NR. 2 - 2018
drøye tyve deltakerne fikk oppleve. Engasje-
mentet smittet over på deltakerne og disku-
sjonene var med på å utdype flere av Regans
budskap. å kunne utvikle modeller som sikrer vedlike-
holdsløsninger som øker oppetid. Må vurdere
hva som er mest kosteffektivt av tilstandsba-
sert og prediktivt vedlikehold.
Målet for RCM er å nå ønsket tilgjengelig-
het i anlegget til minimal kost. Det første ste-
get i RCM prosessen er å utarbeide kravene
som funksjonene skal oppfylle. Det er ingen
enkel vei til å utvikle gode RCM systemer, sa
Regan. Men det mange prosjekter kan vise til
god lønnsomhet. Jo mer komplekst og avansert et system er,
dess større krav settes det til personellets
kompetanse. Analysene fra flyulykkene som
oppstod da en rekke nye teknologier ble intro-
dusert viste at det kan være vanskelig å finne
mønstre som gjemmer seg i dataene. Det er
her den menneskelige faktoren kan spille en
avgjørende rolle. Videre mente Regan at det
er nødvendig å ha så stor forståelse for pro-
sessen at personellet kan fastsette riktige
akseptkriterier for å kunne utnytte maskin-
læring. – Med riktige RCM prosesser og gode
data kan vi utnytte maskinlæringsteknolo-
gien til å:
• identifisere utstyr som feiler ofte og har
behov for mye vedlikehold
• gi faktagrunnlag for prioritering av
vedlikehold
• gi beslutningsgrunnlag for om proaktivt
vedlikehold kan redusere feilrate
P-F kurven
Sentralt i forståelsen av konseptet er PF
kurven.
P – potensiell feilsituasjon
F – feil
P-F kurven viser tiden fra et potensielt feil-
forhold er detektert, til feilen oppstår. Kurven
angir så tiden som er til rådighet til å utføre
vedlikehold, som kan forhin dre at feilen opp-
står. Mye av forståelsen i RCM prinsippene
finnes i grunnlaget for P-F kurven. Det går for
langt å behandle dette temaet i dybden.
Mennesket vil fortsatt være sentralt
- Mennesket er i dag mer relevant enn før vi
hadde dagens avansert teknologi tilgjenge-
lig, sa Regan. Er det mulig å utnytte big data
og maskin læring til å finne mønstre i utstyrs
oppførsel, når man ikke har noen formening
om hva det skal sees etter i datasettene. Når
man ikke vet hva man skal se etter, for å utvikle
riktige algoritmer for utvikling av modeller
for vedlikehold, kreves enorme ressurser. Og
det er ikke sikkert at resultat blir godt nok til
Gode data er grunnlaget for gode
beslutninger
Historiske data er som regel samlet inn fra
produksjonsprosessen uten noen spesifikk
målsetting. Derfor er det ofte mangler i data-
grunnlaget som resulterer i at:
• dataene gir ikke informasjon om hvilken
feil som oppsto
• gir ikke beskrivelse av hva som er utført
av vedlikehold eller arbeidsoppgaver for å
forhindre at feilene oppstår på nytt
• følge feil
35