A prediktív karbantartásban rejlő lehetőségek kiaknázása az IoT segítségével

A megcélzott eredmény azonosítása

Határozza meg a javítani kívánt üzleti folyamatokat és az elérni kívánt végső célt.

Csak olyasmit érdemes előrejelezni, amire későbbi intézkedéseket lehet alapozni, máskülönben az előrejelzésnek nincs mérhető értéke. Annak az előrejelzésnek például, hogy a következő napon meg fog hibásodni egy fűtő- vagy hűtőegység, nincs gyakorlati haszna, mivel semmit sem tud tenni ellene.

Először is meg kell határoznia, hogy milyen eredményt kíván elérni. Ettől függ, hogy milyen prediktív kérdést kell megválaszolnia, és ez segít majd lemérni, mennyire volt sikeres a cél teljesítésében.

A prediktív módszerrel kapcsolatos gyakori kérdések:

  • Időzítés: Mennyi idő múlva fog meghibásodni a berendezés?
  • Valószínűség: Mekkora a meghibásodás valószínűsége (x) napon vagy héten belül?
  • Ok: Mi az adott meghibásodás valószínűsíthető oka?
  • Kockázati szintek szerinti besorolás: Melyik berendezés fog a legnagyobb eséllyel meghibásodni?
  • Karbantartási javaslat: Egy adott hibakód és egyéb feltételek mellett melyik karbantartási tevékenység oldja meg legnagyobb eséllyel a problémát?

Leltáradat-források

Azonosítsa a releváns adatok összes lehetséges forrását és típusát. A kívánt végeredménytől függ, hogy mely adatok lesznek kulcsfontosságúak, és melyek opcionálisak.

Gyűjtsön adatokat különböző forrásokból – néha váratlan helyeken akadhat kulcsfontosságú információkra.

Először is tekintse át, hogy milyen adatokhoz férhet hozzá a különböző adatforrásokból. Ezek lehetnek strukturált vagy strukturálatlan adatok, és származhatnak belső rendszerekből vagy külső felektől.

Néhány példa a releváns adatokra:

  • Működési feltételek – helyszín, hőmérséklet, a berendezés üzemeltetője stb.
  • Hiba részletei – időzítés, időjárás, ok stb.
  • Javítási előzmények

Akár részleges adatok birtokában is felhasználhat olyan köztes megoldásokat, mint az anomáliák észlelése, ami az adatok valós idejű monitorozását és a szokatlan trendek és minták keresését jelenti. Így lehetősége van az anomáliák észlelésére azon adatok célzott gyűjtése közben, amelyekre a problémát megoldó átfogó prediktív rendszer fog épülni.

Adatok rögzítése és egyesítése

Kösse össze az adatokat egyetlen hellyel, és készüljön fel az elemzésre.

Alapozzon meg egy kiterjedt prediktív modellt a várható viselkedést és a hibanaplókat is tartalmazó adatok lekérdezésével.

Ezzel készen áll a prediktív elemzés megalapozására. Ez a következőket foglalja magában:

  • Különböző forrásokból származó adatok összekötése egyetlen egységes rendszerben.
    Mivel az adatok különböző helyeken állnak rendelkezésre, kulcsfontosságú lépés ezek összekötése egyetlen egységes rendszer keretében. Bizonyos esetekben szükség lehet az adatok áthelyezésére, de többnyire csak össze kell kötni az adatforrást az elemzőrendszerrel. Mivel valószínűleg nagy mennyiségű adatról van szó, mindenképpen olyan elemzőeszközre van szükség, amely képes a big data kezelésére.
  • Az adatok normalizálása.
    Az adatok normalizálása szintén kulcsfontosságú lépés, különösen, ha a karbantartó csapatoktól, másodkézből származó információról van szó. Az adatok normalizálása ezenkívül növeli az elemzés pontosságát és hitelességét.

Modellezés, tesztelés, iteráció

A váratlan minták azonosításához fejlesszen ki prediktív modelleket gépi tanulás technikák használatával. Rangsorolja a modelleket, hogy kiderüljön, melyik modell jelzi előre a legpontosabban az egységek meghibásodásának időpontját.

A modell csak akkor lesz hasznosítható a gyakorlatban, ha tudja, hogy mennyivel előre kell értesíteni a csapatot ahhoz, hogy intézkedni tudjon az előrejelzés alapján.

Kezdje az adatok elemzésével és a hasznosítható minták azonosításával. Ehhez több modellt kell létrehoznia az adatok egy részhalmazának felhasználásával. Az adatok elemzése és modellezése során hasznos, ha van egy tesztelni kívánt feltevése. Ez fogja irányítani a gondolatmenetét, és hogy mely jelekre érdemes odafigyelni, illetve egy alapot jelent, amellyel összevetheti az elemzés eredményeit.

Ezután rangsorolja a modelleket, és a fennmaradó adatok segítségével állapítsa meg, hogy melyik modell adja a legjobb választ a prediktív kérdésre. Ne feledje, hogy a modellnek a gyakorlatban hasznosíthatónak kell lennie, így az elemzéseket az üzleti szempontok szerint kell elvégezni. Tehát amennyiben a karbantartó csapatot 48 órával korábban kell értesíteni a végrehajtandó javításról, csak azok a modellek hasznosíthatók a gyakorlatban, amelyek több mint 48 órával a meghibásodás előtt képesek előrejelezni a meghibásodást.

A prediktív modellezéssel azonosíthatók a feltételek, amelyek előrevetíthetik a berendezéssel kapcsolatos későbbi problémákat. Ennek az információnak a birtokában úgy módosíthatja a folyamatokat és a rendszereket, hogy preventív intézkedésekre kerüljön sor a feltételek előfordulásakor. Vagyis a modellből szerzett információk alapján működésbeli változásokat eszközölhet, ami jelentős üzleti értéket képvisel.

Ellenőrizze a modellt egy éles működési környezetben

Alkalmazza a modellt élő, streamelt adatokra, hogy kiderüljön, hogyan működik valós körülmények között. Gépi tanulás segítségével tökéletesítse a modellt, és készítse elő a teljes bevezetésre.

Készüljön fel arra a lehetőségre, hogy a valós próbaüzem során gyűjtött adatok fényében szükség lehet a modell finomhangolására.

Csatlakoztatott berendezések monitorozása

Egy IoT-támogatású prediktív karbantartási próbaüzem elvégzéséhez csatlakoztatott berendezésekre van szükség, amelyek elküldik a legfrissebb működési adatokat a megfelelő rendszerekbe. A modell ezt az élő adatfolyamot fogja elemezni, és problémákra utaló jeleket keres, illetve aktiválja a riasztásokat vagy megelőző intézkedéseket (például egy cserealkatrész megrendelése vagy műszaki szakember beosztása).

A próbaüzem megtervezése

Először is határozza meg a próbaüzem hatókörét, beleértve a részt vevő berendezéseket, rendszereket és helyszíneket, a tesztelni kívánt forgatókönyveket, az intézkedéseket kiváltó feltételeket (például egy cserealkatrész automatikus megrendelése), a siker mérésének módját, valamint az időzítést.

A modell alkalmazása és az eredmények pontosítása

A próbaüzem során folyamatosan új adatokat fog gyűjteni, amelyek segítenek pontosítani az elfogadható értéktartományokat, és újabb, a hibákra mutató jelekre hívhatják fel a figyelmet. Előfordulhat, hogy módosítania kell megközelítésén az újabb működési adatok és elemzési eredmények fényében.

Integrálás az üzemeltetési folyamatba

Áthangolhatja a modellt az új információk fényében: korrigálhatja a karbantartási folyamatokat, a rendszereket és az erőforrásokat. A gépi tanulás és a fejlett elemzési lehetőségek segítségével szerzett információk birtokában folyamatos fejlesztéseket hajthat végre.

A folyamatok és eljárások megerősítésével hasznosíthatja a megszerzett információkat.

A próbaüzem céljainak teljesülése és a modell finomhangolása után készen áll a szélesebb körű bevezetésre.

Ez valószínűleg több ponton érinteni fogja az üzemeltetést, például felülvizsgálati és/vagy dinamikus javítási ütemezést kell bevezetni, illetve módosítani kell a szabályzatokat, hogy az azonnali javítások elsőbbséget élvezzenek, amikor bizonyos adatok túllépnek egy megadott tartományi korlátot. Az üzemeltetés módosításának messze nyúló hatásai lehetnek, ezért ajánlott lépcsőzetes bevezetést alkalmazni, kihasználva a fokozatosan jelentkező előnyöket.

A prediktív karbantartási megközelítés bevezetésének számos pozitív hatása lehet az üzemeltetésre. Megteheti például a következőket:

  • Optimalizálhatja, hogy a karbantartó személyzet mit és mikor javítson ki; a megfelelően kialakított ütemtervvel és útvonalakkal megelőzhetők a meghibásodások és a felesleges utak.
  • Ha új megközelítést alkalmaz a pótalkatrészek vásárlásakor, nem kell felesleges készletet tartania, mert az alkatrészek megvásárlására épp a megfelelő időpontban kerül sor.
  • Prediktív karbantartási szolgáltatást kínálva kiszámítható időszakos bevételhez jut, és folyamatos kapcsolatban maradhat ügyfeleivel.

A fentiek csak néhány példát jelentenek arra, hogy a prediktív karbantartással miként növelheti hatékonyságát, csökkentheti költségeit és bővítheti üzleti tevékenységeit.

A prediktív karbantartási megoldás létrehozása

Az első lépések