Senseye PdM: 150 Persoon-jaren R&D Leveren Toonaangevende Predictive Maintenance

In onze vorige post keken we naar hoe we toegepast hebben wat we geleerd hebben over predictive maintenance door de jaren heen op alles wat we vandaag doen. Hier verkennen we hoe al deze ervaring en begrip Senseye PdM hebben gemaakt tot het toonaangevende predictive maintenance-product op de markt.

Jarenlange ervaring

Zoals we eerder noemden, is Senseye PdM het resultaat van meer dan 150 persoon-jaren onderzoek en ontwikkelingstijd die exclusief is besteed aan predictive maintenance. Het bouwen ervan zou niet mogelijk zijn geweest zonder de vaardigheden van diverse industryspecialisten, mechanische ingenieurs en toestandsmonitoring-experts, naast een team van toonaangevende data scientists. En met een gezamenlijke 30 jaar werken in de luchtvaart- en defensie-industrieën – wereldleiders in de culturen van veiligheid, onderhoudspraktijken en predictive maintenance-technologieën – hebben de uitgebreide kennis en ervaring van onze oprichters van predictive maintenance onschatbaar waardevol gebleken.

Dit niveau van ervaring en erfgoed, gecombineerd met onze state-of-the-art machine learning-technologie, is wat Senseye PdM een werkelijk unieke oplossing maakt – een die nog effectiever wordt gemaakt door de diepe domeinondersteuning en consultancy die we kunnen bieden.

Ontworpen met de gebruiker in gedachten

Senseye PdM is uniek in het sens dat, anders dan andere predictive maintenance-producten, het ontworpen is voor de onderhoudsingenieurs die het gebruiken. We weten hoe druk deze mensen zijn. Daarom hoeft het geen continue handmatige reviews van de sensordata die het gebruikt. Noch vereist het de ontwikkeling van aangepaste modellen voor elk type machine dat het monitort. In plaats daarvan creëert het automatisch high-fidelity modellen voor elke machine, zonder behoefte aan menselijke interventie.

Dit betekent dat het mogelijk is om predictive maintenance toe te passen op elke machine binnen een gegeven fabriek, zelfs die van lagere criticaliteit. Door een combinatie van AI, machine learning, statistische modellering, prognostiek en data mining, kan het systeem automatisch machinedata analyseren, eventuele omgevingsruis die de resultaten zou kunnen vervormen, uitschakelen, om de gezondheid van een machine nauwkeurig vast te stellen en de degradatie te voorspellen.

De resultaten van deze analyse worden vervolgens ingespeist in Senseye's Attention Engine, een proprietair algoritme dat een Attention Index® genereert voor elke machine. Een voldoende hoge Attention Index zal de Attention Engine ertoe brengen een Case te genereren die de aandacht van een onderhoudsingenieur naar de machine in kwestie richt.

En, omdat we weten dat onderhoudsteams weinig tijd hebben om door enorme hoeveelheden data te graven om te vinden wat ze zoeken, presenteert Senseye PdM hen alles wat ze hoeven te weten in een helder en gemakkelijk begrijpelijk formaat, waardoor ze met snelheid en nauwkeurigheid kunnen reageren.

Senseye's filosofie

Onze ervaring heeft ons een bijna instinctief begrip gegeven van wat PdM precies is, en hoe het zou moeten functioneren. Kortom, we zien Senseye PdM als een beslisondersteuningssysteem dat onderhoudsprofessionals helpt om voor hun machines te zorgen. En deze visie vormt de basis van een filosofie die alles wat we doen onderbouwt.

Hier zijn dan de drie leidende principes achter het ontwerp van de applicatie en van de analytics waarop het succes ervan berust.

1 - Aandacht leiden

Het primaire doel van de applicatie, en de analytics die het ondersteunen, is de aandacht van de gebruikers te richten op de machines die het nodig hebben.

2 - Focus op betekenis

Analytics hebben goede data, high-quality algoritmes en rijk context nodig om iets betekenisvols te genereren. We weten echter dat context beperkt is in productieomgevingen, dus we focussen op het maken van onze analytics zo efficiënt mogelijk met de minimale beschikbare context.

3 - De gebruiker modelleren

We vullen de beperkte context die we hebben aan met additionele context van gebruikers. Door de analytics op de gebruiker te richten, kunnen we gebruikersbelang evenals machinegezondheid voorspellen, bijvoorbeeld. En omdat we toegang hebben tot de gebruiker, kunnen we hun feedback gebruiken om onze voorspellingen te optimaliseren.

Elk van deze drie principes komt uit een diep begrip van predictive maintenance, geboren uit jarenlange directe ervaring. En dat is wat Senseye's benadering van het PdM-probleem uniek maakt.

In onze volgende en laatste post zullen we overwegen wat de toekomst van Predictive Maintenance eruit zal zien. Tot dan kunt u contact met ons opnemen om meer te leren over wat er achter de schermen bij Senseye gebeurt, of ons white paper downloaden – Senseye in Depth: Why is Predictive Maintenance so hard? – voor meer detail.