Betrouwbaarheid verhogen en onderhoudsresultaten verbeteren met machine learning

Er is een grote behoefte om faalpreventie uit te voeren met behulp van gegevensgestuurde waarheden in plaats van gissingen. De combinatie van mechanische en procesgeïnduceerde storingen kost tot 10% van een wereldwijde productiemarkt van $ 1,4 biljoen, volgens een rapport uit 2012 van The McKinsey Global Institute .

Hoewel bedrijven miljoenen hebben uitgegeven om dit probleem aan te pakken en uiteindelijk ongeplande uitvaltijd te voorkomen, hebben ze tot nu toe alleen slijtage en op leeftijd gebaseerde storingen kunnen verhelpen. De huidige technieken kunnen problemen niet vroeg genoeg detecteren en hebben geen inzicht in de redenen achter de schijnbaar willekeurige storingen die meer dan 80% van de ongeplande uitvaltijd veroorzaken. Dit is waar het gebruik van machine learning-software om een ​​"breder netwerk" rond machines te werpen, door processen veroorzaakte fouten kan opvangen.

Om ongeplande uitvaltijd te voorkomen, moeten bedrijven vroegtijdige indicatoren van dreigende storingen identificeren en er effectief op reageren. Traditionele onderhoudspraktijken voorspellen geen fouten die worden veroorzaakt door procesexcursies, zegt Mike Brooks, senior business consultant, AspenTech en voormalig Mtell president en chief operating officer.

Dat zou een unieke technologische benadering vereisen die machines en processen combineert; met name voor activa-intensieve industrieën zoals productie en transport. Met de juiste technologie kunnen organisaties de patronen van dreigende degradatie voelen, met voldoende waarschuwing om fouten te voorkomen en resultaten te veranderen.

Stilstand voorspellen met machine learning-software

Geavanceerde machine learning-software heeft al ongelooflijke successen geboekt bij de vroege identificatie van apparatuurstoringen. Dergelijke software is vrijwel autonoom en leert gedragspatronen uit de stromen digitale data die worden geproduceerd door sensoren op en rond machines en processen.

Deze geavanceerde technologie, die automatisch en met minimale middelen vereist, leert voortdurend bij en past zich aan nieuwe signaalpatronen aan wanneer de bedrijfsomstandigheden veranderen. Handtekeningen van storingen die op één machine zijn geleerd, "inoculeren" die machine, zodat dezelfde toestand zich niet meer zal voordoen. Bovendien worden de geleerde handtekeningen overgebracht naar vergelijkbare machines om te voorkomen dat ze worden beïnvloed door dezelfde vernederende omstandigheden.

Zo verloor een Noord-Amerikaans energiebedrijf tot een miljoen dollar aan reparaties en liep het inkomsten mis door herhaalde storingen van elektrische dompelpompen. De geavanceerde machine learning-applicatie leerde het gedrag van 18 pompen. De software detecteerde een vroeg lek in de behuizing van een pomp die een milieu-incident veroorzaakte. Het toepassen van de storingssignatuur op de rest van de pompen zorgde voor een vroege waarschuwing, waardoor vroegtijdige actie mogelijk werd om een ​​herhaald incident te voorkomen, waardoor een groot probleem werd voorkomen.

In een ander geval gebruikte een toonaangevend vrachtvervoerbedrijf dat actief is in 23 staten in de VS machine learning om de eeuwige motorstoringen van locomotieven aan te pakken, wat miljoenen aan reparaties, boetes en gederfde inkomsten kostte. De machine learning-applicatie werkt in-line, in realtime en werd ingezet op een zeer grote vloot locomotieven die smeeroliegegevens onderzochten op extreem vroege indicatoren van motorstoring.

De applicatie detecteerde zelfs een degradatiesignatuur terwijl de motor een lagedruktest doorstond. Door de locomotief om te leiden voor onmiddellijke service "bespaarde het bedrijf miljoenen dollars aan dure uitvaltijd en boetes."

Het is nu tijd om machine learning-software te implementeren

Bedrijven kunnen niet langer alleen vertrouwen op traditionele onderhoudspraktijken, maar moeten ook operationeel gedrag incorporeren bij het inzetten van datagestuurde oplossingen. De noodzaak van vandaag betekent extra waarde halen uit bestaande activa en een geavanceerd machine learning-programma implementeren om snelle verbeteringen te leveren.

Met de juiste softwareoplossingen detecteren voorspellende technologieën de omstandigheden die de effectiviteit van activa beperken, terwijl ze prescriptieve richtlijnen bieden die ervoor zorgen dat bedrijven winstgevend blijven en de marges verbeteren.

De auteur van deze blog is Mike Brooks, senior business consultant, AspenTech en voormalig president en chief operating officer van Mtell