Skrevet av Lars Bjålie, August Emil Stokkeland og Vebjørn Axelsen
Datadrevet vedlikehold omtales ofte i sammenheng med Industri 4.0, IoT, sensorer, stordata, maskinlæring og kunstig intelligens. Dette er viktige og relevante teknologibegreper, men som alltid er teknologiene kun virkemidler for å oppnå noe, og ikke målet i seg selv. For datadrevet vedlikehold er målet typisk betydelig reduserte vedlikeholdskostnader og redusert nedetid. Så: Hvordan bør man gå fram for å utnytte teknologiene effektivt, så man kan skape varige forbedringer i vedlikeholdet?
BearingPoint har betydelig erfaring med å hjelpe virksomheter på veien mot et datadrevet og prediktivt vedlikehold, der vårt samarbeid med Bane NOR og Statnett er nylige eksempler på dette i Norge. I denne artikkelen deler vi noen sentrale elementer fra vår metodikk for datadrevet forbedring av vedlikehold.
Utnytt data smart for et effektivt vedlikehold, om enn ikke alltid prediktivt
Det snakkes mye om prediktivt vedlikehold, og potensialet i å implementere en slik forutseende modus i vedlikeholdsprosessene er åpenbart stort. Samtidig bør prediktivt ikke være et mål i seg selv. Ikke sjelden kan det være mer effektivt å fange opp feil i det de oppstår, med bruk av enklere modeller som analyserer sensordata «her og nå» basert på forståelse av komponentenes grunnleggende fysikk. Det er også flere feiltyper som det ikke er mulig å komme i forkjøpet, og hvor et prediktivit vedlikehold derfor ikke vil gi mening.
Generelt ønsker vi likevel å bevege oss fra det korrigerende mot det forebyggende, og derunder fra det kalenderbaserte mot det mer avanserte og dataintensive, som illustrert i figuren under.
Et datadrevet vedlikehold handler altså om å utnytte data smart, i betydning mest mulig kost-nytte-effektivt og formålstjenlig gitt prioriterte strategiske mål, for å:
- Muliggjøre mer avanserte og dataintensive vedlikeholdsstrategier der hvor disse er mest hensiktsmessig (tilstandsbasert, prediktivt og preskriptivt, der sistnevnte både forutser feilen og angir tiltaket som motvirker den).
- Velge den mest effektive vedlikeholdsstrategien for hver komponent og feiltype basert på tilgjengelige fakta om hva som er best kost-nytte-messig.
- Effektivt prioritere og styre det konkrete vedlikeholdsarbeidet dag-til-dag på tvers av de ulike komponentene, feiltypene og vedlikeholdsstrategiene.
Med dette blir det også tydelig at et datadrevet vedlikehold handler om å utnytte data i bredden og på systemnivå, godt utover det å forstå nåværende og framtidig tilstand på enkeltkomponenter.
La verdi, ikke teknologi, være driver ved realisering av datadrevne forbedringer
For å lykkes med datadrevet forbedring, må noen sentrale prinsipper legges til grunn, som tar utgangspunkt i tradisjonelle kapabiliteter som god endringsledelse og strukturert gevinstrealisering i implementeringen:
1. Legg tydelige forretningsmessige føringer
Forbedringene må identifiseres med utgangpunkt i de forretningsmessige føringene, typisk reduserte kostnader og nedetid, slik at vi setter søkelys på det som teller.
2. Identifiser konkrete handlinger
Vi må være helt konkrete på hvordan handlinger og beslutningspunkter i prosesser skal støttes med målrettet innsikt fra data for å skape nevnte forbedringer.
3. Tenk ende-til-ende
Realiseringen av en datadrevet forbedring må følges hele veien ut til vedlikeholdsorganisasjonen, og ikke stoppe opp i de tekniske disiplinene. Effektiv og løpende utnyttelse av ny innsikt fra data krever endringer i både systemer, prosesser og kultur.
4. Mål effekt
Vi må måle effekten av endringene vi gjør på en strukturert måte, for å verifisere at vi faktisk skaper verdi og stadig blir bedre. Slik effektmåling gjøres selvsagt i data, og prinsippet om å jobbe datadrevet treffer derfor vår egen prosessendring like mye som det treffer underliggende analyse av for eksempel komponenttilstanden.
I praksis betyr dette å designe fra høyre til venstre i figuren under. Først når man har god forståelse for hvilken innsikt fra data (dvs. relevant informasjon) som skal utnyttes hvor for å oppnå hva, kan de teknologiske aspektene rundt dataanalyser, data og sensorer vurderes på en god måte.
Figur: BearingPoints immaterielle rettigheter
Tilbake til å designe rundt verdi: Datadrevet vedlikehold kan derfor ha et bredt nedslagsfelt, ettersom det potensielt er stor verdi i å utnytte aktuelle data utover de mest åpenbare operasjonelle bruksområdene rundt tilstandsbasert og prediktivt vedlikehold. I figuren under viser vi typiske bruksområder fra det mest operasjonelle til det mer strategiske, som alle kan støttes med målrettet innsikt fra data.
I de påfølgende avsnittene vil vi fokusere der det er vanligst å begynne en implementering av datadrevet vedlikehold: operasjonelle bruksområder rundt å oppdage og forutse feil på infrastruktur og annet utstyr.
Jobb iterativt med rask prototyping i kryssfunksjonelle team (naturligvis)
Figuren under illustrerer at for å lykkes er det viktig å ikke bare rette innsatsen mot de antatt mest verdifulle forbedringskandidatene (1), men også å bekrefte/avkrefte kandidater gjennom rask prototyping (2) slik at organisatorisk, datamessig og teknisk usikkerhet reduseres før man bruker tid og ressurser på å skalere forbedringene ut i organisasjonen (3). I det siste ligger også utvikling av produksjonsklare tekniske løsninger (sensorer, dataflyt, analytiske modeller og integrasjon mot andre systemer på en skalerbar plattform).
Gjennom alle tre faser er tett samarbeid mellom forretning (behovseiere og utstyrsdomeneeksperter) og data science-funksjonen (data- og modellutviklere) essensielt:
Fase 1
De mest lovende forbedringene identifiseres i diskusjon mellom forretning og data science, der dyp problemforståelse (f.eks. spesifikk kunnskap om utstyr og sviktmodi) kombineres med analytisk kreativitet og realisme (hvilke data har vi tilgang på, og hvilke analyseteknikker kan skape ønsket innsikt på disse dataene). Dypdykk i erfaringsdata på tidligere feil bidrar i tillegg til å konkretisere gevinstestimat for identifiserte forbedringer.
Fase 2
For å beskrive f.eks. sviktmodi på utstyr presist i analytiske modeller, er man avhengig av svært tett (dag-til-dag) samarbeid mellom domeneekspert og data scientist, der man jobber sammen i korte iterasjoner for å forstå problemet fra ulike vinkler, og sammen finner gode løsninger. Hadde man hatt «perfekte data» der både sensordata, data om historiske feil og relaterte masterdata var tilgjengelige i komplett og konsistent stand og med stort volum, kunne maskinlæringsalgoritmer sortert ut disse mønstrene for oss av seg selv. I praksis er dataene sjelden så gode, og da er dette tette samarbeidet mellom disiplinene essensielt for å lage relevante og pålitelige modeller.
Fase 3
Før utrulling bør innsikt fra prototype-fasen utnyttes for å både oppdatere gevinstestimat og tilpasse implementeringen. F.eks. ved innføring av prediktivt vedlikehold for en viss komponenttype bør data om faktiske feilrater og erfart treffsikkerhet på feilprediksjonsmodeller legges til grunn for redesign av vedlikeholdsrutinen, slik at tiltaket planlegges optimalt der kostnad/kapasitet for vedlikeholdsaktiviteten balanseres mot risikotoleransen for nedetid på utstyret.
Sørg for at en datadrevet arbeidsmetodikk blir innlemmet fullt ut i det operative vedlikeholdet
For å lykkes med å skalere og skape stor forbedring, må den datadrevne arbeidsmetodikken og tilhørende data og modeller inngå som en naturlig og fullt integrert del av vedlikeholdssystemet. Dette muliggjør to suksesskriterier:
- Treffsikker og effektiv informasjon inn i vedlikeholdet
Opprettelse av arbeidsordre (AO) basert på anbefalinger fra analytiske modeller kan effektiviseres og standardiseres, og for utstyr og feiltyper der vi oppnår høy presisjon på deteksjon/prediksjon av betydelige feil og vet hva mottiltaket er, vil opprettelsen kunne automatiseres.
- Strukturert tilbakemelding fra vedlikeholdet
Løpende tilbakemeldinger i tilstrekkelig skala (var alarmen relevant, og hva ble faktisk utført?) kan utnyttes systematisk, slik at vi kan utvikle stadig mer treffsikre modeller. Med gradvis økende modenhet og standardisering i denne prosessen, kan etter hvert slike tilbakemeldingsdata utnyttes automatisk med maskinlæringsteknikker: Modeller som detekterer/predikerer feil vil da kontinuerlig lære av tilbakemeldinger fra vedlikeholdspersonell ute i felt.
Dette krever ikke bare systemintegrasjoner mellom analyseplattform og ERP/arbeidsordresystem, men også redesign av de operasjonelle vedlikeholdsprosessene. Med det siste følger også utvikling av en kultur for å jobbe datadrevet, helt ut til driftspersonell ute i felt. En slik endring kan være krevende og ta tid, men med tett kryssfunksjonelt samarbeid og kort vei til gevinstrealisering på konkrete forbedringer er man rigget for å ta det stegvis, og bygge erfaring, engasjement og modenhet over tid.
For å konkludere, så handler datadrevet vedlikehold egentlig ikke om dataene man samler inn, men om å forstå hvordan vedlikeholdet kan forbedres med målrettet utnyttelse av data, og å la verdi være styrende i alt vi gjør. I BearingPoint kombinerer vi dyp ekspertise på data og data science med bred erfaring med operasjonelle forbedringer på tvers av tekniske og forretningsmessige disipliner. Ta kontakt for å høre mer om hvordan vi kan hjelpe deg med å utnytte data smart for å oppnå økt oppetid og reduserte kostnader i vedlikeholdet!
Skrevet av
August Emil Stokkeland er Manager i BearingPoint i Oslo. August Emil har seks års arbeidserfaring innen data og analyse og har de siste årene jobbet med modeller for datadrevet og prediktivt vedlikehold på jernbaneinfrastruktur. E-postadresse: august.emil.stokkeland@bearingpoint.com.
Vebjørn Axelsen er partner i BearingPoint i Oslo, og ansvarlig for data science-området. Han har lang erfaring som strategisk rådgiver, arkitekt og utvikler innen fagfeltet, og har ledet og gjennomført et stort antall data science-initiativer på tvers av bransjer, inkludert mange års erfaring med datadrevet og prediktivt vedlikehold, fra tidlige prototyper til store produksjonsløsninger. E-postadresse: vebjorn.axelsen@bearingpoint.com.
