Finn ut hvordan du kan realisere potensialet i prediktivt vedlikehold med IoT

Identifiser målutfallet

Bestem målrettede forretningsprosesser du vil forbedre og ønskede resultater du vil omsider oppnå.

Hva du forutsier, må være noe du kan gjøre noe med – ellers har ikke prediksjonen noen verdi. Å forutsi at en varme- og kjøleenhet kommer til å mislykkes neste dag, er for eksempel ikke nyttig hvis det ikke er noe du kan gjøre for å forhindre det.

Begynn med å finne ut resultatet du ønsker å oppnå – dette avgjør det prediktive spørsmålet du trenger å besvare, og hjelper deg med å måle suksessen av innsatsen din.

Vanlige spørsmål om prediktivt vedlikehold er:

  • Tidsaspekt: Hvor mye tid har utstyret igjen før det feiler?
  • Sannsynlighet: Hva er sannsynligheten for feil innen (x) antall dager eller uker?
  • Årsak: Hva er den sannsynlige årsaken til en gitt feil?
  • Rangering av risikonivå: Hvilket utstyr har høyst risiko for feil?
  • Vedlikeholdsanbefaling: Gitt en bestemt feilkode og andre forhold, hvilken vedlikeholdsaktivitet vil mest sannsynligvis løse problemet?

Inventardatakilder

Identifiser alle potensielle kilder og typer av relevante data. Utfallet du søker, vil påvirke hvilke data som er viktige og hvilke som er valgfrie.

Inkluder data fra en rekke kilder – du kan bli overrasket over stedene nøkkelinformasjon kan komme fra.

Begynn med å forstå hvilke data som er tilgjengelige fra forskjellige datakilder. Dette kan være strukturerte eller ustrukturerte data, og kan komme fra interne systemer eller eksterne parter.

Eksempler på relevante data inkluderer:

  • Driftsforhold – plassering, temperatur, utstyrsoperatør osv.
  • Feildetaljer – tidsaspekt, vær, årsak osv.
  • Reparasjonshistorikk

Selv med delvise data kan du dra nytte av mellomliggende løsninger slik som anomalitetsdeteksjon, som innebærer sanntidsovervåkning for å oppdage uvanlige trender og mønstre. På denne måten kan du fortsatt oppdage uregelmessigheter mens du samler inn bestemte data som kreves for å bygge en robust prediktiv modell for problemet ditt.

Registrer og kombiner data

Koble alle dataene dine til ett enkelt sted og klargjør dem for analyse.

Legg grunnlaget for en robust prediktiv modell ved å trekke inn data som inkluderer både forventet atferd og feillogger.

Nå er du klar til å legge grunnlaget for prediktiv analyse. Dette involverer:

  • Kobling av data fra forskjellige kilder til et enkelt, konsekvent system.
    Siden data kan leve på mange forskjellige steder, er det et viktig trinn å koble dem til et enkelt, enhetlig system. I noen tilfeller kan det være nødvendig å flytte dataene, men i mange tilfeller må man koble en datakilde til et analysesystem. Siden du sannsynligvis har å gjøre med store datamengder, er det viktig å bruke et analyseverktøy som kan håndtere store data.
  • Normalisering av dataene.
    Normalisering av data kan ta tid, men det er også kritisk viktig, særlig hvis du er delvis avhengig av anekdotisk informasjon fra dine reparasjonsteam. Normalisering av data bidrar også til å forbedre nøyaktigheten og gyldigheten av analysen din.

Modeller, test, og interate (SIC)

Identifiser uventede mønstre ved å utvikle prediktive modeller ved hjelp av maskinlæringsteknikker. Gi modeller stjernerangering for å fastslå hvilken modell som er best til å forutse tidspunktet for enhetssvikt.

Gjør modellen din praktisk anvendelig ved å forstå hvor stor forhåndsvarsel vedlikeholdsteamet trenger for å svare på en prediksjon.

Begynn med å analysere data for å identifisere meningsfulle mønstre. Dette innebærer å utvikle et sett med modeller ved hjelp av en delmengde av dataene. Når du analyserer og modellerer dataene, kan det være nyttig å ha en hypotese som du tester. Dette vil veilede tenkningen din om hva slags signaler du bør fokusere på, og vil gi deg en grunnlinje for vurdering av analytiske resultater.

Gi deretter modellene en stjernrangering, bruk gjenværende data til å fastslå hvilken modell som er best til å svare på ditt prediktive spørsmål. Husk at en modell må være praktisk anvendelig for at den skal være nyttig, så analyseprosessen bør være forankret i en forretningskontekst. Hvis reparasjonslaget ditt for eksempel trenger 48 timers varsel for å oppfylle en vedlikeholdsforespørsel, er en anvendelig modell en som forutsier feil over 48 timer før de skjer.

Prediktiv modellering hjelper deg med å identifisere forhold som indikerer fremtidige utstyrsproblemer. Med denne informasjonen kan du justere prosesser og systemer for å utløse forebyggende tiltak når disse forholdene oppstår. Med andre ord kan du omgjøre innsikt fra modellen til operasjonelle endringer, hvor du ser betydelig forretningsverdi.

Valider modellen i en faktisk operasjonell situasjon

Bruk modellen på strømmingstreaming av faktiske data, og observer hvordan den fungerer under virkelige forhold. Bruk maskinlæring for å forbedre modellen og klargjøre den for full gjennomføring.

Vær villig til å utbedre tilnærmingen din basert på dataene du samler i sanntidspiloten.

Overvåkning av tilkoblet utstyr

For å kjøre en IoT-aktivert prediktiv vedlikeholdsstyring må utstyret være tilkoblet og sende de nyeste operasjonelle dataene til de aktuelle systemene. Den aktive dataflyten er det modellen din analyserer for å oppdage problemtegn og utløse varsler eller forebyggende tiltak, – som f.eks. å bestille en reservedel eller planlegge en tekniker.

Pilotplanlegging

Begynn med å etablere pilotens omfang, inkludert utstyr, systemer og steder involvert, scenarioer å teste, vilkår for å utløse en varsling eller handling (f. eks. automatisk bestilling av en erstatningsdel), suksessmål og tidsaspekt.

Bruk av modellen og utbedring av resultatene

Gjennom piloten vil du kontinuerlig samle nye data som vil bidra til å utbedre akseptable områder og som også kan fremheve nye feilsignaler. Ikke vær redd for å justere tilnærmingen din basert på hva de nyeste operasjonelle dataene og analysene forteller deg.

Integrer inn i operasjoner

Operasjonaliser modellen ved å justere vedlikeholdsprosesser, systemer og ressurser for å handle på ny innsikt. Gjør kontinuerlige forbedringer ved å få innsikt fra maskinlæring og avansert analyse.

Styrk prosessene og prosedyrene dine for å dra nytte av det du lærer.

Når du har møtt pilotmål og utbedret modellen, er du klar for bredere implementering.

Dette vil trolig innebære utrulling av rekke operasjonelle endringer, for eksempel en revidert og/eller dynamisk reparasjonsplan, eller endring av retningslinjer for å prioritere umiddelbare reparasjoner når visse data overstiger et spesifisert område. Ettersom den operasjonelle endringen kan være vidtgående, anbefales en fasetilnærming slik at inkrementelle fordeler kan realiseres.

De operasjonelle forbedringene som kan gjøres ved utrulling av en prediktiv vedlikeholdstilnærming, er omfattende. Du kan for eksempel gjøre følgende:

  • Optimalisere hva reparasjonsteamet ditt gjør og når du justerer – justere reparasjonsplaner og ruter for å redusere sammenbrudd og fjerne ekstraturer.
  • Endre innkjøpstilgangen din for reservedeler, slik at du ikke trenger å ha en overflødig lagerbeholdning – en deleordre kan utløses akkurat i tide.
  • Tilby prediktivt vedlikehold som tjeneste for å registrere annuitetsinntekter og opprettholde pågående relasjoner med kundene dine.

Dette er bare noen få eksempler på hvordan prediktivt vedlikehold gjør det mulig å øke effektiviteten, redusere kostnadene og utvikle virksomheten.

Opprett din Predictive Maintenance-løsning

Kom i gang