Menselijke expertise versterken met Machine Learning: Vertrouwde oplossingen door Senseye

Door Adam Poole, Product Design Lead

Technologie is alleen waardevol als het ons leven makkelijker maakt, maar die eenvoudige waarheid kan verloren gaan in de promotie van de nieuwste technische toverspreuken.

In een werkomgeving is het laatste wat mensen nodig hebben oplossingen die ze achterlaten met de hoofdpijn van extra systemen te managen. In de huidige golf van innovatie en enthousiasme rondom slimme fabrieken en Industrie 4.0 is het belangrijker dan ooit om oplossingen te vinden die mensen helpen sterkere bedrijven te bouwen, in plaats van hun werkleven complexer te maken.

Vrijstromende data wordt snel de hoofdcurrency in deze slimme omgeving. Toch is data zinloos tenzij het mensen in staat stelt om betere zakelijke beslissingen te nemen. Met dat in gedachten is het cruciaal dat de nieuwe generatie industriële systemen een user experience leveren die het werkleven van mensen verbetert.

Expertise verder laten gaan

Doe het goed en deze systemen kunnen een grote rol spelen in het schalen van schaarse menselijke expertise. Ze geven mensen meer tijd om beslissingen te nemen terwijl het grootste deel van de routinematige data-analyse automatisch op de achtergrond wordt uitgevoerd.

Om de kracht van de slimme fabriek echt te benutten, moeten we mensen en machines op de juiste manier verbinden. Het gaat niet om kunstmatige intelligentie (AI) die jarenlange menselijke expertise vervangt, het gaat om mens en machine die het 'slimme systeem' worden: samenwerken en elkaars complementeren.

Prioriteiten stellen om resources te optimaliseren

Senseye PdM is een geweldig voorbeeld. Ons cloud-gebaseerd Predictief Onderhoud-systeem kan duizenden verbonden assets monitoren, automatisch afwijkend gedrag en patronen detecteren die overeenkomen met bekende falendemodi van individuele machines. Het doel is om onderhoudsissues veel vroeger te ontdekken, zodat gebruikers problemen kunnen oplossen voordat ze operaties storen.

Bezette onderhoudsteams hebben meestal slechts een paar minuten aan het begin van elke shift om te identificeren welke van hun duizenden assets hun aandacht het meest nodig hebben. Uniek presenteert Senseye PdM de informatie terug aan gebruikers in de vorm van een geprioriteerde lijst, gesorteerd op de Attention Index. Dit stelt gebruikers in staat om direct te zien waar ze hun resources moeten richten.

Beyond Asset Health

In lijn met de meeste condition monitoring systemen, hielp Senseye PdM gebruikers eerder prioriteiten te stellen door een Asset Health score voor elke asset aan te geven. Dit wordt nu vervangen door de Attention Index, die een enkele manier biedt om assets te sorteren. Deze nieuwe benadering is onderdeel van een volgende generatie analytics die uitgevoerd worden met een nieuwe reeks in-house algoritmen.

Attention Index houdt rekening met alle manieren waarop Senseye PdM issues kan detecteren of voorspellen: anomaliedetectie, trends, drempelwaarden en prognostiek. De software, op elk niveau, begeleidt de gebruiker naar het bepalen van het onderliggende probleem, het rectificeren ervan en het vastleggen hiervan in het systeem. Dit voedt machine learning algoritmes zodat falen vroeg genoeg gespott kunnen worden om actie te ondernemen.

Asset Health, als concept, geeft de indruk dat het systeem alles over een asset begrijpt. Dat is nooit het geval. Een condition monitoring systeem kan deze score alleen baseren op de sensoren en condition indicators die voor elke asset zijn ingesteld (bijv. trillingsniveau). Als dit leidt tot een score van 0, wat betekent dat echt? Het is misleidend voor gebruikers.

Inzicht op een oogopslag

Attention Index ondersteunt besluitvorming door een geprioriteerde lijst van assets te presenteren. De expertise van de gebruiker bepaalt de volgende stap. Door het ontwerp van de software simpel en straightforward te houden, wordt waardevolle tijd bespaard. Door de kracht van machine learning te benutten, worden geïnformeerde beslissingen genomen, en door het daadwerkelijk uitgevoerde werk vast te leggen, leren alle delen van het systeem door.

Door gebruikers te helpen identificeren waar ze hun onderhoudsresources moeten concentreren, levert Senseye PdM indrukwekkende resultaten op, met een typische 85% toename in onderhoudsnauwkeurigheid, vergezeld van 50% reductie in downtime en een 55% boost in productiviteit.

Wilt u meer informatie over Attention Index® binnen Senseye PdM? Download ons whitepaper "Augmenting Human Expertise with Machine Learning".