Прогностическое обслуживание:приложение-убийца непрерывного интеллекта

Конвергентная инфраструктура, основанная на анализе данных датчиков и Интернета вещей, может помочь определить изменения состояния устройств и сделать прогнозы относительно вероятности отказа актива.

Анализ текущих и исторических данных об активе может выявить проблемы, которые могут привести к отказу части или устройства. По сравнению с заменой активов на основе календаря профилактическое обслуживание намного эффективнее предотвращает простои, обеспечивая при этом максимальный срок службы детали или элемента оборудования. Таким образом, профилактическое обслуживание является убийственным приложением для непрерывного анализа (CI).

См. также: Аналитика в реальном времени в больших, «жестоких» условиях

Такие возможности могут помочь определить детали или оборудование, которые могут выйти из строя, до запланированного времени их замены и обслуживания. Настоящая польза заключается в том, что искусственный интеллект используется для обнаружения потенциальной проблемы. Если этот интеллект затем используется экспертной системой, оповещения могут быть отправлены до того, как возникнут проблемы, а корректирующие действия на основе полученной информации могут быть доставлены тем, кто отвечает за техническое обслуживание оборудования.

Почему такие возможности так важны?

Стоимость простоя в таких отраслях, как производство, авиация, энергетика, коммунальные услуги и телекоммуникации, ошеломляет. Средняя оффшорная нефтегазовая компания испытывает около 27 дней незапланированного простоя в год, что может составить 38 миллионов долларов убытков. В некоторых случаях эта цифра может доходить до 88 миллионов долларов.

В 2018 году незапланированное техническое обслуживание обошлось авиакомпаниям более чем в 20 миллиардов долларов, или примерно 27% всех расходов на техническое обслуживание. Это имело каскадный эффект на сетевые операции, поскольку почти 3,8% всех задержек и отмен рейсов были вызваны событиями с воздушными судами на земле (AOG). Количественная оценка этих проблем и преимуществ профилактического обслуживания показывает, что данные и аналитика могут почти вдвое сократить незапланированные счета за обслуживание, позволяя авиакомпаниям сократить сопутствующие расходы примерно до 14 % от общих расходов на обслуживание.

Роль CI в профилактическом обслуживании

Конвергентная инфраструктура, основанная на анализе данных датчиков и Интернета вещей (IoT), может помочь в обнаружении изменений состояния устройств и прогнозировании вероятности отказа актива.

Почему CIneeded? Традиционные подходы к обслуживанию, ожидание того, что что-то пойдет не так, невероятно вредны для бизнеса. А замена деталей в соответствии с календарными графиками технического обслуживания производителей может привести к тому, что хорошие детали будут заменены задолго до того, как они выйдут из строя.

Вместо того, чтобы реагировать постфактум, CI заранее анализирует первопричины проблем, которые приводят к простоям, дефектам, неэффективности или упущенным возможностям, потенциально может сократить расходы и повысить эффективность работы.

Отрасли все чаще используют устройства IoT для сбора этой информации, используя устройства для получения информации о каждом аспекте своей деятельности. К сожалению, одна из проблем, с которой сталкивается большинство компаний, заключается в том, что устройства IoT производят очень большие объемы данных. По оценкам одного отраслевого отчета, к 2020 году объем данных, создаваемых Интернетом вещей, достигнет 4,4 зеттабайта по сравнению с 0,1 зеттабайта в 2013 году.

Использование таких данных, которые постоянно генерируются, требует новых стратегий. Данные нельзя просто сохранить, а затем проанализировать позже. Настоящая ценность заключается в проведении анализа в реальном времени по мере поступления потоков данных. Чтобы получить представление о таких потоках данных, многие компании дополняют традиционный анализ алгоритмами искусственного интеллекта (ИИ) и машинного обучения (МО) в реальном времени. Такой подход позволяет компаниям получать информацию для принятия решений из данных в сроки, которые позволят компании предпринять активные действия.

В частности, промышленное использование ИИ и машинного обучения применительно к данным Интернета вещей рассматривается как отличный способ улучшить прогнозирование обслуживания и другие аспекты операций. Причина:AI и ML могут помочь делать прогнозы о сложных системах. Это может помочь сократить время простоя машины за счет профилактического обслуживания.

Единственным препятствием, мешающим быстрому внедрению CI для профилактического обслуживания, является инфраструктура. Сегодня у большинства организаций нет инфраструктуры, позволяющей в полной мере использовать преимущества непрерывной интеграции для потоковой передачи данных IoT.

Какие проблемы? Крупные промышленные организации могут собирать миллиарды наборов данных с машин, датчиков и внутренних бизнес-приложений. По мере того как организации переходят к новым инициативам Интернета вещей, важно учитывать новые технологии и процессы, которые будут соответствовать этому огромному потоку данных.