Echte zakelijke waarde ontgrendelen met data science voor industriële activaonderhoud

Het voorkomen van storingen door de toestand en onderhoudsbehoeftes van industriële activa te voorspellen, is een enorme uitdaging. De wereld van data science zit vol modellen die worstelen om resultaten in real-world omgevingen te leveren. Wat is de beste aanpak?

Theorie en praktijk

In theorie zijn theorie en praktijk hetzelfde. In de praktijk zijn ze dat niet. Nirgends is dit waarer dan bij het vertalen van modellen van industriële activa naar actiebare inzichten die verbeteringen op de werkvloer opleveren. Academische papers over data science kunnen analyses bevatten die laten zien hoe bepaalde algoritmen anderen verbeteren met een percentagepunt of twee, maar in een fabrieksomgeving kan het door ruis heen snijden om patronen te ontdekken al een uitdaging zijn.

Dit is nog maar het eerste grote obstakel dat DIY-modelontwikkelaars moeten overwinnen als ze hopen dat hun inspanningen Predictief Onderhoud of andere zakelijke resultaten mogelijk maken. Degene die wel een robuust model ontwikkelt dat onder real-world condities werkt, loopt direct in het volgende grote probleem: nuttige modellen moeten gedeployed worden, niet alleen ontwikkeld.

Deployment betekent natuurlijk modellen op schaal draaien. Maar het betekent ook een interface bieden die resultaten op een gebruiksvriendelijke manier presenteert en gebruikers tevreden stelt door verschillende groepen in staat te stellen alerts te prioriteren, feedback te verzamelen, enz. Als u 20.000 robots in een grote fabriek heeft, is zelfs het deployen van een gebruikersinterface om interactieve grafieken voor al die robots weer te geven verre van triviaal. Feitelijk ontdekken DIY-modelleers vaak dat ze eigenlijk proberen hun eigen apps te ontwikkelen. Dit kan extreem resource-intensief en kostbaar zijn.

Raadpleeg de experts

Om deze redenen is het bijna altijd beter om samen te werken met een gespecialiseerde aanbieder, compleet met eigen data science-expertise en de deployment-ondersteuning die nodig is om ervoor te zorgen dat werkvloergebruikers gemakkelijk toegang hebben tot de informatie die ze nodig hebben. Bedrijven kunnen denken dat hun eigen, maatmodellen beter presteren dan generieke algoritmen van leveranciers. Echter, elk verschil is vaak marginaal en kan ver overwogen wegen door de negatieve aspecten van solo-werk.

Bijvoorbeeld, de modellen die gebruikt worden in Senseye's Predictieve Onderhoudsoplossing, Senseye PdM, zijn vaak op een par met maatmodellen en kunnen zelfs beter presteren. De unieke machine learning-algoritmen van Senseye zetten data om in een nauwkeurige voorspelling van de Resterende Bruikbare Levensduur (RUL) van productieactiva – een techniek bekend als prognostiek.

Een reden waarom Senseye PdM verwachtingen overtreft is dat de algoritmen elke machine als uniek behandelen – zelfs als ze hetzelfde merk en model zijn. Machines die identiek beginnen, zullen zich over tijd anders gedragen en verslijten onder verschillende omgevingsfactoren of door het werk dat ze verrichten. Het behandelen van elk activum als een individu met een unieke 'gedragsvingerafdruk' verhoogt de nauwkeurigheid van Senseye PdM's prognostiek aanzienlijk en ondersteunt teams die verantwoordelijk zijn voor productieactiva beter om uptime te maximaliseren.

Naast het leveren van de bewezen prestaties van geteste algoritmen, neemt een partnership met Senseye alle bijbehorende hoofdpijn rond robuuste prestaties, schaalbaarheid, deployment, bruikbaarheid en beveiliging weg.

Als een potentiële gebruiker al een maatmodel heeft ontwikkeld en dit wil gebruiken, kan Senseye het via een API in het systeem integreren. Zelfs als het maatmodel zelf niet in Senseye PdM geïntegreerd is, kan de oplossing de resultaten van maatmodellen nog steeds als nuttige input accepteren.

Toch is het veel gebruikelijker dat Senseye zijn eigen gesofisticeerde generieke algoritmes deployt. De data scientists van Senseye richten zich op de realiteit zoals die is, niet hoe we hem graag willen zien, waardoor de modellen extreem robuust zijn, zelfs in de meest ruisvolle data-omgevingen.

Wanneer gebruikers proberen prognostiek en Predictief Onderhoud te implementeren, is deze robuuste benadering vooral belangrijk bij het vastleggen van data van storingen. In wat een relatief chaotisch moment kan zijn, is het cruciaal om betekenisvolle informatie uit de ruis te halen, zodat het systeem een naderende fout kan identificeren en een alarm kan genereren voordat het activum opnieuw faalt.

Samenwerken

Hoewel het inhuren van externe expertise de meest resource-efficiënte manier is om modellen voor condition monitoring en Predictief Onderhoud te deployen, spelen gebruikers een belangrijke rol in het halen van het meest uit generieke datamodellen.

Ten eerste is er altijd een leercurve bij het deployen van een generiek model. Bijvoorbeeld, Senseye PdM neemt initieel 14 dagen om resultaten te leveren, waarbij een 'vingerafdruk' wordt opgebouwd van het unieke gedrag van elk activum onder normale bedrijfsomstandigheden.

De interne expertise en ervaring van onze klantteams, inclusief condition monitoring-specialisten en mechanische ingenieurs, gecombineerd met onze technologie-experts, kunnen in dit proces instromen, waardoor Senseye het systeem vooraf kan configureren om de data en gebeurtenissen te prioriteren waarin gebruikers geïnteresseerd zijn. Dit versnelt het initiële leerproces voor de algoritmes. Op de langere termijn zorgt een systeem van continue feedback ervoor dat de algoritmes een beeld opbouwen van welke gebeurtenissen en trends voor gebruikers relevant zijn en welke niet. Dit is nuttig bij het deployen van generieke modellen die geleidelijk aanpassen om het gedrag van elke machine steeds nauwkeuriger te voorspellen.

Real-world resultaten

Doe het goed en de zakelijke voordelen zijn indrukwekkend. Senseye PdM reduceert ongeplande machinedowntime typisch met 50%, verhoogt de productiviteit van onderhoudspersoneel met 55% en verbetert de nauwkeurigheid van downtime-voorspellingen met 85%.

Deze voordelen zijn doorgaans moeilijk te evenaren met maatmodellen, vandaar dat een uitstekende aanpak ten zeerste aanbevolen wordt om real-world resultaten te behalen.

Ontdek meer door ons whitepaper "Harness The Power of Prediction" te lezen of probeer onze ROI Calculator om te zien hoe u kunt profiteren.