Menschliche Expertise durch Machine Learning erweitern: Vertrauenswürdige Lösungen von Senseye

Von Adam Poole, Product Design Lead

Technologie ist nur wertvoll, wenn sie unser Leben leichter macht – doch diese simple Wahrheit geht im Hype um die neueste technische Zauberei oft verloren.

In einer Arbeitsumgebung brauchen Menschen das Letzte: Lösungen, die ihnen den Kopfzerbrechen zusätzlicher Systeme zum Verwalten hinterlassen. In der aktuellen Innovationswelle und Begeisterung um Smart Factories und Industrie 4.0 ist es wichtiger denn je, Lösungen zu finden, die Menschen dabei unterstützen, stärkere Unternehmen aufzubauen – statt ihren Arbeitsalltag komplexer zu machen.

Frei fließende Daten werden schnell zur Hauptwährung in dieser smarten Umgebung. Dennoch sind Daten nutzlos, unless they Menschen befähigen, bessere Geschäftsentscheidungen zu treffen. Darum ist es kritisch, dass die neue Generation industrieller Systeme eine User Experience liefert, die den Arbeitsalltag der Menschen verbessert.

Expertise weiter tragen

Macht man es richtig, können diese Systeme eine große Rolle dabei spielen, knappe menschliche Expertise zu skalieren. Sie geben Menschen mehr Zeit für Entscheidungen, während ein Großteil der routinemäßigen Datenanalyse automatisch im Hintergrund abläuft.

Um die Kraft der Smart Factory wirklich zu nutzen, müssen wir Menschen und Maschinen richtig verbinden. Es geht nicht darum, dass künstliche Intelligenz (KI) jahrelange menschliche Expertise verdrängt – es geht darum, dass Mensch und Maschine zum „smarten System“ werden: kollaborierend und sich gegenseitig ergänzend.

Prioritäten setzen, Ressourcen optimieren

Senseye PdM ist ein gutes Beispiel. Unser cloud-basiertes Predictive-Maintenance-System kann Tausende verbundener Assets überwachen, abnormales Verhalten und Muster, die bekannten Ausfallmodi einzelner Maschinen entsprechen, automatisch erkennen. Ziel ist es, Wartungsprobleme viel früher zu erkennen, sodass Nutzer Probleme beheben können, bevor sie den Betrieb stören.

Beschäftigte Instandhaltungsteams haben typischerweise nur wenige Minuten zu Schichtbeginn, um zu identifizieren, welche ihrer Tausenden Assets am dringendsten Aufmerksamkeit benötigen. Einzigartig präsentiert Senseye PdM die Informationen als priorisierte Liste, sortiert nach dem Attention Index. Damit sehen Nutzer sofort, wo sie ihre Ressourcen hinlenken sollten.

Jenseits von Asset Health

In Übereinstimmung mit den meisten Zustandsüberwachungssystemen half Senseye PdM Nutzern zuvor, Prioritäten durch Anzeige eines Asset-Health-Scores für jedes Asset zu setzen. Dieser wird nun durch den Attention Index ersetzt, der eine einzige Möglichkeit bietet, Assets zu sortieren. Dieser neue Ansatz ist Teil einer nächsten Generation von Analysen, die mit einer neuen Reihe hauseigener Algorithmen eingesetzt werden.

Der Attention Index berücksichtigt alle Arten, wie Senseye PdM Probleme erkennen oder vorhersagen kann: Anomalieerkennung, Trends, Schwellenwerte und Prognostik. Die Software führt den Nutzer auf jeder Ebene dazu, das zugrundeliegende Problem zu bestimmen, es zu beheben und dies im System zu erfassen. Das speist Machine-Learning-Algorithmen, sodass Ausfälle früh genug erkannt werden können, um Maßnahmen zu ergreifen.

Asset Health als Konzept vermittelt den Eindruck, das System verstehe alles über einen Asset. Das ist nie der Fall. Ein Zustandsüberwachungssystem kann diesen Score nur basierend auf den für jeden Asset eingerichteten Sensoren und Zustandsindikatoren berechnen (z. B. Schwingungspegel). Führt das zu einem Score von 0 – was bedeutet das wirklich? Es ist irreführend für Nutzer.

Auf-einen-Blick-Einblicke

Der Attention Index unterstützt Entscheidungsfindung durch eine priorisierte Asset-Liste. Die Expertise des Nutzers bestimmt den nächsten Schritt. Durch das einfache, unkomplizierte Softwaredesign wird wertvolle Zeit gespart. Durch die Nutzung von Machine Learning werden informierte Entscheidungen getroffen, und durch die Erfassung der tatsächlich durchgeführten Arbeit lernt das gesamte System kontinuierlich weiter.

Indem Senseye PdM Nutzern hilft, zu identifizieren, wo sie ihre Instandhaltungsressourcen fokussieren sollten, liefert es beeindruckende Ergebnisse: typischerweise 85 % Steigerung der Instandhaltungsgenauigkeit, begleitet von 50 % Reduktion der Stillstandszeiten und 55 % Produktivitätssteigerung.

Möchten Sie mehr über den Attention Index® in Senseye PdM erfahren? Laden Sie unser Whitepaper „Augmenting Human Expertise with Machine Learning“ herunter.