Den fjerde industrielle revolution omfatter en sammensmeltning af den digitale og fysiske verden til Cyber Physical Systems. Vedligehold 4,0 indtræder, når den fysiske og digitale verden flyder sammen med Big Data.
Af lektor, ph.d. Erik Skov Madsen, Center for Sustainable Supply Chain Engineering, Institut for Teknologi og Innovation, Syddansk Universitet
2011 - startskuddet til Industri 4,0
Valgkampen i 2011 satte produktion i perspektiv. Samtlige politiske partier begyndte pludselig at drøfte produktion i Danmark, og der blev ganske enkelt sat spørgsmålstegn ved, om ”vi”, det vil sige i Danmark og Vesten, stadig kunne udvikle ideerne og være innovative, og ”de”, det vil sige medarbejder i Fjernøstens fabrikker eller i Østeuropa, ville blive ved med at producere det, vi havde opfundet. Debatten ved dette folketingsvalg gav et startskud for overvejelser om, hvordan vi skulle have mere produktion i fremtidens Danmark. I Tyskland opstod den sammen debat, og begrebet Industri 4,0 blev introduceret på Hannover Messen i 2011. Produktion blev altså igen sat på dagsordenen.
Hvorfor taler vi om den fjerde industrielle revolution?
Figur 1 viser udviklingen af fire industrielle revolutioner. Kompleksiteten er gradvist blevet øget, og ved hvert nyt trin i udviklingen er der opstået behov for nye kompetencer blandt medarbejdere og nye behov for nye uddannelser for at kunne udnytte den nye teknologi.
Industri 1,0.
Da James Watt i 1784 udviklede dampmaskinen, blev der skabt basis for industrielle væve, pumper og andet mekanisk udstyr. Det blev dermed lettere at fremstille varer. Der er dog stadig 1,3 mia. mennesker på vores klode, som stadig kæmper med fattigdom og ikke har nået den første industrielle revolution.
Industri 2,0.
Indførslen af samlebåndet omkring 1870 og opdeling af arbejdsoperationer i korte og velbeskrevne processer medførte, at varer kunne fremstilles i store mængder og til en lav pris. Produktionsfilosofien stammer fra Frederic W. Taylor og Scientific Management, hvor den grundlæggende filosofi er, at lederen skal udarbejde den bedste metode i korte delprocesser, som en arbejder hurtigt kan lære. Metoderne bruges stadig i dag, hvor især kritikerne af Lean hævder, at Lean blot er gammel vin i form af Scientific Management på nye flasker.
Industri 3,0.
Med introduktionen af mikroprocessoren i 1960’erne blev der skabt basis for at automatisere produktionsudstyr. Produktionsudstyret blev mere og mere avanceret med en sammenblanding af mekanik, pneumatik, hydraulik, elektriske maskiner og komponenter, elektronik og computere til styring af udstyret, og robotterne begyndte deres indtog. På håndværkersiden blev der introduceret nye uddannelse som f.eks. automatikmekaniker og industrielektriker, og en klassisk maskinarbejder blev omdøbt til industritekniker til at udnytte potentialet fra avancerede CNC-maskiner.
Industri 4,0.
Vi står nu på tærsklen til den fjerde industrielle revolution, der omfatter en sammensmeltning af den digitale og den fysiske verden til Cyber Physical Systems. Der er de seneste år nærmest sket en eksplosion i udstyr, der kobles på internettet. Alt fra sporing (tracking) af en simple pakke til data for produktion kan følges via en smartphone. Ja, selv data om en persons puls og søvnrytme kobles via smarte ure på internettet for en grundig analyse.
Big Data og databehandling
Når man studerer litteratur, der baserer sig på forskning eller litteratur fra konsulenthuse, opdager man hurtigt, at Industri 4,0 indeholder en bred vifte af forskellige teknologier, materialer, databehandling og opkobling mellem forskellige teknologier. Der er således ikke nogen entydig definition af Industri 4,0, men der optræder for det meste tre hovedområder: 1) Avancerede materialer og fremstilling med smart teknologi, 2) Opkobling med smarte teknologier og 3) Big Data og databehandling. Der er i denne artikel fokus på Big Data og databehandling i forbindelse med vedligehold.
Der er tre parameter, som definerer Big Data.
1) Volumen - der skal være tale om store mængder af data, som bliver lagret. Mængden af disse data skal kunne udgøre værdi, ved at der kan uddrages viden ud fra denne store mængde data.
2) Varians – der skal være tale om en stor varians af data. Det vil sige, at data i form af tal, bogstaver og tekst ikke er nok, men der er brug for en meget større varians af data i form af både tal, tekst, billeder, lyd, video og andre data, som ved fusion kan hjælpe med at give mening.
3) Hastighed – hastigheden for frembringelse af data skal desuden være stigende. Det skal forstås således, at hvor der tidligere blev arbejdet med data som var lagret som filer eller periodevis data, så har vi med Big Data bevæget os mod data, der frembringes i realtid.
Predictive Maintenance
Ved Big Data er der altså tale om enorme mængder af data, som har stor varians og som hele tiden udvikler sig og ændrer sig med stor hastighed. Det er derfor en stor udfordring at udvikle algoritmer og software, som kan uddrage viden ud fra Big Data. Alle ved efterhånden, at når man besøger forskellige sider på internettet, og når man køber noget på internettet, så er man en del af Big Data-produktet, og efterfølgende kan man blive bombarderet med specifikke reklamer. Der er ganske enkelt gennemført omfattende forskning og udvikling inden for dette område, da der er kæmpe kommercielle interesser i at anvende data fra internettet til markedsføring og salg.
Det ser ud til, at det forholder sig lidt anderledes med hensyn til at anvende Big Data, der skal anvendes ved automatisk analyse og kunstig intelligens til at forudsige vedligehold – (på engelsk: Predictive Maintenance). Her ser det ud til, at processerne er yderst komplekse, og at det stadig er en kæmpe udfordring at indsamle, omforme og at rense data, så der kan uddrages modeller og viden om, hvad der skal foretages af forebyggende vedligehold.
I figur 2 er vist et eksempel på to lejefejl for rotoren på vindmøller. Studiet er publiceret af Bach-Andersen, og kurverne 2 viser et sammendrag af 18 måneders temperaturforløb forud for to lejefejl. De analyserede temperaturdata blev indsamlet hvert 10. minut. Som det fremgår af figur 2, fremkommer der store mængder af støj i forbindelse med sådanne temperaturmålinger. Det er også værd at bemærke, at temperaturen i lejerne er afhængige af 1) den aktive effekt der bliver genereret, 2) generatorens hastighed, 3) olietemperaturen, 4) den omgivende temperatur og 5) temperaturen i nacellen, hvor rotorlejet er placeret. I figur 2 illustrerer de to kurver til venstre det udefrakommende og målte temperaturforløb, mens de to kurver til højre viser udefrakommende og målte temperaturer + autoregressive – dvs. fremtidige forløb, der er baseret på tidligere forekomst. Eksemplet viser udfordringen ved at uddrage viden om forebyggende vedligehold fra opsamling af data om temperaturforløbet fra rotorlejer på vindmøller.
Software og algoritmer
Den helt store udfordring i at arbejde med prædiktivt vedligehold (predictive maintenance) er derfor stadig at indsamle store mængder af forskellige data fra mange forskellige parametre, rense for støj og skabe forståelse for, hvad de enkelte data betyder for tilstanden af et udstyr og dermed forudsige behovet for vedligehold.
Moderne vindkraftanlæg udgør i dag mellemstore kraftværker, som helt ubemandet genererer store mængder strøm. Specielt i forbindelse med offshore vindkraftanlæg er der tale om et råt og svært tilgængeligt havmiljø, og netop derfor er det relevant at anvende Big Data til at forudsige og til at planlægge vedligehold. Studiet af Bach-Andersen viser, hvor stor en udfordring det er blot at udvikle modeller for prædiktivt vedligehold af et rotorleje, hvor der er temperaturmålinger til stede.
Det er forholdsvis let at indsamle data og lagre alle mulige former for data i en database. Den helt store udfordring i at arbejde med Big Data er at omforme disse store mængder af data med stor varians og stor hastighed til mønstre og viden, som er brugbar til at fastslå prædiktivt vedligehold. Ud over pålidelige data kræver det udvikling af algoritmer og software, som kan omforme disse data til forslag om prædiktiv vedligeholdelse. At udvikle disse algoritmer og software kræver en grundig forståelse for materialer, funktioner, processer og fejlmuligheder for den enkelte komponent og det enkelte udstyr.
Erfaringerne med digitalisering af det danske skattevæsen har illustreret, hvordan det har været særdeles vanskeligt at digitalisere SKAT, hvor der i princippet kun arbejdes med tal og tekst. Hos SKAT viste det sig, at medarbejdere var mere fleksible og kunne overskue store problemstillinger. Rederiet Mærsk måtte erkende lignende problemer, da Mærsk i 2005 købte det engelsk-hollandske rederi P&O Nedlloyd. Mærsk erfarede, at det kan være svært at samle store IT-systemer, og containere blev sendt de forkerte steder hen, ikke nåede frem som lovet, eller papirer passede ikke. Mærsk blev derfor i en periode presset og mistede kunder, før IT-systemet blev tilpasset til den store opgave, det er at sammenlægge to store organisationer.
Indførslen af Big Data ved at uddrage beslutninger fra store digitale systemer ser ud til at kræve omhyggelige overvejelser for ikke at ende i situationer som SKAT og Mærsk i 2005.
En trinvis vej mod Industri 4,0 og Prædiktiv Vedligehold 4,0
Et studie af Schuh fra RWTH Arechen Universitet i Holland og et studie fra konsulentvirksomheden PwC viser, hvordan Industri 4,0 indebærer en væsentlig opgradering af en virksomheds digitale kompetencer. Denne opgradering er yderst kompleks og vil omfatte hele virksomheden og kan tage flere år. Ud fra disse to studier er der herunder illustreret en trinvis vej frem mod Industri 4,0 og Prædiktiv Vedligehold 4,0.
Tabel 1: Kendetegn frem mod Prædiktiv Vedligehold 4,0
Trin 1: Anvendelsen af IT (computerisation)
Den første fase i udviklingen er anvendelsen af IT for at give grundlag for digitalisering. Denne fase hører stadig til Industri 3,0 og virksomheder oplever, at der på dette første trin anvendes forskellige IT-løsninger, men at disse IT-løsninger anvendes separat fra andre IT-løsninger inden for virksomheden.
Trin 2: Forbindelse med IT (Connectivity)
Produktionsmaskiner er her forbundet til et IT-net, og her er det for eksempel muligt at kommunikere direkte mellem CAD i designfasen og CAM i produktionen. Det vil være helt naturligt med IT-forbindelser mellem maskiner og produktionsudstyr, da maskiner vil være født til IT-netværk. Det kan dog stadig være en relativ stor opgave at ombygge ældre produktionsmaskiner til at kunne hente data om produktion og data om tilstande via IT-netværksforbindelser.
Trin 3: Synlighed (Visibility)
Her opleves for første gang Industri 4,0. Et dramatisk fald i prisen på sensorer, mikrochips og netværksforbinelser har i princippet betydet, at hændelser kan registreres i realtid i en hel virksomhed og med ufattelig mange detaljer. Leverancer fra mange hundrede eller tusinder af underleverandører kan håndteres og dokumenteres via PLM-systemer, så det er muligt at bygge avancerede produkter i form af fly eller biler og samtidig opnå en høj grad af pålidelighed.
Trin 4: Gennemsigtighed (Transparency)
Indsamling af data giver ikke i sig selv nogen værdi. Data bliver først værdifulde, når data analyseres, og årsagen til hændelser kan identificeres. På trin fire handler det derfor om at forstå, hvad der sker, for derefter at kunne handle korrekt. På dette trin vil software til at analysere data og kombinere data være nødvendigt for at kunne skabe en digital model og dermed skabe overblik.
Trin 5: Evnen til at forudsige (Predictive capacity)
På dette trin frem mod Industri 4,0 opbygges en evnen til at forudsige nødvendige handlinger. Det indebærer naturligvis, at der er skabt gennemsigtighed ved analyse af data, samt at en virksomhed har opbygget en evne til at forudsige, hvorfor og hvordan der kan opstå problemer. Når der skal arbejdes med ”evnen til at forudsige”, vil virksomheden derfor være afhængig af det grundarbejde, der er gennemført under trin 4 med at skabe gennemsigtighed ud fra data. Studier har f.eks. vist, at blot det at kunne forudsige, hvornår et rotorleje fejler i en moderne vindmølle, kræver en grundig forståelse for materialer, fremstillingsprocesser, funktion og tilhørende systemer i form af smøring og køleforhold.
Trin 6: Tilpasningsevne (Adaptability)
Som et sidste og sjette trin i Industri 4,0 og Vedligehold 4,0 udgør tilpasningsevnen det højeste niveau, hvor handlinger bliver foretaget automatisk og udstyr tager selvstændige beslutninger og tilpasser sig. Det vil på dette trin naturligvis være nødvendigt at afgrænse sådanne automatiske processer for at minimere risikoen for fejl og for at sikre, at godkendelser foregår omhyggeligt. Planlagte ordrer kan for eksempel automatisk ændres på grund af forventede maskinfejl eller for at undgå forsinkelser i levering.
Opgradering af medarbejdere og afsluttende bemærkninger
Som tidligere beskrevet i denne artikel tyder alt på, at kompleksiteten vil stige kraftigt, og at teknologien derfor vil blive sværere at overskue i fremtidens Industri 4,0. Den helt store udfordring i forbindelse med Industri 4,0 bliver, at medarbejdere (mennesker) skal kunne overskue den øgede kompleksitet og samtidig udnytte endnu mere avanceret udstyr uden faldende produktivitet. Uddannelse vil derfor stadig udgøre en vigtig parameter i fremtidens Industri og Vedligehold 4,0.
Ovenstående artikel er en forkortet udgave af et kapitel i den kommende nye udgave af ”Vedligehold”, som DDV udgiver i løbet af 2019.
Referencer:
Bach-Andersen, M. & Rømer-Odgaard, B. & Winther, O. (2017)” Flexible non-linear predictive models for large-scale wind turbine diagnostics”, Wind Energy, 20: s 753-765.
Haarman, M. & Mulders, M. & Vassiliadis, C. (2017), ”Predictive Maintenance 4.0 – Predict the unpredictable”, Mainnovation, Princewaterhouse Coopers.
Schuh, G. & Anderl, R. & Grausemeier J. & ten Hompel, M. & Wahlster, W. (2017), “Industrie 4.0 Maturity Index. Manageing the Digital Transformation of Companies”, (acatech STUDY), Munich, Herbert Utz Verlag.
Taylor, F. W. (1911), “The Principles of Scientific Management”, Harper & Brothers Publichers, New York.