Udnyt potentialet ved forudsigende vedligeholdelse med IoT

Identificer målresultatet

Fastsæt mål for forretningsprocesser, du vil forbedre, og det resultat, du i sidste ende ønsker at opnå.

Det, du forudsiger, skal være noget, du kan handle på – ellers har din forudsigelse ingen værdi. Hvis du f.eks. forudsiger, at der opstår fejl i en varme- og køleenhed næste dag, er det ikke nyttigt, hvis der ikke er noget, du kan gøre for at forhindre det.

Start med at finde ud af, hvilket resultat du ønsker at opnå – det bestemmer, hvilke forudsigende spørgsmål du skal besvare, og hjælper dig med at måle succesen ved din indsats.

Almindelige spørgsmål om forudsigende vedligeholdelse omfatter:

  • Timing: Hvor lang tid har udstyret tilbage, før der opstår fejl?
  • Sandsynlighed: Hvad er sandsynligheden for fej i (x) antal dage eller uger?
  • Årsag: Hvad er den sandsynlige årsag til en given fejl?
  • Rangering af risici: Hvilket udstyr har højeste risiko for fejl?
  • Anbefalet vedligeholdelse: Hvis vi tager udgangspunkt i en bestemt fejlkode eller andre forhold, hvilken vedligeholdelsesaktivitet vil så med størst sandsynlighed løse problemet?

Lagerdatakilder

Identificer alle potentielle kilder og typer af relevante data. Det resultat, du søger, har indflydelse på, hvilke data der er vigtige, og hvilke data der er mindre vigtige.

Medtag data fra en lang række kilder – du bliver overrasket over at se de steder, vigtige oplysninger kan komme fra.

Start ved at finde ud af, hvilke data der er tilgængelige fra forskellige datakilder. Det kan være strukturerede eller ustrukturerede data, og de kan komme fra interne systemer eller eksterne parter.

Eksempler på relevante data omfatter:

  • Driftsforhold – placering, temperatur, operatør af udstyr osv.
  • Detaljer om fejl – tidspunkter, vejr, årsag osv.
  • Reparationshistorik

Selv med ufuldstændige data kan du drage nytte af midlertidige løsninger, f.eks. registrere afvigelser, som omfatter overvågning i realtid for at registrere usædvanlige tendenser og mønstre. På denne måde kan du stadig registrere afvigelser, mens du indsamler specifikke data, der kræves for at bygge en robust forudsigende model til dit problem.

Indlæs og saml data

Tilslut alle dine data til et enkelt sted, og forbered dem på analyse.

Skab grundlaget for en robust forudsigende model ved at hente data ind, der både omfatter forventet funktionsmåde og fejllogge.

Nu er du klar til at skabe grundlaget for forudsigende analyse. Dette omfatter:

  • Tilslutning af data fra forskellige kilder i et enkelt konsistent system.
    Da data kan være mange forskellige steder, er det vigtigt at tilslutte dem i et enkelt samlet system. I visse tilfælde kan det være nødvendigt at flytte data, men i mange tilfælde handler det om at knytte en datakilde til et analysesystem. Da du sandsynligvis arbejder med store datamængder, er det vigtigt at bruge et analyseværktøj, som kan håndtere big data.
  • Normalisering af dataene.
    Det kan tage tid at normalisere data, men det er også yderst vigtigt, især hvis du er delvist afhængig af anekdotiske oplysninger fra dine reparationsteam. Normalisering af data er også med til at forbedre nøjagtigheden og gyldigheden af din analyse.

Modellér, test og sæt i gang

Identificer uventede mønstre ved at udvikle forudsigende modeller ved hjælp af teknikker til maskinel indlæring. Stack-ranger modeller for at finde ud af, hvilken model der er bedst til at forudsige timingen for enhedsfejl.

Gør din model handlingsrettet ved at forstå, i hvor god tid vedligeholdelsesteamet skal have besked for at kunne reagere på en forudsigelse.

Start med at analysere data for at identificere meningsfulde mønstre. Dette omfatter udvikling af et sæt modeller ved hjælp af et undersæt af dataene. Efterhånden som du analyser og modellerer dataene, kan det være nyttigt at have en hypotese, du tester. Det hjælper dig med at se, hvilke signaler du skal være opmærksom på, og giver dig et udgangspunkt, som analyseresultaterne skal evalueres i forhold til.

Stack-ranger derefter modellerne ved at bruge de øvrige data til at bestemme, hvilken model der er det bedste svar på dit forudsigende spørgsmål. Husk, at en model skal være handlingsrettet for at kunne bruges, så analyser skal være godt funderet på virksomhedens kontekst. Hvis dit reparationsteam f.eks. skal have besked 48 timer i forvejen for at kunne imødekomme en anmodning om vedligeholdelse, er en handlingsrettet model en model, der forudsiger fejl mere end 48 timer, før de indtræffer.

Forudsigende modeller hjælper dig med at identificere forhold, der er tegn på fremtidige problemer med udstyr. Hvis du har disse oplysninger, kan du justere processer og systemer til at udløse forebyggende handlinger, når disse forhold indtræffer. Du kan med andre ord omsætte indsigt fra modellen til driftsmæssige ændringer, og det er her, du får en stor virksomhedsværdi.

Valider modellen i et live driftsmiljø

Anvend din model på dynamiske streamingdata, og se, hvordan den virker under forhold i den virkelige verden. Brug maskinel indlæring til at forbedre din model, og gør den klar til komplet implementering.

Du skal være indstillet på at finjustere din tilgang baseret på de data, du indsamler i løbet af en pilotmodel i realtid.

Overvågning af tilsluttet udstyr

Hvis du vil køre en IoT-baseret pilotmodel med forudsigende vedligeholdelse, skal dit udstyr være tilsluttet, og det skal sende de seneste driftsdata til de rette systemer. Dette livedataflow er det, din model analyserer for at registrere tegn på problemer og for at udløse advarsler eller forebyggende handlinger – det kan f.eks. være at bestille en reservedel eller planlægge hjælp fra en tekniker.

Pilotplanlægning

Start med at fastsætte pilotomfanget, herunder udstyr, systemer og lokaliteter, scenarier, der skal testes, forhold, der betyder, er der skal udløses en advarsel eller en handling (det kan f.eks. være automatisk bestilling af en reservedel), succesmålinger og timing.

Anvendelse af din model og finjustering af dine resultater

I løbet af pilotfasen indsamler du løbende nye data, der hjælper med at finjustere acceptable intervaller, og de kan også vise signaler på nye fejl. Du skal ikke være bange for at justere din tilgang ud fra det, de seneste driftsdata og analysedata fortæller dig.

Integrer i driften

Operationaliser modellen ved at justere vedligeholdelsesprocesser, systemer og ressourcer, så du kan handle på ny indsigt. Foretag løbende forbedringer ved at få indsigt via maskinel indlæring og avancerede analyser.

Styrk dine processer og procedurer for at drage nytte af det, du har lært.

Når du har imødekommet dine pilotmål og finjusteret modellen, er du klar til at udføre en bredere implementering.

Det vil sandsynligvis omfatte udrulning af en række ændringer i driften, f.eks. en ændret og/eller dynamisk reparationsplan eller ændring af politikker for at prioritere hurtigere reparationer, når visse data overstiger et angivet interval. Da ændringen i driften kan have mange konsekvenser, anbefales en faseinddelt tilgang, så fordelene kan realiseres løbende.

Forbedringerne i driften kan foretages, når udrulning af en tilgang til forudsigende vedligeholdelse er omfattende. Du kan f.eks.:

  • Optimere, hvad dit reparationsteam foretager sig, og hvornår – juster reparationsplaner og -ruter for at reducere nedbrud og undgå ekstra ture.
  • Ændre din tilgang til køb af reservedele, så du ikke har en unødvendig stor beholdning – en ordre på reservedele kan udløses, når det er nødvendigt.
  • Tilbyde forudsigende vedligeholdelse som en service for at skabe løbende indtægter og bevare relationen til dine kunder.

Det er blot et par eksempler på, hvordan forudsigende vedligeholdelse giver dig mulighed for at øge effektiviteten, reducere omkostningerne og udvikle din virksomhed.

Opret din løsning for forudsigende vedligeholdelse

Kom i gang