En integrert automatisk optimaliseringsmotor for å løse komplekse vedlikeholdsutfordringer, med hensyn til alle begrensninger.
Den vil være basert på AI- og ML-algoritmer, og bli designet og implementert på en måte som gjør optimal bruk av Azure-skyplattformen.
Det vil også bli utviklet en implementeringsstrategi som sikrer en helhetlig tilnærming til samspillet mellom mennesker, teknologi og organisasjon for å realisere det fulle potensialet til OptiPlan.
Delmål 1 - Kravavklaring
Klare kravene som er satt til OptiPlan-modulen med hensyn til arkitektur, datamodell og datakvalitet, og sikre samsvar blant alle interessenter.
Delmål 2 - Optimaliseringsalgoritme og løserdefinisjon
Når problemet er definert og formulert matematisk, bør forskjellige optimaliseringsalgoritmer og løsere testes for å utføre både en innledende planlegging og omplanlegging.
Delmål 3 - Avansert dataanalyse
Lever AI- og ML-algoritmer samt planleggingsmønstre.
Delmål 4 - IT-integrasjoner, arkitektur og implementering
Sikre optimal bruk av Azure-skyplattformen.
Delmål 5 - Visualisering og interaksjonsverktøy for sluttbrukere i planlegging og gjennomføring
Utvikle brukergrensesnittløsninger fra to distinkte grupper av sluttbrukere:
A) Den sentraliserte perspektivplanleggeren/planleggeren, og
B) Den skarpe synsvinkelen til feltarbeidere og teknikere.
Delmål 6 - Kundeorienterte og integrerte designprosesser
Sikre riktig forankring av utviklingen av den nye løsningen i forståelsen av den nåværende bruker- og kundekonteksten, som utgangspunkt for å legge til rette for skapningen og visualiseringen av alternative løsninger og arbeidsmetoder.
Delmål 7 - Endringsledelse og prosessforbedring i organisasjonen
Overgangen til omfattende bruk av digitale verktøy endrer både organisasjonen og måten den enkelte ansatte utfører arbeidet på. For å omforme en veletablert arbeidsprosess som planlegging av vedlikeholdsplaner til å lykkes med å ta i bruk en ny måte å arbeide på ved hjelp av avanserte digitale verktøy, er en implementeringsstrategi nødvendig.
Delmål 8 - Pilottesting
Pilottestene vil bli satt opp med relevante data fra vedlikeholdsplanleggingsprosessen og brukt i et live-scenario.
The complexity and nature of the problems related to maintenance planning for O&G and process industries is big and constantly moving. The industry is spending a lot of resources, time and money in trying to navigate in this landscape, but are still constrained to old systems and ways of working. That means that the state and quality of the maintenance plans are limited the human brains and the established processes that exists in these types of companies.
Outcomes identified and targeted through the project:
* Reduced cost (time and resourced) needed to plan complex maintenance work
* Higher plan quality
* Increased safety
* Less unplanned stops in production
* Better utilization of workforce
* Ability to quickly re-plan/schedule when needed
The project has under it's working period proved that there is a huge demand for this in the market. We have validated this with multiple large customers worldwide.
Maintenance is an essential activity to ensure safety and productivity in all major industries. Maintenance tasks in such industries are very complex due to the sheer number of tasks and resources and constraints involved. Scheduling maintenance work is therefore a very complex problem. Manually finding solutions to the scheduling problem is not only time-consuming but highly inefficient both for the maintenance companies and their customers, and inefficient solutions are costly because they lead to increase downtime as well as poor utilisation of personell and other costly resources. Still, scheduling is today largely a manual processes because existing tools in this area suffer from some major shortcomings: They are complex specialist tools, yet no single tool takes into account the full range of dimensions in the complex "puzzle" to be solved, and they are not well suited to handle the highly dynamic nature of the problem. Rapid changes in weather conditions, delays and missing personell or part arrivals call for plans to adapt rapidly, but current tools and manual practices are nowhere near being able to completely and rapidly reassess the totality of the schedule.
The project described here will make this possible by adding powerful new capabilties to VISAVI LivePlan - a digital coordination arena that contains all the data required for optimal scheduling. The new solution will employ multivariable optimization to automate scheduling and also use machine learning to add further automation and robustness. The project will also be highly mindful of the human and organizational factors and challenges of attempting such a radical transformation of well-established, critical work processes. An interdisciplinary approach will be adopted to ensure a holistic solution with proven customer value.
