Underhållssystem – varför välja molnet?

Varför tar man sitt underhållssystem till molnet och vad bör man tänka på?

En effekt som bidrar till många fördelar är att organisationen slipper hanteringen av egna servrar. Systemet blir lätt skalbart och man kan lätt komplettera systemet med ytterligare datakraft efter behov. Detta blir också billigare då eget kapital inte behöver bindas upp i form av servrar och egna resurser. Organisationen kan därmed i större utsträckning fokusera på sin kärnverksamhet. Möjligheten till specialanpassning är något som blir svårare när lösningen är molnbaserad. Detta på grund av att det krävs mer standardiserade lösningar då moln- och systemleverantör står för underhåll, säkerhet, uppgradering av systemet och att man delar serverresurser med andra. Att uppgradera sitt underhållssystem behöver man inte lägga någon energi på med en molnlösning, utan uppdateringar och patchningar sker hos systemleverantören. Ett bra exempel är internetbanken. Ibland sker uppdateringar av webbsidan eller mobilapplikationen och dessa uppdateringar betalar du inte för. Du behöver heller inte bry dig om säkerhet eller tillgänglighet. Men om du hade använt en lokal lösning, och själv haft en server med en internetbank, hade du själv fått stå för uppgraderingar, säkerhet och underhåll.

Att övergå från en lösning med lokalt installerade program till molnlösning kan göras på flera olika sätta. Ett sätt är att konvertera allt till molnet. Detta brukar dock inte fungera i praktiken då det ofta brukar bli för stor påfrestning på organisationen. Att istället gå för en hybridlösning där organisationen kontrollerat och i sin egen takt kan omvandla tjänster och legacylösningar till molnlösningar, skapar en bättre övergångsperiod. Då finns möjligheten att vänta med vissa kritiska system och snabbare komma igång med det nya underhållsystemet.

Prediktivt underhåll är något som fler underhållsorganisationer går mot, men vad har molnet med det att göra?

Att ha ett underhåll som går enligt schema och exempelvis smörjer maskinerna varannan vecka medför mycket onödigt underhåll och kostnader. En studie från Chalmers Tekniska Högskola visar på att underhållsbristkostnader i dagsläget kostar svensk industri omkring 177 miljarder kronor varje år.

Det första som vanligtvis görs när en organisation vill gå från schemalagt underhåll (Preventive Maintenance) till Prediktivt underhåll (Predictive Maintenance) är att implementera fler mätpunkter i sin anläggning. Med dessa mätpunkter, ofta i form av sensorer, kan det samlas in mer produktionskritisk data. På så sätt kan mer effektiva faktabaserade beslut fattas, istället för som många gånger idag, känslobaserade beslut. I realtid får man reda på när något håller på att gå sönder eller att en produktionslina kanske är på väg att stanna helt.

Ett bra exempel är vad man kan uppnå ifall man installerar en vibrationssensor på en motor. Istället för att byta lager på den varje halvår enligt schema, kan man byta ut dessa när sensorn visar värden som frångår det som är normalt. Än så länge behöver man inte använda molnet, denna data kan enkelt tas ut och monitoreras via klassiska system utan inblandning av molnet.

Säg att det är ett mer komplext system som måste monitorernas, där det inte är lika självklart vilka värden som skall ligga till grund för ett aktivt beslut. Det kanske är en kombination av flera värden som måste mätas. Då är det perfekt att ta hjälp av datorer som är mycket bättre än oss människor på att hantera denna mängd data. Med hjälp av Machine Learning (ML) kan en dator analysera dessa mer komplexa system. Många av de största lösningarna för ML finns i molnlösningar såsom Amazon Web Services eller Windows Azure. Att träna upp lösningar så att de kan analysera mer komplexa system tar väldigt mycket datakraft och det är därför man med fördel använder molnlösningar som lätt kan skalas upp efter behov.

Det har också börjat komma mer standardiserade molnlösningar för ML som simplifierar själva implementationen avsevärt. Dessa molntjänster har alltså gjort det möjligt för personer som inte är ”superkodare” att använda sig av ML. Om du vill fördjupa dig mer i detta finns ett exempel från underhållssystemet Infor OS, se film här.

Av: Christian Lundeflo, Prevas West