Революция в надежности активов: машинное обучение для предиктивного обслуживания

Мы рассматриваем, как машинное обучение (ML) помогает разрушить традиционные модели предиктивного обслуживания, приводя к новым уровням производительности и эффективности оборудования в организациях, ориентированных на активы.

Предиктивное обслуживание на основе машинного обучения (ML)

Непредвиденный простой оборудования представляет собой все более высокий операционный риск для организаций, ориентированных на активы, требуя более глубоких инсайтов в состояние активов, которые IoT и традиционное предиктивное обслуживание могут обеспечить.

На этом фоне мы видели, как традиционные системы компьютеризированного управления обслуживанием (CMMS) уступают место корпоративному управлению активами (EAM), управлению производительностью активов (APM) и, недавно, полностью новому поколению инструментов, ориентированных на предиктивное обслуживание. Справедливо сказать, что надежность и производительность активов давно и окончательно вышли на первый план повестки дня.

Однако темп изменений таков, что эти инструменты предиктивного обслуживания уже не соответствуют требованиям детализации и производительности современных бизнесов. Разрушенные конвергенцией IoT и Cloud, которые вместе обеспечивают более полное и реальное время сбора данных, предиктивное обслуживание на базе машинного обучения может выявить потенциальный отказ оборудования задолго до того, как это могло бы поднять флаг. Аналогично, оно может продлить оставшийся ресурс (RUL) активов через выделенный мониторинг и обслуживание, а не придерживаясь жесткого временного графика на основе типичного использования.

Наследие предиктивного обслуживания против предиктивного обслуживания на базе ML

Традиционные модели машинного обучения для предиктивного обслуживания основаны на инженерии признаков. Эти модели создаются вручную на основе опыта, экспертизы и стандартных метрик и методов. Хотя этот подход может быть крайне эффективным, особенно в производственных операциях, модели специфичны для машины внутри организации, поэтому становятся избыточными, как только эта машина заменяется. Применяя машинное обучение в масштабе, сети могут автоматически извлекать правильные признаки из данных, идентифицировать наиболее распространенные паттерны отказов и устранять необходимость вручную воссоздавать модель каждый раз, когда вводится новый актив.

Предиктивное обслуживание на базе ML применяет алгоритмы для обучения на исторических данных и использует живые данные для анализа паттернов отказов. Данные собираются со временем по сети активов по ряду организаций, позволяя обнаруживать паттерны, предсказывающие отказы оборудования, и применять алгоритмы глубокого обучения.

Сочетая данные в реальном времени с историческими трендами и переменными, такими как текущие экологические факторы, машинное обучение может принимать решения о том, когда нужно предпринять действие, и предлагать, чему должно быть это действие. Производственная команда может затем предпринять соответствующие меры, не требуя фактического понимания необходимых алгоритмов.

Предиктивное обслуживание на базе ML позволяет инженерам на производстве получать данные, необходимые для предотвращения отказа, вместо ручного сбора ключевых индикаторов, таких как температура и давление, которые не только рискуют неточностями и занимают время на загрузку, но и представляют риск для безопасности персонала. Стратегически этот подход позволяет инженерам полностью сфокусировать свои навыки там, где они важнее всего: в плане обслуживания и активах, требующих их внимания.

Пример лучшей практики

Рассмотрим транспортную компанию, которой сообщают, что один из ее автобусов сломался. Наследие предиктивного обслуживания может указывать на то, что его двигатель приближается к сервису, поэтому рекомендуемое действие — ускорить этот сервис и выявить проблему. Предиктивное обслуживание на базе ML могло бы использовать свой обогатенный опыт, чтобы выявить, что тип двигателя, используемый в автобусе, подвержен частому дефекту, позволяя быструю диагностику, развертывание правильных навыков и корректирующие действия для решения проблемы. Это не только минимизирует «простой» автомобиля, но и минимизирует использование ресурсов и способствует репутации компании по надежности.

Долгожданное нарушение; непрерывная инновация

Машинное обучение может быть использовано для быстрого выполнения новых целей, будь то увеличение пропускной способности для удовлетворения повышенного спроса в определенной области, или адаптация к just-in-time производству в случае спада или изменения в поставке или спросе. Критически, это может быть достигнуто переключением, а не инвестициями в команду дата-сайентистов, требующие существенных вложений и обучения.

Учитывая неопределенные времена, к которым мы привыкли в последние годы, неудивительно, что этот подход, вкорененный в использовании алгоритмов для поиска паттернов в данных для предсказания будущих событий, был принят во широком спектре отраслей. Предиктивное обслуживание на базе ML имеет четкие основания для разрушения сектора наследия предиктивного обслуживания.

Не только глобальный рынок машинного обучения готов вырасти с 17,1 млрд долларов в 2021 году до 90,1 млрд долларов к 2026 году, но такой импульс за этим нарушением, что к 2026 году 60% IoT-позволенных решений предиктивного обслуживания будут доставлены как часть продуктов корпоративного управления активами.

Предсказание успеха

Доступное для всех организаций, и с минимальными ресурсами персонала, необходимыми для настройки или постоянного мониторинга, и гибкостью масштабирования по мере необходимости, единственное, что стоит на пути к достижению влияния таким образом — это амбиция организации уйти от традиционных ручных операций.

Принесение машинного обучения на завод раскрывает потенциал его активов и ключевых индикаторов состояния. Машинное обучение не имеет максимального количества активов для мониторинга, оно способно управлять столько или сколько мало данных, вложенных в него. И оно становится более точным со своими инсайтами по мере прохождения времени, так как дополнительные данные обогащают его моделирование и аналитический опыт. Предоставляя инсайты, а не прямой мониторинг порогов, инженеры завода могут фокусироваться там, где их время нужно больше всего, и быть более эффективными в сокращении неплановых простоев и продлении срока службы оборудования.

Выгоды этого глубокого, основанного на знаниях подхода к управлению активами распространяются на все углы организации, так как влияние уполномачивает и вызывает персонал выявлять и принимать новые возможности.

Белая книга: Укрепление человеческой экспертизы с помощью машинного обучения

Скачайте нашу бесплатную белую книгу, чтобы узнать о важности удержания пользователей системы в цикле, почему концепция «Здоровье актива» вводит в заблуждение и как Attention Index предоставляет более эффективный способ приоритизации активов с крупными приростами производительности.