So führen Sie einen Proof of Concept für vorausschauende Wartung durch

In diesem Blog teilen wir einige der Lektionen, die wir sowohl aus erfolgreichen als auch aus erfolglosen PoCs gelernt haben. Wir würden gerne sagen können, dass alle unsere PoCs ihre Endziele der Skalierung erreicht haben, aber dies würde wertvolle Erkenntnisse ignorieren, die wir jetzt teilen können, um Ihnen zu helfen, denselben Fehler zu vermeiden.

Einführung

KI und Analytik sind heiße Themen und fast jeder Anbieter beansprucht mit seiner Predictive-Analytics-Plattform die Fähigkeit, Predictive Maintenance (PdM) durchzuführen. Die Beziehung zu einem Predictive-Maintenance-Softwareanbieter ist jedoch in der Regel langwierig und erfordert ein hohes Maß an Vertrauen. Bei einem großen Rauschen auf dem Markt ist es daher sinnvoll, eine Übung durchzuführen, um potenzielle Anbieter herunterzuselektieren. Wie bei der Wahl Ihres Arztes müssen Sie sicher sein, dass ein Anbieter das tun kann, wozu er sagt, dass er in der Lage ist.

Für eine Organisation ist es oft sinnvoll, eine Übung durchzuführen, um sicherzustellen, dass sie nicht nur den richtigen Anbieter auswählt, sondern dass die Organisation selbst ausreichend darauf vorbereitet ist, dies sicherzustellen ein PdM-Projekt alles hat, was es braucht, um erfolgreich zu sein, und dass es in der Lage ist, sich zu verändern und anzupassen, um die angebotenen Vorteile zu nutzen. Der PdM Proof of Concept (PoC) kann helfen, dies sicherzustellen – wenn er richtig gemacht wird.

Nach unserer Erfahrung haben viele Unternehmen mehrere PdM-PoCs ausprobiert und sind gescheitert, bevor sie schließlich die erwarteten Ergebnisse erzielen. Einige unserer Kunden haben drei andere Lösungen ausprobiert, bevor sie ihre Erwartungen erfüllt haben. Die Lehren aus den Fehlern waren, dass der Anbieter oft nicht allein schuld war – das Problem lag tatsächlich im Inneren. Nur ihr Bewusstsein für den Erfolg in anderen Branchenprojekten gab ihnen das Selbstvertrauen, intern Änderungen vorzunehmen und hartnäckig erfolgreich zu sein.

Predictive Analytics ≠ Predictive Maintenance

Es ist wichtig, dass wir ein wichtiges und weit verbreitetes Missverständnis ansprechen:Predictive Analytics-Tools können als Teil eines PdM-Programms verwendet werden, aber Predictive Analytics und PdM sind bei weitem nicht dasselbe.

Data Scientists können Maschinendaten bearbeiten, Anomalien und Trends erkennen – und überzeugende Screenshots erstellen. Aber es ist eine ganz andere Sache, ein tiefes Verständnis dafür zu haben, was diese Dinge für die Gesundheit von Maschinen bedeuten, und in der Lage zu sein, eine eingehende Diskussion darüber zu führen, welche Wartungsstrategie mit diesen neuen Informationen anzuwenden ist. Reinen Datenwissenschaftlern fehlt es in der Regel an Erfahrung und Wissen, um als Wartungstechniker zu fungieren. Infolgedessen funktionieren die von ihnen entwickelten benutzerdefinierten Algorithmen unter realen industriellen Bedingungen oft schlecht.

Erkennen eines Anbieters, der eher an vorausschauende Analysen als an vorausschauende Wartung gewöhnt ist

Spezialmaschinen können spezielle und einzigartige Fehlermodi haben, aber die Fehlermodi und die Arten von Informationen, die benötigt werden, um sie in den meisten gängigen Maschinen wie Motoren, Getrieben und Robotern zu erkennen, sind aus Sicht der Zustandsüberwachung sehr gut bekannt. Fehler sind oft „das, was sie sind“. Wenn also ein Anbieter grundlegende Fragen zu Maschinenfehlermodi stellt und Sie auffordert, alles zu definieren, ist klar, dass er keinen Hintergrund in der Zustandsüberwachung oder Maschinenwartung hat und nicht weiß, was er tut tun. Die Erfolgsaussichten sind sehr gering.

Wenn Sie frühzeitig darum gebeten werden, alles zu kennzeichnen – und nicht in der Lage sind, die Angaben in Ihren Wartungsprotokollen zu verstehen und Korrelationen herzustellen –, kann dies bedeuten, dass Sie es mit einem Anbieter zu tun haben, der einen maßgeschneiderten Modellierungsansatz verfolgt. Dies kann sehr gute Ergebnisse für bis zu Dutzende von Maschinen haben, wird aber mit der Skalierbarkeit und den Kosten für alles andere kämpfen.

Wartung ist die ultimative praktische Disziplin zum Anfassen, während die Datenanalyse in der Anwendung von Theorie und fortgeschrittener Mathematik verwurzelt ist. Der PoC sollte der Punkt sein, an dem diese beiden Welten zusammenlaufen, um durch PdM messbare geschäftliche Vorteile zu erzielen.

Den richtigen PdM-Lieferanten zu finden, ist schwierig – er muss Ihre Wartungspraktiken, Ihre Maschinen und die angestrebten Geschäftsergebnisse verstehen, und er muss genauso engagiert sein wie Sie, um diese zu erreichen. Sie müssen dies durch die Anwendung der richtigen Theorien und Mathematik tun – und dies auf eine Weise, die wirtschaftlich und organisatorisch skalierbar ist.

Weitere Informationen zu Best Practices und häufig zu vermeidenden Fallstricken finden Sie unten in unserem vollständigen Whitepaper „How to Run a Predictive Maintenance Proof of Concept“.