Brugen af kunstig intelligens vinder indpas flere og flere steder i industrien, ikke mindst inden for vedligehold. Eksempelvis kan AI forudsige, hvornår et sporskifte i metroen med en vis sandsynlighed går i stykker, eller hvornår den senest skal udskiftes, hvis et dyrt driftsstop skal undgås. Og så får AI pludselig enorm nytteværdi for mange.
»Det er jo en god ting, hvis Metroen i København kan køre helt uden afbrydelser, når fire gange 40.000 mennesker skal hjem fra koncert med Ed Sheeran,« siger direktør for 2BM Software, Martin Pock.
2BM Software tilbyder SAP- og cloudbaserede mobile softwareløsninger til at reducere vedligehold og omkostninger for virksomheder, som udnytter potentialet i at kombinere Internet of Things (IoT), kunstig intelligens fra IBM og et intelligent ERP-system som SAP.
Løsningen falder ind i kategorien ’Mobile Predictive Maintenance’, et databaseret ”ekstra intelligens-niveau” for vedligeholdelse af maskiner, bygninger og infrastruktur, som er et område, der vokser eksplosivt i disse år.
Ifølge analysehuset Allied Market Research vil det globale marked for predictive maintenance vokse fra 2,8 milliarder dollars (godt 21,4 milliarder kroner) i 2018 til forventet 23 milliarder dollars (omkring 176 milliarder kroner) i 2026.
»Predictive maintenance kan forebygge dyre driftsstop og forlænge produktionsanlæggets levetid ved at analysere – i realtid – de data, anlægget selv genererer fra diverse sensorer og målere. Det skaber et mere oplyst beslutningsgrundlag for en tilstandsbaseret vedligeholdelse af et anlæg, der kan bestå af produktionsmaskiner eller skinner i et metronet af vital betydning for borgere og samfund,« forklarer Martin Pock.
Høj oppetid i servicevinduet
Valget af et sporskifte som eksempel på en funktion, hvor kunstig intelligens og computerkraft kan gøre en forskel for virksomheders drift og vedligeholdelse, er ikke tilfældigt. En af 2BM Softwares nyeste cases er således med selskabet Metro Service, der opererer og vedligeholder metroen i København.
Tidligere har 2BM Software udviklet en løsning til Nordic Sugar, hvor fokus var på vedligeholdelsen af sukkerproducentens dyreste og vigtigste produktionsaktiver, der kan medføre produktionsstop. Nu gælder det monitorering og analysering af de mange sporskifter, der får trafikken til at glide i den københavnske undergrund.
»Metroen udmærker sig allerede ved at have en meget høj oppetid i sit servicevindue – faktisk en af de højeste i verden. Ved at træne softwaren til at se sammenhænge i data fra diverse sensorer er målet at optimere vedligeholdelsen og forebygge dyrebare og generende driftsstop på sporskifterne ved at kun forudsige og reagere på estimerede driftstop cirka 10-20 dage, før de vil ske,« siger Martin Pock.
Med AI kan virksomhederne tage skridtet videre fra de nuværende vedligeholdelsesplaner, som mange steder i dag er baseret på forebyggende vedligehold, der kan være både dyrt og uhensigtsmæssigt for miljøet.
»AI kan forhindre, at du udskifter noget, som ellers ikke fejler noget, blot fordi det er planlagt sådan ud fra vedligeholdelsesplanen. Det er ligesom, når du kører til service med din bil, fordi den skal til service i følge bogen – men der er i virkeligheden intet galt med bilen. Både i mandskab og indkøb af komponenter er sådanne vedligeholdelsesstrategier omkostningstunge både for regnskabet og miljøet,« siger Martin Pock.
»Den over-vedligeholdelse, som mange virksomheder nok kan have en hypotese om, at de har, kan de undgå med AI, fordi de tidligere kan se, at komponenterne kan være i drift længere og ikke behøver udskiftning. Det er et paradigmeskift i vedligehold af store fabrikker, maskiner og infrastruktur og kan på sigt anvendes alle steder, hvor forebyggende vedligehold benyttes i stor skala,« fortsætter han.
Rekrutteringsudfordringen
Optimeringsevnen i AI-baseret software til vedligeholdelse bliver således også en vigtig brik i virksomheders arbejde for at reducere deres CO2-udledning mest muligt, lige som AI bidrager til at gøre maskiner og anlæg mere sikre for medarbejdere ved at kunne forudse nedbrud, inden de sker.
Men der er flere positive perspektiver i predictive maintenance, både for virksomheder og samfundet generelt, hvor problemer med rekruttering allerede udfordrer forskellige brancher.
»Selv om vi er i en tid, hvor vi generelt er bevidste om, at vi lever længere og skal arbejde længere, bliver det sværere og sværere at få folk til at lave det hårde arbejde. Ikke mange unge mennesker søger job som vedligeholdelsestekniker i dag. Virksomhederne har svært ved at finde afløsere for generationen efter 2. Verdenskrig, og derfor kigger de meget på automatisering og mulighederne for at bruge AI til at begrænse de opgaver, som der blot skal menneskelige hænder eller øjne til at udføre,« fortæller Martin Pock.
