Успешное профилактическое обслуживание зависит не от алгоритмов или ресурсов, а от пользователей

Опытные инженеры по техническому обслуживанию имеют детальное представление об оборудовании, за которым они ухаживают. Они знают, когда дребезжащий клапан означает, что поломка неизбежна, или когда его можно игнорировать до следующего запланированного отключения. Если автоматизированная система профилактического обслуживания сможет использовать этот пул знаний, она сможет научиться оказывать наилучшую возможную поддержку пользователям, которые должны решить, каким действиям по обслуживанию отдать приоритет.

При ориентированном на пользователя подходе к профилактическому обслуживанию ремонтные бригады получают предупреждения только тогда, когда система считает, что эта информация будет им полезна, основываясь на том, что они сочли полезной в прошлом.

Это немного похоже на то, как поставщики цифрового контента, такие как Netflix или Amazon, регулярно хранят информацию о том, что каждый пользователь предпочитает смотреть. Они могут использовать это для управления «механизмом рекомендаций», который постоянно уточняет фильмы, которые он показывает каждому пользователю в ответ на их отзывы.

Это подход, который мы используем в Senseye, чтобы моделировать и понимать поведение пользователей в дополнение к тому, что происходит с активами, за которыми они следят, чтобы направить их внимание туда, где это больше всего необходимо.

Рисунок 1. Среды, богатые контекстными и высококачественными данными мониторинга состояния, позволяют идеально контролировать активы — как в подходе Digital Twin. Большинство заводских сред низкоконтекстные и поэтому модели заинтересованность пользователей может повысить эффективность программного обеспечения профилактического обслуживания

Сила (и ограничения) предсказания

Каждая инициатива по профилактическому обслуживанию — от использования железного стержня до грохочущей машины, чтобы понять, нуждается ли редуктор в обслуживании до следующего запланированного интервала обслуживания, до сложной автоматизированной системы мониторинга программного обеспечения — направлена ​​​​на то, чтобы помочь операторам определить, когда назревает проблема. Главная цель — выявить проблемы на достаточно раннем этапе, чтобы предотвратить поломку, которая в противном случае привела бы к дорогостоящим незапланированным простоям. Часто есть и другие преимущества, связанные с повышением производительности и планированием технического обслуживания.

Концепция «цифрового двойника» в настоящее время особенно популярна, однако часто запутанный маркетинг этого подхода к математическому моделированию мало упоминает о пользователях, которые должны взаимодействовать с этими «близнецами», и о том, что это значит для них. «Цифровой двойник» каждого актива также требует, чтобы пользователю было удобно работать в сложной цифровой среде. Но есть и другой подход, который гораздо больше фокусируется на потребностях пользователей.

Многие отказы оставляют четкие сигналы или «отпечатки пальцев» в данных о машине, и ведущее программное обеспечение для профилактического обслуживания, представленное на рынке прямо сейчас, может научиться обнаруживать их, принимая широкий диапазон входных данных — от специальных данных мониторинга состояния до более общих данных предприятия. Эти системы могут понять, какие шаблоны или характерные сигналы указывают на наличие проблемы. В некоторых случаях и при наличии достаточного количества данных они могут даже рассчитать оставшийся срок полезного использования (RUL) каждого актива — метод, известный как прогнозирование.

Большинство этих систем профилактического обслуживания работают с ограниченными данными с завода или цеха, вызывая сигнал тревоги при нарушении предварительно установленного порога. Например, они могут предупреждать пользователей, когда что-то нагревается или вибрирует, но вряд ли у них будет достаточно информации для проведения детальной диагностики.

Другими словами, система может «советовать», поднимая тревогу, но только у пользователя есть опыт и экспертные знания, чтобы решить, когда действовать. Важно отметить, что становится намного сложнее управлять ситуацией в средах, где одновременно отслеживается множество машин, потому что пользователи могут легко оказаться перегруженными. Задача профилактического обслуживания заключается не в том, «можете ли вы обнаружить проблемы в данных», а в том, «можете ли вы определить, что представляет интерес для пользователей?»

Кто заботится о пользователе?

Мы считаем важным, чтобы при создании оповещения пользователь одним нажатием кнопки мог указать, полезно это оповещение или нет. Со временем это учит систему направлять внимание оператора на наиболее неотложные приоритеты технического обслуживания. Это делается автоматически, поэтому операторам не нужны знания в области анализа данных.

Другими словами, ориентированный на пользователя подход Senseye к анализу данных направляет внимание, моделируя реакцию пользователя. Эта петля обратной связи между решением Senseye и пользователем означает, что количество предупреждений постепенно уменьшается, пока не достигнет стабильного уровня, когда почти все, на что оно направляет пользователя, полезно.

Подтвержденные результаты расширенной аналитики — для машин и обслуживающего персонала

Аналитика данных заключается в поиске закономерностей в массе поступающих данных о предприятиях. Например, запатентованные алгоритмы или механизмы обработки шаблонов, лежащие в основе Senseye PdM, предназначены для выявления характерного поведения, которое предшествует потенциальным сбоям, и запускать оповещение с использованием нашего собственного индекса внимания. Предупреждение об индексе внимания может быть вызвано несколькими типами шаблонов:аномалии – это периоды нестабильных данных, тенденции – постепенные сдвиги базовой линии, а нарушения превышают пороговые значения или правила, которые могут быть указаны пользователем.

Тем не менее, весь этот гениальный анализ данных ничего не значит, если он не приносит реальных бизнес-преимуществ пользователям. К счастью, Senseye PdM имеет большой опыт выполнения своих обещаний по повышению производительности в различных отраслях. Существующие клиенты обычно отмечают сокращение времени простоя на 50 %, повышение производительности на 55 % и повышение точности обслуживания на 85 %.

Более того, на Senseye PdM также распространяется гарантия Senseye ROI Lock®:если развертывание Senseye PdM не приведет к сокращению незапланированных простоев, как было согласовано заранее, клиенты могут потребовать возмещения всей стоимости подписки.

Если вы хотите узнать больше о том, как мы моделируем пользователей обслуживания, а также объекты, которые они просматривают, мы составили подробный технический документ о том, как Senseye PdM<суп> может помочь направить ваши усилия по техническому обслуживанию туда, где они принесут наибольшую пользу. Загрузите подробный технический документ ниже, чтобы получить дополнительную информацию, или свяжитесь с нами чтобы посмотреть демонстрацию и приступить к работе!