Leverance
Predictive Maintenance
Industri
Maling, Produktion og Vedligehold
Område
Distribuere indsigter om vedligehold verden over
Effekt
Realtids AI-modeller anvendt i en App
Introduction
At optimere vedligeholdelse i en global og kompleks drift.
Hempel er en global leverandør af maling og overfladebehandling til en bred vifte af industrier. Virksomheden er særligt kendt for sine løsninger i den maritime sektor, hvor produkterne bidrager til øget holdbarhed, lavere brændstofforbrug og reducerede driftsomkostninger for skibe. Med aktiviteter i mere end 80 lande arbejder Hempel løbende på at udvikle nye løsninger, der både styrker forretningen og forbedrer kundernes drift.
Challanges
Vedligehold baseret på antagelser frem for reel indsigt.
Vedligeholdelse af skibe er en konstant balancegang. Overflader skal serviceres for at undgå slid, ineffektivitet og fejl, men samtidig er det både dyrt og forstyrrende at tage et fartøj ud af drift for tidligt. Udover de direkte omkostninger kan forkert timet vedligeholdelse føre til betydelig tabt omsætning. Udfordringen forstærkes i det maritime miljø, hvor forhold som vejr, belastning og sejlmønstre varierer løbende. Den faktiske tilstand af skibenes overflader er derfor svær at vurdere og ofte delvist skjult. Det gjorde det vanskeligt at planlægge vedligehold baseret på reel tilstand frem for faste intervaller eller antagelser.
The Solution
Data og AI som fundament for mere præcis og forudsigelig vedligehold.
For Hempel var målet at bruge data og AI til at flytte vedligeholdelse fra en reaktiv omkostning til en mere forudsigelig og værdiskabende disciplin. I samarbejde med Hempel designede, udviklede og implementerede Codellent en data- og AI-platform i Azure, der kunne understøtte dette skifte. Platformen blev opbygget med domænespecifikke datamodeller og automatiserede dataflows fra relevante datakilder, så information løbende kunne opdateres og anvendes i analyser. På den baggrund udviklede Codellent AI-modeller baseret på neurale netværk til at identificere mønstre og forudsige behov for vedligehold. For at sikre, at modellerne kunne fungere stabilt over tid, blev der etableret et MLOps-setup med løbende gen-træning samt integrationer til relevante applikationer og forretningssystemer.
Final thoughts
(03)
PROJECTS