Раскройте потенциал прогнозного обслуживания благодаря Интернету вещей

Определение желаемых результатов

Определите, какие бизнес-процессы вы пытаетесь улучшить и каких результатов вы хотите достичь в итоге.

Прогноз должен определять то, с чем можно что-то сделать. В противном случае он будет бесполезен. Например, прогноз о том, что на следующий день произойдет отказ нагревательно-охладительного агрегата, бесполезен, если это невозможно предотвратить.

Для начала определите, каких результатов вы пытаетесь достичь. Это поможет вам выяснить, на какие вопросы необходимо ответить при прогнозировании, а также оценить успешность реализации.

Например, вас могут интересовать указанные ниже аспекты.

  • Время. Сколько времени остается до отказа оборудования?
  • Вероятность. Какова вероятность отказа в течение (x) дней или недель?
  • Причина. Какова вероятная причина того или иного сбоя?
  • Приоритеты уровней риска. Риск отказа какого оборудования наибольший?
  • Рекомендации по обслуживанию. Какие действия с наибольшей вероятностью помогут устранить проблему при возникновении определенного кода ошибки и других условий?

Источники данных инвентаризации

Определите все потенциальные источники и типы релевантных данных. От желаемых результатов зависит то, какие данные необходимы, а какие необязательны.

Собирайте данные из различных источников. Вы не поверите, откуда может поступать важная информация.

Для начала определите, какие данные доступны из различных источников. Такие данные могут быть структурированными и неструктурированными, поступать из внутренних систем или от сторонних поставщиков.

Примеры применимых данных:

  • условия работы (расположение, температура, оператор оборудования и т. д.);
  • сведения о сбоях (время, погода, причина и т. д.);
  • журнал ремонта.

Даже располагая не всеми данными, вы можете пользоваться промежуточными решениями, такими как обнаружение аномалий, включающее мониторинг в реальном времени для выявления необычных тенденций и закономерностей. Таким образом, вы по-прежнему можете обнаруживать аномалии при сборе определенных данных, необходимых для создания надежной прогнозной модели проблемы.

Сбор и совмещение данных

Объедините все свои данные в едином расположении и подготовьте их к анализу.

Подготовьтесь к созданию надежной прогнозной модели, обеспечив получение данных об ожидаемом поведении и журналов сбоев.

Теперь вы готовы заложить основы прогнозной аналитики. Для этого необходимо выполнить указанные ниже действия.

  • Объединение данных из разных источников в единую, согласованную систему.
    Так как данные могут храниться в самых различных местах, крайне важно объединить их в единую, согласованную систему. В некоторых случаях может потребоваться переместить данные, но в большинстве ситуаций достаточно подключить источник данных к аналитической системе. Так как вам наверняка придется иметь дело с большими объемами данных, важно использовать аналитический инструмент, который поддерживает работу с большими данными.
  • Нормализация данных.
    Нормализация данных может занять некоторое время, но она также критически важна, особенно если вы отчасти полагаетесь на эпизодические сведения от ремонтных команд. Нормализация данных также помогает повысить точность и достоверность анализа.

Моделирование, тестирование и интеграция

Определите непредвиденные закономерности, разрабатывая прогнозные модели с помощью технологий машинного обучения. Ранжируйте модели, чтобы определить, какая из них позволяет точнее всего прогнозировать время сбоев установок.

Сделайте модель действенной, определив, насколько оперативное уведомление необходимо обслуживающему персоналу для реагирования на прогноз.

Сначала проанализируйте данные, чтобы определить значимые закономерности. Для этого необходимо разработать ряд моделей, используя подмножество данных. В ходе анализа и моделирования данных может быть полезно сформулировать определенную гипотезу и проверять ее. Это поможет вам понять, на каких сигналах следует сосредоточиться, а также определить базовые показатели для оценки результатов анализа.

Затем ранжируйте модели, используя остальные данные, чтобы выбрать модель, которая даст наиболее полный ответ на ваш вопрос для прогнозирования. Помните, что модель должна быть действенной, поэтому аналитика должна быть тесно связана с контекстом бизнеса. Например, если для выполнения запроса на обслуживание вашей ремонтной команде требуется уведомление за 48 часов до поломки, то практичной будет модель, прогнозирующая сбои более чем за 48 часов до того, как они происходят.

Прогнозное моделирование помогает выявлять условия, указывающие на будущие проблемы с оборудованием. Благодаря этим сведениям вы можете адаптировать процессы и системы, чтобы при возникновении таких условий активировались корректирующие действия. Другими словами, вы можете руководствоваться аналитическими сведениями, полученными благодаря модели, для внесения операционных изменений, что приносит значительные преимущества для бизнеса.

Проверка модели в реальных рабочих условиях

Примените свою модель к рабочим потоковым данным и наблюдайте за ее работой в реальных условиях. Используйте машинное обучение, чтобы усовершенствовать свою модель и подготовить ее к полной реализации.

Будьте готовы корректировать свой подход с учетом данных, собранных в ходе выполнения пилотного проекта в реальных условиях.

Мониторинг подключенного оборудования

Для выполнения пилотного проекта прогнозного обслуживания с поддержкой Интернета вещей ваше оборудование должно быть подключено к сети и отправлять актуальные операционные данные соответствующим системам. Модель анализирует этот поток рабочих данных, выявляя признаки проблем и активируя оповещения или превентивные действия (например, заказ запасных частей или вызов технического специалиста).

Планирование пилотного проекта

Для начала определите область пилотного проекта, включая оборудование, соответствующие системы и расположения, тестируемые сценарии, условия активации оповещения или действия (например, автоматического заказа запасной части), показатели успеха и сроки.

Применение модели и уточнение результатов

В ходе пилотного проекта вы будете непрерывно собирать новые данные, которые помогут вам уточнять допустимые диапазоны, а также выявлять новые признаки неисправностей. Не бойтесь корректировать свой подход с учетом новейших операционных и аналитических данных.

Интеграция с операциями

Введите модель в эксплуатацию, корректируя системы, ресурсы и процессы обслуживания в соответствии с новыми аналитическими сведениями. Регулярно вносите улучшения, собирая полезные сведения благодаря машинному обучению и расширенной аналитике.

Совершенствуйте процессы и процедуры, чтобы извлекать пользу из полученных сведений.

Достигнув целей пилотного проекта и оптимизировав модель, вы будете готовы к масштабной реализации.

Для этого наверняка потребуется внести ряд операционных изменений. Например, пересмотреть график ремонта и/или сделать его динамическим либо изменить политики, чтобы отдавать приоритет срочному ремонту, когда определенные данные выходят за пределы заданного диапазона. Операционные изменения могут оказывать широкое влияние, поэтому рекомендуется поэтапный подход, позволяющий реализовать добавочные преимущества.

При развертывании системы прогнозного обслуживания можно улучшить множество операционных показателей. Например, вы можете:

  • оптимизировать обязанности и график работы ремонтного персонала (корректировать планы и расписания ремонта во избежание поломок и лишних выездов);
  • изменить подход к приобретению запасных частей, чтобы не пришлось хранить избыточные запасы, то есть заказывать детали точно в срок;
  • предоставлять прогнозное обслуживание как услугу, чтобы получать регулярный доход и поддерживать долговременные отношения с клиентами.

Это лишь несколько примеров того, как прогнозное обслуживание помогает повысить эффективность, сократить расходы и развивать бизнес.

Создайте свое решение для прогнозного обслуживания

Начало работы