Industriell dataanalys för predikativt underhåll

Arbetar du med drift, underhåll, produktion eller automation och vill bli bättre på att använda data för att förebygga problem och fatta bättre beslut? Då är Industriell dataanalys för prediktivt underhåll kursen för dig. I kursen får du förståelse för hur data från industriella processer och utrustning kan användas för att upptäcka avvikelser, förutse problem och planera underhåll innan ett fel leder till oplanerade stopp. Du får arbeta praktiskt med data och lära dig att gå från insamlad information till analys, bedömning och konkreta åtgärder i verksamheten.

Om kursen

I en modern industri skapas stora mängder data automatiskt när maskiner, produktionslinjer och andra tekniska system används. Data kan exempelvis komma från sensorer, styrsystem, produktionssystem och andra system som övervakar hur utrustning och processer fungerar.

I kursen får du lära dig hur sådan data kan samlas in, bearbetas och användas som underlag för prediktivt underhåll.

Eftersom utbildningen genomförs helt på distans används simulerade industriella miljöer i Visual Components för att skapa data från en verklighetsnära produktionsprocess. På så sätt kan du följa hur data uppstår i en industriell miljö och sedan använda den i analysen.

Du arbetar med hela kedjan – från den industriella processen och den data som skapas, via bearbetning och analys, till hur resultatet kan användas för att fatta beslut om underhåll och drift. Kursen kopplar samman dataanalys med de praktiska förutsättningarna i underhållsverksamheten. Du får bland annat arbeta med frågor som:

• Vilken data behöver vi för att kunna upptäcka ett begynnande problem?
• Hur vet vi om datan är tillräckligt bra för att använda?
• Hur kan vi skilja mellan normal variation och något som bör undersökas?
• Hur kan analysresultat omsättas till larm och konkreta underhållsåtgärder?
• Hur kan informationen användas för att planera underhåll och minska risken för oplanerade stopp?
• Hur kan man gå från ett första test till en fungerande prediktiv lösning i verksamheten?

Genom kursen får du inte bara kunskap om dataanalys och prediktivt underhåll, utan också praktisk erfarenhet av att arbeta med data som liknar den som uppstår i verkliga industriella miljöer. Du tar fram underlag som kan användas i en verksamhet, exempelvis för att beskriva ett användningsområde, bedöma vilken data som behövs och planera ett första pilotprojekt.

Efter kursen kan du bland annat:

• förstå hur data skapas och används i automatiserade industriella processer
• samla in, strukturera och kvalitetssäkra industriella data
• analysera data för att upptäcka avvikelser och identifiera tecken på kommande problem
• välja lämpligt arbetssätt utifrån verksamhetens behov och tillgängliga data
• bedöma resultat och avgöra när en analys kan ligga till grund för ett underhållsbeslut
• utforma larm och beslutsstöd som kan användas i det dagliga underhållsarbetet
• koppla analysresultat till planering, arbetsorder och andra underhållsprocesser
• ta fram ett strukturerat underlag för att genomföra en prediktiv pilot i verksamheten

Studieupplägg

Kursen ges på halvfart (50% studietakt) och genomförs helt på distans. Det ingår 10 lärarledda föreläsningar samt handledningstid och tid för redovisningar av examinationer tillsammans med lärare från branschen.

Behörighet

För att vara behörig till utbildningen ska du ha grundläggande behörighet till yrkeshögskolan och den särskilda behörigheten om 1 år yrkeserfarenhet inom industriell verksamhet ex som drifttekniker, underhållstekniker, underhållsingenjör, automationsingenjör, processtekniker eller produktionsingenjör. Detta styrker du med exempelvis signerat tjänstgöringsintyg utställt av arbets- / uppdragsgivare. Ett cv, anställningsavtal, lönebesked eller liknande räcker inte som underlag.

Kursen passar till exempel dig som är:

• drifttekniker
• underhållstekniker
• underhållsingenjör
• reliability engineer
• automationsingenjör
• processtekniker
• produktionsingenjör
• eller har en liknande roll nära drift, anläggning eller teknisk analys