Kunstig intelligens gir forutsigbart vedlikehold: Siemens og Senseye med ny løsning for industrien
I takt med økende krav til oppetid, energieffektivitet og smartere ressursbruk, får prediktivt vedlikehold en stadig viktigere rolle i moderne industribedrifter. En løsning som vekker interesse internasjonalt er Senseye, en plattform for prediktivt vedlikehold drevet av kunstig intelligens (KI), som nå rulles ut i samarbeid med Siemens sin Industrial Edge-infrastruktur. Senseye og Industrial Edge er to forskjellige produkter som funger hver for seg, men de spiller også svært godt sammen. Siemens trekker frem Senseye sin åpenhet mot andre systemer, hvilket gjør at man ikke trenger hele å kjøre Siemens fra A til Å.
Skalerbart og brukervennlig
Senseye beskrives som en selvkjørende vedlikeholdsplattform som gir operatører og vedlikeholdspersonell mulighet til å overvåke og analysere maskiner i sanntid – uten å være avhengig av dataeksperter. Systemet er utviklet for å være skalerbart: én konfigurasjon kan gjenbrukes på tvers av lignende utstyr, noe som forenkler implementering i større anlegg.
Et konkret eksempel kommer fra stålgiganten BlueScope, som ifølge Siemens har tatt i bruk Senseye på over 20 000 enheter.
Åpen integrasjon med eksisterende sensorer
Løsningen er utformet for fleksibilitet i datainnhenting og støtter en rekke industrielle protokoller via Siemens’ Industrial Edge-plattform – blant annet OPC-UA, Modbus, S7 og Ethernet/IP. Dette gjør det mulig å hente ut data produsent uavhengig som etablerte merker som for eksempel Rockwell, Allen-Bradley, ABB, Schneider og Treon.
Senseye tar også imot data fra trådløse vibrasjons- og temperatursensorer og kan hente informasjon fra SCADA-systemer, MES og bruke historiske data.
Hvilken data gir best prediksjon?
Erfaring fra Siemens viser at ulike typer data gir ulik treffsikkerhet, avhengig av komponenttype. Eksempelvis er strømmålinger egnet for å avdekke feil i motorens viklinger, mens vibrasjonsdata er mer presise ved feil i lagre. Systemet benytter et omfattende bibliotek av tidligere cases og utstyrstyper for å avgjøre hvilke sensordata som gir best prediksjon for ulike scenarier.
Kontekst gjør KI mer intelligent
Senseye legger stor vekt på kontekstuell dataforståelse – en viktig komponent for å unngå falske alarmer. Hvis en strømtopp skyldes oppstart av et tungt produkt på et transportbånd, tolker systemet dette som normal drift så lenge det får informasjon om produktkoden. Endringer i driftstilstand eller lastforhold kan dermed tas hensyn til, slik at bare reelle avvik fanges opp.
Brukergrensesnitt og varsling
Brukergrensesnittet består av et intuitivt dashbord der kritiske feil markeres tydelig. Vedlikeholdsteam kan benytte systemet til å prioritere hvilke maskiner som krever innsats. I tillegg kan daglige rapporter sendes på e-post med oversikt over nye og pågående tilfeller.
KI uten dataspesialister
Et av de mest fremtredende trekkene ved løsningen er at den ikke krever spesialkompetanse innen dataanalyse. Systemet benytter kunstig intelligens og elementer av generativ KI, men er pakket slik at brukeren kun trenger å forholde seg til resultatene – ikke algoritmene.
– Det er som å sette seg i bilen og kjøre, uten å måtte forstå motoren, uttalte en representant fra Siemens under en presentasjon nylig.
Vurdering
Senseye og Siemens’ fellesløsning representerer et konkret eksempel på hvordan kunstig intelligens tas i bruk på en pragmatisk og produksjonsnær måte. I motsetning til mange KI-konsepter som fortsatt er på forsknings- eller pilotstadiet, er dette en løsning som ifølge Siemens allerede er i drift hos flere større industribedrifter.
Siemens hevder at teknologien allerede kan levere på pålitelighet, brukervennlighet og faktisk reduksjon i nedetid. Så får vi se om det står deg over tid. For industribedrifter som ønsker å ta i bruk KI uten store investeringer i dataressurser, fremstår Senseye som en interessant kandidat i et marked med stadig større behov for smart vedlikehold.
Sirkulærøkonomi på veldrevet renseanlegg
Saulekilen renseanlegg er selvforsynt med energi og kjører hardt på enhetlig styringssystem, fra pumpestasjoner til renseanlegget.
Kablet drone til tunnelinspeksjon
I forbindelse med en planlagt 5-årig hovedinspeksjon ble det gjort funn av sprekker og deformasjoner i berget og sprøytebetongen i Strindheimtunnelen i Trondheim. Statens vegvesen satte derfor i gang en grundig spesialinspeksjon parallelt med prisme- og rystelsesmålinger. Til inspeksjon i det trange rommet mellom fjellet og tunnelens betonghvelv ble det bruk en liten, kablet drone som er utviklet i Trondheim.
Additiv manufacturing av store komponenter
Additiv manufacturing regnes som mer bærekraftig enn tradisjonell maskinering, der materiale fjernes fra et emne. For å møte et voksende behov har Industrial AM i Mo i Rana satt opp Norges største 3D-printer.
– Vi mente det var mulig å få til noe helt nytt på Helgeland, noe som ikke finnes fra før. Printeren kan produsere objekter i en størrelse på 2x2x2 meter. Dette blir startskuddet for etableringen av en helt ny verdikjede på Helgeland, sier Thomas Borgen.
Nye muligheter med generativ KI
Prediktivt vedlikehold er en proaktiv tilnærming som tar sikte på å forutsi når utstyr eller maskiner sannsynligvis vil svikte. Disse prognosene gjør det mulig å planlegge og igangsette vedlikeholdstiltak i tide. Målet med prediktivt vedlikehold er å minimere nedetid, redusere vedlikeholdskostnader og forlenge levetiden til utstyr.
