Раскройте реальную бизнес-ценность с Data Science для обслуживания промышленных активов

Предотвращение поломок путем предсказания состояния и потребностей в обслуживании промышленных активов — массивный вызов. Мир data science полон моделей, которые борются за доставку результатов в реальных средах. Так какой лучший подход?

Теория и практика

В теории теория и практика одинаковы. На практике — нет. Нигде это не вернее, чем при попытке перевести модели промышленных активов в actionable insights, доставляющие улучшения на цехе. Академические статьи по data science могут включать анализы, демонстрирующие, как конкретные алгоритмы могут улучшить другие на процентный пункт или два, но на заводе, пробираясь через шумные сигналы, чтобы раскрыть любые паттерны — уже вызов.

Но это только первый большой препятствие для would-be DIY разработчиков моделей, если они надеются, что их усилия обеспечат предиктивное обслуживание или другие бизнес-результаты. Те, кто все же удается разработать надежную модель, работающую в реальных условиях, сразу сталкиваются со следующей большой проблемой: полезные модели должны быть развернуты, а не просто разработаны.

Развертывание естественно означает запуск моделей в масштабе. Но также означает предоставление интерфейса, представляющего результаты дружелюбным способом и удовлетворяющего пользователей, позволяя разным группам приоритизировать алерты, собирать обратную связь и так далее. Если у вас 20 000 роботов работают на крупном заводе, даже развертывание UI для отображения интерактивных графиков для всех — далеко не тривиально. Фактически, DIY моделлеры обычно находят, что они на самом деле пытаются разработать свои собственные приложения. Это может быть крайне ресурсоемко и дорого.

Спросите экспертов

По этим причинам почти всегда лучше объединиться со специализированным провайдером, со своим data science опытом и поддержкой развертывания, необходимой для обеспечения того, чтобы shop floor пользователи могли легко получить доступ к нужной информации. Компании могут думать, что их собственные кастомные модели могут выполнять лучше, чем обобщенные алгоритмы от поставщиков. Однако любая разница часто маргинальна и может быть далеко перевешена негативными аспектами одиночки.

Например, модели, используемые в решении Senseye для предиктивного обслуживания, Senseye PdM, часто на уровне кастомных моделей и могут выполнять даже лучше. Его уникальные ML-алгоритмы превращают данные в точный прогноз оставшегося ресурса (RUL) производственных активов — технику, известную как прогностика.

Одна причина, почему Senseye PdM регулярно превосходит ожидания — алгоритмы traktуют каждый станок как уникальный — даже если они одна марка и модель. Станки, стартующие одинаково, будут вести себя и изнашиваться по-разному со временем, подвергаясь различиям в их непосредственной среде или из-за выполняемой работы. Отношение к каждому активу как к индивидууму с уникальным «поведенческим отпечатком» значительно повышает точность прогностики Senseye PdM и лучше поддерживает команды, отвечающие за производственные активы, для максимизации аптайма.

Помимо доставки доказанной производительности проверенных алгоритмов, партнерство с Senseye убирает все сопутствующие головные боли вокруг надежной производительности, масштабирования, развертывания, usability и безопасности.

Если потенциальный пользователь уже разработал кастомную модель и хочет использовать ее, Senseye может интегрировать ее в систему через API. Даже если кастомная модель сама не интегрирована в Senseye PdM, решение все равно может принимать результаты от кастомных моделей как полезный ввод.

Однако остается гораздо более распространенным для Senseye развертывать свои собственные изощренные обобщенные алгоритмы. Data scientists Senseye фокусируются на работе с реальным миром как он есть, а не как мы хотели бы, чтобы он был, поэтому модели крайне надежны даже в самых шумных данных средах.

Где пользователи стремятся внедрить прогностику и предиктивное обслуживание, этот надежный подход особенно важен при захвате данных от отказов. В моменте, который может быть относительно хаотичным, жизненно важно извлечь значимую информацию из-под шума, чтобы система могла выявить надвигающийся отказ и поднять алерт до того, как актив снова выйдет из строя.

Работаем вместе

Даже если привлечение внешней экспертизы — самый ресурс-эффективный способ развертывания моделей для мониторинга состояния и предиктивного обслуживания, пользователи играют важную роль в извлечении максимума из обобщенных data моделей.

Для начала, всегда есть кривая обучения при развертывании обобщенной модели. Например, Senseye PdM изначально тратит 14 дней на доставку результатов, строя «отпечаток» уникального поведения каждого актива под нормальными операционными условиями.

In-house экспертиза и опыт наших клиентских команд, включая специалистов по мониторингу состояния и механических инженеров, в сочетании с нашими технологическими экспертами могут влиться в этот процесс, позволяя Senseye конфигурировать систему заранее для приоритизации некоторых данных и событий, которые пользователи наиболее заинтересованы. Это ускоряет начальный процесс обучения алгоритмов. В более длительной перспективе, система регулярной обратной связи позволяет алгоритмам строить картину, какие события и тренды важны для пользователей, а какие нерелевантны. Это полезно при развертывании обобщенных моделей, которые постепенно адаптируются для прогнозирования поведения каждого станка все более точно со временем.

Результаты в реальном мире

Сделайте правильно и бизнес-выгоды极其 впечатляют. Senseye PdM типично сокращает внеплановые простоя станков на 50%, повышает продуктивность персонала обслуживания на 55% и бустит точность прогнозирования простоев на 85%.

Типично эти выгоды трудно достичь с кастомными алгоритмами, поэтому standout подход настоятельно рекомендуется для достижения реальных результатов.

Узнайте больше, прочитав нашу белую книгу «Harness The Power of Prediction» или попробуйте наш ROI Calculator, чтобы увидеть, как вы могли бы выиграть.