Machine learning in voorspellend onderhoud

We bekijken hoe Machine Learning (ML) traditionele modellen voor voorspellend onderhoud helpt te doorbreken, waardoor de productiviteit en prestaties van apparatuur in asset-centrische organisaties naar een hoger niveau worden getild.

Machine Learning (ML) voorspellend onderhoud

Onvoorziene uitvaltijd van apparatuur vormt een steeds groter operationeel risico voor organisaties die op activa zijn gericht, en vereist diepere inzichten in de gezondheid van activa die IoT en traditioneel voorspellend onderhoud kunnen vergemakkelijken.

Tegen deze achtergrond hebben we traditionele Computerized Maintenance Management Systems (CMMS) plaats zien maken voor Enterprise Asset Management (EAM), Asset Performance Management (APM) en meer recentelijk, een geheel nieuwe generatie van voorspellende, onderhoudsgerichte tools. Het is redelijk om te zeggen dat de betrouwbaarheid en prestaties van activa goed op de agenda zijn gekomen.

De veranderingen gaan echter zo snel dat deze tools voor voorspellend onderhoud al niet voldoen aan de granulariteit en prestatie-eisen van de hedendaagse bedrijven. Verstoord door de convergentie van IoT en Cloud, die samen meer uitgebreide en realtime data-acquisitie leveren, kan Machine Learning Predictive Maintenance potentiële apparatuurstoringen identificeren lang voordat het anders een vlag zou kunnen opwerpen. Evenzo kan het de resterende gebruiksduur (RUL) van activa verlengen door middel van toegewijde monitoring en onderhoud, in plaats van vast te houden aan een rigide tijdschema op basis van typisch gebruik.

Verouderd voorspellend onderhoud versus voorspellend onderhoud door machine learning

Traditionele machine learning-modellen voor voorspellend onderhoud zijn gebaseerd op feature-engineering. Deze modellen worden handmatig gemaakt op basis van ervaring, expertise en standaard metrieken en methoden. Hoewel deze aanpak enorm effectief kan zijn, met name bij productieprocessen, zijn modellen specifiek voor een machine binnen een organisatie en worden ze daarom overbodig zodra die machine wordt vervangen. Door machine learning op grote schaal toe te passen, kunnen netwerken automatisch de juiste functies uit de gegevens halen, de meest voorkomende storingspatronen identificeren en de noodzaak elimineren om handmatig een model opnieuw te maken telkens wanneer een nieuw activum wordt geïntroduceerd.

Machine Learning Predictive Maintenance past algoritmen toe om te leren van historische data en gebruikt live data om faalpatronen te analyseren. Gegevens worden in de loop van de tijd verzameld via een netwerk van activa in een aantal organisaties, waardoor patronen die apparatuurstoringen voorspellen kunnen worden gedetecteerd en deep learning-algoritmen kunnen worden toegepast.

Door realtime gegevens te combineren met historische trends en variabelen zoals huidige omgevingsfactoren, kan machine learning beslissingen nemen over wanneer actie moet worden ondernomen en suggesties doen voor wat die actie zou moeten zijn. Het productieteam kan dan passende actie ondernemen zonder dat daarvoor echt inzicht in de benodigde algoritmen nodig is.

Machine Learning Predictive Maintenance stelt technici op de werkvloer in staat om de gegevens te krijgen die ze nodig hebben om een ​​storing te voorkomen, in plaats van handmatige verzameling van belangrijke indicatoren zoals temperatuur en druk, die niet alleen onnauwkeurigheden riskeren en tijd kosten om te uploaden, maar ook een veiligheidsrisico voor het personeel. Strategisch gezien stelt deze aanpak ingenieurs in staat hun vaardigheden volledig te concentreren op waar ze het belangrijkst zijn:het onderhoudsplan en de activa die hun aandacht nodig hebben.

Best practice toegelicht

Denk aan een transportbedrijf dat te horen krijgt dat een van zijn bussen defect is. Verouderd voorspellend onderhoud kan erop wijzen dat de motor aan een onderhoudsbeurt toe is, daarom is de aanbevolen actie om deze service te versnellen en het probleem te identificeren. Machine Learning Predictive Maintenance zou zijn schat aan inzichten kunnen gebruiken om vast te stellen dat het type motor dat in de bus wordt gebruikt onderhevig is aan een veelvoorkomende fout, waardoor snelle diagnose, inzet van de juiste vaardigheden en corrigerende maatregelen mogelijk zijn om het probleem op te lossen. Dit minimaliseert niet alleen de 'downtime' van het voertuig, het minimaliseert het gebruik van hulpbronnen en draagt ​​bij aan de reputatie van het bedrijf op het gebied van betrouwbaarheid.

Lange storing; continue innovatie

Machine learning kan worden gebruikt om snel aan nieuwe doelstellingen te voldoen, of het nu gaat om het verhogen van de doorvoer om aan de toegenomen vraag in een bepaald gebied te voldoen, of om de just-in-time-productie aan te passen in het geval van een dip of verandering in vraag of aanbod. Cruciaal is dat dit kan worden bereikt door een overstap in plaats van te investeren in een datawetenschapsteam, wat aanzienlijke investeringen en training vereist.

Gezien de onzekere tijden waaraan we de afgelopen jaren gewend zijn geraakt, is het geen wonder dat de aanpak, die ingebakken zit in het gebruik van algoritmen om patronen in gegevens te vinden om toekomstige gebeurtenissen te voorspellen, in een groot aantal sectoren is toegepast. Machine Learning Predictive Maintenance heeft een duidelijke reden om de legacy predictive maintenance sector te ontwrichten.

Niet alleen zal de wereldwijde markt voor machine learning groeien van $ 17,1 miljard in 2021 tot $ 90,1 miljard in 2026, het momentum achter deze verstoring is dat tegen 2026 60% van de IoT-compatibele voorspellende onderhoudsoplossingen zal worden geleverd als onderdeel van de onderneming producten voor vermogensbeheer.

Succes voorspellen

Toegankelijk voor alle organisaties, met minimale personele middelen die nodig zijn voor het opzetten of voor voortdurende monitoring, en de flexibiliteit om naar behoefte op te schalen, het enige dat op deze manier impact in de weg staat, is de ambitie van een organisatie om af te stappen van traditionele handmatige activiteiten.

Door machine learning naar een fabriek te brengen, wordt het potentieel van de activa en de belangrijkste conditie-indicatoren ontgrendeld. Machine learning heeft geen maximum aantal activa om te monitoren, het kan zo weinig of zo veel gegevens beheren die erin worden gestopt. En het wordt met het verstrijken van de tijd nauwkeuriger met zijn inzichten, omdat de aanvullende gegevens zijn modellerings- en analyse-ervaring verrijken. Door inzicht te bieden in plaats van het eenvoudig bewaken van drempels, kunnen de fabrieksingenieurs zich concentreren op waar hun tijd het meest nodig is en efficiënter werken met ongeplande vermindering van stilstand en verlenging van de levensduur van machines.

De voordelen van deze diepgaande, op kennis gebaseerde benadering van activabeheer strekken zich uit tot alle hoeken van een organisatie, aangezien de impact het personeel in staat stelt en uitdaagt om nieuwe kansen te identificeren en te omarmen.

Whitepaper:menselijke expertise vergroten met machinaal leren

Download onze gratis whitepaper om meer te weten te komen over het belang om systeemgebruikers op de hoogte te houden, waarom Asset Health als concept misleidend is en hoe Attention Index een effectievere manier biedt om activa te prioriteren met grote productiviteitswinsten.