Prediktivt underhåll ser till att problem inte uppstår, men innebär samtidigt att tid och pengar läggs på saker som kanske inte hade behövt lagas redan nu. Med hjälp av AI kan företag göra det prediktiva underhållet mer träffsäkert, och därmed spara både tid och pengar.
Prediktivt underhåll har ett enda stort mål: ta hand om sakerna så väl att de inte går sönder, eftersom det skulle påverka produktionen, driva kostnader och innebära säkerhetsrisker.
– Förr eller senare kommer alla komponenter att slitas ut och behöva bytas, det är därför prediktivt underhåll krävs, säger Madhav Mishra, senior forskare på RISE.
Men problemet med traditionellt prediktivt underhåll är att det är svårt att veta när det faktiskt behövs. Det har företag försökt lösa genom att göra det vid vissa tidsintervaller, med resultat att man antingen lägger tid och resurser på saker som det absolut inte var något fel på, eller, ännu värre, att man kommer för sent. Delen har redan gått sönder.
– Om det till exempel är i ett flygplan uppe i luften kan det gå riktigt illa, men även i mindre farliga situationer kan det leda till stora problem.
AI ger pricksäkerhet
För att göra prediktivt underhåll mer pricksäkert använder flera företag sig idag av AI och maskininlärning för att kunna förutse mer precist när insatser behövs.
– Genom att använda AI för att analysera de stora mängder data som i princip alla företag har tillgång till idag kan man skapa bättre rutiner för sitt prediktiva underhåll. Då kan man förutsäga när något kommer att gå sönder, beställa reservdelar i tid och undvika stora kostnader på grund av produktionsstopp.
Genom användning av AI och dataanalys kan företag gå från att bara sälja produkter till att också sälja tjänster
Kunskap och verktyg nyckeln för att komma igång
Vissa företag har redan kommit långt kommit långt inom området, medan andra inte ens har tänkt tanken. Så frågan är: vad behövs för att komma igång?
– Dels behöver man rätt verktyg och tillräcklig beräkningskraft för att använda dem, dels behöver man rätt kunskap. Vi ser hur många företag bygger kunskap inom dataanalys genom att anställa data scientists, som dels kan göra analysen, dels kan hjälpa företagen att skapa nya koncept och processer.
Det krävs med andra ord en viss insats för att kunna börja använda AI inom prediktivt underhåll, men enligt Madhav Mishra är fördelarna stora när man väl kommer igång. Dels för att man sparar kostnader, men också för att det ger möjlighet att utveckla nya affärsmodeller. Eftersom AI som koncept är väldigt brett och spänner över ett stort antal teknikområden så kan det här innebära allt från analys av statistik till maskininlärning, djupinlärning, federerat lärande (även känt som kollaborativt lärande) eller till och med metaheuristik, där problemoberoende tekniker tillämpas på ett brett spektrum av problem.
– Genom användning av AI och dataanalys kan företag gå från att bara sälja produkter till att också sälja tjänster. Istället för att bara sälja en produkt kan du också sälja service, med garanterad driftstid, något som höjer värdet på marknaden.
RISE erbjuder expertis
För att hjälpa företag att komma igång med användning av AI inom prediktivt underhåll erbjuder RISE en rad experter både inom underhållsarbete och inom dataanalys och AI.
– Med hjälp av vårt AI-center kan vi erbjuda hjälp oavsett hur långt företaget har kommit. Vi har en tydlig modell som vi jobbar efter, och kan till exempel ordna workshops där vi tillsammans med kunden undersöker deras behov, eller sätter vi ihop team för att analysera olika former av problem. Det viktiga är att man börjar redan nu, för AI som en del av det prediktiva underhållet kommer att bli mycket viktigt framöver.