Realisera potentialen hos förutsägande underhåll med IoT

Identifiera målresultatet

Fastställ målaffärsprocesser för att förbättra och nå de resultat du vill nå i slutänden.

Det du förutsäger måste vara något du kan vidta åtgärder för. Annars saknar förutsägelsen värde. Till exempel är det inte användbart att förutse att en värme- och kylenhet kommer att sluta fungera nästa dag om du inte kan göra något för att förhindra det.

Börja med att ta reda på det resultat du vill uppnå – detta styr den förutsägande fråga du behöver besvara och hjälper dig att mäta hur väl arbetet lyckas.

Vanliga frågor kring förutsägande rör följande:

  • Tidsaspekten: Hur lång tid har utrustningen kvar innan den slutar fungera?
  • Sannolikhet: Vad är sannolikheten för haveri om (x) antal dagar eller veckor?
  • Orsak: Vad är den troliga orsaken till ett visst haveri?
  • Rangordning av risknivå: För vilken utrustning är risken för haveri störst?
  • Underhållsrekommendation: Vilken underhållsaktivitet är mest trolig att lösa problemet förutsatt att det finns en viss felkod och andra tillstånd?

Lagerdatakällor

Identifiera alla potentiella källor och typer av relevanta data. Det resultat du vill uppnå påverkar vilka data som är viktiga och vilka som kan undvaras.

Inkludera data från flera olika källor – viktig information kan ibland komma från oväntade källor.

Börja med att förstå vilka data som är tillgängliga från olika datakällor. De kan vara strukturerade eller ostrukturerade data och kan komma från interna system eller externa parter.

Följande är exempel på relevanta data:

  • Driftsvillkor – plats, temperatur, utrustningsoperator osv.
  • Information om fel – tidpunkt, väder, orsak osv.
  • Reparationshistorik

Även med partiella data kan du dra nytta av mellanliggande lösningar såsom avvikelseidentifiering, vilket omfattar realtidsövervakning för att identifiera ovanliga trender och mönster. Därmed kan du fortfarande upptäcka avvikelser medan du samlar in specifika data som krävs för att skapa en robust förutsägande modell för problemet.

Registrera och kombinera data

Koppla alla dina data till en enskild plats och förbered dem för analys.

Skapa grunden för en robust förutsägande modell genom att hämta data som omfattar både förväntat beteende och felloggar.

Nu är du redo att skapa grunden för förutsägande analys. Detta inbegriper:

  • Koppling av data från olika källor till ett enda konsekvent system.
    Eftersom data kan lagras på många olika platser är det ett viktigt steg att koppla dem till ett enda konsekvent system. I vissa fall kan data behöva flyttas, men ofta handlar det om att koppla en datakälla till ett analyssystem. Eftersom du troligtvis hanterar stora datavolymer är det viktigt att använda ett analysverktyg som klarar av stordata.
  • Normalisera data.
    Normalisering av data kan ta tid men det är mycket viktigt, särskilt om du till viss del är beroende av anekdotisk information från dina reparationsteam. Genom att normalisera data förbättrar du dessutom analysens noggrannhet och giltighet.

Modellera, testa och iterera

Identifiera oväntade mönster genom att utveckla förutsägande modeller med hjälp av maskininlärningstekniker. Stackrangordna modeller så att du kan avgöra vilken modell som är bäst på att prognostisera tidpunkten för enhetsfel.

Gör modellen åtgärdsbar genom att förstå hur långt varsel underhållsteamet behöver för att kunna svara på en förutsägelse.

Börja med att analysera data för att identifiera meningsfulla mönster. Detta inbegriper utveckling av en uppsättning modeller med hjälp av en delmängd av data. När du analyserar och modellerar data kan det vara till hjälp om du har en hypotes som du testar. Det ger vägledning om vilka signaler som bör hörsammas, och du får en baslinje som du kan utvärdera analysresultatet mot.

Stackrangordna sedan modellerna med hjälp av återstående data för att avgöra vilken modell som bäst besvarar din förutsägelsefråga. Kom ihåg att en modell måste vara åtgärdsbar för att komma till nytta. Därför bör analysarbete kopplas starkt till affärskontexten. Om ditt reparationsteam till exempel behöver 48 timmars förvarning för att genomföra en underhållsbegäran är en åtgärdsbar modell en sådan som förutsäger haveri mer än 48 timmar innan de sker.

Förutsägande modellering hjälper dig att identifiera villkor som tyder på framtida problem med utrustning. Med den här informationen kan du justera processer och system så att de utlöser preventiva åtgärder när de villkoren uppstår. Med andra ord kan du omvandla insikter från modellen till verksamhetsändringar, och det är där du kan få betydande affärsvärde.

Validera modellen i en verklig driftsmiljö

Tillämpa modellen i produktion, strömma data och observera hur det fungerar under verkliga förhållanden. Använd maskininlärning till att förbättra modellen och göra den redo för fullständig implementering.

Var redo att justera din metod baserat på de data du samlar under det praktiska pilotprojektet.

Övervaka ansluten utrustning

För att ett IoT-aktiverat pilotprojekt för förutsägande underhåll ska kunna genomföras måste din utrustning vara ansluten och skicka de senaste driftsdata till rätt system. Detta live-dataflöde är vad din modell analyserar för att identifiera tecken på problem och utlösa aviseringar eller preventiva åtgärder såsom att beställa en utbytesdel eller schemalägga besök av tekniker.

Pilotplanering

Börja med att fastställa pilotprojektets omfång, däribland utrustning, system och platser som ingår, scenarier som ska testas, villkor då en avisering eller åtgärd ska utlösas (till exempel automatisk beställning av en utbytesdel), framgångsmått och tidpunkter.

Tillämpa modellen och förfina resultatet

Under pilotprojektet samlar du löpande in nya data som hjälper till att justera godtagbara intervall. De kan även framhäva nya tecken på haveri. Tveka in att justera din metod baserat på vad du utläser från de senaste driftsdata och analyserna.

Integrera i verksamheten

Operationalisera modellen genom att justera underhållsprocesser, system och resurser till att agera enligt nya insikter. Gör löpande förbättringar genom att få insikter från maskininlärning och avancerad analys.

Förbättra processer och procedurer så att de gagnas av det du lär dig.

När du har nått pilotmålen och förfinat modellen är du redo för vidare implementering.

Detta innefattar troligtvis införandet av flera verksamhetsändringar, till exempel ett omgjort eller dynamiskt reparationsschema, eller ändring av principer för att prioritera omedelbara reparationer när vissa data överskrider ett definierat intervall. Eftersom verksamhetsändringen kan vara långtgående rekommenderas en fasindelad metod som ger inkrementella fördelar.

Införandet av en metod för förutsägande underhåll kan medföra stora verksamhetsförbättringar. Du kan till exempel:

  • Optimera vad reparationsteamet gör och när – justera reparationsscheman och rutter för att minska haverier och eliminera överflödiga utryckningar.
  • Ändra inköpsstrategin för reservdelar så att du slipper lagerföra extra komponenter – beställningar av delar kan utlösas precis när de behövs.
  • Erbjud förutsägande underhåll som en tjänst för att fånga ränteintäkter och underhålla pågående relationer med dina kunder.

Det här är bara några exempel på de sätt som förutsägande underhåll gör att du kan öka effektiviteten, minska kostnaderna och utveckla verksamheten.

Skapa din lösning för förutsägande underhåll

Kom igång