I grunden handlar prediktivt underhåll om att använda historik, tidsserier, avvikelser och driftdata för att förutse framtida problem och därmed undvika dem. Det är inget nytt. Det nya är möjligheten att göra det bättre och frågan är varför så många fortfarande inte gör det.
Vad tillför AI och machine learning – egentligen?
Machine learning innebär i praktiken en kraftfull förstärkning av det prediktiva underhållet. Där traditionella modeller kräver att vi i förväg definierar hur modellen ska se ut, kan AI-baserade metoder själva identifiera mönster och samband i stora datamängder.
”Machine learning kan hitta mönster och se samband som vi har svårt att se och göra det på väldigt kort tid,” säger Robert Velén. Det handlar dock inte bara om snabbare analys, utan om ett skifte i hur vi bygger och använder modeller.
”Utan machine learning måste vi bestämma hur modellen ska se ut. Med AI får modellen ‘gummiben’ och den kan anpassa sig.”
Trots detta befinner sig många initiativ fortfarande i pilotstadiet. Ett återkommande mönster är att arbetet ofta börjar med vibrations- och ljudmätning, inte minst eftersom sensorer blivit billigare och enklare att implementera. Det är ett logiskt första steg. Men det är också där många stannar. Att börja med det som är enkelt är inte detsamma som att skapa verkligt värde och det är just i övergången från pilot till breddinförande som många organisationer fastnar.
Från pilot till genombrott – vad håller tillbaka?
Det största hindret för ett verkligt genombrott är sällan tekniken. Det är hur organisationer hanterar data. Industrin sitter idag på enorma mängder historisk data, ibland flera decennier tillbaka. Problemet är inte brist på data, utan att den ofta är fragmenterad, ostrukturerad och svår att använda i praktiken.
Med andra ord: organisationer överskattar värdet av den data de har och underskattar arbetet som krävs för att göra den användbar. Det handlar om att integrera flera datakällor:
- Processtyrningssystem (t.ex. temperatur, tryck, flöden)
- Underhållssystem och avvikelser
- Manuella mätningar och labbdata
- Sensorer för vibrationer och ljud
Att få dessa att “tala samma språk” är inte ett tekniskt sidoprojekt, det är en grundförutsättning. Samtidigt finns en annan, ofta underskattad, utmaning: förtroende.
När tidiga piloter inte levererar perfekta resultat riskerar det att skapa en varaktig skepsis. Det som borde ses som en lärande fas blir istället ett argument för att inte gå vidare. Det är problematiskt eftersom det är just i början som modellerna förbättras som mest.
Möjligheterna är större än många tror
Många organisationer ser fortfarande prediktivt underhåll som ett sätt att undvika haverier. Det är en del av bilden men långt ifrån hela. Den verkliga potentialen ligger i att förändra hur underhåll planeras och styrs i grunden. Genom att arbeta mer datadrivet och strukturerat kan verksamheter gå från reaktivt till proaktivt underhåll där beslut baseras på faktiska insikter snarare än antaganden.
Med rätt angreppssätt kan organisationer:
- Öka tillgänglighet och upptid
- Minska oplanerade stopp
- Optimera planerat underhåll
- Reducera kostnader och resursförbrukning
I praktiken innebär detta att underhållsinsatser sker vid rätt tidpunkt, inte för tidigt och inte för sent. Det minskar inte bara kostnader, utan förbättrar även resursutnyttjandet och bidrar till mer hållbara verksamheter. Men det kräver att man ser prediktivt underhåll som mer än ett tekniskt initiativ. Det är en verksamhetsfråga.
Vår syn framåt
Vi ser att nästa steg i utvecklingen inte handlar om att göra mer – utan om att göra rätt. Många organisationer har redan påbörjat resan, men fastnar i isolerade piloter eller teknikdrivna initiativ som inte kopplas till affärsvärde.
Det verkliga skiftet sker först när man slutar fråga vad tekniken kan göra och börjar fråga vad verksamheten behöver. Det innebär att arbeta mer sammanhållet med data, analys och beslutsfattande. För frågan är inte längre om data finns utan om den används för att fatta bättre beslut.
Nyckeln är inte bara att samla in mer data, utan att:
- Strukturera den rätt
- Skapa förtroende i organisationen
- Och koppla insikter till konkreta affärsbeslut
Detta kräver också något mer än teknik: modet att utmana invanda arbetssätt. Att gå från erfarenhetsbaserade beslut till datadrivna är inte en teknisk förändring – det är en kulturell.
”I slutändan handlar det inte om tekniken i sig, utan om hur vi använder data för att fatta bättre beslut, det är där det verkliga värdet uppstår,” avslutar Robert Velén.
De organisationer som lyckas framåt är inte nödvändigtvis de med mest data utan de som bäst förstår hur den ska användas.
