Bruker sensorer og avansert dataanalyse med IBM Watson for å avsløre feilene før de oppstår

Kone er best kjent for å produsere heiser og rulletrapper – maskiner i stål med svært spesifikke formål. Men med digitalisering har bedriften redefinert hva den egentlig leverer.

– Vi kaller det people flow, forklarer Farrokh Jafari, som er produktspesialist i Kone Danmark.

Det høres abstrakt ut. Men hvis rulletrappen fra parkerings-etasjen til shopping-etasjen i et kjøpesenter slutter å fungere den 21. desember, er dette et problem, og oppetiden blir dermed en konkret konkurranseparameter når man som Kone flytter en milliard mennesker hver dag.

– Urbanisering gjør at folk flytter til byene, byene blir større, og behovet for å flytte dem smidig og sikkert blir større, sier Farrokh Jafari.

– Det er veldig viktig for oss at vi oppdager problemet, og reagerer før heisen går i stå. Dette er ikke som biler, hvor du kan låne en reservebil mens din egen blir reparert. Hvis heisen stopper, kan det ta dager og mye arbeid å reparere den.

Få sensorer på mange heiser

Tradisjonelt har kunden med heisen eller rulletrappen ringt etter en tekniker først når teknikken har stoppet opp. Teknikere undersøker problemet og må vanligvis deretter bestille en reservedel, som så må leveres før maskineriet igjen er oppe og går.

Da Kone i første omgang prøvde å gå over til «predictive maintenance», var det med et hav av sensorer på heisen. Det viste seg at dette ikke var en god løsning, forteller Farrokh Jafari.

– Hvis man ser på en masse data fra én enkelt heis, er det veldig vanskelig å se hva som er støy. Men når man ser på data fra alle heisene, ligger det en systematikk i det, sier han.

– Det er ikke viktig å installere mange sensorer og få mange data fra den samme heisen. Det viktige er å få data fra mange heiser. De gjør det samme, uansett om de er installert i Kina eller USA.

Selve analysen er understøttet av IBMs Watson-løsning, samt Kones data- og heiseksperter. Fra analyseplattformen kan data sendes videre til teknikere i felten, til tredjeparter og til kunder som får adgang til de samme dataene som Kone selv sitter med, forteller Farrokh Jafari.

– Ofte ønsker ikke kundene så mye innsikt som vi kan gi dem. Så det å begrense informasjonen er et større problem enn å levere den.

Normaltilstand

Når Kone samler inn data fra 20.000 av den samme heistypen på verdensplan, vet også bedriften hvordan denne typen heiser oppfører seg i normaltilstand. Og derfor kan dataanalyse også avsløre når en heis går ut av normaltilstanden – for eksempel i forhold til hvordan den låter.

– Vi måler lyden i heisen. Og her kan vi registrere det hvis det er en spesielt høy lyd når heisen bremser. På bakgrunn av den analysen sender vi ut en tekniker for å justere bremsen, og deretter er heisen tilbake i normaltilstand, forteller Farrokh Jafari.

Et annet eksempel er å overvåke hvor mange ganger heisdørene åpner seg per stopp på bakgrunn av de fotocellene som sitter i døren.

– I gjennomsnitt vil vi ha 1,2 gjenåpninger ved et normal stopp på en etasje, sier Farrokh Jafari. – Hvis vi så ser at antallet av gjenåpninger på et bestemt stopp eller generelt stiger til 2 eller 3, vet vi at den begynner å feile. Og det kan vi gjøre noe med, før den kommer til å feile helt.

Data forteller også om problemer i heiser generelt – for eksempel at 32 prosent av de tekniske problemene dreier seg om nettopp dørene.

Avisbud, feil eller flytting

Når teknikere sendes ut på bakgrunn av analysen, kan de i ettertid indikere om algoritmens gjetning var bra eller elendig. Og de tilbakemeldingene inkorporeres automatisk i den fremtidige analysen.

Denne typen feedback gjør dataekspertene i stand til å ta høyde for signaler som kan ligne feil, men som i virkeligheten er «unormal» bruk.

– Det skjer ofte at noen holder en dør åpen. Skjer det i helgen på én etasje, er det nok noen som flytter. Skjer det først på én etasje, så den neste, og så den neste, er det nok et avisbud, sier Farrokh Jafari.

– Dette dreier seg hele tiden om dataanalyse, mønstergjenkjenning og feedback fra teknikere. Og på bare to år har vi lært ekstremt mye om hva disse dataene forteller oss. Vi oppdager ting som vi aldri ellers kunne ha fått informasjon om.

Artikkelen har tidligere vært publisert på Datatech. Datatech tilhører Teknologiens Mediehus.