Предиктивное обслуживание: рост, вызовы и ключ к успеху

Предиктивное обслуживание (PdM) — проактивный подход к предотвращению поломок станков до того, как они станут проблемой. Анализируя огромные объемы данных оборудования, PdM позволяет инженерам по обслуживанию понимать здоровье станков и оптимизировать свою работу для предотвращения внеплановых простоев и внезапных отказов. Но, несмотря на очевидные выгоды, большинство внедрений PdM обречены на провал. В этой статье рассмотрим рост PdM и почему многие вендоры и их клиенты продолжают ошибаться.

Предиктивное обслуживание — тогда и сейчас

Предиктивное обслуживание существует дольше, чем кажется. Во Вторую мировую ученый ЧХ Ваддингтон заметил: частота отказов или ремонтов самолета максимальна сразу после инспекции или обслуживания. Этот «эффект Ваддингтона» привел к корректировке процессов обслуживания под физическое состояние самолета и частоту его использования, с адаптированными циклами инспекций на основе анализа данных. По сути, это был зарождающийся PdM.

С тех пор многое изменилось. Четвертая промышленная революция и Industry 4.0 принесли технологические прорывы с такой скоростью, что они «разрушают почти каждую отрасль в каждой стране». Прорывы привели к значительным улучшениям в сенсорах, сетях, сборе и хранении данных, что вместе с доступом к вычислительной мощности и данным благодаря ИИ сделало PdM все более применимым в широкой промышленности.

Сегодня, как почти 80 лет назад, ключевая выгода PdM — способность информировать решения. Инженеры по обслуживанию, отвечающие за множество станков на одном или нескольких сайтах, крайне заняты. Давая им лучшее понимание текущего здоровья станков, PdM помогает им эффективнее использовать ограниченное время и ресурсы.

Учитывая наследие и явные преимущества, почему так трудно достичь успеха в PdM?

Три распространенные ошибки

Истина в том, что многие вендоры прыгнули в поезд PdM, мало понимая суть уникальной предметной области. Некоторые пытались «супер-зарядить» легаси-инструменты мониторинга, другие применили классические подходы Data Science к проблеме, далекой от конвенциональной. Без понимания того, что такое система PdM и как она работает, многие новые решения не дойдут до рынка. В результате немногие бизнесы достигнут реального успеха в масштабе.

В конечном счете, большая часть непонимания и последующих неудач PdM сводится к трем фундаментальным ошибкам, которые вендоры и клиенты совершают снова и снова.

1. Концепция PdM не нова. Техники мониторинга состояния, кредитов обслуживания и прогностики существуют давно. Но неспособность масштабировать их за пределы только критических станков ограничивала внедрение именно критическими активами.
2. PdM — не задача Big Data с миллионами точек данных и метками для обучения моделей. Фабричная среда высокодинамична и шумна, с переменными: обслуживанием станков, разными скоростями производства, поведением операторов. Каждый станок уникален. Несмотря на это, многие организации все равно применяют классический Data Science подход к PdM.
3. Важно помнить, насколько заняты инженеры по обслуживанию. Если UX системы PdM не отражает это, есть риск, что она не заинтересует целевых пользователей. Вся ценная информация и инсайты будут проигнорированы, и инвестиции в систему пропадут зря.

Senseye понимает PdM

Senseye потратила более 150 человеко-лет R&D исключительно на PdM. Поэтому мы понимаем, как работает PdM. Важно, мы понимаем, как PdM улучшает повседневную работу инженеров по обслуживанию. Именно благодаря этому пониманию наши решения PdM успешны. Поэтому мы знаем, как развернуть в масштабе, почему не просто бросаем data scientists на проблему и почему UX имеет значение.

Следующая статья исследует, как мы применили извлеченные уроки ко всему, что делаем. А пока детали об происхождении PdM и почему вендоры (и некоторые покупатели) не понимают его суть — в белой книге «Senseye in Depth: Why is Predictive Maintenance so hard?».