Erfolg bei vorausschauender Wartung im großen Maßstab

In unserem letzten Beitrag haben wir uns mit dem Aufstieg der vorausschauenden Wartung (PdM) befasst und warum so viele Anbieter – und ihre Kunden – weiterhin Fehler machen. Hier werden wir untersuchen, wie wir das, was wir im Laufe der Jahre über Predictive Maintenance gelernt haben, auf alles, was wir heute tun, angewendet haben.

Die Kombination aus mehr als 30 Jahren Erfahrung in der Luft- und Raumfahrtindustrie und über 150 Personenjahren Forschungs- und Entwicklungszeit, die ausschließlich für PdM aufgewendet wurden, hat uns viel über den Einsatz von vorausschauenden Wartungstechnologien in verschiedenen Sektoren gelehrt. Und da wir weiterhin auf unterschiedliche Branchen und Kundenreifegrade stoßen, lernen wir weiter dazu. Vor allem haben wir gelernt, dass es nicht einfach ist, Predictive Maintenance gut zu machen.

Wichtig ist, dass wir gelernt haben, dass es nicht nur darum geht, zu wissen, wie man PdM gut macht, sondern warum es wichtig ist. Wir haben zum Beispiel gelernt, dass der wahre Wert von PdM schwer zu erklären ist, selbst wenn es einen erheblichen Return on Investment liefert. Die Implementierung einer PdM-Strategie ist ein Schritt, der nicht auf die leichte Schulter genommen werden sollte – er betrifft ein ganzes Unternehmen, vom Vorstand bis zur Fertigung. Ein gewisses Maß an Vertrauen in seinen Erfolg wird erforderlich sein, bevor man sich auf eine Transformation dieser Größenordnung einlässt.

Hier sind also einige wichtige Punkte, die unserer Erfahrung nach Organisationen berücksichtigen sollten, wenn sie sich auf den Weg zu vorausschauender Wartung machen.

Predictive Maintenance ist kein typischer Data-Science-Anwendungsfall

Je mehr wir mit Kunden über ihre früheren gescheiterten Implementierungsversuche sprechen, desto sicherer werden wir, dass PdM nicht als typisches Big-Data-Problem behandelt werden kann. Dies ist größtenteils auf die Tatsache zurückzuführen, dass PdM der umfassende Kontext fehlt, der für das Funktionieren von Big-Data-Lösungen erforderlich ist. Viele Maschinenfehlermodi sind auch subtiler Natur, was es für etablierte Algorithmen des maschinellen Lernens schwierig macht, erkennbare Muster genau vorherzusagen.

Es ist nicht unvernünftig, in einer typischen Data-Science-Lösung Genauigkeitsgrade von 90 % und mehr zu erwarten. Eine ähnliche Genauigkeit von einer PdM-Lösung zu erwarten, deutet jedoch auf ein grundlegendes Missverständnis ihrer Funktionsweise hin. Ja, die Verwendung hochwertiger, kuratierter Daten in einer Laborumgebung liefert solche Ergebnisse für bestimmte Maschinen und bestimmte Ausfallarten. Aber das entspricht nicht der Realität. Zum einen ist jede Maschine und jeder Fehlermodus einzigartig, und verschiedene Sensortypen liefern Daten mit unterschiedlicher Genauigkeit. Ganz zu schweigen von der dynamischen Natur einer Fabrikhalle und dem allgemeinen Mangel an entscheidenden Kontextinformationen.

Schwierige Fragen sollten jedem gestellt werden, der allgemeine Fragen stellt oder spezifische Behauptungen bezüglich der Genauigkeit einer PdM-Lösung aufstellt.

Kennen Sie Ihr Publikum

Eine weitere Sache, die uns unsere Erfahrung gelehrt hat, ist, dass vielbeschäftigte Wartungsteams zu Beginn ihrer Schicht normalerweise sehr wenig Zeit haben um festzustellen, welche der vielen Maschinen, für die sie verantwortlich sind, ihre Aufmerksamkeit am meisten benötigen. Sie möchten diese Zeit sicherlich nicht damit verbringen, Diagramme zu studieren und Rohdaten zu sichten, um diese Informationen aufzudecken.

Ein einfaches, intuitives Softwaredesign ist daher unerlässlich, um Wartungsfachleuten die erforderlichen Einblicke in einem leicht lesbaren Dashboard zu geben und wertvolle Zeit zu sparen. Obwohl viele Anbieter solche Dashboards anbieten, handelt es sich oft um generische Angebote, die die einzigartigen Arbeitsabläufe, Vorlieben und Erfahrungen eines Benutzers nicht berücksichtigen. Tatsächlich sind das Wissen und die Erfahrung dieser Fachleute von unschätzbarem Wert; Ihre Nutzung ist entscheidend für den Erfolg einer PdM-Lösung.

Die Produkte von Senseye wurden unter Berücksichtigung all dessen entwickelt. Wir streben nach Einfachheit und integrieren Analysen nahtlos in eine klare Benutzeroberfläche. Anstelle mehrerer Diagramme und Grafiken werden Informationen in Form einer Liste dargestellt, die nach der Attention Engine sortiert ist, einem proprietären Algorithmus, der Maschinendaten, Wartungsdaten und Bedienerdaten verwendet, um Maschinen zu priorisieren, die Aufmerksamkeit benötigen.

Wissen Sie, wo sich Ihre Nutzer auf ihrer Reise befinden

Wir haben auch gelernt, dass sich verschiedene Unternehmen – und oft auch verschiedene Bereiche innerhalb desselben Unternehmens – auf ihrem Weg zur vorausschauenden Wartung in unterschiedlichen Stadien befinden. Beispielsweise führt ein Unternehmen möglicherweise nur periodische, routenbasierte Zustandsüberwachungsprüfungen durch. Ein anderes Unternehmen wird jedoch eine robuste, automatisierte Zustandsüberwachung mit einer PdM-Lösung kombiniert haben, um genaue Vorhersagen über den Zustand seiner Maschinen und die Zeit bis zum Ausfall zu erhalten.

Diese Beispiele befinden sich natürlich an entgegengesetzten Enden einer Skala, und die meisten Unternehmen werden irgendwo zwischen den beiden angesiedelt sein, wobei der Reifegrad sowohl ihrer Daten als auch ihrer kulturellen Bereitschaft als Ergebnis eines größeren Verständnisses ihres Managementteams und der Zustimmung ihres Managementteams zunimmt IT-Team. Es ist jedoch wichtig zu wissen, wo sich ein Unternehmen auf dieser Skala befindet, da jedes je nach Reifegrad ein anderes Support- und Bereitstellungspaket benötigt.

Jahrelange Erfahrung hat uns viel darüber gelehrt, was funktioniert und was nicht. In unserem nächsten Beitrag werden wir untersuchen, wie all diese Erfahrung und dieses Verständnis Senseye PdM zum führenden PdM-Produkt auf dem Markt gemacht haben. Bis dahin finden Sie weitere Einzelheiten zu den wichtigsten Erkenntnissen über PdM in unserem Whitepaper „Senseye in Depth:Why is Predictive Maintenance so hard?“.