For å forstå dette, må vi se på alle de ulike vedlikeholdsfilosofier som har eksistert siden den industrielle revolusjon startet i 1750. Det hele startet med en havaribasert vedlikeholdsfilosofi. Denne filosofien gikk ut på at man ikke gjorde vedlikehold, men kjørte utstyret til det havarerte. Dyre reparasjoner og ustabile anlegg ble resultatet.
Man utviklet en tidsbasert filosofi. Den baserer seg på at faste aktiviteter utføres etter faste tidsintervaller. Man bruker da mye penger på å gjøre unødig vedlikehold på utstyr som er i orden, samtidig som feil som utvikler seg innenfor det faste tidsintervallet, fører til havari.
Ressursbruken og havariene resulterte i at en tilstandsbasert vedlikeholdsfilosofi så dagens lys. Dette en filosofi hvor man overvåker utstyret med sensorer, og utfører vedlikehold bare når tilstanden tilsier at det er nødvendig. Tilstandskontroll avdekker problemet, men ikke nødvendigvis rotårsaken til det.
En «prediktiv» vedlikeholdsfilosofi så dagens lys. Den innebærer å ligge i forkant av problemene ved å analysere store mengder data for å forutse feil, og samtidig finne rotårsaken bak gjentatte problemer. Denne filosofien har frem til i dag hatt den ulempen at den har vært for kostbar og upresis til å kunne anvendes med suksess på komplekse anlegg. Til tross for stor ressursbruk på analyser har utstyr fortsatt å havarere uten at man nødvendigvis har forstått hvorfor.
En av årsakene til dette er at 80 prosent av alle tilgjengelige data i verden er usortert. Det betyr at mennesker manuelt må innhente, sortere og vaske data for å kunne analysere dem. Vi har naturgitte begrensninger med hensyn til å prosessere store mengder data i hjernene våre. Derfor reduserer vi ofte datagrunnlaget så mye når det vaskes, at informasjonen vi er på jakt etter, sorteres bort i prosessen. Av den grunn vil en robotløsning med kunstig intelligens og kognitive evner utgjøre en stor forskjell. Roboten er istand til å tolke usorterte data på ulike format og se mønstre som tidligere har vært skjult for oss mennesker. En kognitiv robotløsning kan i utgangspunktet ingenting, og er sånn sett
sammenlignbar med en nyfødt baby. Absolutt alt må læres. Algoritmene for læring og tilgang til data er avgjørende for hvor smart robotløsningen blir. Jo mer data man kan tilføre roboten, dess mer intelligent vil den utvikle seg til å bli. Vi jobber i Karsten Moholt AS med å utvikle en prototyp på en kognitiv vedlikeholdsrobot nå. Vi skal sende en robot på et studium av vedlikehold, i våre historiske data opparbeidet igjennom 70 år. Dette er usorterte data i form av servicerapporter, rotårsaksanalyser, tilstandsdata og tilstandsanalyser, i ulike format.
Målet vårt er å få roboten til å forstå at fordi vi hadde temperatur X kombinert med vibrasjon Y og trykk Z, så fikk vi et havari. Når algoritmene for læring er etablert, vil vi hente inn data i sanntid fra sensorer montert i kundens anlegg. Ved hjelp av maskinlæring, historiske sammenhenger av data og stadig nye sanntidsdata kan roboten predikere hva som er i ferd med å skje med stadig større presisjon.
Uregelmessigheter avdekkes automatisk, samtidig som bakenforliggende årsaker identifiseres. Dynamiske varsler igangsettes tidlig, slik at avvergende tiltak kan iverksettes til rett tid.
I dag iverksettes tiltak ofte for tidlig eller for sent, en naturlig konsekvens av menneskers begrensninger ved store datamengder. Denne begrensningen er snudd til en mulighet når kognitive roboter blir smartere jo mer data de får tilgang til, og vi mennesker i stedet kan bruke tiden på å utvikle smarte algoritmer og smarte sensorer.
Det er vinn-vinn og en «game changer» for mennesker og vedlikehold.
