Predictive Maintenance Op Schaal Beheersen: Bewezen Strategieën Voor Succes

In onze vorige post keken we naar de opkomst van predictive maintenance (PdM), en waarom zo veel leveranciers – en hun klanten – het steeds mis laten. Hier verkennen we hoe we toegepast hebben wat we geleerd hebben over Predictive Maintenance door de jaren heen op alles wat we vandaag doen.

De combinatie van meer dan 30 jaar ervaring in de luchtvaartindustrie, en meer dan 150 persoon-jaren onderzoek en ontwikkelingstijd die exclusief is besteed aan PdM, heeft ons veel geleerd over het implementeren van predictive maintenance-technologieën in diverse sectoren. En, naarmate we verschillende sectoren en niveaus van klantrijpheid blijven tegenkomen, blijven we leren. Boven alles hebben we geleerd dat predictive maintenance goed doen niet makkelijk is.

Belangrijk is dat we geleerd hebben dat het niet alleen gaat om weten hoe men PdM goed doet, maar waarom het ertoe doet. We hebben geleerd, bijvoorbeeld, dat de ware waarde van PdM moeilijk uit te leggen kan zijn, zelfs als het een significant return on investment levert. Het implementeren van een PdM-strategie is een zet die niet licht genomen moet worden – het beïnvloedt een heel bedrijf, van de raad van bestuur tot de shopfloor. Een mate van vertrouwen in het succes zal nodig zijn voordat men zich op een transformatie van deze schaal begeeft.

Hier zijn dan een paar sleutelpunten die, in onze ervaring, we geloven dat organisaties in gedachten moeten houden wanneer ze uitgaan op een predictive maintenance-reis.

Predictive Maintenance is geen typisch Data Science use case

Hoemeer we met klanten spreken over hun eerdere mislukte implementatiepogingen, des te zekerder zijn we geworden dat PdM niet behandeld kan worden als een typisch Big Data-probleem. Dit komt grotendeels doordat de rijke context die vereist is voor Big Data-oplossingen om te werken, in PdM ernstig ontbreekt. Veel machinefoutmodi zijn van subtiele aard, wat het moeilijk maakt voor gevestigde machine learning-algoritmes om nauwkeurig enig onderscheidend patroon te voorspellen.

Het is niet onredelijk om nauwkeurigheidsniveaus van 90% en hoger te verwachten in een typische Data Science-oplossing. Vergelijkbare nauwkeurigheid van een PdM-oplossing te verwachten, suggereert echter een fundamenteel misbegrip van hoe het werkt. Ja, het gebruik van high-quality, gecureerde data in een laboratoriumomgeving zal resultaten als dit leveren voor specifieke machines en specifieke foutmodi. Maar dit vertegenwoordigt niet de realiteit. Elke machine en foutmodus is uniek, voor één ding, en verschillende sensortypen zullen data van verschillende nauwkeurigheidsniveaus leveren. En dat is niet te spreken over de dynamische aard van een fabrieksvloer, en het algemene gebrek aan cruciale contextuele informatie.

Harde vragen moeten gesteld worden aan iedereen die gegeneraliseerde vragen stelt of specifieke claims maakt met betrekking tot de nauwkeurigheid van een PdM-oplossing.

Ken je publiek

Een ander ding wat onze ervaring ons geleerd heeft, is dat drukke onderhoudsteams typisch heel weinig tijd aan het begin van hun shifts hebben om te identificeren welke van de vele machines waarvoor ze verantwoordelijk zijn, hun aandacht het meest nodig hebben. Ze willen zeker niet die tijd besteden aan het bestuderen van grafieken en het zeven door ruwe data om die informatie te ontdekken.

Eenvoudige, intuïtieve software-ontwerp is daarom essentieel, het bieden van onderhoudsprofessionals het inzicht dat ze vereisen in een makkelijk leesbaar dashboard, en het besparen van waardevolle tijd. Echter, hoewel veel leveranciers dergelijke dashboards aanbieden, kunnen ze vaak generieke aanbiedingen zijn, die geen rekening houden met de unieke workflows, voorkeuren en ervaring van een gebruiker. Integendeel, de kennis en ervaring van deze professionals is onschatbaar; het benutten ervan is cruciaal voor het succes van een PdM-oplossing.

Senseye's producten zijn ontworpen met al dit in gedachten. We streven naar eenvoud, naadloos analytics integrerend met een heldere gebruikersinterface. In plaats van meerdere grafieken en diagrammen, wordt informatie gepresenteerd in de vorm van een lijst, gesorteerd door de Attention Engine, een proprietair algoritme dat machinedata, onderhoudsdata en operatordata gebruikt om machines die aandacht nodig hebben te prioriteren.

Weten waar uw gebruikers op hun reis zijn

We hebben ook geleerd dat verschillende bedrijven – en vaak verschillende gebieden binnen hetzelfde bedrijf – op verschillende stadia zullen zijn van hun predictive maintenance-reis. Een bedrijf kan bijvoorbeeld alleen periodieke, route-gebaseerde toestandsmonitoring-checks uitvoeren. Een ander zal echter gecombineerde robuuste, geautomatiseerde toestandsmonitoring met een PdM-oplossing hebben voor nauwkeurige voorspellingen van de gezondheid en time-to-failure van hun machines.

Deze voorbeelden liggen aan uiteenlopende uiteinden van een schaal, natuurlijk, en de meeste bedrijven zullen ergens tussenin zitten, het rijpheidsniveau van zowel hun data als culturele gereedheid toe nemend als resultaat van groter begrip door hun managementteam en buy-in van hun IT-team. Het is belangrijk om te weten waar een bedrijf op die schaal zit, omdat elk een ander ondersteunings- en implementatiepakket nodig zal hebben afhankelijk van zijn rijpheidsniveau.

Jarenlange ervaring hebben ons veel geleerd over wat werkt en wat niet. In onze volgende post zullen we verkennen hoe al deze ervaring en begrip Senseye PdM hebben gemaakt tot het toonaangevende PdM-product op de markt. Tot dan kunt u meer detail vinden over de belangrijkste dingen die we geleerd hebben over PdM in ons white paper "Senseye in Depth: Why is Predictive Maintenance so hard?".