Мастерство предиктивного обслуживания: проверенное руководство по выполнению PoC

В этом блоге мы делимся уроками, извлеченными как из успешных, так и из неудачных PoC (Proof of Concept). Хотелось бы утверждать, что все наши PoC достигли целей масштабирования, но это означало бы игнорировать ценные инсайты, которые помогут вам избежать тех же ошибок.

Введение

ИИ и аналитика — горячие темы, и почти каждый вендор заявляет о способности «делать» предиктивное обслуживание (PdM) на своей платформе предиктивной аналитики. Однако отношения с вендором PdM обычно долгие и требуют большого доверия. Учитывая шум на рынке, разумно провести отбор потенциальных поставщиков. Как при выборе врача, вы должны быть уверены, что вендор способен выполнить заявленное.

Часто организации запускают оценку не только для выбора правильного вендора, но и чтобы убедиться, что сама организация достаточно подготовлена к успеху проекта PdM и способна адаптироваться для извлечения выгоды. Правильно проведенный PoC может гарантировать это.

По нашему опыту, многие компании многократно проваливались в PoC по PdM, прежде чем достичь ожидаемых результатов. Некоторые клиенты пробовали три других решения. Уроки неудач показали: часто виноват не только вендор — проблема внутри. Только осознание успехов в других отраслях дало им уверенность изменить внутренние процессы и добиться успеха.

Предиктивная аналитика ≠ Предиктивное обслуживание

Важно разобрать распространенное недопонимание: инструменты предиктивной аналитики могут использоваться в программе PdM, но это принципиально разные вещи.

Data scientists могут работать с данными станков, выявлять аномалии и тренды, создавать убедительные скриншоты. Но совсем другое — глубоко понимать, что это значит для здоровья оборудования, и вести экспертный диалог о стратегии обслуживания на основе этой информации. Чистые data scientists обычно лишены опыта инженеров по обслуживанию, поэтому их кастомные алгоритмы часто неэффективны в реальных промышленных условиях.

Как выявить вендора, специализирующегося на предиктивной аналитике, а не на PdM

Специальные станки могут иметь уникальные режимы отказа, но для большинства стандартного оборудования (двигатели, редукторы, роботы) режимы отказов и необходимые для их обнаружения данные хорошо известны с точки зрения мониторинга состояния. Если вендор задает базовые вопросы о режимах отказа и просит определить всё с нуля — у него нет бэкграунда в мониторинге состояния и обслуживании. Шансы на успех минимальны.

Просьба разметить всё на ранней стадии и неспособность понять записи в журналах обслуживания и выстроить корреляции — признак вендора, использующего подход с индивидуальным моделированием. Это может дать результаты для десятков станков, но не масштабируется и становится затратным для больших парков.

Обслуживание — практическая «ручная» дисциплина, аналитика данных — теория и математика. PoC — точка сходимости этих миров для достижения измеримых бизнес-выгод через PdM.

Найти правильного поставщика PdM сложно: он должен понимать ваши практики обслуживания, оборудование и целевые бизнес-результаты, быть так же заинтересован в успехе, как и вы. И реализовывать это через правильные теории и математику — экономически и организационно масштабируемо.

Подробнее о лучших практиках и типичных ошибках — в нашей белой книге «How to Run a Predictive Maintenance Proof of Concept».