Big data förutspår behovet av underhåll

Hur många timmar har en maskin varit i drift? Hur långt har ett fordon rullat? Enkla frågor, med enkla svar, som många gånger ligger till grund för beslut av underhåll.

Men hur länge något har använts säger inte nödvändigtvis något om behovet av underhåll. Och en viktig, men svårare, fråga är hur lång livslängd som återstår.

Det Ramin Karim och hans kolleger vid Luleå tekniska universitet har utvecklat är en metod att med hjälp av analys av mätdata på ett tidigt stadium hitta avvikelser från det normala och förutspå när underhållet faktiskt behövs.

– Tack vare den tekniska utvecklingen har det blivit möjligt att sia om framtiden. Matematiska modeller av ett tekniskt system har vi kunnat göra under en längre tid men de har främst fungerat som en backspegel, för att analysera det som hänt. Nu har det blivit möjligt att låta dem förutspå vad som kommer att hända, säger Ramin Karim.

Läs mer:

Emaintenance 365:s första tjänst är ett beslutsstöd för järnvägen. Längs med spåren sitter sensorer som bland annat mäter spårkrafter och hjulgeometrier. Ombord på tågen finns andra sensorer, som bland annat mäter acceleration och vibrationer. Den övervakningen är i sig inte ny, utan sker för att kunna larma om något mätvärde ligger utanför de uppställda gränsvärdena.

Men genom att samla in den datan och analysera den går det att lära sig hur allt ser ut under normaldrift. När små avvikelser uppstår är det signaler som går att använda för att räkna på när det är dags att planera in underhållet.

– Forskningen som bolaget bygger på är väldigt generell och låter oss skapa modeller för att prognostisera om framtiden. Den första tillämpningen är inom järnväg, men med anpassningar är det möjligt att bygga liknande lösningar för exempelvis flyg- eller gruvindustrin, säger Ramin Karim.

En viktig del i Emaintenance 365:s lösning är möjligheten att skapa det som kallas för digitala tvillingar, där varje fysisk sensor motsvaras av en simulerad i modellen.

– Det finns en övertro på att sensorer levererar korrekta mätvärden. Men hur kan vi egentligen veta att en termometer är korrekt kalibrerad? Vi jämför hela tiden de mätvärden vi får in med simulerade mätvärden som vi räknat fram. Det framräknade värdet används sedan för att justera felmätningar.

Läs mer:

Nya sätt att samla in, lagra och analysera data har varit drivande för framstegen inom big data. När det är dags att bygga kommersiella lösningar lyfter Ramin Karim dessutom fram en annan del av teknikutvecklingen.

– Molnet. Det ger oss bland annat tillgång till beräknings‑ kapacitet när vi behöver den, och en flexibilitet i serverarkitektur. Vi kan fokusera på det som gör nytta för våra kunder, inte vilken hårdvaruplattform vi ska använda.

Är industrin redo för att börja använda den här typen av lösningar?

– Det har funnits en tröghet, men jag tror att den är på väg att försvinna. Det sker ett generationsskifte i företagen, där det kommer in nya strateger och chefer som ser digitaliseringen som något naturligt. De tycker inte att det är konstigt med en drönare som flyger nere i gruvan i stället för 10–15 gubbar och gummor som känner på maskinerna. När en mer mogen kravställare dyker upp i industrin kommer det att driva på leverantörerna att ta fram bättre lösningar.