Предиктивное обслуживание: использование непрерывной интеллектуальности для беспрецедентной надежности активов

Непрерывная интеллектуальность (CI), основанная на анализе сенсорных и IoT-данных, помогает выявлять изменения состояния устройств и прогнозировать вероятность отказа актива.

Анализ данных в реальном времени и исторических данных об активе может выявить проблемы, которые могут привести к поломке детали или устройства. По сравнению с календарным заменой активов, предиктивное обслуживание гораздо эффективнее в предотвращении простоев, одновременно извлекая максимальный срок службы из детали или оборудования. Как таковое, предиктивное обслуживание — киллер-приложение для непрерывной интеллектуальности (CI).

Смотрите также: Аналитика в реальном времени в больших, «жестоких» средах

Такие возможности помогают выявить детали или оборудование, которые, вероятно, выйдут из строя до запланированного времени замены и обслуживания. Истинная польза приходит, когда искусственный интеллект используется для обнаружения потенциальной проблемы. Если эта интеллектуальность затем используется экспертной системой, оповещения могут быть отправлены до возникновения проблем, а корректирующие действия на основе полученной информации могут быть доставлены ответственным за обслуживание оборудования.

Почему такие возможности так критичны?

Стоимость простоя в отраслях, включая мануфактуринг, авиацию, энергетическую разведку, коммунальные услуги и телеком, ошеломляюща. Средняя оффшорная нефтегазовая компания испытывает около 27 дней непланового простоя в год, что может составлять 38 миллионов долларов убытков. В некоторых случаях это число может достигать 88 миллионов долларов.

В 2018 году неплановое обслуживание обошлось авиалиниям более чем в 20 миллиардов долларов или примерно 27% от всех расходов на обслуживание. Это имело каскадный эффект на сетевые операции, поскольку почти 3,8% всех задержек и отмен рейсов были вызваны событиями AOG (авиация на земле). Квантификация этих проблем и выгод предиктивного обслуживания показывает, что данные и аналитика могут почти вдвое сократить счета за неплановое обслуживание, позволяя авиалиниям сократить связанные затраты до около 14% от общих расходов на обслуживание.

Роль CI в предиктивном обслуживании

CI, основанная на анализе сенсорных и IoT-данных, может помочь, выявляя изменения состояния в устройствах и делая прогнозы о вероятности отказа актива.

Почему нужна CI? Традиционные подходы к обслуживанию — ждать, пока что-то сломается — невероятно плохи для бизнеса. А замена деталей на основе календарных графиков обслуживания производителей может привести к замене исправных деталей задолго до их отказа.

Вместо реакции постфактум, инсайты CI в корневые причины проблем, ведущих к простоям, дефектам, неэффективности или упущенным возможностям заранее, могут потенциально сократить затраты и улучшить операционную эффективность.

Все чаще отрасли используют IoT-устройства для сбора этих инсайтов, используя устройства для получения информации о каждом аспекте своих операций. К сожалению, одна проблема, с которой сталкиваются большинство компаний — IoT-устройства производят очень большие объемы данных. Один отраслевой отчет оценивает, что объем данных, производимых IoT, достигнет 4,4 зеттабайт к 2020 году, от всего 0,1 зеттабайт в 2013 году.

Использование таких данных, которые непрерывно генерируются, требует новых стратегий. Данные нельзя просто хранить и анализировать позже. Реальная ценность приходит от анализа в реальном времени по мере поступления потоков данных. Для получения инсайтов в такие потоки данных многие компании дополняют традиционный анализ алгоритмами искусственного интеллекта (AI) и машинного обучения (ML) в реальном времени. Такой подход позволяет бизнесу получать информацию для принятия решений из данных в временных рамках, позволяющих компании предпринять проактивные действия.

Конкретно, промышленное использование AI и ML, применяемых к IoT-данным, 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 простои оборудования через предиктивное обслуживание.

Единственное препятствие, препятствующее быстрому принятию CI для предупредительного обслуживания — инфраструктура. Сегодня большинство организаций не имеют инфраструктуры, чтобы полностью использовать преимущества CI, примененной к потоковым IoT-данным.

В чем проблемы? Крупные промышленные организации могут собирать миллиарды наборов данных от машин, датчиков и внутренних бизнес-приложений. По мере перехода организаций к новым IoT-инициативам важно учитывать новые технологии и процессы, которые справятся с этим огромным притоком данных.