Het potentieel van predictief onderhoud met IoT realiseren

Het beoogde resultaat bepalen

Bepaal doelgerichte bedrijfsprocessen om te verbeteren en de gewenste resultaten die u uiteindelijk wilt bereiken.

Wat u voorspelt, moet iets zijn waarop u actie kunt ondernemen, anders heeft die voorspelling geen waarde. Het is bijvoorbeeld niet zinvol om te voorspellen dat een verwarmings- en koeleenheid de volgende dag zal uitvallen als er niets is dat u kunt doen om het te voorkomen.

Begin met het uitzoeken van het resultaat dat u wilt bereiken - dit bepaalt de voorspellende vraag die u moet beantwoorden en helpt u het succes van uw inspanning te meten.

Veel voorkomende voorspellende vragen zijn onder andere:

  • Timing: Hoeveel tijd heeft de apparatuur nog over totdat deze uitvalt?
  • Waarschijnlijkheid: Wat is de kans op storing in (x) aantal dagen of weken?
  • Oorzaak: Wat is de waarschijnlijke oorzaak van een bepaalde storing?
  • Rangschikking op risiconiveau: Welke apparatuur heeft de grootste kans op storingen?
  • Onderhoudsadvies: Met welke onderhoudsactiviteit hebt u de meeste kans om het probleem op te lossen, gelet op een bepaalde foutcode en andere omstandigheden?

Inventarisgegevensbronnen

Identificeer alle potentiële bronnen en soorten relevante gegevens. De uitkomst die u zoekt, zal van invloed zijn op welke gegevens essentieel zijn en wat optioneel is.

Voeg gegevens uit verschillende bronnen toe - u zult verbaasd zijn over de plaatsen waar belangrijke informatie vandaan kan komen.

Begin met te begrijpen welke gegevens uit verschillende gegevensbronnen beschikbaar zijn. Dit kunnen gestructureerde of ongestructureerde gegevens zijn, die afkomstig kunnen zijn van interne systemen of externe partijen.

Voorbeelden van relevante gegevens zijn:

  • Bedrijfsomstandigheden: locatie, temperatuur, bediener van de apparatuur, enzovoort.
  • Storingsgegevens: timing, weer, oorzaak, enzovoort.
  • Reparatiegeschiedenis

Zelfs met gedeeltelijke gegevens kunt u gebruikmaken van tussenoplossingen zoals anomaliedetectie, waarbij u in realtime ongewone trends en patronen kunt detecteren. Op deze manier kunt u nog steeds anomalieën detecteren terwijl u specifieke gegevens verzamelt die nodig zijn om een robuust voorspellend model voor uw probleem op te bouwen.

Gegevens vastleggen en combineren

Verbind al uw gegevens met één locatie en maak deze klaar voor analyse.

Leg de basis voor een robuust voorspellend model door gegevens op te halen die zowel te verwachten gedrags- als storingslogboeken bevatten.

Nu bent u klaar om de basis te leggen voor voorspellende analyse. Dit houdt in:

  • Gegevens van verschillende bronnen verbinden in een enkel, consistent systeem.
    Omdat gegevens op veel verschillende plaatsen aanwezig zijn, is verbinden tot één enkel, consistent systeem een ​​belangrijke stap. In sommige gevallen moeten gegevens worden verplaatst, maar in veel gevallen is het een kwestie van een gegevensbron verbinden met een analysesysteem. Omdat u waarschijnlijk te maken hebt met grote hoeveelheden gegevens, is het belangrijk om een ​​analyseprogramma te gebruiken dat met big data overweg kan.
  • De gegevens normaliseren.
    Het normaliseren van gegevens kan enige tijd duren, maar het is ook van cruciaal belang, vooral als u gedeeltelijk vertrouwt op anekdotische informatie van uw reparatieteams. Het normaliseren van gegevens helpt ook om de nauwkeurigheid en validiteit van uw analyse te verbeteren.

Model, test en interactie

Identificeer onverwachte patronen door het ontwikkelen van voorspellende modellen met behulp van machine learning-technieken. Groepeer modellen in stapelrang om te bepalen welk model het beste is voor het voorspellen van de timing van storingen in eenheden.

Maak uw model bruikbaar door te begrijpen hoeveel aandacht het onderhoudsteam vooraf nodig heeft om op een voorspelling te reageren.

Begin met het analyseren van gegevens om zinvolle patronen te identificeren. Dit omvat het ontwikkelen van een reeks modellen met behulp van een subset van de gegevens. Bij het analyseren en modelleren van de gegevens kan het nuttig zijn om een hypothese te hebben die u aan het testen bent. Dit zal u helpen bij het nadenken over de signalen die u kunt verbeteren en geeft u een basislijn aan de hand waarvan u de analytische resultaten kunt beoordelen.

Groepeer de modellen vervolgens als stapelrang, met behulp van de overige gegevens om te bepalen welk model het beste is in het beantwoorden van uw voorspellende vraag. Vergeet niet dat een model actiegericht moet zijn om bruikbaar te zijn, dus analyse-inspanningen moeten stevig onderbouwd zijn in de zakelijke context. Als uw reparatieteam bijvoorbeeld een kennisgeving van 48 uur nodig heeft voor het uitvoeren van onderhoudsaanvragen, is een actiegericht model een model dat fouten voorspelt die meer dan 48 uur vóór de geplande datum liggen.

Met behulp van voorspellende modellen kunt u omstandigheden identificeren die wijzen op toekomstige problemen met de apparatuur. Met deze informatie kunt u processen en systemen aanpassen om preventieve acties te activeren wanneer die omstandigheden zich voordoen. Met andere woorden, u kunt inzichten uit het model vertalen naar operationele veranderingen, waarbij u een belangrijke bedrijfswaarde ziet.

Het model valideren in een operationele werkomgeving

Pas uw model toe op live, streaming data en observeer hoe het in de praktijk werkt. Gebruik machine learning om uw model te verbeteren en klaar te maken voor volledige implementatie.

Wees bereid om uw aanpak te verfijnen op basis van de gegevens die u tijdens de echte pilot verzamelt.

Aangesloten apparatuur bewaken

Om een IoT-testfase voor predictief onderhoud te kunnen uitvoeren, moet uw apparatuur zijn verbonden en moeten de meest recente operationele gegevens naar de juiste systemen worden gestuurd. Die live-gegevensstroom is wat uw model analyseert om probleemsignalen op te sporen en waarschuwingen of preventieve acties te activeren, zoals het bestellen van een vervangend onderdeel of het plannen van een technicus.

Planning van testfase

Begin met het vaststellen van de reikwijdte van de testfase, met inbegrip van de betrokken apparatuur, systemen en locaties, de te testen scenario's, de voorwaarden voor het in werking stellen van een waarschuwing of actie (bijvoorbeeld automatische bestelling van een vervangend onderdeel), de succesmaatregelen en de timing.

Uw model toepassen en de resultaten verfijnen

Tijdens de gehele testfase verzamelt u voortdurend nieuwe gegevens die u helpen om aanvaardbare bereiken te verfijnen en die ook nieuwe storingsmeldingen kunnen markeren. Wees niet bang om uw aanpak aan te passen op basis van de laatste operationele gegevens en analyses.

Integreren in operaties

Operationaliseer het model door onderhoudsprocessen, systemen en middelen aan te passen aan nieuwe inzichten. Maak doorlopende verbeteringen door inzichten te verkrijgen uit machine learning en geavanceerde analytics.

Versterk uw processen en procedures om te profiteren van wat u leert.

Zodra u de pilotdoelen hebt bereikt en het model hebt verfijnd, bent u klaar voor een bredere implementatie.

Dit omvat waarschijnlijk de invoering van een aantal operationele wijzigingen, zoals een herzien en/of dynamisch reparatieschema, of een wijziging van het beleid om voorrang te geven aan onmiddellijke reparaties wanneer bepaalde gegevens een bepaald bereik overschrijden. Omdat de operationele verandering vergaand kan zijn, wordt een gefaseerde aanpak aanbevolen, zodat incrementele voordelen kunnen worden gerealiseerd.

De operationele verbeteringen die kunnen worden aangebracht bij de uitrol van een predictieve onderhoudsaanpak zijn omvangrijk. U kunt bijvoorbeeld:

  • Optimaliseren wat uw reparatieploeg doet en reparatieschema's en -routes aanpassen om storingen te verminderen en extra ritten te voorkomen.
  • Uw aankoopbenadering voor reserveonderdelen wijzigen, zodat u geen overtollige voorraad hoeft aan te houden - een bestelling van onderdelen kan net op tijd worden getriggerd.
  • Predictief onderhoud als een service aanbieden om annuïteiteninkomsten te genereren en een blijvende relatie met uw klanten te onderhouden.

Dit zijn slechts enkele voorbeelden van hoe predictief onderhoud u in staat stelt om de efficiëntie te verhogen, de kosten te verlagen en uw bedrijf te ontwikkelen.

Uw oplossing voor predictief onderhoud maken

Aan de slag