Der Aufstieg von PdM und warum es so schwer ist, es richtig zu machen

Predictive Maintenance (PdM) ist ein proaktiver Ansatz, um Maschinenausfälle zu beheben, bevor sie zu einem Problem werden. Durch die Analyse großer Mengen von Maschinendaten ermöglicht PdM dem Wartungspersonal, den Zustand von Maschinen zu verstehen und ihre Aktivitäten entsprechend zu optimieren, um ungeplante Ausfallzeiten zu vermeiden und plötzliche Ausfälle zu beseitigen. Aber trotz der offensichtlichen Vorteile sind die meisten PdM-Bereitstellungen zum Scheitern verurteilt. In diesem Beitrag betrachten wir den Aufstieg von PdM und warum so viele Anbieter – und ihre Kunden – weiterhin Fehler machen.

Predictive Maintenance - damals und heute

Vorausschauende Wartung gibt es schon viel länger, als Sie vielleicht denken. Während des Zweiten Weltkriegs beobachtete der Wissenschaftler CH Waddington, dass die Ausfall- oder Reparaturrate eines Flugzeugs unmittelbar nach einer Inspektion oder Wartung am höchsten war. Dieses als „Waddington-Effekt“ bekannte Phänomen führte dazu, dass Wartungsprozesse an den physischen Zustand und die Häufigkeit des Einsatzes eines Flugzeugs angepasst wurden, mit angepassten Inspektionszyklen, basierend auf der Analyse der resultierenden Daten. Kurz gesagt, es war der Beginn von PdM.

Seitdem hat sich natürlich viel verändert. Die vierte industrielle Revolution und das Aufkommen von Industrie 4.0 haben technologische Durchbrüche in einem solchen Tempo erlebt, dass sie „fast jede Branche in jedem Land stören“. Diese Durchbrüche haben zu erheblichen Verbesserungen bei Sensor-, Netzwerk-, Datenerfassungs- und Speichertechnologien geführt, die zusammen mit dem Zugriff auf eine Fülle von Rechenleistung und Daten, die durch die jüngsten Fortschritte in der KI-Technologie verfügbar gemacht wurden, dazu geführt haben, dass PdM in der breiteren Industrie zunehmend anwendbar geworden ist .

Heute, genau wie vor fast 80 Jahren, bleibt der Hauptvorteil von PdM seine Fähigkeit, fundierte Entscheidungen zu treffen. Wartungsfachleute sind für die Überwachung vieler Maschinen an einem oder mehreren Standorten verantwortlich und sehr beschäftigt. Indem sie ihnen ein besseres Verständnis des laufenden Zustands ihrer Maschinen vermitteln, kann eine PdM-Lösung ihnen helfen, die begrenzte Zeit und die ihnen zur Verfügung stehenden Ressourcen besser zu nutzen.

Warum war es angesichts seines Erbes und der klaren Vorteile, die es bietet, für so viele so schwer, im PdM erfolgreich zu sein?

Drei häufige Fehler

Die Wahrheit ist, dass viele Anbieter auf den PdM-Zug aufgesprungen sind, obwohl sie wenig Wertschätzung für eine im Wesentlichen sehr einzigartige Domäne haben. Einige haben einfach versucht, ältere Monitoring-Tools „aufzuladen“, während andere herkömmliche Data-Science-Ansätze auf einen Problembereich angewendet haben, der alles andere als konventionell ist. Ohne das notwendige Verständnis dafür, was ein PdM-System genau ist und wie es funktioniert, werden viele neue Lösungen es nicht einmal auf den Markt schaffen. Infolgedessen werden nur wenige Unternehmen in großem Maßstab wirklich erfolgreich sein.

Letztendlich ist ein Großteil dieses mangelnden Verständnisses – und der daraus resultierende PdM-Erfolg – ​​auf drei grundlegende Fehler zurückzuführen, die Anbieter und ihre Kunden immer wieder machen werden.

1. Wie wir gesehen haben, ist das Konzept von PdM nichts Neues. Techniken wie Zustandsüberwachung, Wartungsgutschriften und Prognosen gibt es schon seit einiger Zeit. Aber die mangelnde Fähigkeit, diese Techniken über kritische Maschinen hinaus zu skalieren, hat dazu geführt, dass ihr Einsatz weitgehend auf kritische Maschinen beschränkt war.
2. PdM ist nicht, wie manche glauben, ein Big-Data-Problem, bei dem es Millionen von Datenpunkten und Bezeichnungen gibt, auf denen Modelle trainiert werden können. Eine Fabrikumgebung ist sehr dynamisch und laut, mit einer Reihe von Variablen, darunter Maschinenwartung, unterschiedliche Produktionsgeschwindigkeiten und sogar das Verhalten verschiedener Maschinenbediener. Und natürlich ist jede Maschine ein Unikat. Trotzdem werden viele Organisationen immer noch einen klassischen Data-Science-Ansatz für PdM verfolgen.
3. Es ist wichtig, sich daran zu erinnern, wie beschäftigt Wartungsfachleute sind. Wenn die Benutzererfahrung eines PdM-Systems dies nicht widerspiegelt, besteht die Gefahr, dass es nicht mit seinen Zielbenutzern interagiert. Alle wertvollen Informationen und Erkenntnisse, die es generiert, werden ignoriert, und die Investition einer Organisation in das System selbst wird verschwendet.

Senseye versteht PdM

Senseye hat mehr als 150 Personenjahre an Forschungs- und Entwicklungszeit ausschließlich aufgewendet auf PDM. Deshalb verstehen wir, wie PdM funktioniert. Wichtig ist, dass wir verstehen, wie PdM den täglichen Betrieb von Wartungstechnikern verbessert. Und aufgrund dieses Verständnisses sind unsere PdM-Lösungen erfolgreich. Aus diesem Grund wissen wir, wie man es in großem Maßstab bereitstellt, aus diesem Grund werfen wir nicht einfach Datenwissenschaftler darauf und aus diesem Grund ist die Benutzererfahrung so wichtig.

In unserem nächsten Beitrag wird untersucht, wie wir die Lektionen, die wir gelernt haben, auf alles, was wir tun, angewendet haben. Bis dahin finden Sie weitere Einzelheiten darüber, woher PdM kommt und warum Anbieter – und einige Käufer – es nicht richtig machen, in unserem Whitepaper „Senseye in Depth:Why is Predictive Maintenance so hard?“.