriell verksamhet. Om du har bestämt dig och jämför leverantörer, ge sammanställning av företag inom förebyggande underhåll täcker nio av dem.

Vad ett program för prediktivt underhåll faktiskt är

Ordet som spelar roll är program. Att köpa en övervakningsplattform är en upphandlingshändelse; att driva ett program för prediktivt underhåll förändrar hur underhållsbeslut fattas, vem som fattar dem och vilka bevis de vilar på.

Den skillnaden visar sig i felläget. Anläggningar misslyckas sällan med att installera sensorer. De misslyckas med att ändra den arbetsorder som följer, så avläsningarna ackumuleras i ett system som ingen är ansvarig för, och den årliga granskningen hittar en prenumeration utan någon påvisbar besparing bakom sig.

Ett program har fyra saker som ett köp inte har: en definierad tillgångsomfattning, en ägare som är ansvarig för att agera på det som produceras, ett överenskommet mått och en väg genom vilken en förutsägelse blir schemalagt arbete. Om någon av de fyra saknas från början, läggs den inte till senare.

Vilka tillgångar motiverar prediktivt underhåll

Detta är beslutet som avgör allt nedströms, och instinkten som de flesta verksamheter följer är den felaktiga.

Instinkten är att börja med den utrustning som redan har bra instrumentering, eftersom det ser enklast ut. Det ger en tekniskt framgångsrik pilot på tillgångar vars fel ingen bryr sig om, och inget affärsmässigt underlag för att utöka den.

Utgå istället från konsekvens. För varje kandidattillgång, ställ tre frågor:

1. Vad kostar egentligen ett oplanerat stopp? Inte reparationen — utan produktionen den skjuter upp, personalen som står sysslolös, avtalsviten och omstarten. På processanläggningar är denna siffra vanligtvis en storleksordning högre än reparationen.
2. Hur mycket skulle en förvarning förändra utfallet? Vissa fel är värda att förutsäga eftersom två veckors varsel förvandlar en nödsituation till planerat arbete. Andra går sönder utan någon användbar framförhållning, eller är billiga att byta ut vid fel, och hör hemma i körning-till-fel oavsett hur sofistikerade dina verktyg är.
3. Misslyckas det på sätt som lämnar en signal? Roterande utrustning — pumpar, kompressorer, motorer, fläktar — försämras längs mätbara vägar. Det är därför nästan varje program inom tung industri börjar där.

Fem tillgångar är rätt antal för en första fas. Tillräckligt för att bevisa mekanismen, få nog för att en misslyckad fas blir en lärdom snarare än en förlust.

Datan som en strategi för prediktivt underhåll är beroende av

Den obekväma delen av varje strategi för prediktivt underhåll är att modelleringen sällan är begränsningen. Begränsningen är huruvida tre saker kan läsas tillsammans för samma tillgång:

• Tillståndsavläsningar över tillräckligt med historik för att visa hur ett friskt tillstånd såg ut, från en historiker eller från eftermonterade sensorer.
• Driftsammanhang — belastning, genomströmning, läge — eftersom en avläsning bara är onormal i förhållande till vad maskinen ombads att göra.
• Underhållshistorik — vad som gjordes, när, och vad som upptäcktes — eftersom det är där modellen lär sig hur ett fel ser ut.

De flesta verksamheter har alla tre men kan inte koppla ihop dem, oftast för att samma pump identifieras på olika sätt i varje system. Att lösa det är oglamoröst, osynligt för styrelsen och utgör rutinmässigt merparten av arbetet.

Vi skulle hellre säga det rakt ut än att upptäcka det under den andra månaden. I ett olje- och gasprogram, var datainfrastrukturen hela det första uppdraget, utan att någon prediktion försöktes förrän den var på plats. I ett separat produktionspumpsprogram kom strukturering och integrering av sensordata före att någon modell byggdes — och det programmet nådde 90 % prediktionsnoggrannhet, minskade underhållskostnaderna med 40 % och minskade oplanerade driftstopp med 65 %. Dessa siffror tillhör den verksamheten och dess tillgångsklass.

Det praktiska testet innan du beställer något: kan du ta fram två års avläsningar för dina fem kandidattillgångar, tillsammans med varje arbetsorder som registrerats mot dem? Om ja, definierar du ett modelleringsprojekt. Om nej, är det första projektet datan, och den bör prissättas som ett eget arbete.

Data Engineering Services

Bygga affärscaset för prediktivt underhåll

Ett business case för prediktivt underhåll som klarar granskning räknar undvikna händelser, inte leverantörsgenomsnitt.

Vad som ska räknas

• Uppskjuten produktion undveks. Vanligtvis det största antalet, och det som verksamheten kan uppskatta trovärdigt utifrån historik.
• Oplanerade insatser omvandlade till planerade. Billigare arbetskraft, inga premiumdelar, ingen avstängning runt dem.
• Förebyggande arbete ej utfört. Service efter tillstånd i stället för efter kalender tar bort onödiga ingrepp.
• Förlängd tillgångslivslängd, där du kan påvisa det.

Vad man inte ska räkna

Publicerade ROI-procentsatser för prediktivt underhåll från vem som helst i deras marknadsföring. De mättes på någon annans utrustning, och ett stort antal av dem visar sig vara kategorigenomsnitt snarare än någon kunds faktiska resultat. En ekonomichef som upptäcker en enda lånad siffra kommer att avfärda hela fallet.

Bygg det istället utifrån din egen felhistorik. Ta de senaste två årens oplanerade stopp på de aktuella tillgångarna, prissätt dem och fråga dig hur stor andel som hade en upptäckbar upptrappning. Den andelen är ditt realistiska tak, och den är försvarbar eftersom den kommer från dina egna register.

AI‑Powered Predictive Maintenance for Production Pumps

65% less unplanned downtime

40% lower maintenance cost

See Our Work

Var prediktiva underhållsprogram stannar av

• Ingen ägare. Den vanligaste orsaken. Sensorer har en budgetansvarig; prognoser behöver någon som är ansvarig för att agera.
• Varningar som ingen litar på. När ett system väl ignoreras är det socialt slut långt innan någon avslutar det.
• Data upptäckt sent. Om det hittas i månad två snarare än vecka tre ser det ut som ett misslyckande snarare än den omfattning det alltid var.
• En pilot utan utväg. Utan ett överenskommet mått pågår en första fas tills någon tappar tålamodet.
• Framgång som ingen kan bevisa. Om utgångsläget inte registrerades före driftsättningen kan besparingen inte påvisas efteråt.

Hur man implementerar prediktivt underhåll: De första 90 dagarna

En etappindelad form som kan stoppas billigt när som helst, vilket spelar större roll än hastighet:

1. Vecka 1–2 — omfattning. Bekräfta de fem tillgångarna och deras felhistorik. Kom överens om mätvärdet nu, skriftligt.
2. Vecka 3–6 — data. Kombinera mätvärden, driftskontext och underhållsregister för dessa tillgångar. Det är här ett program antingen blir möjligt eller avslöjar vad som måste åtgärdas först.
3. Vecka 7–10 — modellera och validera. Bygg mot kända fel, och låt de ingenjörer som ska använda resultatet kontrollera dess anrop innan någon förlitar sig på dem. Deras skepsis i detta skede är den billigaste kvalitetskontroll som finns tillgänglig.
4. Vecka 11–12 — koppla in det i arbetet. En prognos som inte blir en arbetsorder är en skärmdump. Dirigera in den i systemet som dina planerare redan använder.
5. Bestäm sedan. Förläng, justera tillgångslistan eller stoppa. Alla tre är acceptabla utfall av en första fas; endast ”fortsätt på obestämd tid utan en åtgärd” är det inte.

Hur Crunch-IS driver ett program för förebyggande underhåll

Vi arbetar igenom den sekvensen i den ordning den är skriven, vilket för det mesta innebär att den oglamorösa delen kommer först. Där tillståndsavläsningar, driftskontext och underhållshistorik inte kan sammanföras för de aktuella tillgångarna, avgränsas och prissätts den sammanfogningen som ett eget uppdrag innan någon modell diskuteras. I ett olje- och gasprogram var det hela den första fasen, utan att någon prediktion försöktes förrän den var på plats.

Två program, två tillgångsklasser, och siffrorna tillhör de operationer de mättes på:

• Produktionspumpsprogrammet som beskrevs tidigare — 90 % prediktionsnoggrannhet, underhållskostnader ned 40 % och oplanerad driftstopp ned 65 %, på sällsynt högvärdesutrustning för en europeisk producent.
• En AI-driven plattform för att förutsäga fel på huvudvattenledningar för ett brittiskt allmännyttigt företag — 42 % färre oväntade fel, med ytterligare 28 % minskning av kostnaderna för akut underhåll som är beräknad snarare än uppmätt.

Ingen av siffrorna går att överföra. De är vad de tillgångsslagen avkastade under de förhållandena, och den enda siffra som kan förutsäga din är den som redan finns i din egen historik av misslyckanden.