Predictive Maintenance Onder De Knie Krijgen: Een Bewezen PoC-uitvoeringsgids

In deze blog delen we enkele van de lessen die we geleerd hebben van zowel succesvolle als mislukte PoC's. We zouden graag willen kunnen zeggen dat al onze PoC's hun einddoelen van schalen hebben gehaald, maar dat zou waardevolle inzichten negeren die we nu kunnen delen om u te helpen dezelfde fout te vermijden.

Inleiding

AI en analytics zijn hot topics en bijna elke leverancier claimt een vermogen "om te doen" Predictive Maintenance (PdM) met hun predictive analytics-platform. Echter, de relatie met een Predictive Maintenance-softwareleverancier is doorgaans langdurig en vereist een grote hoeveelheid vertrouwen. Met een grote hoeveelheid ruis in de markt, heeft het dus zin om een oefening uit te voeren om potentiële leveranciers te selecteren. Net als bij het kiezen van uw huisarts, moet u zeker weten dat een leverancier kan doen wat ze zeggen dat ze kunnen.

Het maakt vaak zin voor een organisatie om een oefening uit te voeren om ervoor te zorgen dat ze niet alleen de juiste leverancier selecteren, maar dat de organisatie zelf voldoende voorbereid is om ervoor te zorgen dat een PdM-project alles heeft wat het nodig heeft om te slagen, en dat het in staat is te veranderen en aan te passen om voordeel te halen uit de geboden voordelen. De PdM proof of concept (PoC) kan hierin helpen – als het op de juiste manier gedaan wordt.

In onze ervaring hebben veel bedrijven meerdere PdM PoC's geprobeerd en gefaald voordat ze uiteindelijk de resultaten haalden die ze verwachtten. Sommige van onze klanten hebben drie andere oplossingen geprobeerd voordat ze bereikten wat ze verwachtten. De lessen geleerd van de mislukkingen waren dat de leverancier vaak niet volledig schuldig was – het probleem lag eigenlijk binnenin. Alleen hun bewustzijn van succes in andere industrieprojecten gaf hen het vertrouwen om interne veranderingen door te voeren en vol te houden om succes te behalen.

Predictive analytics ≠ Predictive maintenance

Het is belangrijk dat we een sleutel en veelvoorkomend misverstand aanpakken: predictive analytics-tools kunnen gebruikt worden als onderdeel van een PdM-programma, maar predictive analytics en PdM liggen ver uiteen.

Data scientists kunnen op machinedata werken en anomalieën en trends identificeren – en enkele overtuigende screenshots produceren. Maar het is een heel ander ding om een diep begrip te hebben van wat die dingen betekenen voor de gezondheid van machines, en om een diepgaande discussie te kunnen voeren over welke onderhoudsstrategie aan te nemen met deze nieuwe informatie. Zuivere data scientists hebben meestal de ervaring en kennis nodig om te fungeren als onderhoudsingenieurs. Als resultaat presteren de aangepaste algoritmes die ze bedenken vaak slecht in real-world industriële condities.

Een leverancier herkennen die meer gewend is aan predictive analytics dan predictive maintenance

Speciale machines kunnen speciale en unieke foutmodi hebben, maar de foutmodi en de soorten informatie die nodig zijn om ze te detecteren in de meest voorkomende machines, zoals motoren, tandwielkasten en robots, zijn vanuit een toestandsmonitoring-perspectief heel goed begrepen. Fouten "zijn wat ze zijn", dus als een leverancier basisvragen stelt over machinefoutmodi en u vraagt om alles te definiëren, is het duidelijk dat ze geen achtergrond hebben in toestandsmonitoring of machine-onderhoud en niet weten wat ze doen. Kans op succes is zeer klein.

U vragen om alles op een vroeg stadium te labelen – en onmachtig zijn om te begrijpen wat er in uw onderhoudslogboeken staat en correlaties te maken – kan betekenen dat u te maken heeft met een leverancier die een bespoke modellering-aanpak zal hanteren. Dit kan heel goede resultaten geven voor tot tientallen machines, maar zal worstelen met schaalbaarheid en kosten voor iets groters.

Onderhoud is de ultieme praktische 'hands-on' discipline, terwijl data analytics geworteld is in toepassing van theorie en geavanceerde wiskunde. De PoC moet het punt zijn waarop die twee werelden samenkomen om meetbare zakelijke voordelen te leveren door PdM.

De juiste PdM-leverancier vinden is lastig – ze moeten uw onderhoudspraktijken, uw machines en wat voor zakelijke resultaten u zoekt begrijpen en ze moeten net zo toegewijd zijn als u om die te bereiken. Ze moeten dit doen door toepassing van de juiste theorieën en wiskunde – en dat op een manier die economisch en organisationeel schaalbaar is.

Voor meer over best practices en veelvoorkomende valkuilen om te vermijden, download ons volledige white paper "How to Run a Predictive Maintenance Proof of Concept" hieronder.