過剰メンテナンスを予知保全で排除し、コストを削減する

予知保全体制導入時の願望リストのトップに「ダウンタイム削減」があるかもしれませんが、見逃せないもう一つの大きなメリットがあります。それは「過剰メンテナンスの排除」です。

過剰メンテナンスは、定期的な所定インターバルで作業を行うすべての計画メンテナンスプログラムに組み込まれています。OEMからメンテナンスマネージャーまで、みんな「安全側に倒す」ためにメンテナンスインターバルに安全マージンを盛り込んでいるからです。

慎重さの高いコスト

例えば、グリース封入型ベアリングの交換ガイドラインを考えてみましょう。推奨交換インターバルは16,000〜40,000運転時間と幅があります。ベアリング交換には30分〜2時間かかります。交換インターバルが16,000時間の場合、40,000時間の場合と比べて、ベアリング交換に費やすマンアワーは2.5倍になります。典型的な産業サイトには数千個のベアリングがあり、これは莫大な追加コストです。

予知保全は、故障を防ぐギリギリのタイミングでメンテナンスを実行できるようにすることで、このメンテナンス過剰支出をほぼ排除できます。同時に、ダウンタイムを大幅に削減し、大幅な生産性向上を約束します。

しかし、予知保全は効果的なコンディションモニタリングの支援なしには実現できません。それは、各コンポーネントがいつ故障するかを確実に予測できるものでなければなりません。コンディションモニタリングは、機械からリアルタイムデータを取得し、設備の進化する状態の像を構築することに依存します。

ゲームチェンジングなテクノロジー

コンディションモニタリングは、インダストリー4.0に関連する技術とテクニックの到来により、多くの業界で初めて手頃かつ実用的な提案となりました。例えば、ワイヤレス通信により、低コストセンサーネットワークの設置が安価かつ低侵襲になり、必要な機械データをコンディションモニタリングシステムへ供給できるようになりました。一方、クラウドベースソフトウェアは前例のないスケーラビリティを提供し、プロセスオペレーターやOEMがリアルタイムで設置環境を監視できるようにしました。

さらに、新世代の人工知能と機械学習ソリューションにより、コンディションモニタリングシステムがデータ分析を自動化し、専門アナリストがデータの隅々まで精査しなくても、実行可能な洞察を提供できるようになりました。なぜコンサルタントに高額な費用を払って機械故障予測を依頼する必要があるのか、今やそれは自動的に、クラウドで、手動介入なしで実行可能です。

メンテナンスをより効果的にターゲティング

Senseye PdMは、コンディションモニタリングへの高度な機械学習活用において最前線にいます。独自のアルゴリズムがデータを、製造資産の残存耐用年数（RUL）の精度高い予測――プログノスティクスと呼ばれる技術――へ変換します。

Senseye PdMは既存データソースに接続し、通常機械運転を継続しながらバックグラウンドで動作します。14日間で正常な機械振る舞いと、利用可能なら履歴データを分析。その後、スケーラブルな予知保全プログラム構築に必要な洞察を提供する準備が整います。

これは実践では、Senseye PdMがサイト上のすべての資産のパフォーマンスを任意の時点で把握し、機械データを自動収集・分析できることを意味します。ソリューションのアルゴリズムは個別資産の更新を生成し、メンテナンスチームが短期的にどこに注力すべきかを正確にハイライトし、将来のメンテナンス計画最適化も支援します。

典型的な導入では、ダウンタイムを半減、生産性55%向上、メンテナンス精度85%向上を実現します。

この最後の数字（精度85%向上）が、過剰メンテナンス削減と最も密接に関連します。これは、予知保全が計画保全比でメンテナンスコストを8〜12%削減できる主要メリットの一つです。典型的な産業企業が継続予算の15〜40%をメンテナンスに費やしていることを考えれば、これは巨大な節約です。

Senseye PdMがメンテナンス支出最適化と生産性向上にどう役立つか知りたい方は、ホワイトペーパー「Eliminate Overspending On Maintenance」をご覧いただくか、Senseye PdMのデモを予約してください。

1. U.S. Department of Energy
2. Lofsten, 2000