Haal echte zakelijke waarde uit datawetenschap

Het voorkomen van storingen door het voorspellen van de toestand en onderhoudsvereisten van industriële activa is een enorme uitdaging. De wereld van datawetenschap zit vol met modellen die moeite hebben om resultaten te leveren in real-world omgevingen. Dus, wat is de beste aanpak?

Theorie en praktijk

In theorie zijn theorie en praktijk hetzelfde. In de praktijk zijn ze dat niet. Nergens is dit meer waar dan bij het vertalen van modellen van industriële activa naar bruikbare inzichten die verbeteringen op de werkvloer opleveren. Academische papers over datawetenschap kunnen analyses bevatten die aantonen hoe bepaalde algoritmen andere met een procentpunt of twee kunnen verbeteren, maar in een fabrieksomgeving kan het een uitdaging zijn om ruis door signalen te doorbreken om patronen te ontdekken.

Toch is dit slechts het eerste grote obstakel dat toekomstige doe-het-zelf-modelontwikkelaars moeten overwinnen als ze hopen dat hun inspanningen Predictive Maintenance of andere zakelijke resultaten mogelijk zullen maken. Degenen die er wel in slagen een robuust model te ontwikkelen dat onder reële omstandigheden kan werken, lopen meteen tegen het volgende grote probleem aan:bruikbare modellen moeten worden ingezet, niet alleen ontwikkeld.

Implementatie betekent natuurlijk dat modellen op grote schaal worden uitgevoerd. Maar het betekent ook een interface bieden die resultaten op een vriendelijke manier presenteert en gebruikers tevreden stelt door verschillende groepen in staat te stellen prioriteit te geven aan waarschuwingen, feedback te verzamelen, enzovoort. Als je 20.000 robots in een grote fabriek hebt werken, is zelfs het implementeren van een gebruikersinterface om interactieve grafieken voor al deze robots weer te geven verre van triviaal. In feite vinden doe-het-zelf-modelbouwers meestal dat ze eigenlijk hun eigen apps proberen te ontwikkelen. Dit kan zeer arbeidsintensief en kostbaar zijn.

Vraag het de experts

Om deze redenen is het bijna altijd beter om samen te werken met een gespecialiseerde provider, compleet met zijn eigen datawetenschapsexpertise en de implementatieondersteuning die nodig is om ervoor te zorgen dat gebruikers op de werkvloer gemakkelijk toegang hebben tot de informatie die ze nodig hebben. Bedrijven denken misschien dat hun eigen, op maat gemaakte modellen beter kunnen presteren dan generieke algoritmen die door leveranciers worden gegenereerd. Elk verschil is echter vaak marginaal en kan ruimschoots worden gecompenseerd door de negatieve aspecten van het alleen doen.

De modellen die worden gebruikt in Senseye's Predictive Maintenance-oplossing, Senseye PdM, zijn bijvoorbeeld vaak vergelijkbaar met aangepaste modellen en kunnen nog beter presteren. De unieke machine learning-algoritmen zetten gegevens om in een nauwkeurige voorspelling van de resterende bruikbare levensduur (RUL) van productiemiddelen - een techniek die prognostiek wordt genoemd.

Een van de redenen waarom Senseye PdM routinematig de verwachtingen overtreft, is dat de algoritmen elke machine als uniek beschouwen, zelfs als ze van hetzelfde merk en model zijn. Machines die hetzelfde beginnen, zullen zich in de loop van de tijd anders gedragen en slijten doordat ze onderhevig zijn aan verschillen in hun directe omgeving of door het werk dat ze uitvoeren. Door elk activum als een individu te behandelen met een unieke 'gedragsvingerafdruk', wordt de nauwkeurigheid van de prognoses van Senseye PdM aanzienlijk verbeterd en worden teams die verantwoordelijk zijn voor de productiemiddelen beter ondersteund om de uptime te maximaliseren.

Naast het leveren van de bewezen prestaties van beproefde en geteste algoritmen, neemt de samenwerking met Senseye alle bijbehorende problemen weg rond robuuste prestaties, schaalbaarheid, implementatie, bruikbaarheid en beveiliging.

Als een potentiële gebruiker al een maatwerkmodel heeft ontwikkeld en dit graag wil gebruiken, kan Senseye dit via een API in het systeem integreren. Zelfs als het aangepaste model zelf niet is geïntegreerd in Senseye PdM, kan de oplossing de resultaten van aangepaste modellen nog steeds als nuttige invoer accepteren.

Het blijft echter veel gebruikelijker voor Senseye om zijn eigen geavanceerde generieke algoritmen in te zetten. De datawetenschappers van Senseye richten zich op het omgaan met de echte wereld zoals die is, niet zoals we zouden willen dat deze is, dus de modellen zijn extreem robuust, zelfs in de meest lawaaierige data-omgevingen.

Wanneer gebruikers prognostiek en voorspellend onderhoud willen implementeren, is deze robuuste aanpak vooral belangrijk bij het vastleggen van gegevens van storingen. In wat een relatief chaotisch moment kan zijn, is het van vitaal belang om zinvolle informatie van onder de ruis te halen, zodat het systeem een ​​naderende storing kan identificeren en een waarschuwing kan geven voordat het activum opnieuw faalt.

Samenwerken

Hoewel het inbrengen van externe expertise de meest hulpbronnenefficiënte manier is om modellen voor conditiebewaking en voorspellend onderhoud in te zetten, spelen gebruikers een belangrijke rol om het meeste uit generieke datamodellen te halen.

Om te beginnen is er altijd een leercurve bij het implementeren van een generiek model. Senseye PdM heeft bijvoorbeeld in eerste instantie 14 dagen nodig om resultaten te leveren, waardoor een 'vingerafdruk' wordt opgebouwd van het unieke gedrag van elk activum onder normale bedrijfsomstandigheden.

De interne expertise en ervaring van onze klantenteams, waaronder specialisten op het gebied van conditiebewaking en werktuigbouwkundigen, in combinatie met onze technologie-experts kunnen bijdragen aan dit proces, waardoor Senseye het systeem vooraf kan configureren om prioriteit te geven aan enkele van de gegevens en gebeurtenissen waarin gebruikers het meest geïnteresseerd zijn Dit versnelt het initiële leerproces voor de algoritmen. Op langere termijn stelt een systeem van regelmatige feedback de algoritmen in staat om een ​​beeld op te bouwen van welke gebeurtenissen en trends er toe doen voor gebruikers en welke niet relevant zijn. Dit is handig bij het implementeren van generieke modellen die zich geleidelijk aanpassen om het gedrag van elke machine in de loop van de tijd steeds nauwkeuriger te voorspellen.

Reële resultaten

Als u het goed doet, zijn de zakelijke voordelen buitengewoon indrukwekkend. Senseye PdM vermindert de ongeplande stilstand van machines met 50%, verhoogt de productiviteit van het onderhoudspersoneel met 55% en verhoogt de nauwkeurigheid van het voorspellen van stilstand met 85%.

Meestal zijn deze voordelen moeilijk te evenaren met aangepaste algoritmen, daarom wordt een opvallende aanpak ten zeerste aanbevolen om real-world resultaten te bereiken.

Lees meer door onze whitepaper "Gebruik de kracht van voorspelling" te lezen of probeer onze ROI-calculator om te zien hoe u hiervan kunt profiteren.