Prediktivt underhåll innebär att automatiskt förutspå underhållsbehovet för komponenter i en fastighet, vilket kan spara mycket tid och pengar. Men hur funkar det och passar det för din verksamhet? Det ska vi ta reda på!
Samtidigt som en snabbt växande befolkning behöver nya hem och arbetsplatser ställer vi allt högre krav på kostnadseffektivitet, hållbarhet och driftsäkerhet. Världens byggnader blir därför både fler och mer komplexa i rasande fart.
Prediktivt underhåll (Predictive Maintenance eller “PdM”) är en spännande teknologi som kan hjälpa oss klara denna utmaning och ta hand om våra fastigheter på ett effektivare sätt. Företeelsen är ganska ny i fastighetsbranschen men är väletablerad i främst tillverkningsindustrin.
Hur fungerar prediktivt underhåll för fastigheter?
Målet med prediktivt underhåll är att förutse underhållsbehovet för olika komponenter. Det hjälper oss att göra underhåll förebyggande (innan något går sönder) och vid rätt tidpunkt (varken för tidigt eller för sent).
Genom att samla in data om komponenter så kan vi skapa en prediktiv modell som förutser vilket underhåll som bör göras och när. Exempelvis kan vi övervaka fukthalten bakom ett tätskikt, tryckfallet över ett ventilationsfilter eller analysera hur länge en viss pump brukar hålla. Utifrån det kan vi automatiskt få rekommendationer om åtgärd i god tid innan skicket blir för dåligt. Allt detta utan att vi behöver åka ut och kontrollera komponenten eller göra en felanmälan.
Ett jämförande exempel:
- 🧯 Reaktivt underhåll: byt pumpen när den gått sönder helt
- 📊 Proaktivt underhåll: byt pumpen efter 20 år även om den fungerar (när teoretisk livslängd är slut)
- 🔮 Prediktivt underhåll: byt pumpen när den börjar bli sliten men innan den gått sönder helt (optimal tidpunkt bestäms av en prediktiv modell)
Två olika typer av prediktivt underhåll
Prediktivt underhåll kan fungera på en mängd olika sätt, men det finns två huvudtyper beroende på vilken data vi använder:
1. Historisk data 📈
För denna typ av prediktivt underhåll samlar vi in och analyserar historiska data om komponenter för att förutspå framtida behov. Exempelvis kan vi samla in verklig livslängd och byteskostnad för en viss typ av fönster. Baserat på det kan vi skapa en prediktiv modell som ger rekommendationer om när fönster bör bytas och vad kostnaden kommer att bli.
Det går också att analysera samband mellan en byggnads egenskaper (byggår, huvudsakliga komponenter, byggnadstyp) och dess underhållsbehov. På så vis kan den prediktiva modellen automatiskt skapa utkast till underhållsplaner som du sedan förfinar genom en besiktning av fastigheten.
Denna typ av prediktivt underhåll fokuserar oftast på långsiktig planering av underhåll och renoveringar. Därmed är den lite mer proaktiv och planeringsfokuserad än sitt syskon nedan.
2. Realtidsdata (sensordata) ⏯️
Här använder vi sensorer för att samla in data om en komponent i realtid, exempelvis temperatur, vibrationer, eller fukthalt. Detta passar bra för komponenter vi kan övervaka med sensorer – oftast tekniska installationer inom värme, ventilation, el och vatten.
Den prediktiva modellen använder sensordata för att avgöra om en skada är på väg att uppstå – exempelvis att en pump börjat vibrera onormalt mycket. Om så är fallet kan modellen automatiskt föreslå lämplig åtgärd och skicka arbetsorder till tekniker som kan laga eller byta pumpen innan den går sönder helt.
Denna typ av prediktivt underhåll härstammar från industrin där det ofta handlar om att larma och göra underhåll precis innan komponenter går sönder, s.k. “just-in-time”-underhåll. Därför brukar denna typ av underhåll ha ett mer kortsiktigt och driftnära fokus än prediktivt underhåll baserat på historisk data.
AI och prediktivt underhåll 🤖
En prediktiv modell kan bestå av allt från ett enkelt kalkylblad till avancerade AI-modeller beroende på vilken data och hur komplexa samband vi behöver analysera. Det finns dock inget som säger att en AI-baserad prediktiv modell är bättre – det beror helt på vad vi ska använda den till.
AI och maskininlärning är trendigt och har stor potential, men tänk på att det fortfarande är ganska outforskat inom fastigheter. En enkel och beprövad modell som ger träffsäkra resultat är bättre än en avancerad modell som låter häftig men riskerar att ge felaktiga rekommendationer.
Fördelar
Prediktivt underhåll kan hjälpa dig att:
- ⏱️ Spara tid – Kan minska behovet av manuella kontroller och besiktningar. Arbetsordrar och åtgärder i underhållsplaner kan skapas och uppdateras automatiskt.
- 💰 Sänka kostnader – Minskar dyrt felavhjälpande underhåll, driftstopp och följdskador genom att vi kan göra underhåll innan komponenter går sönder.
Nackdelar
Som alltid finns det baksidor:
- ❓Svårt att komma igång – Kräver ny kompetens, system och processer. Om du ska använda realtidsdata behöver du installera sensorer.
- 🎓 Inte testat i verkligheten – Vissa modeller kan vara verka väldigt smarta i teorin och bygga på avancerad forskning. Men om de inte är verklighetstestade och inte bygger på stora mängder verklig data kan de ge felaktiga rekommendationer.
- ❌ Sensorer fungerar inte för alla komponenter – Prediktivt underhåll baserat på realtidsdata fungerar bara för komponenter som går att övervaka med sensorer.
Passar det för dig och din verksamhet?
Jobbar du med underhållsplanering för att kunna planera, budgetera och samordna kommande underhåll? Prediktivt underhåll baserat på historisk data kan hjälpa dig automatisera delar av planeringen och göra den mer träffsäker.
Lägger du mycket tid på att kontrollera komponenter som sensorer hade kunnat övervaka istället? Då kan prediktivt underhåll baserat på sensordata förmodligen spara dig många timmar per år.
⚠️Viktigt! Prediktivt underhåll är kraftfullt, men det är ingen heltäckande underhållsstrategi eftersom det inte går att tillämpa på alla komponenter (än). Det är snarare ett komplement till de två grundpelarna Felavhjälpande (Reaktivt) underhåll och Planerat (Proaktivt) underhåll.
Börja med att skaffa riktigt bra verktyg och processer för dem, sedan är du redo att börja testa prediktivt underhåll!
Prediktivt underhåll i Planima
Planima är ett ledande planeringsverktyg och används av fastighetsbolag och förvaltare för effektivare underhåll av tusentals fastigheter.
Det gör att vi kan samla in stora mängder anonym underhållsdata från verkliga byggnader, vilket vi använder för att bygga en prediktiv modell som ger automatiska förslag på lämpliga underhållsåtgärder.
Vi kallar den Planima Predict 🔮 Läs mer här!
Källor:
- “Prediction at scale: How industry can get more value out of maintenance”, McKinsey, 2022
- “What is predictive maintenance?”, SAP, 2022
- ”Preventive Maintenance: A Comprehensive Guide”, Resco, 2022
