Wykorzystaj potencjał konserwacji predykcyjnej dzięki usłudze IoT

Określanie docelowego rezultatu

Określ docelowe procesy biznesowe, które mają ulec poprawie, oraz oczekiwane rezultaty.

Twoje przewidywania muszą dotyczyć elementów, wobec których możesz podjąć jakieś działanie — w przeciwnym razie przewidywanie nie ma sensu. Na przykład przewidywanie, że następnego dnia urządzenie grzewczo-chłodzące ulegnie awarii nie jest przydatne, jeśli nie możesz nic zrobić, żeby tej awarii zapobiec.

Rozpocznij od określenia rezultatu, który chcesz osiągnąć, ponieważ to od tego zależą pytania dotyczące konserwacji predykcyjnej, na które musisz odpowiedzieć. Umożliwia to również ocenę powodzenia Twoich wysiłków.

Typowe pytania dotyczące konserwacji predykcyjnej to między innymi:

  • Czas: Ile czasu pozostało do awarii sprzętu?
  • Prawdopodobieństwo: Jakie jest prawdopodobieństwo wystąpienia awarii w ciągu (x) dni lub tygodni?
  • Przyczyna: Jaka jest prawdopodobna przyczyna danej awarii?
  • Klasyfikacja poziomu ryzyka: Który sprzęt jest najbardziej narażony na awarię?
  • Rekomendacje dotyczące konserwacji: Wykonanie jakiej czynności daje największą szansę rozwiązania problemu, biorąc pod uwagę kod błędu i inne warunki?

Źródła danych spisu

Określ wszystkie potencjalne źródła i typy ważnych danych. Oczekiwany rezultat ma wpływ na to, które dane są niezbędne, a które opcjonalne.

Dołącz dane z wielu źródeł — kluczowe informacje mogą znajdować się w nieoczekiwanych miejscach.

Zastanów się, jakie dane są dostępne w różnych źródłach danych. Mogą to być dane ze strukturą lub bez, pochodzące z wewnętrznych systemów lub od firm zewnętrznych.

Oto przykłady ważnych danych:

  • Warunki pracy — lokalizacja, temperatura, operator sprzętu itp.
  • Szczegóły awarii — czas, warunki atmosferyczne, przyczyna itp.
  • Historia napraw

Nawet mając do dyspozycji tylko częściowe dane, możesz skorzystać z rozwiązań pośrednich, takich jak wykrywanie anomalii, czyli wykrywanie nietypowych trendów i wzorców poprzez monitorowanie w czasie rzeczywistym. W ten sposób możesz wykrywać anomalie, jednocześnie zbierając konkretne dane wymagane do opracowania niezawodnego modelu predykcyjnego dotyczącego określonego problemu.

Przechwytywanie i łączenie danych

Połącz wszystkie dane w jednym miejscu i przygotuj je do analizy.

Przygotuj się do tworzenia niezawodnego modelu predykcyjnego, pobierając dane zawierające zarówno oczekiwane działanie, jak i dzienniki błędów.

Teraz możesz przygotować się do pracy z analizą predykcyjną. Ten proces obejmuje następujące czynności:

  • Łączenie danych z różnych źródeł w jeden, spójny system.
    Ponieważ dane mogą się znajdować w różnych miejscach, łączenie ich w jeden, spójny system to kluczowy krok. Czasami konieczne może być przeniesienie danych, ale często wystarczy połączenie źródła danych z systemem analizy. Ponieważ prawdopodobnie pracujesz z dużą ilością danych, warto korzystać z narzędzia do analizy, które umożliwia obsługę danych big data.
  • Normalizacja danych.
    Normalizacja danych może być czasochłonna, ale jest niezbędna, zwłaszcza jeśli częściowo polegasz na niepotwierdzonych informacjach od swoich zespołów ds. napraw. Normalizacja danych umożliwia również uzyskanie większej dokładności i poprawności analizy.

Modelowanie, testowanie i integracja

Opracuj modele predykcyjne przy użyciu technik uczenia maszynowego, aby rozpoznawać nieoczekiwane wzorce. Określ rangę modeli na stosie, aby określić, który model jest najlepszy do przewidywania czasu awarii urządzeń.

Przygotuj model do działania w praktyce, określając, z jakim wyprzedzeniem należy poinformować zespół ds. konserwacji, aby mógł odpowiednio zareagować na przewidywanie.

Rozpocznij od przeanalizowania danych w celu określenia istotnych wzorców. Obejmuje to opracowanie zbioru modeli przy użyciu podzbioru danych. Podczas analizowania i modelowania danych warto mieć hipotezę do przetestowania. Pomoże Ci to określić, na jakich sygnałach należy się skoncentrować, i będzie stanowić punkt odniesienia do oceny wyników analizy.

Następnie określ rangę modeli na stosie, korzystając z pozostałych danych, aby określić, który model najlepiej odpowiada na pytania dotyczące konserwacji predykcyjnej. Pamiętaj, że model musi umożliwiać działanie — tylko wtedy jest użyteczny. Próby analizy muszą być ściśle powiązane z kontekstem biznesowym. Jeśli na przykład Twój zespół ds. napraw może przeprowadzić konserwację w ciągu 48 godzin od zgłoszenia, model będzie umożliwiał działanie, jeśli pozwoli na przewidywanie awarii wcześniej niż 48 godzin przed ich wystąpieniem.

Modelowanie predykcyjne pomaga określić warunki, które wskazują na możliwość wystąpienia problemów ze sprzętem w przyszłości. Mając te informacje, możesz dostosować procesy i systemy, aby zlecać czynności zapobiegawcze, gdy takie warunki wystąpią. Innymi słowy szczegółowe informacje uzyskane na podstawie modelu będą podstawą zmian operacyjnych i to na tym polega istotna wartość biznesowa rozwiązania.

Weryfikowanie modelu w rzeczywistym środowisku operacyjnym

Zastosuj model do danych przesyłanych strumieniowo na żywo i obserwuj, jak działa w rzeczywistych warunkach. Użyj uczenia maszynowego, aby udoskonalić model i przygotować go do pełnego wdrożenia.

Warto uściślić stosowaną strategię na podstawie danych zebranych podczas badania pilotażowego w warunkach rzeczywistych.

Monitorowanie połączonych maszyn

Aby uruchomić badanie pilotażowe konserwacji predykcyjnej z zastosowaniem Internetu rzeczy, sprzęt musi być połączony i wysyłać najnowsze dane operacyjne do właściwych systemów. Ten przepływ danych na żywo jest analizowany przed model w celu wykrywania oznak problemów i wyzwalania alertów lub czynności zapobiegawczych, takich jak zamawianie części zamiennych lub planowanie wizyty technika.

Planowanie badania pilotażowego

Rozpocznij od ustalenia zakresu badania pilotażowego, w tym sprzętów, systemów i lokalizacji, które będzie obejmowało; scenariuszy do przetestowania; warunków wyzwolenia alertu lub działania (na przykład automatycznego zamówienia części zamiennych); miar powodzenia; a także czasu.

Stosowanie modelu i uściślanie wyników

Badanie pilotażowe umożliwia nieustanne zbieranie nowych danych, które pomogą Ci uściślić dopuszczalne zakresy mierzonych wartości, a potencjalnie także rozpoznać nowe sygnały o awariach. Nie bój się dostosowywać swojego podejścia na podstawie najnowszych danych operacyjnych i analiz.

Integracja z działalnością

Zoptymalizuj model, dostosowując procesy konserwacyjne, systemy i zasoby, i wykorzystaj szczegółowe informacje w działaniu. Wprowadzaj ciągłe udoskonalenia na podstawie szczegółowych informacji uzyskanych za pomocą uczenia maszynowego i zaawansowanej analizy.

Ulepsz procesy i procedury, aby wykorzystać uzyskiwane informacje.

Po osiągnięciu celów projektu pilotażowego i uściśleniu modelu możesz przystąpić do szerszego wdrożenia.

Prawdopodobnie będzie to wiązać się z wprowadzeniem kilku zmian operacyjnych, takich jak uaktualniony lub dynamiczny harmonogram napraw albo zmiany zasad w celu ustalenia priorytetów natychmiastowych napraw, gdy pewne dane przekroczą określony zakres. Ponieważ zmiany operacyjne mogą być dalekosiężne, zalecamy pracę etapami, zapewniającą narastające korzyści.

Wdrożenie strategii konserwacji predykcyjnej może prowadzić do znacznego usprawnienia działalności w wielu aspektach. Możesz na przykład:

  • Optymalizować zakres i czas prac wykonywanych przez zespół ds. napraw — możesz dostosować harmonogram napraw oraz trasy w celu zmniejszenia liczby awarii i wyeliminowania niepotrzebnych podróży.
  • Zmienić metodę zakupu części zamiennych, tak aby nie przechowywać nadmiernych zapasów — konfigurując automatyczne zamawianie części w odpowiednim momencie.
  • Zaoferować konserwację predykcyjną jako usługę, aby otrzymywać opłatę roczną i tworzyć trwałe relacje z klientami.

To tylko kilka przykładów pokazujących, jak konserwacja predykcyjna wpływa na zwiększenie wydajności, zmniejszenie kosztów i rozwój Twojego biznesu.

Tworzenie własnego rozwiązania do konserwacji predykcyjnej

Rozpocznij