Hvad er prædiktiv vedligehold?

Prædiktiv vedligehold er en tilstandsbaseret vedligeholdsstrategi, hvor man med sensorer, datalogning og avancerede algoritmer forudsiger det øjeblik, hvor en komponent sandsynligvis bryder sammen. I stedet for at skifte sliddele ud efter tidsplan (forebyggende vedligehold) eller vente på reelle havarier (afhjælpende vedligehold) griber man kun ind, når data viser, at ydelsen er begyndt at forringes. Resultatet er færre uplanlagte stop, lavere vedligeholdsomkostninger og højere sikkerhed.

1. Anvendelse i elektriske installationer

I styretavler, fordelingstavler og motor­styringer fokuserer prædiktiv vedligehold typisk på:

• Automatsikringer og lastadskillere (kontakt­svejning, termisk belastning)
• Kontaktorer og relæer (kontaktbrænding, coil-slitage)
• PLC’er og strømforsyninger (temperatur, kondensator­aldring)
• Busbar- og kabel­forbindelser (overophedning, løse klemmer)
• Motorer og transformere (vibration, deludladninger, isolationssvækkelse)

2. Datatilgang og tilstandsovervågning

For at kunne forudsige en fejl skal man først måle driftsbetingelserne:

• Temperaturfølere på busbars og kabelsko registrerer hotspots.
• Strømsensorer måler ubalancer, overbelastning og harmoniske strømme.
• Vibrationstransducere identificerer lejeslør og mekanisk ubalance i motor­styringer.
• Luftfugtigheds- og PD-sensorer (partial discharge) afslører accelereret isolations­nedbrydning.

Sensor­data samles lokalt i en PLC, et SCADA-system eller en edge-gateway, der publicerer værdierne via Modbus, Profinet eller OPC UA til en database.

3. Analyse og prognose

• Simple tærskelalarmer advarer, hvis en værdi overskrider et sikkert interval, fx hvis en skinne rammer 80 °C.
• Trend-analyse beregner hældningen på temperatur- eller vibrationskurver og opdager langsom forringelse.
• Maskinlæringsmodeller danner et “normalt” reference­billede for hver komponent og estimerer den resterende levetid (Remaining Useful Life, RUL).
• Resultater præsenteres som sundheds­scorer i et dashboard, så planlæggere kan prioritere opgaver.

4. Planlagt indgreb

Når algoritmen beregner, at sandsynligheden for fejl overstiger en aftalt risikotærskel, oprettes en arbejdsordre automatisk i vedligeholds­systemet (CMMS). Dermed kan reservedele bestilles og produktionen koordineres, så service falder sammen med et planlagt stop.

5. Nøgleteknologier i tavlemiljøet

• Smarte automatsikringer med indbyggede temperatursensorer og triphistorik.
• Trådløse overfladefølere, der kan eftermonteres uden ombygning af tavlen.
• Strøm- og effektkvalitetsmålere, som måler harmonisk forvrængning og transienter.
• Skybaserede analyse­platforme, der skalerer datalagring og ML-beregninger, uden at man skal investere i egen serverpark.

6. Gevinster for producenter og drifts­ejere

• Højere oppetid: Tidlige indgreb forhindrer kædereaktioner og produktionstab.
• Lavere omkostninger: Dele udskiftes kun, når data viser behov; færre ekspresleverancer og øget levetid på dyrt udstyr.
• Øget sikkerhed: Overophedede forbindelser eller begyndende lysbuer opdages, før der opstår brand- eller arc-flash-risiko.
• Energi­effektivitet: Løbende overvågning af effektfaktor og harmonisk indhold muliggør hurtig korrektion.

7. Sammenligning med andre strategier

Forebyggende vedligehold udskifter eksempelvis en kontaktor efter 1 million koblinger, uanset faktisk belastning; det kan give både over- og under­vedligehold. Afhjælpende vedligehold venter på fejlen og medfører nødstoptider og potentielle sikkerhedshændelser. Prædiktiv vedligehold kombinerer det bedste fra begge verdener: driftssikkerhed uden unødige indgreb.

8. Implementerings­faktorer

• Kritikalitets­analyse: Ikke alle komponenter kræver sensorer; begynd med de dele, hvor et nedbrud stopper produktionen eller udgør en alvorlig risiko.
• Datakvalitet: Forkerte kalibreringer eller uregelmæssig sampling forringer modelnøjagtigheden.
• Systemintegration: SCADA, PLC og CMMS skal kunne dele data og bruger­rettigheder sikkert (IEC 62443-principper).
• Kompetence­opbygning: Vedligeholdere skal lære at tolke sundheds­scorer og planlægge indsatser herefter.

9. Eksempel fra praksis

I en plastfabrik monteres temperatur- og strøm­sensorer på udgående fødere i hovedtavlen. Efter et halvt år viser trenden en jævn stigning i strøm­ubalancen på en ekstruder­motor. Algoritmen forudsiger 70 % sandsynlighed for isolations­nedbrud inden for en måned. Ved næste planlagte weekendstop strammes samtlige klemmer; én kontakt er løs og har skabt lokal opvarmning. Fejlen afværges, og produktionen fortsætter uden uventet stop.

Konklusion

Prædiktiv vedligehold bringer elektriske installationer ind i Industry 4.0-æraen ved at forvandle rå driftsdata til præcise vedligeholds­beslutninger. Når vedligehold baseres på faktiske driftstilstande frem for kalender­intervaller, opnås stabil drift, lavere omkostninger og et sikrere arbejdsmiljø.