Извлеките реальную ценность для бизнеса из науки о данных

Предотвращение поломок путем прогнозирования состояния и требований к техническому обслуживанию промышленных активов является серьезной проблемой. Мир науки о данных полон моделей, которые с трудом дают результаты в реальных условиях. Итак, каков наилучший подход?

Теория и практика

В теории теория и практика одинаковы. На практике это не так. Нигде это не является более верным, чем при попытке преобразовать модели промышленных активов в действенные идеи, которые обеспечивают улучшения в цехах. Научные статьи по науке о данных могут включать анализы, демонстрирующие, как одни алгоритмы могут улучшить другие на один или два процентных пункта, но в производственной среде отсечение зашумленных сигналов для выявления каких-либо закономерностей может быть проблемой.

Тем не менее, это только первое серьезное препятствие, которое должны преодолеть будущие разработчики моделей «сделай сам», если они надеются, что их усилия обеспечат прогнозное обслуживание или другие бизнес-результаты. Те, кому удается разработать надежную модель, которая может работать в реальных условиях, сразу же сталкиваются со следующей большой проблемой:полезные модели необходимо развертывать, а не просто разрабатывать.

Развертывание, естественно, означает запуск моделей в масштабе. Но это также означает предоставление интерфейса, который представляет результаты в удобной форме и удовлетворяет пользователей, позволяя различным группам расставлять приоритеты для предупреждений, собирать отзывы и так далее. Если на крупном заводе работает 20 000 роботов, даже развертывание пользовательского интерфейса для отображения интерактивных диаграмм для всех из них далеко не тривиальная задача. На самом деле, моделисты-сделай сам обычно обнаруживают, что на самом деле они пытаются разрабатывать свои собственные приложения. Это может быть чрезвычайно ресурсоемким и дорогостоящим делом.

Спросите экспертов

По этим причинам почти всегда лучше объединиться со специализированным поставщиком, обладающим собственным опытом в области обработки данных и поддержкой развертывания, необходимой для обеспечения того, чтобы пользователи цеха могли легко получить доступ к необходимой им информации. Компании могут думать, что их собственные модели могут работать лучше, чем общие алгоритмы, созданные поставщиками. Однако любая разница часто незначительна и может быть значительно перевешена негативными аспектами самостоятельной работы.

Например, модели, используемые в решении Senseye для профилактического обслуживания, Senseye PdM, часто не уступают пользовательским моделям и могут работать даже лучше. Его уникальные алгоритмы машинного обучения превращают данные в точный прогноз остаточного срока полезного использования (RUL) производственных активов — метод, известный как прогнозирование.

Одна из причин, по которой Senseye PdM обычно превосходит ожидания, заключается в том, что алгоритмы рассматривают каждую машину как уникальную, даже если они одной марки и модели. Машины, которые начинаются одинаково, будут вести себя и изнашиваться по-разному с течением времени, поскольку они подвержены различиям в их непосредственной среде или из-за работы, которую они выполняют. Рассмотрение каждого актива как индивидуального с уникальным «поведенческим отпечатком» значительно повышает точность прогнозов Senseye PdM и лучше поддерживает команды, отвечающие за производственные активы, для максимального увеличения времени безотказной работы.

Партнерство с Senseye не только обеспечивает проверенную производительность проверенных алгоритмов, но и устраняет все сопутствующие проблемы, связанные с надежной производительностью, масштабированием, развертыванием, удобством использования и безопасностью.

Если потенциальный пользователь уже разработал собственную модель и хотел бы ее использовать, Senseye может интегрировать ее в систему через API. Даже если сама пользовательская модель не интегрирована в Senseye PdM, решение все равно может принимать результаты пользовательских моделей в качестве полезных входных данных.

Тем не менее, Senseye по-прежнему гораздо чаще использует свои собственные сложные универсальные алгоритмы. Исследователи данных Senseye сосредоточены на работе с реальным миром таким, какой он есть, а не таким, каким нам хотелось бы его видеть, поэтому модели чрезвычайно надежны даже в самых зашумленных средах данных.

Когда пользователи стремятся внедрить прогностику и профилактическое обслуживание, этот надежный подход особенно важен при сборе данных об отказах. В то, что может быть относительно хаотичным моментом, жизненно важно извлечь значимую информацию из-под шума, чтобы система могла определить приближающийся сбой и подать предупреждение до того, как актив выйдет из строя снова.

Совместная работа

Несмотря на то, что привлечение внешних специалистов является наиболее ресурсоэффективным способом развертывания моделей для мониторинга состояния и профилактического обслуживания, пользователи играют важную роль в получении максимальной отдачи от общих моделей данных.

Во-первых, при развертывании универсальной модели всегда есть кривая обучения. Например, Senseye PdM сначала предоставляет результаты в течение 14 дней, создавая «отпечаток пальца» уникального поведения каждого актива в нормальных условиях эксплуатации.

Собственные знания и опыт наших групп клиентов, включая специалистов по мониторингу состояния и инженеров-механиков, в сочетании с нашими экспертами по технологиям, могут быть использованы в этом процессе, что позволяет Senseye заранее настроить систему для определения приоритетов некоторых данных и событий, которые больше всего интересуют пользователей. Это ускоряет начальный процесс обучения алгоритмам. В долгосрочной перспективе система регулярной обратной связи позволяет алгоритмам составить картину того, какие события и тенденции важны для пользователей, а какие не имеют значения. Это полезно при развертывании универсальных моделей, которые постепенно адаптируются для более точного прогнозирования поведения каждой машины с течением времени.

Реальные результаты

Сделайте это правильно, и преимущества для бизнеса будут чрезвычайно впечатляющими. Senseye PdM обычно сокращает незапланированные простои оборудования на 50 %, повышает производительность обслуживающего персонала на 55 % и повышает точность прогнозирования простоев на 85 %.

Как правило, эти преимущества трудно сопоставить с пользовательскими алгоритмами, поэтому для достижения реальных результатов настоятельно рекомендуется использовать выдающийся подход.

Узнайте больше, прочитав наш информационный документ "Используйте силу предсказания" или воспользуйтесь нашим Калькулятором рентабельности инвестиций, чтобы узнать, какую выгоду вы можете получить.