Meilleures pratiques de maintenance prédictive | Senseye

Avec un accent accru sur la maintenance prédictive considérée comme l'une des principales tendances qui domineront la fabrication en 2021 et au-delà, comment les fabricants devraient-ils commencer à relever le défi d'évaluer et de répondre aux informations sur l'état des machines ?

Dans ce film, Alexander Hill et Rob Russell de Senseye sont rejoints par Jim Davison de Make UK et le Dr Hannah Edmonds du Manufacturing Technology Center pour explorer les meilleures pratiques qui offrent un maximum d'avantages maintenance prédictive, et comment les connaissances des spécialistes de la maintenance conditionnelle et des ingénieurs en fiabilité peuvent être démocratisées pour permettre une maintenance prédictive durable et à grande échelle.

Transcription

Alexander Hill, Senseye :La maintenance prédictive sera au centre des préoccupations des entreprises manufacturières et industrielles cette année, et dans les années à venir. Il doit l'être. Afin de profiter de ces gains d'efficacité, d'économiser de l'argent et de permettre des choses comme le travail à distance et la maintenance à distance, la maintenance prédictive est un élément absolument essentiel.

Rob Russell, Senseye :Ce cas d'utilisation principal pour les usines intelligentes et la numérisation a été intégré et autour de la maintenance prédictive. Il y a un niveau de connaissance du domaine qui est requis, pour comprendre d'abord comment obtenir le bon type d'informations des machines, mais aussi comment les utiliser dans le contexte de la maintenance.

Jim Davison, Make UK :Les ingénieurs d'usine traditionnels ont tendance à être comme moi, avec des cheveux gris, arrivant à la fin de leur carrière. C'est un défi pour nous de recruter la prochaine génération pour remplir ces rôles. En déployant des choses comme des technologies intelligentes, cela apporte en fait un élément vraiment excitant au rôle avec lequel les gens n'auraient pas été familiers.

Rob Russell, Senseye :Lorsque vous examinez les défis liés à la manière de répondre aux sorties, en ce qui concerne l'état de la machine, vous devez toujours aborder cela avec une bonne politique et de bonnes pratiques d'ingénierie. Les sources de données et l'identification des premiers problèmes que vous rencontreriez dans les machines qui permettent la maintenance prédictive détectent parfois des stades précoces de défaillance assez subtils.

L'équipe de maintenance commencera à acquérir des moyens de justifier ses découvertes et comprendra également que la détection précoce lui donne une fenêtre de temps beaucoup plus large. Cela leur permet de planifier et d'enquêter lorsque la production n'a pas besoin des machines, puis de planifier la maintenance à un stade ultérieur, lorsque les machines sont à nouveau en panne et qu'il n'y aura aucun impact sur la production.

Dr. Hannah Edmonds, Manufacturing Technology Centre :Dans le cadre d'un programme plus vaste auquel j'ai participé, nous avions de nombreux éléments de production différents ensemble, de nombreuses analyses différentes en cours - la possibilité de les combiner nous a apporté une valeur ajoutée.

Nous avons utilisé l'analyse automatisée de Senseye pour diagnostiquer les problèmes au sein du système de production et identifier la durée de vie utile restante des machines. Nous avons pu visualiser cela grâce à un programme supplémentaire, mais nous l'avons également combiné avec un système informatisé de gestion de la maintenance, pour planifier les tâches de maintenance.

Alexander Hill, Senseye :Nous ne voulons pas remplacer les ingénieurs de surveillance d'état et les spécialistes de la fiabilité. Nous voulons simplement nous assurer que leur temps est utilisé de manière vraiment efficace, car ils examineront souvent des dizaines de milliers de flux de données et essaieront de comprendre lesquels sont importants. C'est un travail très éprouvant et très difficile à faire.

La façon dont nous aborderions ce problème est d'automatiser, autant que possible, le rôle traditionnel d'un ingénieur de surveillance des conditions qui examine des milliers de points de données et essaie de comprendre lesquels sont importants.

Nous n'avons pas besoin de créer et de modifier manuellement des modèles, notre technologie et nos algorithmes brevetés nous permettent d'automatiser l'ensemble du processus.