Senseye PdM - product van 150 manjaren R&D

In ons laatste bericht hebben we gekeken naar hoe we wat we in de loop der jaren hebben geleerd over voorspellend onderhoud hebben toegepast op alles wat we vandaag de dag doen. Hier zullen we onderzoeken hoe al deze ervaring en begrip Senseye PdM tot het toonaangevende product voor voorspellend onderhoud op de markt hebben gemaakt.

Jaren ervaring

Zoals we eerder vermeldden, is Senseye PdM het resultaat van meer dan 150 mensjaren aan onderzoeks- en ontwikkelingstijd die uitsluitend is besteed aan voorspellend onderhoud. Het bouwen ervan zou niet mogelijk zijn geweest zonder de vaardigheden van verschillende branchespecialisten, werktuigbouwkundigen en experts op het gebied van conditiebewaking, naast een team van toonaangevende datawetenschappers. En met een gecombineerde 30 jaar ervaring in de lucht- en ruimtevaart- en defensie-industrie - wereldleiders op het gebied van veiligheid, onderhoudspraktijken en voorspellende onderhoudstechnologieën - is de uitgebreide kennis en ervaring van onze oprichters op het gebied van voorspellend onderhoud ook van onschatbare waarde gebleken.

Dit niveau van ervaring en erfgoed, gecombineerd met onze ultramoderne machine learning-technologie, maakt Senseye PdM tot een werkelijk unieke oplossing - een die nog effectiever is gemaakt door de diepgaande domeinondersteuning en consultancy die we kunnen bieden.

Ontworpen met gebruikers in gedachten

Senseye PdM is uniek omdat het, in tegenstelling tot andere voorspellende onderhoudsproducten, is ontworpen voor de onderhoudstechnici die het gebruiken. We weten hoe druk deze mensen zijn. Daarom heeft het geen continue handmatige beoordelingen nodig van de sensorgegevens die het gebruikt. Het vereist evenmin de ontwikkeling van aangepaste modellen voor elk type machine dat het bewaakt. In plaats daarvan maakt het automatisch high-fidelity-modellen voor elke machine, zonder dat menselijke tussenkomst nodig is.

Dit betekent dat het mogelijk is om voorspellend onderhoud toe te passen op elke machine binnen een bepaalde fabriek, zelfs die met een lagere kriticiteit. Door gebruik te maken van een combinatie van AI, machine learning, statistische modellering, prognostiek en datamining, kan het systeem automatisch machinegegevens analyseren, waarbij omgevingsgeluiden die de resultaten zouden kunnen verstoren worden geëlimineerd, om nauwkeurig de gezondheid van een machine vast te stellen en de degradatie ervan te voorspellen.

De resultaten van deze analyse worden vervolgens ingevoerd in Senseye's Attention Engine, een eigen algoritme dat voor elke machine een Attention Index® genereert. Een voldoende hoge Attentie-index zorgt ervoor dat de Attentie Engine een Case genereert die de aandacht van een onderhoudsmonteur op de betreffende machine vestigt.

En omdat we weten dat onderhoudsteams weinig tijd hebben om door enorme hoeveelheden gegevens te bladeren om te vinden wat ze zoeken, presenteert Senseye PdM hen alles wat ze moeten weten in een duidelijk en gemakkelijk te begrijpen formaat, waardoor ze kunnen reageren met snelheid en nauwkeurigheid.

Senseye's filosofie

Onze ervaring heeft ons een bijna instinctief begrip gegeven van wat PdM is en hoe het zou moeten functioneren. Kortom, we zien Senseye PdM als een beslissingsondersteunend systeem dat onderhoudsprofessionals helpt om voor hun machines te zorgen. En deze visie vormt de basis van een filosofie die ten grondslag ligt aan alles wat we doen.

Dit zijn dus de drie leidende principes achter het ontwerp van de applicatie en van de analyses waarvan het succes afhangt.

1 - Leid de aandacht

Het primaire doel van de applicatie en de analyses die het ondersteunen, is om de aandacht van de gebruikers te richten op de machines die het nodig hebben.

2 - Focus op betekenis

Analytics heeft goede gegevens, hoogwaardige algoritmen en overvloedige context nodig om iets zinvols te genereren. We weten echter dat de context in productieomgevingen beperkt is, dus we richten ons erop om onze analyses zo efficiënt mogelijk te laten werken met de minimaal beschikbare context.

3 - Modelleer de gebruiker

We vullen de beperkte context die we hebben aan met extra context van gebruikers. Door de analyses op de gebruiker te richten, kunnen we bijvoorbeeld de interesse van de gebruiker en de gezondheid van de machine voorspellen. En omdat we toegang hebben tot de gebruiker, kunnen we hun feedback gebruiken om onze voorspellingen te optimaliseren.

Elk van deze drie principes komt voort uit een diep begrip van voorspellend onderhoud, geboren uit jarenlange directe ervaring. En dat is wat Senseye's benadering van het PdM-probleem uniek maakt.

In onze volgende en laatste post zullen we nadenken over hoe de toekomst van Predictive Maintenance eruit zal zien. Tot die tijd kunt u contact met ons opnemen om meer te weten te komen over wat er achter de schermen bij Senseye gebeurt, of onze whitepaper te downloaden - Senseye in Depth:Waarom is voorspellend onderhoud zo moeilijk? - voor meer details.