Машинное обучение в профилактическом обслуживании

Мы изучаем, как машинное обучение (ML) помогает разрушить традиционные модели профилактического обслуживания, выводя на новый уровень производительность и производительность оборудования в организациях, ориентированных на активы.

Прогностическое обслуживание машинного обучения (ML)

Непредвиденные простои оборудования представляют собой все более высокий операционный риск для организаций, ориентированных на активы, и требуют более глубокого понимания состояния активов, которое могут облегчить IoT и традиционное профилактическое обслуживание.

На этом фоне мы наблюдаем, как традиционные компьютеризированные системы управления техническим обслуживанием (CMMS) уступают место управлению активами предприятия (EAM), управлению производительностью активов (APM), а в последнее время — совершенно новому поколению инструментов, ориентированных на прогнозное обслуживание. Справедливо сказать, что надежность и производительность активов прочно вошли в повестку дня.

Тем не менее темпы изменений таковы, что эти инструменты профилактического обслуживания уже не соответствуют требованиям современного бизнеса к степени детализации и производительности. Нарушенная конвергенцией IoT и облака, которые вместе обеспечивают более полный сбор данных в режиме реального времени, прогностическое обслуживание с помощью машинного обучения может определить потенциальный отказ оборудования задолго до того, как в противном случае это могло бы поднять флаг. Точно так же он может продлить оставшийся срок полезного использования (RUL) активов за счет специального мониторинга и обслуживания, а не придерживаться жестких временных рамок, основанных на типичном использовании.

Упреждающее профилактическое обслуживание в сравнении с прогнозным обслуживанием на основе машинного обучения

Традиционные модели машинного обучения для прогнозного обслуживания основаны на разработке признаков. Эти модели создаются вручную на основе опыта, знаний и стандартных показателей и методов. Хотя этот подход может быть чрезвычайно эффективным, особенно в производственных операциях, модели специфичны для машины в организации, поэтому становятся избыточными после замены этой машины. Применяя машинное обучение в масштабе, сети могут автоматически извлекать нужные функции из данных, выявляя наиболее распространенные модели сбоев и устраняя необходимость в ручном воссоздании модели каждый раз, когда вводится новый актив.

Прогнозное обслуживание с помощью машинного обучения применяет алгоритмы для изучения исторических данных и использует оперативные данные для анализа моделей отказов. Данные собираются с течением времени по сети активов в ряде организаций, что позволяет обнаруживать шаблоны, которые предсказывают сбои оборудования, и применять алгоритмы глубокого обучения.

Сочетая данные в реальном времени с историческими тенденциями и переменными, такими как текущие факторы окружающей среды, машинное обучение может принимать решения о том, когда необходимо предпринять действия, и давать предложения о том, какими должны быть эти действия. Затем производственная группа может предпринять соответствующие действия, фактически не требуя понимания необходимых алгоритмов.

Прогностическое обслуживание с помощью машинного обучения позволяет инженерам в цеху получать данные, необходимые им для предотвращения сбоя, вместо ручного сбора ключевых показателей, таких как температура и давление, которые не только сопряжены с риском неточностей и требуют времени для загрузки, но и предоставляют угроза безопасности персонала. Стратегически такой подход позволяет инженерам полностью сосредоточить свои навыки на том, что им важнее всего:на плане технического обслуживания и объектах, требующих их внимания.

Пример передового опыта

Рассмотрим транспортную компанию, которой сообщили, что один из ее автобусов сломался. Устаревшее профилактическое обслуживание может указывать на тот факт, что его двигатель подходит для обслуживания, поэтому рекомендуемым действием является ускорение этого обслуживания и выявление проблемы. Прогнозное обслуживание с помощью машинного обучения может использовать свои обширные знания, чтобы определить, что тип двигателя, используемого в автобусе, подвержен общей неисправности, что позволяет быстро проводить диагностику, использовать нужные навыки и принимать меры по исправлению для решения проблемы. Это не только сводит к минимуму «время простоя» автомобиля, но и сводит к минимуму использование ресурсов и способствует укреплению репутации компании как надежной компании.

Просроченный сбой; постоянные инновации

Машинное обучение можно использовать для быстрого решения новых задач, будь то увеличение пропускной способности для удовлетворения растущего спроса в определенной области или адаптация к своевременному производству в случае спада или изменения спроса или предложения. Важно отметить, что это может быть достигнуто за счет переключения, а не инвестиций в группу специалистов по обработке и анализу данных, что требует значительных инвестиций и обучения.

Учитывая неопределенные времена, к которым мы привыкли в последние годы, неудивительно, что его подход, основанный на использовании алгоритмов для поиска закономерностей в данных для прогнозирования будущих событий, был принят в самых разных отраслях. Прогнозное обслуживание с помощью машинного обучения имеет явные причины для того, чтобы разрушить устаревший сектор прогнозного обслуживания.

Мало того, что глобальный рынок машинного обучения вырастет с 17,1 млрд долларов в 2021 году до 90,1 млрд долларов к 2026 году, таков импульс, стоящий за этим прорывом, что к 2026 году 60% решений для профилактического обслуживания с поддержкой IoT будут поставляться как часть предприятия. продукты управления активами.

Прогнозирование успеха

Доступность для всех организаций, минимальные кадровые ресурсы, необходимые для настройки или текущего мониторинга, и гибкость масштабирования по мере необходимости. Единственное, что стоит на пути достижения результатов таким образом, — это стремление организации отказаться от традиционного ручного управления. операции.

Использование машинного обучения на заводе раскрывает потенциал его активов и ключевых индикаторов состояния. Машинное обучение не имеет максимального количества активов для мониторинга, оно может управлять как небольшим, так и большим объемом данных, вложенных в него. И со временем он становится более точным в своих выводах, поскольку дополнительные данные обогащают его возможности моделирования и анализа. Предоставляя информацию, а не просто отслеживая пороговые значения, инженеры предприятия могут сосредоточиться на том, где их время требуется больше всего, и быть более эффективными за счет сокращения незапланированных простоев и увеличения срока службы оборудования.

Преимущества этого глубокого, основанного на знаниях подхода к управлению активами распространяются на все уголки организации, поскольку его влияние дает сотрудникам возможность и заставляет их выявлять и использовать новые возможности.

Технический документ:Расширение человеческого опыта с помощью машинного обучения

Загрузите наш бесплатный технический документ, чтобы узнать о важности постоянного информирования пользователей системы, о том, почему концепция «Состояние активов» вводит в заблуждение и как индекс внимания обеспечивает более эффективный способ приоритизации активов и значительного повышения производительности.