Успех профилактического обслуживания в масштабе

В нашем последнем посте мы рассмотрели развитие профилактического обслуживания (PdM) и то, почему так много поставщиков и их клиентов продолжают ошибаться. Здесь мы рассмотрим, как мы применили то, что узнали о профилактическом обслуживании за эти годы, ко всему, что мы делаем сегодня.

Сочетание более чем 30-летнего опыта работы в аэрокосмической отрасли и более 150 человеко-лет исследований и разработок, потраченных исключительно на PdM, научило нас многому в развертывании технологий профилактического обслуживания в различных секторах. И поскольку мы продолжаем сталкиваться с различными секторами и уровнями зрелости клиентов, мы продолжаем учиться. Прежде всего, мы узнали, что хорошо проводить профилактическое обслуживание непросто.

Важно отметить, что мы узнали, что важно не только знать, как хорошо выполнять PdM, но и почему это важно. Например, мы узнали, что истинную ценность PdM трудно объяснить, даже если она обеспечивает значительную отдачу от инвестиций. Внедрение стратегии PdM — это шаг, к которому нельзя относиться легкомысленно — он затрагивает весь бизнес, от совета директоров до производственного цеха. Прежде чем приступать к трансформации такого масштаба, потребуется определенная уверенность в ее успехе.

Итак, вот несколько ключевых моментов, которые, по нашему опыту, мы считаем, что организациям следует учитывать, отправляясь в путь профилактического обслуживания.

Прогнозное обслуживание не является типичным вариантом использования в науке о данных

Чем больше мы говорим с клиентами об их предыдущих неудачных попытках внедрения, тем больше мы убеждаемся в том, что PdM нельзя рассматривать как типичную проблему больших данных. Во многом это сводится к тому, что PdM сильно не хватает богатого контекста, необходимого для работы решений для работы с большими данными. Многие режимы отказа машин также носят незаметный характер, что затрудняет точное предсказание любых различимых закономерностей установленными алгоритмами машинного обучения.

Вполне разумно ожидать уровня точности 90% и выше в типичном решении Data Science. Однако ожидание такой же точности от решения PdM предполагает фундаментальное непонимание того, как оно работает. Да, использование высококачественных тщательно отобранных данных в лабораторных условиях даст такие же результаты для конкретных машин и конкретных режимов отказа. Но это не соответствует действительности. С одной стороны, каждая машина и режим отказа уникальны, и разные типы датчиков будут предоставлять данные с разным уровнем точности. И это не говоря уже о динамическом характере заводского цеха и общем отсутствии важной контекстуальной информации.

Жесткие вопросы следует задавать всем, кто задает общие вопросы или делает конкретные заявления относительно точности решения PdM.

Знай свою аудиторию

Наш опыт научил нас тому, что занятые ремонтные бригады обычно имеют очень мало времени в начале своей смены. чтобы определить, какая из многих машин, за которые они несут ответственность, больше всего нуждается в их внимании. Они, конечно, не хотят тратить это время на изучение графиков и просеивание необработанных данных, чтобы раскрыть эту информацию.

Поэтому простота и интуитивность программного обеспечения имеют важное значение, предоставляя специалистам по техническому обслуживанию необходимую им информацию на удобной для чтения приборной панели и экономя драгоценное время. Однако, хотя многие поставщики предоставляют такие информационные панели, они часто могут быть общими предложениями, которые не учитывают уникальные рабочие процессы, предпочтения и опыт пользователя. Действительно, знания и опыт этих профессионалов бесценны; ее использование имеет решающее значение для успеха решения PdM.

Продукты Senseye разработаны с учетом всего этого. Мы стремимся к простоте, органично интегрируя аналитику с понятным пользовательским интерфейсом. Информация представлена ​​не в виде нескольких диаграмм и графиков, а в виде списка, отсортированного с помощью Attention Engine — запатентованного алгоритма, который использует машинные данные, данные о техническом обслуживании и данные оператора для определения приоритетности машин, требующих внимания.

Знайте, на каком этапе пути находятся ваши пользователи

Мы также узнали, что разные компании — а часто и разные подразделения в рамках одной компании — будут находиться на разных этапах пути профилактического обслуживания. Одна компания, например, может выполнять только периодические проверки состояния на основе маршрута. Другой, однако, будет сочетать надежный автоматизированный мониторинг состояния с решением PdM для точного прогнозирования состояния своих машин и времени до отказа.

Эти примеры, конечно, находятся на противоположных концах шкалы, и большинство компаний будут находиться где-то между ними, уровень зрелости как их данных, так и культурной готовности повышается в результате большего понимания со стороны их управленческой команды и поддержки со стороны их руководства. ИТ-команда. Однако важно знать, какое место занимает компания в этом масштабе, поскольку каждой из них потребуется свой пакет поддержки и развертывания в зависимости от уровня ее зрелости.

Многолетний опыт научил нас многому, что работает, а что нет. В следующем посте мы рассмотрим, как весь этот опыт и понимание сделали Senseye PdM ведущим продуктом PdM на рынке. До тех пор вы можете найти более подробную информацию о наиболее важных вещах, которые мы узнали о PdM, в нашем техническом документе «Senseye in Depth:Почему профилактическое обслуживание так сложно?».