Predictive Maintenance: Definition, Vorteile, Beispiele, ... Alles auf einen Klick!

Förutseende underhåll avser i allmänhet att tidigt förutse och förebygga fel i maskinutrustning eller komponenter tack vare data om deras tillstånd. Detta uppnås med hjälp av databaserade metoder som analyserar maskinernas skick och hjälper till att förutsäga funktionsstörningar, fel och tidpunkten för nödvändigt underhållsarbete.

Industri 4.0 utlovar ökad effektivitet i produktionen genom uppkopplade maskiner samt insikter från dataanalyser och förbättrad maskintillgänglighet. I detta sammanhang är förebyggande underhåll, dvs. en förebyggande underhållsprocess som baseras på analys av process- och maskindata, en viktig komponent.

Oplanerade driftstopp i produktionsanläggningarna kostar pengar och minskar vinsten avsevärt på lång sikt. Det är uppenbart att maskin- och systemfel utgör ett allvarligt hot mot industrisektorn. Förutseende underhåll bör leda till kostnadsbesparingar jämfört med rutinmässigt, intervall- eller tidsbaserat förebyggande underhåll, eftersom arbetet endast utförs när det är nödvändigt.

Först och främst behövs olika sensorer för att registrera funktionellt relevanta data om maskinerna, t.ex. hastigheter, temperatur, ljudnivåer, lagervibrationer eller energiförbrukning. Därefter krävs en kombination av realtidsanalysteknik och en databas för att tolka och analysera sensordata på ett meningsfullt sätt. Om allt detta lyckas kommer det att vara möjligt att åtgärda maskinproblemet innan det faktiskt uppstår.

Prediktivt underhåll är inte bara intressant för tillverkningsindustrin eller tillhörande MRO-områden (Maintenance, Repair & Operations), utan även för alla mobilitetstjänster - oavsett om det är i luften, i fordon eller på räls.
Det lönar sig oftast för företag som ofta använder samma typ av maskin eller som inte vill använda förebyggande underhåll för sin egen produktion, utan för de maskiner de säljer.

Till detta kommer naturligtvis engångskostnader för investeringar i sensorhårdvara och programvara för analys och utvärdering av data. Dessutom innebär varje ny metod naturligtvis initiala förändrings- och utbildningskostnader. Med de installationsfärdiga smarta plastlösningarna från igus i.Cee kan dessa dock reduceras till ett minimum.

Mellan 50 - 70 % färre oplanerade driftstopp sägs vara möjligt liksom besparingar på 20 - 40 % i underhållskostnader, beroende på vilken studie från de två välrenommerade konsultföretagen McKinsey eller Accenture man föredrar att lita på. Roland Berger säger sig också ha funnit att med prediktivt underhåll läggs endast 15 procent av tiden på underhåll. Med klassiskt reaktivt underhåll är det 40 procent av tiden.

Enligt författarna till en undersökning som genomfördes av ett annat teknikkonsultföretag, Bearing Point, bland experter inom underhåll, produktion, logistik och IT, förväntar sig över 80 % av användarna att förebyggande underhåll ska öka anläggningens tillgänglighet, dvs. OEE (Overall Equipment Effectiveness).

Läs mer om förhållandet mellan förebyggande underhåll och OEE här

Insamling och analys av maskindata är centralt för den här typen av intelligenta underhållsåtgärder. Med hjälp av data kan man beräkna den optimala tidpunkten för underhåll för att undvika driftstörningar. Maskindata registreras vanligtvis via sensorer som är anslutna till maskinen eller systemkomponenten, ofta kallade sensorer för förebyggande underhåll. När det gäller igus energikedjor utförs detta jobb av i.Sense-sensorer för tillståndsövervakning från smart plastics. Denna intelligenta sensorteknik registrerar kontinuerligt de olika drifttillstånden hos kabelhållaren.

Förutsättningen för en så exakt specifikation som möjligt av den felfria drifttiden är att informationen om användningen är så exakt som möjligt. Detta inkluderar information om användningsplatsen med väderförhållanden och temperaturer, tillryggalagda sträckor, antal cykler etc. Tack vare den kunskap som förvärvats i igus testlaboratorium och de aktuella tillståndsuppgifterna kan igus förutsäga livslängdsuppgifterna exakt. Ett nödvändigt byte av en komponent indikeras då i god tid och möjliggör ett planerat och resursbesparande underhåll.

Förutsättningen för förebyggande underhåll är att maskinerna är nätverksanslutna, dvs. att alla maskiner tillhandahåller sina data för lagring och analys i en databas. Detta säkerställs med ett OPC UA-protokoll.
Med igus i.Cee-lösningarna för förebyggande underhåll krävs dock inga ytterligare system eller hårdvara. Alla nödvändiga data tillhandahålls via de tillhörande i.Sense-sensorerna och de speciella AI-algoritmerna implementeras i i.Cee-modulen. Och den tillhörande i.Cee-instrumentpanelen kan nås med vilken standarddator som helst.

I DIN EN 13306 - Termer och definitioner av underhåll - definierar det tyska standardiseringsinstitutet en underhållsstrategi som ett förfarande för att uppnå underhållsmål, t.ex. att upprätthålla ett visst skick eller förlänga en maskins förväntade livslängd. Man brukar skilja mellan följande tre olika tillvägagångssätt:

• Reaktiv underhållsstrategi / skadeberoende underhållsstrategi
• Förebyggande underhållsstrategi / strategi för förebyggande underhåll
• Strategi för förebyggande underhåll

Med den reaktiva formen av underhåll repareras maskinskador och produktionsdelar byts ut först när det uppstår ett akut fel. Det innebär att företagen måste reagera snabbt vid en skada för att så snabbt som möjligt kunna fortsätta produktionen och undvika höga stilleståndstider och kostnader. Denna strategi används vanligtvis för maskiner som inte behöver repareras ofta eller som kan repareras eller bytas ut billigt.

Förebyggande underhåll är en underhållsstrategi där åtgärder utförs med vissa intervall. Dessa kan vara tids- eller kvantitetsberoende. Med andra ord väntar man inte på att system eller maskindelar ska gå sönder, utan man genomför systematiskt förebyggande inspektioner och underhållsåtgärder. Den faktiska graden av slitage på maskinerna och systemen är irrelevant. Vid förebyggande underhåll däremot registreras, lagras och analyseras process- och maskindata under drift med hjälp av sensorer och gränssnitt.