Predictive Maintenance: Groei, Uitdagingen En De Sleutel Tot Succes

Predictive maintenance (PdM) is een proactieve benadering om machine storingen aan te pakken voordat ze een probleem worden. Door enorme volumes machinedata te analyseren, stelt PdM onderhoudspersoneel in staat om de gezondheid van machines te begrijpen en hun activiteiten dienovereenkomstig te optimaliseren om ongeplande downtime te voorkomen en plotselinge storingen te elimineren. Maar, ondanks de duidelijke voordelen, zijn de meeste PdM-implementaties gedoemd te mislukken. In deze post kijken we naar de opkomst van PdM, en waarom zo veel leveranciers – en hun klanten – het steeds mis laten.

Predictive maintenance – toen en nu

Predictive maintenance is al veel langer aanwezig dan u misschien denkt. Tijdens de Tweede Wereldoorlog observeerde wetenschapper CH Waddington dat een vliegtuig's storing- of hersteltendens geneigd was om op zijn hoogst te zijn direct na een inspectie of onderhoudssessie. Gekend als het "Waddington-effect", leidde dit fenomeen tot de aanpassing van onderhoudsprocessen om overeen te stemmen met een vliegtuig's fysieke conditie en de frequentie van zijn gebruik, met aangepaste inspectiecycli gebaseerd op analyse van de resulterende data. Kortom, het was het begin van PdM.

Veel is veranderd sindsdien, natuurlijk. De Vierde Industriële Revolutie en het avontuur van Industry 4.0 hebben technologische doorbraken gezien die zich op zo'n snelheid voordoen dat ze "bijna elke industrie in elk land verstoren". Deze doorbraken hebben geleid tot significante verbeteringen in sensor-, netwerk-, data-acquisitie- en opslagtechnologieën, die, samen met de toegang tot een schat aan rekenkracht en data die beschikbaar is gemaakt door recente vooruitgang in AI-technologie, hebben PdM steeds meer toepasbaar gemaakt voor bredere industrie.

Vandaag, net als bijna 80 jaar geleden, blijft het sleutelvoordeel van PdM de capaciteit om beslissingen te informeren. Verantwoordelijk voor het toezicht op veel machines over een of meer sites, zijn onderhoudsprofessionals extreem drukke mensen. Door hen een beter begrip te geven van de lopende gezondheid van hun machines, kan een PdM-oplossing hen helpen betere gebruik te maken van de beperkte tijd en middelen die hun beschikbaar zijn.

Dus, gegeven zijn erfgoed en de duidelijke voordelen die het biedt, waarom is het zo moeilijk geweest voor zo velen om succes in PdM te behalen?

Drie veelvoorkomende fouten

De waarheid is dat veel leveranciers op de PdM-bandwagon zijn gesprongen ondanks dat ze weinig waardering hadden voor wat, essentieel, een heel uniek domein is. Sommige hebben geprobeerd om "super-charge" legacy monitoring-tools, terwijl anderen conventionele data science-benaderingen hebben toegepast op een probleemruimte die ver van conventioneel is. Zonder het nodige begrip van precies wat een PdM-systeem is, en hoe het precies werkt, zullen veel nieuwe oplossingen de markt niet eens halen. Als resultaat zullen weinig bedrijven enig echt succes op schaal behalen.

Uiteindelijk komt veel van dit gebrek aan begrip – en daaropvolgend PdM-succes – neer op drie fundamentele fouten die leveranciers en hun klanten vaak tijd en tijd weer maken.

1. Zoals we gezien hebben, is het concept van PdM niets nieuws. Technieken zoals toestandsmonitoring, onderhoudskredieten en prognostiek bestaan al enige tijd. Maar een onvermogen om deze technieken te schalen verder dan alleen kritische machines heeft betekend dat hun implementatie grotendeels beperkt is gebleven tot alleen kritische machines.
2. PdM is niet, zoals sommigen geloven, een Big Data-probleem waarin er miljoenen datapunten en labels zijn om modellen te trainen. Een fabriekomgeving is hoogdynamisch en ruisvol, met een reeks variabelen inclusief machine-onderhoud, verschillende productiesnelheden, en zelfs gedrag van verschillende machine-operators. En, natuurlijk, elke machine is uniek. Ondanks dit zullen veel organisaties nog steeds een klassieke data science-benadering naar PdM hanteren.
3. Het is belangrijk om te onthouden hoe druk onderhoudsprofessionals zijn. Als de gebruikerservaring van een PdM-systeem dit niet weerspiegelt, is er een risico dat het niet'engageert met zijn doelgebruikers. Al de waardevolle informatie en inzicht die het genereert, zullen genegeerd worden, en een organisatie's investering in het systeem zelf zal verspild zijn.

Senseye begrijpt PdM

Senseye heeft meer dan 150 persoon-jaren onderzoek en ontwikkelingstijd exclusief aan PdM besteed. Dat is waarom we begrijpen hoe PdM werkt. Belangrijk is dat we begrijpen hoe PdM de dagelijkse operatie van onderhoudsingenieurs verbetert. En het is om die begrip dat onze PdM-oplossingen succesvol zijn. Het is waarom we weten hoe het op schaal te implementeren, het is waarom we niet gewoon data scientists erop afsturen, en het is waarom de gebruikerservaring ertoe doet.

Onze volgende post zal verkennen hoe we de lessen die we geleerd hebben toegepast hebben op alles wat we doen. Tot dan kunt u meer detail vinden over waar PdM vandaan komt en waarom leveranciers – en sommige kopers – het niet goed doen in ons white paper "Senseye in Depth: Why is Predictive Maintenance so hard?".