Förutseende underhåll kombinerar data om maskinvara, programvara och servicekomponenter för att fastställa underhållsbehovet för mekaniska tillgångar. Övervakning av nya fel, förutsägelse av kapacitetsöverskridanden, identifiering av haverier och fastställande av återstående livslängd är alla aspekter av förebyggande underhåll. AIOps, användningen av artificiell intelligens för IT-drift, används ibland för förebyggande underhåll.
Att förutse och förbereda sig för fel har länge varit en självklarhet i mekaniska verksamheter. Fram till nyligen var rutinmässigt utbyte av en del efter en viss tid det vanligaste sättet att undvika att en del gick sönder under drift. Denna form av schemalagt förebyggande underhåll är bra. Men alla delar går inte sönder i samma takt och att byta ut delar i förtid är slöseri baserat på medelvärden och approximationer. Dessutom kommer ett system som enbart förlitar sig på schemalagt underhåll inte att upptäcka faktiska eller överhängande fel på en del som är defekt i förtid. En annan strategi för att minska stilleståndstiden var att byta ut alla delar när en gick sönder, och det var oklart vilken, men denna strategi har en tydlig nackdel med höga kostnader.
Det finns även andra fördelar. Beroende på bransch kan avtalsenliga servicenivåavtal (SLA) kräva att organisationerna upprätthåller leverans av tjänster eller material dygnet runt, annars riskerar de påföljder och till och med böter. I andra fall kan utrustningsfel leda till intäktsförluster på grund av avbrott i leveranskedjor, lagerförluster, kundbortfall och andra uppenbara konsekvenser av att verksamheten går långsammare. Förutseende underhåll kan bidra till att mildra alla dessa potentiella konsekvenser av systemavbrott.
Användningen av statistisk analys, sensorövervakning, avancerad analys och AI för att mer exakt förutsäga när ett fel kommer att uppstå innebär en stor förbättring. Med sensorer som kontinuerligt övervakar hälsan hos varje del kan ett övervakningssystem varna dig i förväg om ett fel. Detta är den viktigaste fördelen med att införa ett program för förebyggande underhåll: du byter bara ut nästan defekta delar, vilket sparar arbete och kostnader för onödiga reservdelsbyten samtidigt som du bibehåller en hög drifttid. Dessutom ger ett bra system för förebyggande underhåll dig tid att schemalägga underhållet vid den tidpunkt då det stör verksamheten minst.
Big data-tekniker som involverar maskininlärning och bearbetning av mycket stora datamängder har utvecklats för att minimera driftstopp och MTTR (mean time to recovery). Och även om dessa fördelar är uppenbara finns det ett antal utmaningar som moderna organisationer står inför, bland annat
Dataintensiva processer
Behovet av att träna och underhålla ML-modeller på långsiktiga historiska data i stor skala kan vara skrämmande för de flesta analytiska databaser på marknaden.
Separat lagring av data
Exakt maskininlärning och andra former av analys för att identifiera felmönster kräver tillgång till fjärrdatasilos och/eller processdata. Att aggregera data av olika typer, eller till och med data av liknande men inte identiska typer - som tidsseriedata från två enheter som tagits med olika intervall - kan vara tidskrävande och utmanande.
Svårigheter att operationalisera ML
Komplexiteten i datavetenskap och bristen på specialiserad kunskap kan hindra ett team från att använda maskininlärning som en kritisk förmåga i verktygslådan för förebyggande underhåll.
Falska positiva resultat
När reglerna för en felavisering är alltför rigida eller modellmönstren är alltför restriktivt definierade kan ett stort antal aviseringar genereras som egentligen inte kräver någon åtgärd. Detta kan orsaka larmtrötthet. Att kunna revidera och kontinuerligt förbättra förutsägelserna är en viktig aspekt av förebyggande underhåll.
Reaktivt underhåll
Systemfel
Kundanrop
Dispatch
Felsökning på plats
Leverans av reservdelar
Reparation eller utbyte
Systemet fungerar
Förutseende underhåll
Fjärrövervakning förutser potentiella fel
Service planeras
Problem undviks
OpenText™ Vertica™ kan kontinuerligt övervaka även extremt stora datamängder från utrustningskomponenter allteftersom data genereras. Om det räcker med en enkel statistisk analys kan den analysen göras enkelt och snabbt i en databas. Vertica har över 650 inbyggda funktioner som kan göra snabba analyser av många slag som är användbara för förebyggande underhåll, t.ex. tidsserieanalys, matchning av händelsemönster och maskininlärning.
När maskininlärning används för att göra förebyggande underhåll samlas data som underhållsloggar och all sensorinformation som har samlats in under flera år i en datalagring, t.ex. i ett filsystem som HDFS eller en objektlagringsplats som S3. En maskininlärningsmodell tränas på dessa data för att identifiera de mönster som indikerar ett potentiellt problem. Sedan strömmar nya, aktuella data in från enheter och deras komponenter och kontrolleras av den tränade modellen. En varning skickas när ett potentiellt problem identifieras. Avhjälpande åtgärder planeras och vidtas INNAN ett fel uppstår.
Få tillgång till robusta analyser av stora datamängder samtidigt som beräknings- och lagringskraven minimeras