Hydraulisylinterin ennakoiva kunnonvalvonta eli LEO (Lifecycle Efficiency Online) on järjestelmä, jonka avulla saadaan kerättyä työkoneen tai -laitteen hydraulisylintereistä dataa. Kerätyn datan avulla tuotetaan tietoa hydraulisylinterin toiminnasta ja sen kunnosta.
Lisää LEO:sta ja sen toimintaperiaatteista voit lukea blogistamme teksteistä “Hydraulisylinterin ennakoiva kunnonvalvonta luo säästöjä ja tehokkuutta toimintaan” ja “Miten hydraulisylinterin ennakoivan kunnonvalvonnan eli LEO:n käyttöönotto ja asennusprosessi tapahtuvat”. Tässä blogitekstissä kerromme, miten LEO:n keräämää dataa voidaan hyödyntää erilaisissa tilanteissa sekä kuinka dataa on mahdollista käyttää osana päätöksentekoa.
1. Tehtaiden kunnossapitoprosesseihin ja niiden kehittämiseen
Tehtaiden kunnossapidossa pyritään yleisesti siihen, että työkoneiden huoltotoimenpiteet olisivat ennalta hyvin suunniteltuja ja aikataulutettuja, jotta huoltoseisokin vaikutukset yrityksen tuottavuuteen jäisivät mahdollisimman pieneksi. LEO:sta saatavaa dataa voidaan käyttää hyödyksi huollon suunnittelussa ja kunnossapitoprosessien optimoinnissa. Kun LEO kerää dataa koneiden käydessä, on datasta mahdollista havaita prosessissa tapahtuvia muutoksia.
LEO:a voidaan esimerkiksi hyödyntää huoltojen suunnitteluun asentamalla se tiettyyn työkoneeseen tai linjastoon, mikä mahdollistaa työkoneiden kuormituksen seurannan. Esimerkkinä tästä voi olla tilanne, jossa tehtaassa työkoneen tekemä työ on tasalaatuista, jolloin työkoneen sylinterikin operoi tasaisesti. Mikäli LEO:n keräämään datan avulla huomataankin muutoksia sylinterin kuormituksessa, on hyvä ottaa kyseinen sylinteri tarkkailun alle. Työkoneen sylinterille voidaan aikatauluttaa huolto, jolloin tilanne pystytään tarkistamaan sekä tekemään mahdollisesti tarvittavat korjaustoimenpiteet. Näin on mahdollista ennaltaehkäistä yllättävät – ja usein kalliitkin – huoltoseisokit ja sylinterin vaurioiden eteneminen.
2. Vian kartoitukseen tietyllä ajalla
LEO:n avulla pystytään myös tarkemmin kartoittamaan ja selvittämään mahdollisia sylinterissä esiintyviä vikoja. Esimerkiksi jos sylinteri hajoaa työkoneesta eikä hajoamisen syystä ole tarkempaa tietoa, LEO:sta saatua dataa voidaan hyödyntää vian selvittämiseen. Datan avulla on mahdollista nähdä, miten sylinteri toimii käytön aikana ja kohdistuuko sylinteriin esimerkiksi painepiikkejä, jotka voisivat vaikuttaa sen rikkoutumiseen. Lisätiedon saamiseksi ja vian kartoittamiseksi LEO:sta saatu data siis auttaa selvittämään, mistä mahdollinen vika johtuu.
3. Digitaalisen oppimisen apuvälineenä
LEO:a voidaan myös käyttää osana koulutuspalveluita – oppilaitokset tai yritykset voivat hyödyntää saatua dataa kuskien koulutuksessa. Perinteisesti koulutukset perustuvat kokemusperäisiin neuvoihin siitä, miten tiettyä konetta tai laitetta tulisi operoida. LEO:n avulla koulutukseen saadaan dataan pohjautuvaa näkemystä muun muassa siitä, kuinka tietty ajotapa vaikuttaa koneen toimintaan. Lisäksi datan avulla pystytään tuomaan esille, millainen ajotapa on koneelle tehokkain ja pidentää koneen käyttöikää. Dataa hyödyntämällä koulutuksessa voidaan opettaa ajotapa, joka säästää koneita ja laitteita antaen niille mahdollisimman pitkän elinkaaren.
4. Kustannusvertailuun ja -laskentaan laitteiston osalta
LEO:a kannattaa myös hyödyntää yrityksen sisäisessä laskennassa. Kerätty data mahdollistaa tiedon saamisen tietyn laitteen käytöstä ja kulutuksesta halutun ajanjakson aikana. Data antaa selkeämpää tietoa laitteiden huolto- ja kunnossapitokustannusten laskentaan.
Esimerkkinä tästä tilanne, jossa valitun ajanjakson ajan tiettyä konetta käytetään louhimaan kalliota ja toista konetta taas kaivamaan hiekkaa. LEO:n avulla saadaan tietoa, kuinka erilaisella käytöllä nämä koneet ovat olleet ja kuinka erilaiset työt vaikuttavat koneen kulumiseen sekä huolto- ja kunnossapitotoimenpiteiden kustannuksiin. Näin voidaan laskea, minkä suuruisiksi kunnossapitokustannukset muodostuvat tiettyä työtä tehdessä. LEO:n avulla urakoiden kustannus- ja katelaskentaa voidaan tarkentaa kerättyä dataa hyödyntämällä.
