Menselijke expertise vergroten met machine learning | Senseye

Door Adam Poole, Product Design Lead

Technologie is alleen waardevol als het ons leven gemakkelijker maakt, maar die simpele waarheid kan verloren gaan bij de promotie van de nieuwste technische tovenarij.

In een werkomgeving is het laatste wat mensen nodig hebben, oplossingen die hen de hoofdpijn bezorgen van extra systemen om te beheren. In de huidige golf van innovatie en enthousiasme rond slimme fabrieken en Industrie 4.0, is het belangrijker dan ooit om oplossingen te vinden die mensen helpen sterkere bedrijven op te bouwen, in plaats van hun werkende leven complexer te maken.

Vrij stromende gegevens zijn hard op weg de belangrijkste valuta te worden in deze slimme omgeving. Toch zijn gegevens zinloos, tenzij ze mensen in staat stellen betere zakelijke beslissingen te nemen. Met dat in gedachten is het van cruciaal belang dat de nieuwe generatie industriële systemen een gebruikerservaring biedt die het werkende leven van mensen verbetert.

Help expertise verder te gaan

Als je het goed doet, kunnen deze systemen een grote rol spelen bij het opschalen van schaarse menselijke expertise. Ze kunnen mensen meer tijd geven om beslissingen te nemen, terwijl veel van de routinematige gegevensanalyse automatisch achter de schermen wordt uitgevoerd.

Om de kracht van de slimme fabriek echt te benutten, moeten we mens en machine op de juiste manier met elkaar verbinden. Het gaat er niet om dat kunstmatige intelligentie (AI) jarenlange menselijke expertise verdringt, het gaat erom dat mens en machine het 'slimme systeem' worden:samenwerken en elkaar aanvullen.

Prioriteiten instellen om bronnen te optimaliseren

Senseye PdM is een goed voorbeeld. Ons cloudgebaseerde Predictive Maintenance-systeem kan duizenden verbonden activa bewaken en automatisch abnormaal gedrag en patronen detecteren die overeenkomen met de bekende storingsmodi van individuele machines. Het doel is om onderhoudsproblemen veel eerder op te sporen, zodat gebruikers problemen kunnen oplossen voordat ze de werkzaamheden kunnen verstoren.

Drukke onderhoudsteams hebben doorgaans maar een paar minuten aan het begin van elke dienst om te bepalen welke van hun duizenden activa hun aandacht het meest nodig hebben. Uniek is dat Senseye PdM de informatie teruggeeft aan gebruikers in de vorm van een prioriteitenlijst, gesorteerd op de aandachtsindex. Hierdoor kunnen gebruikers direct zien waar ze hun middelen naartoe moeten sturen.

Voorbij de gezondheid van activa

Net als bij de meeste conditiebewakingssystemen hielp Senseye PdM eerder gebruikers om prioriteiten te stellen door voor elk activum een ​​Asset Health-score aan te geven. Deze wordt nu vervangen door de Aandachtsindex, die een enkele manier biedt om activa te sorteren. Deze nieuwe aanpak maakt deel uit van een volgende generatie analyses die wordt ingezet met behulp van een nieuwe reeks interne algoritmen.

Attention Index houdt rekening met alle manieren waarop Senseye PdM problemen kan detecteren of voorspellen:anomaliedetectie, trends, drempels en prognoses. De software begeleidt de gebruiker op elk niveau om het onderliggende probleem te achterhalen, te verhelpen en vast te leggen in het systeem. Dit voedt machine learning-algoritmen, zodat fouten vroeg genoeg kunnen worden opgemerkt om actie te ondernemen.

Asset Health, als concept, wekt de indruk dat het systeem alles over een asset begrijpt. Dit is nooit het geval. Een conditiebewakingssysteem kan deze score alleen baseren op de sensoren en conditie-indicatoren die voor elk activum zijn ingesteld (d.w.z. trillingsniveau). Als dit leidt tot een score van 0, wat betekent dat dan eigenlijk? Het is misleidend voor gebruikers.

In één oogopslag inzicht

Attention Index ondersteunt de besluitvorming door een geprioriteerde lijst van activa te presenteren. Het is de expertise van de gebruiker die de volgende stap bepaalt. Door het ontwerp van de software eenvoudig en duidelijk te houden, wordt kostbare tijd bespaard. Door gebruik te maken van de kracht van machine learning, worden weloverwogen beslissingen genomen en door het werkelijk verrichte werk vast te leggen, blijven alle onderdelen van het systeem leren.

Door gebruikers te helpen bepalen waar ze hun onderhoudsresources op moeten richten, levert Senseye PdM indrukwekkende resultaten, met een typische 85% hogere onderhoudsnauwkeurigheid gepaard met een reductie van 50% in downtime en een verhoging van 55% in productiviteit.

Wilt u meer informatie over Attention Index® binnen Senseye PdM? Download onze whitepaper "Menselijke expertise vergroten met machine learning".