Published on 25 Jan 2019
min read
Views
Tillgångsintensiva branscher står ofta inför överväldigande komplexitet när det gäller utrustningshantering. Utmaningar som ostrukturerad underhållsplanering och bristfällig lagerhantering leder ofta till ökade kapital- och driftskostnader. Fragmenterade lösningar för tillgångshantering, i kombination med avsaknaden av en enhetlig databas, förvärrar situationen ytterligare.
Inom olje- och gasindustrin, där en av de främsta orsakerna till rörledningsfel är åldrande infrastruktur, kan dessa utmaningar bli särskilt kostsamma. När det gäller olje- och gasanläggningarna i Pennsylvania ledde felaktig utrustning till läckage på 520 000 ton metan per år, vilket orsakade ett slöseri med energiresurser värda nästan 68 miljoner dollar. Detta visar att en integrerad hantering av alla tillgångar är avgörande för att optimera resurserna och undvika miljöskador.
System för integrerad tillgångshantering (IAM) hämtar inspiration från ett av de mest effektiva uppkopplade systemen vi känner till: den mänskliga hjärnan. På samma sätt som nätverket av nervceller i människokroppen kopplar ett IAM-system samman alla tillgångar i en anläggning digitalt. Detta gör det möjligt för systemet att fokusera hela tillgångens livscykel kring information. Men precis som med alla datacentrerade processer är IAM-systemen bara så bra som den information de arbetar med. Eftersom organisationer i stor utsträckning förlitar sig på ostrukturerade datakällor som papperskopior av dokument, filer och leverantörsdokument måste IAM-systemen följa en robust datastrategi.
För att korrekt registrera tillgångsdata och sammanställa dem på en enda integrerad dataplattform måste dessa system effektivt digitalisera data och säkerställa en kvalitativ datamigrering. Dessutom måste informationshanteringsplattformen stödja flerdimensionella datainmatningar i både nybyggnadsprojekt och ombyggnadsprojekt. För att skapa en verkligt sammankopplad plattform måste systemet dock regelbundet uppdatera och kartlägga referensdatabiblioteket. Detta förenklar i sin tur dataåterställning och analys.
Som ett resultat får anläggningar och anläggningar realtidsinsyn i tillgångarnas skick och prestanda. Följaktligen bidrar detta till att förbättra den totala utrustningseffektiviteten (OEE). Begreppet tillgångsintegritet kan optimera driften av tillgångar och förvaltningstjänster med hjälp av olika nygenerationstekniker. Ett sådant tillvägagångssätt kan underlätta utvecklingen av nya affärsmodeller, såsom värdebaserade förvaltningstjänster.
Med IAM-verktyg bidrar analyser av statusen för teknisk information till att förbättra säkerhet, tillförlitlighet, drift och punktlig överlämning. Problem med kvalitet, konsistens och redundans kan elimineras genom samarbete och integration under hela tillgångens livscykel.
IAM-system samordnar alla affärsapplikationer i hela värdekedjan, inklusive företagsanläggningshantering (EAM), resursplanering (ERP), tillverkningsstyrningssystem (MES), personalhanteringssystem (HRMS) och ekonomihanteringssystem. Dataaggregering spelar en viktig roll i denna aspekt av integrerad tillgångshantering. Genom att samla in data från de olika fristående applikationerna och utnyttja big data-analys för att generera insikter bidrar dataaggregatorer till utvecklingen av affärsstrategier och välgrundade beslut.
Dessutom har tillgångsintensiva företag, tack vare framsteg inom artificiell intelligens (AI), möjlighet att samla in stora mängder driftsdata från sina IoT-anslutna tillgångar och möjliggöra en förbättrad prediktiv tillgångshantering genom maskininlärning. I fallet med ett stort olje- och gasbolag utformade ett israeliskt startup-företag en plattform som integrerade djupinlärning och maskininlärning för att studera sex månaders historiska sensordata från en havererad oljekälla, i syfte att hjälpa organisationen att minska oplanerade driftstopp för övriga maskiner. Plattformen utnyttjade dataanalys och algoritmer för maskininlärning för att fastställa ett referensvärde. Med hjälp av siffrorna lärde sig systemet att identifiera tryck- och temperaturvärden som indikerade ett överhängande fel.
Detta exempel visar att AI kan göra det möjligt för IAM-lösningar att ytterligare optimera utrustningens skick och skapa en produktiv anläggningsmiljö. Dessutom understryker det potentialen att med tiden göra det vi har kallat anläggningens hjärna mer erfaren och kunnigare.
Kognitiva, inlärningsbaserade lösningar utökar möjligheterna inom tillgångsdatahantering när de tillämpas i ett tidigt skede av tillgångens livscykel. Inom olje- och gasindustrin kan exempelvis en kombination av kognitiv inlärning och hantering av data om underjorden minska sannolikheten för fel i fältprojektet. Dessutom kan det förbättra prospekteringseffektiviteten och sänka affärsrisker och kostnader.
Det råder ingen tvekan om att IAM-lösningar erbjuder större möjligheter för VD:ar inom tillgångsintensiva branscher, som kopplar sina produktivitetsmått till tillgångsutnyttjandet snarare än till intäkter och vinst. Många anläggningsoperatörer har redan agerat genom att införa tillgångshanteringssystem och dra nytta av produktivitetsförbättringar och ökad drifttid för utrustningen. Detta har gett fart åt marknaden för tillgångshanteringssystem, som förväntas växa med en genomsnittlig årlig tillväxttakt (CAGR) på 15,17 % mellan 2016 och 2022. Vi har idag både behovet och resurserna för att uppnå ökad tillgångseffektivitet. En tidig implementering av IAM-lösningen rekommenderas för att uppnå övergripande anläggningseffektivitet och skaffa sig en konkurrensfördel på marknaden.
