使用 IoT 發揮預測性維護的潛力

識別出目標結果

決定要改善的商務程序,以及最終希望獲得的成果。

您所進行的預測,必須是您可以採取的行動,否則預測沒有任何價值。以預測冷氣和暖氣隔天將會故障為例,如果沒有任何辦法避免故障發生,預測就沒有幫助。

首先要決定您希望達到的成果,這會決定您需要回答的預測性問題並協助您衡量成功。

常見的預測性問題包括:

  • 時機:在設備故障之前還有多少時間?
  • 可能性:在 (x) 天或週內故障的可能性為何?
  • 原因:特定故障的可能原因為何?
  • 風險等級排名:哪個設備的故障風險最高?
  • 維護建議:對於特定的錯誤碼和其他條件,哪種維護活動最有可能解決問題?

清查資料來源

識別所有潛在來源與相關資料類型。您尋求的結果,會決定哪些是特別重要的資料和哪些是選擇性資料。

納入來自各種來源的資料:您可能會對關鍵資訊的潛在來源感到訝異。

首先,了解不同資料來源中可用的資料。可以是結構化或非結構化資料,可能來自內部系統或外部對象。

相關資料的範例包括:

  • 作業條件:位置、溫度、設備操作員等等
  • 故障詳細資料:時機、天氣、原因等等
  • 修復歷程記錄

即使只有一部分資料,您也可以利用異常偵測等中繼解決方案,其中包括即時監視,用於偵測異常趨勢和模式。如此一來,在您收集所需資料來建置強固的預測性模型以解決問題時,您仍可以偵測異常。

擷取並合併資料

將所有資料連線至單一位置,並準備進行分析。

藉由提取包含預期行為和故障記錄的資料,為強固的預測模型奠定基礎。

現在您已準備好為預測分析奠定基礎。這包含:

  • 將不同來源的資料連線至單一且持續的系統中。
    由於資料可能存在於許多不同的位置,因此將其連線至單一且一致的系統,是關鍵步驟。在某些情況下可能需要移動資料,但在許多情況下則需要將資料來源連線至分析系統。由於您可能需要處理大量資料,因此使用可處理巨量資料的分析工具十分重要。
  • 將資料正常化。
    將資料正常化可能很耗時,卻也十分重要,特別是當您在部分程度上依賴於維修團隊的軼事資訊。將資料正常化也有助於提升分析的準確度和有效性。

建立模型、測試及逐一查看

透過使用機器學習技術來開發預測性模型,進而識別非預期的模式。排定模型的堆疊順位,以判斷哪種模型最適合預測單位故障的時間。

透過了解維護團隊需要多早的提前通知來回應預測,以便可對您的模型採取動作。

首先分析資料,以識別出有意義的模式。 這包含使用部分資料開發一組模型。隨著您分析並為資料建立模型,擁有一個用於測試的假設,會十分有用。這會引導您思考需要注意的訊號,並為您提供評估分析結果的基準。

接下來是排定模型的堆疊順位,使用剩餘資料來判斷哪個模型最適合回答您的預測性問題。請記得模型必須是可採取動作的才會有用處,因此分析工作應穩固地建立於商務環境中。例如,如果您的維修團隊需要提前 48 小時收到通知來完成維護要求,則可採取動作的模型即為可在故障發生前超過 48 小時預測故障。

預測性模型可協助您識別會指出未來設備問題的狀況。使用這些資訊,您可以調整程序和系統,以便在發生這些狀況時採取預防行動。換句話說,您可以將模型中的見解轉換為操作變更,您可從此處看到重要的商務價值。

在即時操作設定中驗證模型

將您的模型套用於即時串流資料,並觀察其在真實世界條件中的運作方式。使用機器學習來改善您的模型,並為完整實作做好準備。

願意根據您在真實世界試驗中收集的資料來改善方法。

監視連線設備

若要執行 IoT 提供的預測性維護試驗,您的設備需要連線,並將最新操作資料傳送至適當的系統。該即時資料流程,是您的模型用於分析以偵測問題跡象,並觸發警示或預防措施所產生的,例如訂購替換組件或排程技術人員。

試驗規劃

首先要建立試驗範圍,包括涉及的設備、系統和位置、要測試的案例、觸發警示或行動的條件 (例如自動訂購替換組件)、成功的測量方式以及時機。

套用您的模型並將結果最佳化

您將在整個試驗中持續收集新資料,這些資料可協助您改善可接受的範圍,並且可以重點標示新的故障訊號。不要害怕採用根據最新操作資料與分析所獲得的資訊來調整方法。

整合至作業中

透過調整維護程序、系統和資源來操作模型,以根據新的見解來採取行動。透過機器學習與進階分析來獲得見解以持續改進。

加強您的流程與程序,以便充分利用您學習到的知識。

一旦您達成試驗目標並完善了模型,您就已可開始進行更廣泛的實作。

這可能包含推出一定數量的操作變更,例如已修改的和 (或) 動態修復排程,或在某些資料超出指定範圍時變更原則,為即時修復建立優先順序。由於操作變更可能影響影響深遠,因此建議採用分階段方法,以獲得增量優勢。

在推出預測性維護方法時,可以採取的作業改善非常廣泛。例如,您可以:

  • 將維修人員正在進行的工作與時間最佳化:調整維修排程和路線,以降低零碎時間並移除額外的行程。
  • 改變您的備用組件採購方法,以便您不需要保留多餘的庫存:零件訂單可以及時下訂。
  • 提供預測性維護作為服務以獲得年金收益,並維持與客戶的良好關係。

這些只是預測性維護可如何為您提升效率、降低成本與發展業務的幾個範例。

建立您的預測性維護解決方案

開始使用