NR . 2 - 2024
ARROW-CI – Prediktivt vedlikehold gjør at man kan oppnå store besparelser ved å gjøre litt tidlig , fremfor å gjøre mye senere . Og med Senseye får kunden en mer presis angivelse av hvor
feilen er og hva som er feil , sier salgsspesialist for service og ettermarked Erik Martinsen i Siemens Norge . ( Foto : Eirik Iveland )
– Løsningen vil ganske fort bidra til redusert nedetid , mens maskinlæring vil over tid gi bedre og mer presist vedlikehold . Ser man først gevinsten for en mindre del av virksomheten , er det enkelt å skalere opp systemet . I noen bransjer er kostnader knyttet til nedetid veldig høye , og de vil kunne tjene inn en nye løsning raskere . Er det et gammelt anlegg med mange avvik vil også maskinlæringen gå fortere . – Hvor lang tid det tar å påvise verdi vil variere fra kunde til kunde . Det avhenger av hvor mye de har å spare på bedre vedlikehold , og ikke minst hvor gode de er til å ta systemet i bruk . Vedlikeholdsavdelinger som er proaktive og deltar i implementeringen vil skape merverdi raskere , det er ikke nok å bare installere software , sier Martinsen . En bilprodusenten har over 400 medarbeidere som bruker Senseye aktivt for å optimalisere vedlikeholdsaktiviteter og utføre reparasjoner måneder før forventet maskinfeil . Globalt har de 9000 tilkoblede eiendeler og mer enn 30 forskjellige maskintyper inkludert roboter , transportører , fall-løftere og pumper . Alle maskiner overvåkes eksternt ved hjelp av Senseyes proprietære maskinlæringsalgoritmer .
Introduserer språkmodeller Ved hjelp av generative KI vil mange ulike typer maskiner hos brukeren bidra til økt maskinlæring . Interaktiv dialog strømlinjeformer beslutningsprosessen , og gjør vedlikeholdet raskere
53