På en pumpstation i Mälaren sitter en sensor på en lagerring. Den är inte större än en tändsticksask. Den mäter vibrationer 10 000 gånger per sekund, samplar temperatur var minut och skickar bearbetade värden via LoRaWAN till en server hos SKF Insight. När algoritmen ser ett specifikt frekvensmönster — som första svaga tecken på begynnande slitage i lagrets innerring — skickar systemet ett email till underhållsteamet. Sex veckor innan haveriet.
Det är prediktivt underhåll i praktiken. Inte en konferensslajd. Inte ett pilotprojekt. Daglig drift.
Underhållets fyra strategier
Industrins underhåll kan grovt klassificeras i fyra strategier längs en mognadstrappa.
1. Reaktivt underhåll — åtgärda när det går sönder. Lägsta initialinvestering, högsta totalkostnad. Oplanerade haverier, produktionsstopp, sekundärskador, bråttom-leveranser. Tyvärr fortfarande dominerande strategi i många svenska industrier. Enligt branschanalyser är över 60 procent av all svensk industrins underhållsaktivitet reaktiv.
2. Förebyggande underhåll — service efter fast tidsschema (varje 1000 driftstimmar, var sjätte månad, etc.). Bättre än reaktivt, men många onödiga åtgärder och fortfarande missade haverier mellan intervaller. Krävs ofta som baseline av OEM-tillverkare.
3. Tillståndsbaserat underhåll (CBM) — service när faktiskt tillstånd kräver det. Sensorer mäter kontinuerligt, gränsvärden triggar åtgärd. Stor förbättring mot förebyggande, men reaktivt på ögonblicksnivå.
4. Prediktivt underhåll (PdM) — service planerad utifrån prognoser om framtida fel. AI och maskininlärning identifierar tidiga mönster och förutser tidpunkt för fel. Möjliggör maximal komponentutnyttjande utan oplanerade haverier.
På väg ut ur trappan finns även preskriptivt underhåll, där AI inte bara förutser felet utan också rekommenderar specifik åtgärd.
Sensorernas roll
Prediktivt underhåll bygger på data. Och data kommer från sensorer. De vanligaste typerna:
Vibrationssensorer
Standard för roterande maskiner — motorer, pumpar, fläktar, växellådor. Mäter acceleration i tre axlar, ofta med samplingshastighet 10-25 kHz. Frekvensanalys (FFT) avslöjar specifika fel: lagerskador, obalans, missalign, lossa fundament, kavitation.
Tillverkare: SKF, Schaeffler, Honeywell, Banner Engineering, ifm. Svenska Sensori AB tillverkar industristarka vibrationssensorer.
Temperatursensorer
PT100, termoelement, IR-termografi. Kombineras ofta med vibration — temperaturstegring är klassisk följdsignal vid lagerskada eller oljebrist.
Akustisk emission och ultraljud
Mikrofoner som lyssnar på högfrekvent ljud. Hittar läckor i tryckluftssystem, kavitation, gnistor i elektriska kopplingar. Mycket kraftfullt för diagnostik men kräver expertis att tolka.
Oljeanalys
Klassisk underhållsteknik. Spektrometer-analys av smörjolja avslöjar metallpartiklar (slitage), vatten, oxidationsprodukter. Brukade kräva labbskick — moderna inline-sensorer mäter direkt.
Strömmätning (MCSA — Motor Current Signature Analysis)
Strömkonsumtionen i en elmotor avslöjar mycket. Rotorfel, statorfel, mekaniska problem i drivlinan kan detekteras utan att montera sensor på maskinen.
Tryck och flöde
Standard för processindustri och hydraulik. Avvikelser från förväntad kurva indikerar slitage eller läckage.
IIoT-sensorer
Trådlösa, batteridrivna, multifunktionella sensorer som blir allt vanligare. Kombinerar vibration, temperatur och ibland mikrofon i en enhet. Skickar data via LoRaWAN, NB-IoT, eller cellulärt. Levereras med molnplattform inkluderad.
Datapipelinen
För att gå från sensor till prediktion behövs en datapipeline.
1. Datainsamling. Sensorerna ut i fält. Trådade till PLC eller trådlösa direkt till gateway. Edge-bearbetning för bandbreddseffektivitet.
2. Edge-bearbetning. Många moderna sensorer gör grundläggande beräkning på plats — FFT, RMS, peak-detection. Skickar sammanfattningar istället för råa vågformer.
3. Datatransport. OPC UA, MQTT, REST API. Säker överföring till plattform.
4. Datalagring. Time-series-databaser (InfluxDB, TimescaleDB, AWS Timestream) som hanterar miljarder mätpunkter.
5. Analys och AI. Maskininlärningsmodeller — från enkla anomalidetektorer (Isolation Forest, Autoencoders) till mer avancerade prognosmodeller (LSTM-nätverk, Transformer-baserade arkitekturer).
6. Visualisering och alerting. Dashboards för underhåll. Alarm via email, Teams, mobile app. Integration mot CMMS (Computerized Maintenance Management System).
Maskininlärningsmodeller
Olika fel kräver olika modeller. Tre vanligaste angreppssätten:
Anomalidetektering. Modellen lär sig vad “normalt” är och flaggar avvikelser. Lämpar sig när historiska feldata saknas. Algoritmer: Isolation Forest, Autoencoder, One-Class SVM.
Felklassificering. Modellen klassificerar nuvarande tillstånd i kategorier (frisk, begynnande slitage, akut fel). Kräver historiska data med kända felfall. Algoritmer: Random Forest, XGBoost, neurala nätverk.
Remaining Useful Life (RUL). Modellen förutspår hur lång tid komponenten har kvar innan haveri. Mest kraftfullt men kräver mycket data. Algoritmer: LSTM, Bayesian-baserade modeller, Survival Analysis.
I praktiken kombineras ofta flera metoder. Anomalidetektering körs först som tidigt varningssystem; klassificering aktiveras när anomali hittats; RUL-prognos genereras för planering.
Svenska case
SKF Insight
SKF, världsledande tillverkare av kullager, har egen sensorinfrastruktur och molnplattform. Sensorerna sitter på lager hos kunder världen över. AI-modeller tränade på decennier av lagerhaveri-data ger månader av varning. Erbjuds som tjänst — kunderna behöver inte själva ha AI-kompetens.
Volvo Production System
Volvo har egen plattform för PdM över sina motorfabriker i Skövde och Köping. Vibration, oljeanalys och MCSA kombineras. Resultatet är dokumenterat: signifikant minskning av oplanerade stopp på CNC-maskiner.
Husqvarna
Smarta sensorer på CNC-maskiner i robotgräsklipparproduktion i Huskvarna. PdM körs på Microsoft Azure-baserad plattform med integrerad MES-koppling. Underhåll triggas direkt som arbetsorder.
TPdM-projektet (Chalmers + industri)
Forskningsprojekt vid Chalmers, finansierat av Vinnova, med SKF, Volvo, Husqvarna och Siemens som industriella partners. Fokus: trustworthy PdM — modeller som tar hänsyn till modellosäkerhet och förklaring. Pilotmiljöer hos partnerföretagen.
LKAB
Gruvkonglomeratet har omfattande PdM-implementering på krossar, malkvarnar, transportband. Mycket kapital är i rörelse. Ett haveri i en kross kan kosta miljoner per timme.
Affärsnyttan — siffrorna
Svenska studier från RISE, Chalmers och konsultbolag som McKinsey och PwC pekar relativt samstämmigt:
- 30-50 procents minskning av oplanerad drifttid
- 20-30 procent lägre totala underhållskostnader
- 10-20 procent förlängd komponentlivslängd
- 5-10 procent högre OEE (Overall Equipment Effectiveness)
- Färre säkerhetsincidenter kopplade till maskinhaverier
Svensk tillverkningsindustri uppskattas spendera över 100 miljarder kronor årligen på underhåll. Om 30 procent av detta är optimeringspotential — vilket är konservativt — är vinsten 30 miljarder kronor per år för Sverige som land.
Vanliga fallgropar
Vägen till PdM är inte alltid spikrak. Återkommande problem:
Datakvalitet. Sensorer med fel kalibrering eller dålig montering ger värdelös data. “Garbage in, garbage out” gäller dubbelt för AI.
Brist på historiska feldata. Många företag har sällan haveri på samma maskintyp — vilket är bra för verksamheten men dåligt för träningsdata. Anomalidetektering blir då första steg.
AI-kompetensen. Att tolka modellutfall, förstå falska positiver och negativa, kalibrera om kräver datakompetens som många underhållsorganisationer inte har internt.
Förändringsledning. Operatörer och underhåll måste lita på modellen. När algoritmen säger “byt lagret om två veckor” men det verkar friskt — vågar man? Det tar tid att bygga förtroende.
Integration med CMMS. PdM-larm ska bli arbetsorder. Det kräver integration mot underhållssystem (Maximo, SAP PM, IFS, Infor EAM, Atomic). Många implementeringar kör paralelltspår där sensorernas larm aldrig blir prioriterade i den ordinarie underhållskön.
Vart utvecklingen är på väg
1. Generativ AI för underhåll. Stora språkmodeller börjar användas som assistent — fråga om en alarm, få sammanfattning av historik, generera arbetsorder med rekommenderade åtgärder.
2. Federated learning. Tillverkare börjar samarbeta om modellträning utan att dela rådata. SKF kan träna lagermodeller på data från hundra kunders anläggningar utan att se enskild kunddata.
3. Edge-AI. Modeller körs på sensornod istället för moln. Lägre latens, lägre datatrafik, mer integritet.
4. Asset Performance Management. PdM blir en del av en bredare APM-plattform som täcker hela tillgångens livscykel: prestanda, energi, reservdelar, säkerhet.
Sources: