Sunith Bandaru
Institutionen för ingenjörsvetenskap
Prediktivt underhåll är ett av de viktigaste områdena för många globala tillverkningsföretag. Artificiell intelligens, analys av ”big data” och industriell internet-of-things (IoT) har redan visat stor potential inom underhållsområdet. Eftersom fler företag använder sig av denna teknik har dock flera viktiga utmaningar uppstått som hindrar framstegen mot fullständig digitalisering av underhåll.
Syftet med projektet är att utveckla en Integrated Manufacturing Analytics Platform (IMAP) som kombinerar teknologierna i Industri 4.0 som industriell IoT, digitala tvillingar och dataanalys för att förverkliga den fulla potentialen i prediktivt underhåll och bana väg mot preskriptivt underhåll.
Den huvudsakliga idén med IMAP är att komplettera och validera data från befintlig IoT-infrastruktur med simulerad data från ”magra” (lean) digitala tvillingar, förbehandla och integrera flera datakällor i CMMS, och använda maskininlärning, dataanalys och optimeringstekniker för att övervaka utrustningens hälsa, förutsäga behovet av underhåll, generera automatiserade underhållsåtgärder och arbetsorder för underhåll.
Projektet förväntas bidra till följande förbättringar för KPI:er inom produktion och underhåll
Industriella studier påvisar att prediktiv underhåll kan öka drifttiden för utrustning och tillgängligheten med 10-20 procent, reducera den tid som krävs för att planera underhåll med 20-50 procent samt reducera totala underhållskostnaden upp till 25 procent.