Voorspellend onderhoud:de app Continuous Intelligence Killer

Analyse van realtime en historische gegevens over een asset kan problemen opsporen die kunnen leiden tot het falen van een onderdeel of apparaat. Vergeleken met op kalender gebaseerde vervanging van activa, is voorspellend onderhoud veel effectiever in het voorkomen van uitvaltijd, terwijl het de maximale levensduur van een onderdeel of apparaat haalt. Als zodanig is voorspellend onderhoud een geweldige app voor continue intelligentie (CI).

Zie ook: Realtime analyse in grote, "wrede" omgevingen

Dergelijke mogelijkheden kunnen helpen bij het identificeren van onderdelen of apparatuur die waarschijnlijk defect raken vóór hun geplande vervangings- en onderhoudstijd. Het echte voordeel van kunstmatige intelligentie wordt gebruikt om een ​​potentieel probleem te detecteren. Als deze intelligentie vervolgens wordt gebruikt door een deskundig systeem, kunnen waarschuwingen worden verzonden voordat er problemen optreden en kunnen corrigerende maatregelen op basis van afgeleide informatie worden geleverd aan degenen die belast zijn met het onderhoud van de apparatuur.

Waarom zijn dergelijke mogelijkheden zo cruciaal?

De kosten van downtime in sectoren als productie, luchtvaart, energie-exploratie, nutsbedrijven en telecom zijn enorm. Een gemiddeld offshore olie- en gasbedrijf ervaart ongeveer 27 dagen ongeplande uitvaltijd per jaar, wat kan oplopen tot $ 38 miljoen aan verliezen. In sommige gevallen kan dit aantal oplopen tot $ 88 miljoen.

In 2018 kostte ongepland onderhoud luchtvaartmaatschappijen meer dan $ 20 miljard of ongeveer 27% van alle onderhoudsuitgaven. Dit had een trapsgewijze effect op de netwerkoperaties, aangezien bijna 3,8% van alle vertragingen en annuleringen van vluchten werden veroorzaakt door Aircraft on Ground (AOG)-gebeurtenissen. Kwantificering van deze problemen en de voordelen van voorspellend onderhoud toont aan dat gegevens en analyses ongeplande onderhoudsrekeningen bijna kunnen halveren, waardoor luchtvaartmaatschappijen de bijbehorende kosten kunnen terugbrengen tot ongeveer 14% van de totale onderhoudsuitgaven.

De rol van CI bij voorspellend onderhoud

CI op basis van analyse van sensor- en Internet of Things (IoT)-gegevens kan helpen door toestandsveranderingen in apparaten op te sporen en voorspellingen te doen over de faalkans van een asset.

Waarom is CIneeded? Traditionele benaderingen van wachten tot er iets misgaat, zijn ongelooflijk slecht voor het bedrijfsleven. En het vervangen van onderdelen op basis van de op kalender gebaseerde onderhoudsschema's van de fabrikant kan ertoe leiden dat goede onderdelen worden vervangen voordat ze defect raken.

In plaats van achteraf te reageren, kunnen CI-inzichten in de hoofdoorzaak van de problemen die leiden tot downtime, defecten, inefficiënties of gemiste kansen vooraf mogelijk kosten besparen en de operationele efficiëntie verbeteren.

In toenemende mate gebruiken industrieën IoT-apparaten om die inzichten te verzamelen en gebruiken ze de apparaten om informatie te krijgen over elk aspect van hun activiteiten. Helaas is een probleem dat de meeste bedrijven tegenkomen, dat IoT-apparaten zeer grote hoeveelheden gegevens produceren. Een sectorrapport schat dat de hoeveelheid data die door IoT wordt geproduceerd tegen 2020 4,4 zettabyte zal bereiken, tegen slechts 0,1 zettabyte in 2013.

Het gebruik van dergelijke data, die continu wordt gegenereerd, vraagt ​​om nieuwe strategieën. De gegevens kunnen niet zomaar worden opgeslagen en later worden geanalyseerd. Real-time analyse is pas echt waardevol als de datastromen binnenkomen. Om inzicht te krijgen in dergelijke datastromen, vullen veel bedrijven de traditionele analyse aan met realtime, artificial intelligence (AI) en machine learning (ML) algoritmen. Met een dergelijke aanpak kunnen bedrijven besluitvormingsinformatie uit de gegevens halen in een tijdsbestek dat een bedrijf in staat stelt proactieve acties te ondernemen.

In het bijzonder wordt industrieel gebruik van AI en ML toegepast op IoT-gegevens gezien als een geweldige manier om onderhoudsprognoses en andere aspecten van operaties te verbeteren. De reden:AI en ML kunnen helpen om voorspellingen te doen over complexe systemen. Dit kan de uitvaltijd van de machine helpen verminderen door middel van voorspellend onderhoud.

Het enige obstakel dat de snelle invoering van CI voor preventief onderhoud in de weg staat, is de infrastructuur. Tegenwoordig hebben de meeste organisaties niet de infrastructuur om optimaal gebruik te maken van CI die wordt toegepast op het streamen van IoT-gegevens.

Wat zijn de problemen? Grote industriële organisaties kunnen miljarden datasets verzamelen van machines, sensoren en interne bedrijfsapplicaties. Naarmate organisaties overstappen op nieuwe IoT-initiatieven, is het belangrijk om nieuwe technologieën en processen te overwegen die deze enorme toestroom van gegevens kunnen bijhouden.