Успех предиктивного обслуживания: расширение возможностей пользователей, а не алгоритмов

Опытные инженеры по обслуживанию имеют детальную ментальную картину оборудования, за которым следят. Они знают, когда грохот клапана означает неизбежный полом, а когда можно игнорировать до следующего планового останова. Если автоматизированная система PdM может использовать этот пул знаний, она может научиться предоставлять лучшую поддержку пользователям, решающим, какие обслуживающие активности приоритизировать.

В пользовательско-центричном подходе к PdM команды обслуживания получают алерты только когда система считает, что они найдут эту информацию полезной, основываясь на том, что они раньше считали полезным.

Это похоже на то, как цифровые провайдеры контента вроде Netflix или Amazon хранят информацию о выборе каждого пользователя. Они используют это для «движка рекомендаций», который непрерывно уточняет фильмы, показываемые каждому пользователю, в ответ на их обратную связь.

Именно этот подход мы берем в Senseye для моделирования и понимания поведения пользователей дополнительно к тому, что происходит с активами, которые они мониторят, чтобы направлять их внимание туда, где оно нужно больше всего.

Сила (и ограничения) прогнозирования

Каждая инициатива предиктивного обслуживания — от использования железной прутины, прижатой к грохочущему станку, чтобы понять, нужен ли сервис редуктора до следующего планового интервала, до изощренной автоматизированной системы мониторинга — стремится помочь операторам выявить, когда закипает неприятность. Главная цель — поднять флаг достаточно рано, чтобы предотвратить поломку, ведущую к дорогостоящему внеплановому простою. Часто есть и другие выгоды, связанные с улучшением продуктивности и планирования обслуживания.

Концепция «цифрового двойника» сейчас особенно популярна — но часто запутанный маркетинг этого математического подхода мало упоминает пользователей, которые должны взаимодействовать с этими «двойниками» и что это значит для них. «Цифровой двойник» каждого актива также требует, чтобы пользователь был комфортен в сложной цифровой среде. Но есть другой подход, гораздо более фокусирующийся на потребностях пользователей.

Многие отказы оставляют характерные сигналы или «отпечатки» в данных станков, и ведущее ПО PdM на рынке сейчас может научиться их распознавать, принимая широкий спектр входов — от выделенных данных мониторинга состояния до более общих заводских данных. Эти системы понимают, какие паттерны или характерные сигналы указывают на возможную проблему. В некоторых случаях и при достаточных данных они даже могут рассчитать оставшийся ресурс (RUL) каждого актива — технику, известную как прогностика.

Большинство этих систем PdM работают с ограниченными данными с цеха, запуская алерт при превышении заданного порога. Они могут алертить при перегреве или вибрации, но маловероятно, что у них достаточно информации для детальной диагностики.

Иными словами, система может «советовать», поднимая алерт, но только пользователь имеет опыт и экспертные знания, чтобы решить, когда действовать. Критически, управление ситуацией становится гораздо сложнее в средах, где мониторится много станков одновременно, потому что пользователи легко перегружаются. Вызов PdM не в «можете ли вы выявить проблемы в данных», а в «можете ли вы выявить то, что интересно пользователям?».

Кто заботится о пользователе?

Мы считаем важным, чтобы когда мы поднимаем алерт, пользователь мог в одно касание указать, полезен ли он или нет. Со временем это учит систему направлять внимание оператора к наиболее насущным приоритетам обслуживания. Это делается автоматически, так что операторам не нужна экспертиза в аналитике данных.

Иными словами, пользовательско-центричный подход Senseye к аналитике данных направляет внимание, моделируя реакцию пользователя. Этот цикл обратной связи между решением Senseye и пользователем означает, что количество алертов постепенно снижается до стабильного уровня, где почти всё, на что система направляет пользователя, полезно.

Доказанные результаты передовых аналитик — для станков и тех, кто их обслуживает

Аналитика данных — это поиск паттернов в массе входящих заводских данных. Например, проприетарные алгоритмы, или pattern engines, за Senseye PdM созданы для выявления характерных поведений, предшествующих потенциальным поломкам, и запуска алерта через наш проприетарный Attention Index. Несколько типов паттернов могут запустить алерт Attention Index: аномалии — периоды нестабильных данных, тренды — постепенные сдвиги базовой линии, нарушения — превышение порогов или правил, заданных пользователем.

Но вся эта изобретательная аналитика ничего не значит, если она не доставляет реальные бизнес-выгоды пользователям. К счастью, Senseye PdM имеет сильный трек-рекорд выполнения обещаний продуктивности по разным отраслям. Существующие клиенты обычно наслаждаются 50% снижением простоев, 55% ростом продуктивности и 85% увеличением точности обслуживания.

Более того, Senseye PdM подкреплен гарантией Senseye ROI Lock®: если внедрение Senseye PdM не снижает внеплановые простои, как согласовано заранее, клиенты могут претендовать на возврат всей подписки.

Если вы хотите узнать больше о том, как мы моделируем пользователей обслуживания так же, как активы, которые они следят, мы подготовили детальную белую книгу о том, как Senseye PdM может помочь направить ваши усилия по обслуживанию туда, где они принесут максимум пользы. Скачайте подробную белую книгу ниже или свяжитесь с нами для демо и старта!