Een Proof of Concept voor voorspellend onderhoud uitvoeren?

In deze blog delen we enkele van de lessen die we hebben geleerd van zowel succesvolle als niet-succesvolle PoC's. We zouden graag kunnen zeggen dat al onze PoC's hun einddoelen van schaalbaarheid hebben bereikt, maar dit zou het negeren van waardevolle inzichten zijn die we nu kunnen delen om u te helpen voorkomen dat u dezelfde fout maakt.

Inleiding

AI en analyse zijn hot topics en bijna elke leverancier claimt de mogelijkheid om Predictive Maintenance (PdM) te kunnen 'doen' met hun platform voor voorspellende analyse. De relatie met een softwareleverancier voor Predictive Maintenance is echter doorgaans lang en vereist veel vertrouwen. Met een grote hoeveelheid ruis in de markt, is het daarom logisch om een ​​oefening uit te voeren om potentiële leveranciers te down-selecteren. Net als bij het kiezen van uw arts, moet u er zeker van zijn dat een leverancier kan doen waartoe hij zegt in staat te zijn.

Het is vaak logisch dat een organisatie een oefening uitvoert om ervoor te zorgen dat ze niet alleen de juiste leverancier selecteren, maar dat de organisatie zelf voldoende voorbereid is om ervoor te zorgen een PdM-project heeft alles wat het nodig heeft om te slagen, en dat het in staat is om te veranderen en aan te passen om te profiteren van de aangeboden voordelen. De PdM proof of concept (PoC) kan hierbij helpen – mits op de juiste manier gedaan.

In onze ervaring hebben veel bedrijven meerdere PdM PoC's geprobeerd en mislukt voordat ze uiteindelijk de verwachte resultaten bereikten. Sommige van onze klanten hebben drie andere oplossingen geprobeerd voordat ze bereikten wat ze verwachtten. De lessen die uit de mislukkingen werden getrokken, waren dat de leverancier vaak niet helemaal de schuld had - het probleem lag eigenlijk binnenin. Alleen hun besef van succes in andere industriële projecten gaf hen het vertrouwen om intern veranderingen aan te brengen en door te zetten om succes te behalen.

Voorspellende analyses ≠ Voorspellend onderhoud

Het is belangrijk dat we een belangrijk en veelvoorkomend misverstand aanpakken:tools voor voorspellende analyse kunnen worden gebruikt als onderdeel van een PdM-programma, maar voorspellende analyse en PdM zijn verre van hetzelfde.

Gegevenswetenschappers kunnen aan machinegegevens werken en afwijkingen en trends identificeren - en overtuigende screenshots maken. Maar het is heel iets anders om een ​​diep begrip te hebben van wat die dingen betekenen voor de gezondheid van machines, en om een ​​diepgaande discussie te kunnen voeren over welke onderhoudsstrategie met deze nieuwe informatie moet worden gevolgd. Pure datawetenschappers hebben meestal niet de ervaring en kennis die nodig is om als onderhoudstechnicus op te treden. Als gevolg hiervan presteren de aangepaste algoritmen die ze bedenken vaak slecht in echte industriële omstandigheden.

Een leverancier zien die meer gewend is aan voorspellende analyse dan aan voorspellend onderhoud

Speciale machines kunnen speciale en unieke faalwijzen hebben, maar de faalwijzen en de soorten informatie die nodig zijn om ze te detecteren in de meest voorkomende machines, zoals motoren, versnellingsbakken en robots, zijn zeer goed begrepen vanuit het perspectief van conditiebewaking. Falen is vaak "is wat het is", dus als een leverancier basisvragen stelt over machinestoringsmodi en u vraagt ​​om alles te definiëren, is het duidelijk dat ze geen achtergrond hebben in conditiebewaking of machine-onderhoud en niet weten wat ze ben aan het doen. De kans op succes is erg klein.

U vragen om alles in een vroeg stadium te labelen - en niet in staat zijn te begrijpen wat er in uw onderhoudslogboeken wordt weergegeven en correlaties te maken - kan betekenen dat u te maken heeft met een leverancier die een op maat gemaakte modelleringsaanpak gaat hanteren. Dit kan zeer goede resultaten opleveren voor tientallen machines, maar zal moeite hebben met schaalbaarheid en kosten voor iets meer.

Onderhoud is de ultieme praktische 'hands-on' discipline, terwijl data-analyse is geworteld in de toepassing van theorie en geavanceerde wiskunde. De PoC zou het punt moeten zijn waarop die twee werelden samenkomen om meetbare zakelijke voordelen te leveren via PdM.

Het vinden van de juiste PdM-leverancier is moeilijk – ze moeten uw onderhoudspraktijken, uw machines en de bedrijfsresultaten die u wilt bereiken begrijpen, en ze moeten net zo toegewijd zijn als u om die te bereiken. Ze moeten dit doen door toepassing van de juiste theorieën en wiskunde - en dit op een manier die economisch en organisatorisch schaalbaar is.

Voor meer informatie over praktische tips en veelvoorkomende valkuilen die u moet vermijden, downloadt u hieronder ons volledige witboek "Hoe u een Proof of Concept voor voorspellend onderhoud uitvoert".