Effektivitet og spild – Hvor værdien gemmer sig

Når virksomheder begynder at arbejde med industriel data, leder mange efter det store use case.

Den løsning, der kan transformere produktionen, eliminere nedetid eller skabe en helt ny forretning.

Men en stor del af værdien findes et mindre dramatisk sted.

I de korte stop. Den lidt længere procestid. Det gradvist stigende energiforbrug. Eller forskellen mellem to maskiner, skift eller installationer, der burde levere det samme.

Hver afvigelse virker måske ubetydelig. Når den gentages hver dag og på tværs af en hel maskinpark, kan den samlede effekt blive betydelig.

Et længere produktionsstop bliver undersøgt.

En kritisk alarm kræver handling, og en defekt komponent bliver udskiftet.

De små tab har sjældent samme synlighed:

• En maskine stopper få sekunder ad gangen
• En proces bruger lidt mere energi end tidligere
• Output varierer mellem skift
• En installation performer dårligere end tilsvarende installationer
• En operatør kompenserer manuelt for et tilbagevendende problem

Ingen af situationerne behøver at udløse en kritisk alarm. Produktionen fortsætter, og afvigelsen bliver gradvist en del af det normale driftsbillede.

Det gør ikke tabet mindre. Det gør det blot vanskeligere at få øje på.

Mennesker er gode til at tilpasse sig.

Hvis en proces altid har haft mange korte stop, bliver stoppene let opfattet som et grundvilkår. Hvis en maskine gradvist bruger mere energi, er der sjældent ét bestemt tidspunkt, hvor nogen oplever, at noget gik galt.

Derfor er et øjebliksbillede sjældent tilstrækkeligt.

Historiske data gør det muligt at etablere et sammenligningsgrundlag:

• Hvordan har processen udviklet sig over tid?
• Hvordan performer tilsvarende maskiner?
• Opstår afvigelser kun ved bestemte belastninger eller driftstilstande?
• Er der forskel på operatører, skift eller lokationer?
• Hvad ændrede sig, før forbruget eller stoptiden steg?

Det afgørende er ikke nødvendigvis at indsamle flere data. Det er at sammenligne de eksisterende data i den rigtige kontekst.

Hos BIRN bruges data til at forbedre den energiintensive smelteproces.

BIRN har et årligt energiforbrug på mere end 100 GWh. Derfor får selv en mindre reduktion i energiforbruget pr. ton smeltet jern stor betydning. Realtidsdata hjælper operatørerne med at gennemføre processen mere effektivt, mens historiske data bruges til at sammenligne forløb og identificere forhold, der påvirker energiforbruget.

Her opstår værdien ikke gennem én enkelt stor teknisk ændring, men gennem en løbende forbedring af den måde, processen udføres på.

Et andet eksempel findes hos M&J Recycling. Data fra 273 installationer i 29 lande gør det muligt at opdage ændringer i maskinernes anvendelse og hjælpe kunderne med at justere driften, før mindre problemer udvikler sig til kritiske fejl eller unødvendige afbrydelser.

Hos Fenagy sammenholdes den forventede og faktiske performance for varme- og køleanlæg. Dermed kan teknikerne opdage afvigelser og reagere, inden de påvirker kunden. Samtidig kan driften optimeres i forhold til blandt andet belastning og energipriser.

Fælles for eksemplerne er, at værdien opstår gennem små forbedringer, der gentages på tværs af processer, maskiner og installationer.

Mange afvigelser kan findes med relativt enkle metoder.

Det kan være en beregnet KPI, en sammenligning med en referenceperiode eller en regel, der reagerer, når en værdi bevæger sig uden for et kendt interval.

Men en fast grænseværdi er ikke altid tilstrækkelig.

På en varmepumpe kan et stigende trykfald eksempelvis være tegn på utilstrækkelig afrimning. Målingen skal dog forstås sammen med blandt andet fordampnings- og udetemperatur. Det normale trykfald afhænger af de aktuelle driftsforhold.

Her kan en lille og afgrænset machine learning-model gøre en forskel.

Modellen kan lære sammenhængen mellem nogle få eksisterende signaler under normal drift og fremhæve perioder, hvor kombinationen af værdier afviger fra det forventede mønster.

Den behøver ikke diagnosticere fejlen eller automatisk ændre styringen. Dens første opgave kan blot være at vise teknikeren, hvor det giver mening at kigge nærmere.

Det er et mere praktisk udgangspunkt for industriel AI/ML end at begynde med en ambition om en fuldt autonom løsning. En afgrænset model kan fungere som endnu et analyseværktøj, der hjælper mennesker med at finde mønstre, som er vanskelige at beskrive med én fast regel.

Læs mere om AI/ML i DCC.

At opdage en ineffektivitet er kun begyndelsen.

For at skabe en målbar gevinst skal observationen kobles til en arbejdsgang:

1. Hvilket tilbagevendende tab ønsker vi at reducere?
2. Hvilke data og driftsforhold beskriver problemet?
3. Hvem skal undersøge afvigelsen og beslutte en handling?
4. Hvordan måler vi, om ændringen forbedrede driften?

Det kan føre til en justering af en parameter, en ændret arbejdsrutine, et andet serviceinterval eller en nærmere undersøgelse af en komponent.

Nogle gange vil analysen vise, at forskellen har en naturlig forklaring. Det er også værdifuld viden. Formålet er ikke at reagere på enhver variation, men at skelne de relevante afvigelser fra den normale variation i processen.

For maskinbyggere bliver perspektivet særligt interessant, når samme analyse kan anvendes på tværs af den installerede base.

En mindre forbedring på én maskine har begrænset effekt. Hvis forbedringen kan gentages på hundredvis af installationer, ændrer regnestykket sig.

Samtidig kan data vise, om et problem kun findes hos én kunde, eller om det går igen på tværs af en maskintype eller produktgeneration. Dermed kan læringen bruges i serviceorganisationen, i kundernes drift og i udviklingen af fremtidige maskiner.

Industriel data handler ikke kun om at reagere på de store fejl.

Den kan også gøre de små, gentagne tab synlige og give organisationen et grundlag for at arbejde systematisk med dem.

Ofte kræver det hverken en stor transformation eller et omfattende AI-projekt. En sammenligning, en beregning eller en velvalgt alarm kan være tilstrækkelig.

I andre tilfælde kan en lille ML-model gøre en vanskelig sammenhæng synlig og rette opmærksomheden mod de perioder, hvor et menneske bør undersøge data nærmere.

Teknologien kan gøre afvigelsen synlig.

Værdien opstår, når nogen bruger den nye indsigt til at forbedre driften – igen og igen.

I næste del ser vi på et af de mest udbredte resultater af arbejdet med industriel data:

Rapportering – og hvorfor rapporten sjældent bør være målet i sig selv.