Масштабирование предиктивного обслуживания: проверенные стратегии успеха

В предыдущей статье мы рассматривали рост PdM и причины частых ошибок вендоров и клиентов. Здесь исследуем, как многолетний опыт применился к нашей текущей работе.

Сочетание 30-летнего опыта в авиации и 150 человеко-лет R&D исключительно в PdM научило нас многому о внедрении технологий предиктивного обслуживания в разных секторах. Продолжая встречать разные отрасли и уровни зрелости клиентов, мы продолжаем учиться. Главное — делать PdM хорошо непросто.

Важно: не только нужно знать, как делать PdM хорошо, но и понимать, почему это важно. Мы узнали, что реальная ценность PdM трудно объяснить, даже если оно дает значительный ROI. Внедрение стратегии PdM — серьезный шаг, затрагивающий весь бизнес, от совета директоров до цеха. Перед трансформацией такого масштаба нужна уверенность в успехе.

Вот ключевые моменты, которые, по нашему опыту, организации должны учитывать при начале пути PdM.

Предиктивное обслуживание — не типичный кейс Data Science

Чем больше мы говорим с клиентами о неудачных внедрениях, тем увереннее становимся: PdM нельзя рассматривать как типичную задачу Big Data. Это во многом потому, что богатый контекст, необходимый для Big Data-решений, в PdM критически отсутствует. Многие режимы отказов тонки по природе, что затрудняет точные прогнозы стандартными ML-алгоритмам.

В типичном Data Science разумно ждать точность 90%+. Ожидать похожего от PdM — значит фундаментально не понимать, как оно работает. Да, качественные курированные данные в лаборатории дадут такие результаты для конкретных станков и режимов отказа. Но это не реальность. Каждый станок и режим отказа уникальны, разные датчики дают данные разной точности. Плюс динамика цеха и общий дефицит контекста.

Кого утверждает обобщенные заявления или конкретные цифры точности PdM — нужно задавать жесткие вопросы.

Знайте свою аудиторию

Еще один урок: занятые команды обслуживания в начале смены имеют очень мало времени, чтобы определить, какие из множества станков требуют наибольшего внимания. Они точно не хотят тратить это время на изучение графиков и сырых данных.

Простой, интуитивный дизайн ПО — необходимость, дающий инсайты в удобном дашборде и экономящий время. Но многие вендоры предлагают универсальные дашборды, не учитывающие уникальные рабочие процессы, предпочтения и опыт пользователей. А знания и опыт этих профессионалов бесценны; их 활용 — ключ к успеху PdM.

Продукты Senseye созданы с учетом всего этого. Мы стремимся к простоте, бесшовно интегрируя аналитику с понятным UI. Вместо множества графиков информация представлена в виде списка, отсортированного Attention Engine — проприетарным алгоритмом, использующим данные станков, обслуживания и операторов для приоритизации оборудования, нуждающегося во внимании.

Знайте, на каком этапе пути находятся ваши пользователи

Мы также узнали: разные компании — и часто разные подразделения одной компании — находятся на разных стадиях пути PdM. Одна может выполнять только периодические маршрутные проверки мониторинга состояния. Другая — уже сочетает надежный автоматизированный мониторинг с PdM для точных прогнозов здоровья и времени до отказа.

Это полюса шкалы, большинство компаний где-то между ними. Уровень зрелости данных и культурной готовности растет с пониманием руководства и buy-in от IT. Важно знать позицию компании на этой шкале, так как каждой нужен свой пакет поддержки и внедрения в зависимости от зрелости.

Многолетний опыт научил нас, что работает, а что нет. В следующей статье мы разберем, как этот опыт сделал Senseye PdM ведущим продуктом. А пока детали в белой книге «Senseye in Depth: Why is Predictive Maintenance so hard?».