Text: Thomas Olsson på Hexagon EAM
Infrastrukturen har hamnat ordentligt i fokus de senaste åren. Elkrisen, problem med järnvägen och sommarens extremväder med skyfall och översvämningar har visat hur sårbart landet är. Investeringar är på väg, men det tar tid. En ny rapport från Svensk Vatten visar att det kan ta upp till 200 år av nödvändiga investeringar för att komma ikapp. Och det handlar inte bara om pengar. Manpowers undersökning om kompetens 2023, visar att det råder stor kompetensbrist inte bara vad gäller IT-kompetens utan även inom energi, transport och VA.
Utmaningarna har lett till att flera branschföretag i täten av utvecklingen börjat ta hjälp av artificiell intelligens och maskininlärning. Genom att använda och bättre analysera data från utrustningen i näten, hoppas de kunna identifiera och åtgärda fel innan de uppstår. De kan dessutom ta in extern data, som exempelvis väderhändelser, och därmed bättre optimera drift och underhåll.
Historiska data
Att implementera algoritmer för maskininlärning har sina utmaningar. Organisationer inom allmännyttiga områden som energi, transport och VA sitter ofta på enorma mängder verksamhetsdata. Det kan vara information om tidigare avbrott och fel, realtidsdata om utrustning och anläggningar eller mönster i kunders energikonsumtion. Det här är typiska data som kan användas för att få en effektiv AI-modell. Men den här datan är ofta inte digitaliserad eller så finns den i flera olika system som inte pratar med varandra. Det gör det svårt att analysera och dra slutsatser från. Det går inte heller att korshänvisa vilken inverkan externa faktorer, som temperatur och väderförhållanden, kan ha på verksamheten.
För att hitta relevanta mönster i datan krävs att man först skapar ett register över all utrustning i verksamheten – allt från anläggningar för kraft eller vattenrening till distributionsutrustning, underhållsfordon etc – så att man kan följa relevant metadata, inklusive var utrustningen finns, modell, vilket skick den är i och hitta dokumentation och se vem som är ansvarig för underhåll. Datan måste därefter konsolideras på en gemensam plattform som exempelvis en digital tvilling eller i ett enterprise asset management- (EAM) system.
Förutse händelser i framtiden
Först när alla data samlats in kan verksamheten börja använda algoritmer för att identifiera rätt åtgärder. De kan också skapa modeller för maskininlärning som genomför så kallade “what if”-analyser, dvs förutse vad som kan hända baserat på olika förutsättningar.
Genom att inkludera externa datakällor, som väderprognoser eller satellitbilder, går det att analysera hur olika vädermönster kan komma att påverka utrustningen prestanda och livslängd. Det gör det enklare att förutse när utrustning riskerar gå sönder och se till att rätt personal finns på rätt plats när till exempel en storm är på väg.
Man kan till exempel köra en modell för att avgöra om en viss pump kommer att klara ett ökat vattenflöde. Om modellen visar att det inte är troligt, triggas en arbetsorder för att genomföra underhåll eller reparera, innan pumpen går sönder.
AI och kompetensbrist
Det börjar dyka upp ingenjörer med expertis inom insamling och analys av data kring vädermönster och utrustningsdata, men räkna med stor kompetensbrist inom området.
Fördelen är den pågående “demokratisering” av algoritmer och data där analyser som redan genomförts kan fungera som mallar för andra företag inom samma bransch. Mallarna kan appliceras vertikalt, särskilt inom energiområdet, eftersom bedömningarna av utrustningens effektivitet över tid är känd och därför kan appliceras mer generellt.
Algoritmer kan också användas för att underlätta för slutanvändare som inte har avancerad teknisk kompetens. Det finns idag lösningar som inkluderar ramverk för att skapa och köra Python-skript, standardspråket för programmering av datavetenskapsmodeller, med bibliotek av lösningar, som mindre tekniskt kompetenta kan använda.
I slutändan är det kvaliteten på datan algoritmerna tränats på som avgör hur bra lösningen fungerar. Det gäller inte minst den information som samlas in av medarbetare i fält vid inspektioner och reparationer. Hur enkelt är det för dem att lägga in information? Kan de ladda upp bilder och metadata? faktorer som gör datan rikare och därmed algoritmerna effektivare. När det handlar om bolag inom energi, transport eller VA är den mest sofistikerade artificiella intelligensen fortfarande beroende av kvaliteten på informationen som kommer från medarbetarna.
