Driftdata kan visa att något förändras i en maskin. För att förstå vad förändringen betyder behövs också kunskap om tidigare fel, utförda åtgärder och deras resultat. Under sin föreläsning hos oss på Plantvision Technology Insight 2026 beskrev Robert Velén och Filip Abrahamsson hur underhållet kan utvecklas med digitala arbetssätt. Den här artikeln sammanfattar deras resonemang om anläggningsinformation, mobila verktyg och prediktivt underhåll, med en återkommande poäng: tekniken behöver ett tillförlitligt underlag från det dagliga arbetet.
Informationen behöver finnas där arbetet utförs
När ritningar, manualer och underhållshistorik är svåra att hitta går tid åt till att söka, skriva ut och förflytta sig. Kunskapen blir lätt beroende av dem som vet vilken pärm eller vilket system man ska leta i. Robert lyfte därför värdet av strukturerad anläggningsinformation, där dokumentationen är kopplad till rätt objekt. Den som navigerar till en pump ska kunna hitta informationen som hör till just den pumpen.
Mobil åtkomst gör det möjligt att använda informationen ute i anläggningen. Underhållspersonalen kan arbeta med arbetsorder, följa checklistor och rapportera fel direkt på plats. Bilder kan ge en tydligare beskrivning av problemet, och anteckningar i ritningar kan fånga ändringar som behöver föras tillbaka till dokumentationen efter en åtgärd.
Robert rekommenderade surfplattor när dokument ska läsas och arbete utföras under en längre stund. Mobiltelefoner kan fungera väl för en snabb felanmälan, men skärmytan blir begränsande för ritningar och manualer. Han tog också upp att äldre versioner av underhållssystem kan sakna stöd för den egna mobila lösningen. En separat mobil lösning med integration till underhållssystemet presenterades som ett alternativ när underhållsorganisationen inte själv styr uppgraderingarna.
En avslutad arbetsorder behöver berätta vad som hände
Filip återkom till ett vardagligt exempel: en pump går sönder, en arbetsorder skapas och efter reparationen markeras den som klar. Systemet visar att arbetet är avslutat, men om ingen beskriver felet eller åtgärden saknas viktig kunskap för nästa analys.
”Fixade pumpen” illustrerade hur en kort återrapportering kan ge alltför lite information. Vad var det som gick sönder? Vad gjordes, och vad blev resultatet? Om ett läckande rör repareras utan att vare sig felet eller insatsen registreras finns händelsen kvar hos dem som deltog, men inte i den historik som ska användas för att förstå återkommande problem.
Strukturen i rapporteringen är därför viktig. Föreläsarna efterfrågade ett gemensamt sätt att dokumentera händelser och åtgärder, så att information från olika personer går att använda tillsammans. Det betyder inte att varje rapport måste formuleras identiskt, men skillnaden mellan en detaljerad beskrivning och en knapphändig kvittering påverkar vad som går att lära av materialet.
Maskininlärning behöver både driftvärden och sammanhang
Prediktivt underhåll syftar till att förutse när ett problem riskerar att uppstå, så att en insats kan planeras innan felet inträffar. Filip beskrev hur maskininlärning kan användas för att hitta mönster i driftdata och koppla dem till historiska händelser. Fokus låg på en modell tränad för en viss process eller maskingrupp.
Underlaget kan bestå av temperaturer, vibrationer och andra signaler från styrsystem eller lagrad processhistorik. Underhållssystemets arbetsorder och felanmälningar tillför information om vad som faktiskt hände och vilka åtgärder som vidtogs. Uppgifter om stillestånd och planerad service kan ge ytterligare sammanhang. Mätvärdena behöver kunna förstås i relation till hur utrustningen användes och underhölls.
Filip använde ett tänkt lagerfel som exempel på hur modellen skulle kunna känna igen en kombination av förändrade kurvor och ge en varning i förväg. Exemplet beskrev principen, inte en garanterad varningstid eller träffsäkerhet. Modellens förutsättningar beror på det underlag den har tränats på. Föreläsningen betonade också att utfallet behöver följas upp: ny information om rätt och fel kan användas för att träna och införa en ny version av modellen.
Använd befintliga data och välj teknik efter behov
En återkommande uppmaning var att undersöka vilka processdata som redan finns innan fler sensorer köps in. Temperaturmätningar och andra driftvärden kan redan finnas i anläggningen, men vara svåra att komma åt eller ligga i separata system. Att göra dem tillgängliga för analys kan vara ett viktigt steg.
Kompletterande IoT-sensorer kan vara användbara när en relevant mätning saknas. En vibrationssensor utanpå en motor nämndes som ett exempel på hur ytterligare information kan samlas in för analys. Föreläsarna gjorde också klart att varningar inte alltid kräver AI. Regler för kända gränsvärden och kombinationer av signaler kan ge stöd, medan maskininlärning kan söka efter samband som är svårare att identifiera manuellt.
Kameraanalys väcker frågor om syfte och integritet
I frågestunden tog en deltagare upp motstånd mot kameraanalys i produktionen och oro för att materialet skulle användas för att granska operatörers misstag. Diskussionen handlade om att tydliggöra syftet, begränsa vad kamerorna fångar och föra dialog med medarbetare och fackliga företrädare.
Föreläsarna lyfte även tydliga riktlinjer för användningen och ett arbetssätt som fokuserar på att förbättra processen utan att peka ut individer. Samtalet gav inget generellt svar på hur kameraanalys ska hanteras juridiskt, men visade att dessa frågor behöver tas om hand när en lösning utformas.
Nästa steg börjar med en nulägesanalys
Föreläsarnas konkreta medskick var att först förstå var den egna underhållsorganisationen befinner sig. Finns en samlad historik? Är fel och åtgärder dokumenterade? Vilka driftdata går att använda? Svaren ger ett underlag för att välja insatser som kan ge effekt nu och för att planera det som behöver utvecklas över tid.
Sammanfattning av föreläsningen
Digitalisering av underhåll omfattar både tillgången till information i vardagen och möjligheten att förutse framtida fel. Strukturerad anläggningsinformation och mobila arbetssätt kan stödja arbetet på plats, medan konsekvent återrapportering bygger den historik som analysen behöver. Prediktivt underhåll med maskininlärning förutsätter att driftdata kan kopplas till fel och utförda åtgärder. Börja därför med nuläget och välj nästa steg utifrån verksamhetens faktiska behov.
Hur ser det ut hos er när en arbetsorder är klar? Finns kunskapen kvar i systemet, eller hos den som gjorde jobbet? Vi pratar gärna vidare om ert underhåll och vad ni vill få bättre grepp om. Hör av er, så tittar vi tillsammans på ett nästa steg som passar där ni är i dag.