Succesvol voorspellend onderhoud gaat niet over algoritmen of activa, het gaat over gebruikers

Ervaren onderhoudsmonteurs hebben een gedetailleerd mentaal beeld van de machines waar ze voor zorgen. Ze weten wanneer een ratelende klep betekent dat er een storing dreigt of wanneer het veilig is om deze te negeren tot de volgende geplande sluiting. Als een geautomatiseerd voorspellend onderhoudssysteem gebruik kan maken van deze pool van kennis, kan het leren om de best mogelijke ondersteuning te bieden aan gebruikers die moeten beslissen welke onderhoudsactiviteiten prioriteit moeten krijgen.

Bij een gebruikersgerichte benadering van voorspellend onderhoud worden onderhoudsteams alleen gewaarschuwd wanneer het systeem denkt dat ze die informatie nuttig zullen vinden, op basis van wat ze in het verleden nuttig hebben gevonden.

Het is een beetje zoals wanneer aanbieders van digitale inhoud, zoals Netflix of Amazon, routinematig informatie opslaan over wat elke gebruiker kiest om te bekijken. Ze kunnen dat gebruiken om een ​​'aanbevelingsmotor' aan te drijven die de films die het aan elke gebruiker laat zien voortdurend verfijnt als reactie op hun feedback.

Dit is de aanpak die we bij Senseye volgen om het gedrag van gebruikers te modelleren en te begrijpen, naast wat er gebeurt met de activa die ze controleren, om hun aandacht te richten waar dat het meest nodig is.

Figuur 1:Omgevingen die rijk zijn aan contextuele en hoogwaardige conditiebewakingsgegevens zorgen ervoor dat de activa perfect kunnen worden bewaakt - zoals een Digital Twin-aanpak. De meeste fabrieksomgevingen zijn low-context en dus modellen van gebruikersinteresse kan de effectiviteit van voorspellende onderhoudssoftware verbeteren

De kracht (en beperkingen) van voorspelling

Elk initiatief voor voorspellend onderhoud - van het gebruik van een ijzeren staaf die wordt vastgehouden tot een ratelende machine om te begrijpen of de versnellingsbak een servicebeurt nodig heeft voor het volgende geplande onderhoudsinterval tot een geavanceerd geautomatiseerd softwarebewakingssysteem - is bedoeld om operators te helpen identificeren wanneer er problemen ontstaan. Het belangrijkste doel is om problemen vroeg genoeg te signaleren om een ​​storing te voorkomen die anders tot kostbare ongeplande uitvaltijd zou leiden. Er zijn vaak ook andere voordelen die verband houden met verbeterde productiviteit en onderhoudsplanning.

Het concept van de 'digitale tweeling' is op dit moment bijzonder populair - maar de vaak verwarde marketing van deze wiskundige modelleringsaanpak maakt weinig melding van de gebruikers die met deze 'tweeling' moeten communiceren en wat dat voor hen betekent. Een 'digitale tweeling' van elke asset vereist ook dat de gebruiker comfortabel kan werken in een complexe digitale omgeving. Maar er is een andere benadering die zich veel meer richt op de behoeften van gebruikers.

Veel storingen laten duidelijke signalen of 'vingerafdrukken' achter in machinegegevens en toonaangevende software voor voorspellend onderhoud die momenteel op de markt is, kan ze leren herkennen door een breed scala aan inputs te accepteren - van speciale conditiebewakingsgegevens tot meer algemene fabrieksgegevens. Deze systemen kunnen begrijpen welke patronen of karakteristieke signalen aangeven dat er mogelijk een probleem is. In sommige gevallen en met voldoende gegevens kunnen ze zelfs de resterende gebruiksduur (RUL) van elk activum berekenen - een techniek die prognostiek wordt genoemd.

De meeste van deze voorspellende onderhoudssystemen werken met beperkte gegevens van de fabriek of de fabrieksvloer, waardoor een alarm wordt geactiveerd wanneer een vooraf ingestelde drempel wordt overschreden. Ze kunnen gebruikers bijvoorbeeld waarschuwen wanneer iets opwarmt of trilt, maar het is onwaarschijnlijk dat ze over voldoende informatie beschikken om een ​​gedetailleerde diagnose te stellen.

Met andere woorden, het systeem kan ‘adviseren’ door alarm te slaan, maar alleen de gebruiker heeft de ervaring en vakkennis om te beslissen wanneer te handelen. Cruciaal is dat het veel lastiger wordt om de situatie te beheren in omgevingen waar veel machines tegelijk worden gecontroleerd, omdat gebruikers gemakkelijk overweldigd kunnen raken. De uitdaging bij predictief onderhoud is niet 'kun je problemen in de data ontdekken' maar 'kun je zien wat van belang is voor de gebruikers?'

Wie geeft er om de gebruiker?

We vinden het belangrijk dat wanneer we een alert maken, de gebruiker met een druk op de knop kan aangeven of die alert nuttig is of niet. Dit leert het systeem na verloop van tijd om de aandacht van de machinist te richten op de meest dringende onderhoudsprioriteiten. Dit gebeurt automatisch, zodat operators geen expertise in data-analyse nodig hebben.

Met andere woorden, Senseye's gebruikersgerichte benadering van data-analyse leidt de aandacht door de reactie van de gebruiker te modelleren. Deze feedbacklus tussen de oplossing van Senseye en de gebruiker betekent dat het aantal waarschuwingen geleidelijk afneemt totdat het een stabiel niveau bereikt waarop bijna alles waar de gebruiker naar moet kijken nuttig is.

Bewezen resultaten van geavanceerde analyses – voor machines en onderhoudsbedrijven

Bij data-analyse gaat het om het zoeken naar patronen in de massa binnenkomende plantgegevens. De gepatenteerde algoritmen, of patroon-engines, achter Senseye PdM zijn bijvoorbeeld ontworpen om het karakteristieke gedrag te herkennen dat voorafgaat aan mogelijke storingen en om een ​​waarschuwing te activeren met behulp van onze gepatenteerde Attention Index. Verschillende soorten patronen kunnen een Attentie-indexwaarschuwing activeren:afwijkingen zijn perioden van onstabiele gegevens, trends zijn geleidelijke verschuivingen in de basislijn en schendingen overschrijden drempels of regels die door de gebruiker kunnen worden gespecificeerd.

Maar al deze ingenieuze data-analyse betekent niets tenzij het echte zakelijke voordelen voor gebruikers oplevert. Gelukkig heeft Senseye PdM een sterke staat van dienst in het nakomen van zijn productiviteitsbeloften in een groot aantal sectoren. Bestaande klanten genieten doorgaans van 50% minder uitvaltijd, 55% hogere productiviteit en 85% hogere onderhoudsnauwkeurigheid.

Bovendien wordt Senseye PdM ook ondersteund door Senseye's ROI Lock®-garantie:als de implementatie van Senseye PdM er niet in slaagt om ongeplande downtime te verminderen, zoals vooraf overeengekomen, kunnen klanten restitutie van hun volledige abonnementsgeld claimen.

Als je meer wilt weten over hoe we de onderhoudsgebruikers modelleren en de assets die ze bekijken, hebben we een gedetailleerd witboek samengesteld over hoe Senseye PdM kan u helpen uw onderhoudsinspanningen te richten op waar ze het meest goed voor zijn. Download de gedetailleerde whitepaper hieronder voor meer informatie of neem contact op om een ​​demo te zien en aan de slag te gaan!