Realizace potenciálu prediktivní údržby pomocí IoT

Stanovení kýženého výsledku

Stanovte cílové obchodní procesy, které chcete zlepšit, a požadované výsledky, kterých chcete dosáhnout.

Predikce se musí týkat něčeho, na co můžete reagovat – v opačném případě nemají předpovědi žádný význam. Například nemá žádný význam předpovídat, že další den selže chladicí a vytápěcí jednotka, pokud tomu nemůžeme nijak zabránit.

Začněte tím, že si určíte, jakého výsledku chcete dosáhnout – to má vliv na to, jakou otázku týkající se prediktivní údržby si musíte zodpovědět, a pomůže vám to měřit úspěšnost vašeho úsilí.

Toto jsou některé běžné otázky spojené s prediktivní údržbou:

  • Načasování: Kolik času zbývá, než vybavení selže?
  • Pravděpodobnost: Jaká je pravděpodobnost selhání za (x) dnů nebo týdnů?
  • Příčina: Jaká je pravděpodobná příčina daného selhání?
  • Priorita podle míry rizika: U kterého vybavení existuje největší riziko selhání?
  • Doporučení pro údržbu: Když vezmeme v úvahu určitý kód chyby a další okolnosti, u jaké aktivity údržby existuje největší pravděpodobnost vyřešení problému?

Zdroje dat inventáře

Identifikujte všechny potenciální zdroje a typy důležitých dat. To, která data jsou zásadní, a která volitelná, závisí na tom, o jaký výsledek usilujete.

Zahrňte data z nejrůznějších zdrojů – možná vás překvapí, na jak rozličných místech můžete najít klíčové informace.

Nejdřív si udělejte jasno v tom, jaká data máte k dispozici z různých zdrojů dat. Může se jednat o strukturovaná i nestrukturovaná data a můžou pocházet z interních systémů i od externích stran.

Toto jsou některé příklady důležitých dat:

  • Provozní podmínky – umístění, teplota, pracovník obsluhující zařízení atd.
  • Podrobnosti o selhání – čas, povětrnostní podmínky, příčina atd.
  • Historie oprav

I s neúplnými daty můžete využívat středně pokročilá řešení, jako je detekce anomálií, která na základě sledování v reálném čase umožňuje odhalovat neobvyklé trendy a vzory. Můžete tak dál odhalovat anomálie a zároveň shromažďovat konkrétní data nezbytná k vytvoření robustního modelu prediktivní údržby přizpůsobeného vaší situaci.

Zachytávání a kombinace dat

Připojte všechna data k jednomu umístění a připravte je na analýzu.

Položte základy robustního prediktivního modelu získáním dat, která zahrnují jak očekávané chování, tak protokoly chyb.

Teď můžete položit základy pro prediktivní analýzu. Ta zahrnuje tyto kroky:

  • Propojení dat z různých zdrojů do jednoho konzistentního systému.
    Data se můžou nacházet na různých místech, a tak je zásadně důležité je propojit do jednoho konzistentního systému. Někdy bude nutné data přesunout, v mnoha případech ale stačí připojit příslušný zdroj dat k analytickému systému. Jelikož pravděpodobně pracujete s velkými objemy dat, je důležité použít analytický nástroj, který dokáže takové množství dat zvládnout.
  • Normalizace dat.
    Normalizace dat nějakou dobu trvá, zároveň má ale zásadní význam, především pokud se částečně spoléháte na útržkovité informace od vašich opravářských týmů. Normalizace dat také pomáhá zlepšit přesnost a platnost vaší analýzy.

Model, testování a opakování

Identifikujte neočekávané vzory díky vývoji prediktivních modelů s využitím metod strojového učení. Seřaďte modely podle toho, který z nich dokáže nejlépe předpovědět načasování závad jednotek.

K tomu, aby byl váš model využitelný, potřebujete zjistit, kolik času potřebuje tým údržby, aby mohl reagovat na předpověď.

Začněte analýzou dat, která poukáže na smysluplné vzory. Její součástí je vývoj sady modelů na základě dílčí sady dat. Při analýze a modelování dat může být užitečné mít nějakou hypotézu, kterou budete testovat. Díky tomu si budete moct promyslet, na jaké příznaky se zaměřit, a získáte tak standardní hodnoty, podle kterých budete moct vyhodnotit výsledky analýzy.

Pak modely seřaďte na základě zbývajících dat, která vám pomůžou určit, který model nejlépe odpovídá na vaši otázku z oblasti prediktivní údržby. Nezapomeňte, že užitečný model musí být využitelný, což znamená, že by analytická činnost měla být pevně zakořeněná v obchodním kontextu. Pokud například váš opravářský tým potřebuje na splnění požadavku na údržbu lhůtu 48 hodin, využitelný model je takový, který dokáže předpovědět selhání s předstihem větším než 48 hodin.

Prediktivní modelování pomáhá identifikovat podmínky, které ukazují na budoucí potíže s vybavením. Na základě těchto informací můžete upravit procesy a systémy tak, aby spouštěly preventivní akce, vždycky když takové podmínky nastanou. Jinak řečeno, poznatky získané z modelu můžete převést na provozní změny, a právě ony vám přinesou významnou obchodní hodnotu.

Ověření modelu v živém provozním prostředí

Aplikujte svůj model na živá streamovaná data a sledujte, jak funguje v reálném prostředí. Vylepšete model pomocí strojového učení a připravte ho na plnou implementaci.

Buďte připravení zpřesnit svůj přístup na základě dat, která shromáždíte během pilotního nasazení v reálném světě.

Sledování připojeného vybavení

Pokud chcete spustit pilotní nasazení prediktivní údržby s podporou IoT, musí být vaše vybavení připojené a musí do příslušných systémů odesílat nejnovější provozní data. Váš model analyzuje právě tento živý tok dat, snaží se v něm odhalit známky potíží a spouští výstrahy nebo preventivní akce, jako třeba objednání náhradního dílu nebo naplánování návštěvy technika.

Plánování pilotního nasazení

Začněte tím, že určíte rozsah pilotního nahradit, včetně souvisejícího vybavení, systémů a umístění, scénáře k otestování, podmínky, za kterých se má spustit výstraha nebo určitá akce (například automatická objednávka náhradního dílu), měřítka úspěchu a načasování.

Uplatnění vašeho modelu a zpřesnění výsledků

Během pilotního nasazení budete průběžně shromažďovat nová data, která vám pomůžou zpřesnit přijatelné rozsahy a také vás můžou upozornit na nové příznaky selhání. Nebojte se svůj přístup pozměňovat v závislosti na tom, co se dozvíte z nejnovějších provozních dat a analýz.

Začlenění do provozu

Zužitkujte model tím, že upravíte procesy, systémy a prostředky údržby tak, aby reagovaly na nově nabytý přehled. Všechno pak postupně vylepšujte na základě poznatků získaných ze strojového učení a pokročilých analýz.

Posilte své procesy a postupy, abyste mohli využít toho, co jste se naučili.

Až splníte pilotní cíle a zdokonalíte model, budete moct přistoupit k širší implementaci.

To bude pravděpodobně zahrnovat zavedení řady provozních změn, například upravený nebo dynamický plán oprav, případně změna zásad tak, aby v případě, že určitá data vybočí ze stanoveného rozsahu, dostaly prioritu okamžité opravy. Vzhledem k tomu, že provozní změny můžou mít velký dosah, doporučuje se zvolit pozvolný přístup, který umožní získávat výhody postupně.

Zavedení procesu prediktivní údržby může přinést rozsáhlá vylepšení provozu. Můžete například provést následující věci:

  • Optimalizovat činnosti opravářského týmu a jejich načasování – upravit plány a trasy oprav, aby se snížil počet závad a odstranily se zbytečné návštěvy
  • Změnit přístup k pořizování náhradních dílů, abyste neměli na skladě nadbytek zásob – objednávka dílů se může odeslat až v pravý čas
  • Nabízet prediktivní údržbu jako službu, čímž si zajistíte příjmy z ročních poplatků a upevníte dlouhodobé vztahy se svými zákazníky

Zmínili jsme jenom několik příkladů toho, jak vám prediktivní údržba pomůže zvýšit efektivitu, snížit náklady a rozvíjet vaši společnost.

Vytvoření řešení prediktivní údržby

Začínáme