Olja och gas, Tillverkning
Europa
Kunden är en medelstor industriell tillverkare känd för att producera högprecisionsprodukter som kräver tillförlitlig, kontinuerlig drift. Deras produktion är beroende av sällsynt, högvärdig pumputrustning som spelar en avgörande roll för att säkerställa produktkvalitet och jämn produktion.
Den befintliga underhållsprocessen led av tre kritiska problem:
Även om pumparna var utrustade med sensorer som mätte temperatur, spänning, tryck och drifttimmar, saknade företaget strukturerade data om historiska fel, reparationer och grundorsaker. Detta gjorde det svårt att implementera traditionella metoder för prediktivt underhåll.
Pumparna bestod av flera inbördes beroende delsystem — lager, motorkomponenter, isoleringssystem. Ett fel i något delsystem kunde utlösa ett fullständigt pumpstopp och produktionsförlust.
Dessa pumpar är extremt kostsamma att reparera och svåra att ersätta på grund av långa tillverkningsledtider. Även ett enda fel under produktion kan äventyra en hel batch under kvalitetskontrollen, vilket resulterar i stora ekonomiska förluster och driftsstörningar.
Kunden behövde en lösning som kunde utnyttja befintliga IoT-sensordata, fungera tillförlitligt trots begränsade underhållsloggar och tillhandahålla högtillförlitliga prognoser inför planerade underhållscykler.
Vårt team utvecklade ett AI-drivet ramverk för prediktivt underhåll med hjälp av tillgängliga sensordata, avancerade statistiska tekniker och iterativ förfining av ML-modeller. Projektomfattningen omfattade fyra huvudkomponenter:
Vi samlade in och normaliserade tidsseriedata från flera pumpsensorer:
Teamet rensade, synkroniserade och berikade datamängden för att kompensera för saknade underhållsregister och inkonsekventa poster. Ytterligare härledda egenskaper introducerades för att representera slitagemönster, nedbrytningshastigheter och delsystemsavvikelser.
Vi analyserade sensoravläsningar för att förstå hur pumparna betedde sig över tid och vilka tidiga varningssignaler som föregick fel. Teamet identifierade viktiga mönster och rensade inkonsekvenser.
Detta gjorde det möjligt för oss att omvandla råa IoT-loggar till en strukturerad datamängd lämplig för att bygga prediktiva modeller trots ofullständiga historiska etiketter.
Vi testade flera AI-metoder för att hitta den som tillförlitligt kunde förutsäga pumpfel baserat på sensordata. Efter att ha jämfört olika modeller valde vi den metod som gav de mest exakta och stabila resultaten.
För att validera modellen i verkliga driftmiljöer körde vi ett parallellt beslutssystem:
Efter flera underhållscykler bytte företaget ut några komponenter strikt enligt algoritmens rekommendation. Efterföljande demontering visade att dessa delar verkligen var nära haveripunkten — vilket bekräftade modellens noggrannhet och tillförlitlighet.
Lösningen för prediktivt underhåll gav betydande operativa och ekonomiska förbättringar:
Skicka en skiss, en kravspecifikation eller tre meningar om var systemet har kört fast. Ett samtal räcker oftast för att avgöra om vi passar er.
Skräddarsydd mjukvara, AI och ML, data och analys, moln och säkerhet — från tidig behovsanalys till långsiktig leverans.
Vi och våra partner använder teknik som cookies på vår webbplats för att personalisera innehåll och annonser, tillhandahålla funktioner för sociala medier och analysera vår trafik. Klicka på ”Acceptera” för att samtycka till användningen av denna teknik på webben.
