Verbesserung menschlicher Expertise durch maschinelles Lernen | Senseye

Von Adam Poole, Leitung Produktdesign

Technologie ist nur dann wertvoll, wenn sie unser Leben einfacher macht, aber diese einfache Wahrheit kann bei der Förderung der neuesten technischen Zauberei verloren gehen.

In einer Arbeitsumgebung ist das Letzte, was Menschen brauchen, Lösungen, die ihnen Kopfschmerzen durch zusätzliche zu verwaltende Systeme hinterlassen. In der aktuellen Innovations- und Begeisterungswelle rund um intelligente Fabriken und Industrie 4.0 ist es wichtiger denn je, Lösungen zu finden, die Menschen dabei unterstützen, stärkere Unternehmen aufzubauen, anstatt ihr Arbeitsleben komplexer zu machen.

Frei fließende Daten entwickeln sich schnell zur Hauptwährung in dieser intelligenten Umgebung. Trotzdem sind Daten nutzlos, es sei denn, sie befähigen Menschen, bessere Geschäftsentscheidungen zu treffen. Vor diesem Hintergrund ist es entscheidend, dass die neue Generation industrieller Systeme eine Benutzererfahrung bietet, die das Arbeitsleben der Menschen verbessert.

Hilfsexpertise, weiter zu gehen

Wenn Sie es richtig machen, können diese Systeme eine große Rolle dabei spielen, das knappe menschliche Fachwissen zu skalieren. Sie können den Menschen mehr Zeit geben, Entscheidungen zu treffen, während ein Großteil der routinemäßigen Datenanalyse automatisch hinter den Kulissen durchgeführt wird.

Um die Leistungsfähigkeit der Smart Factory wirklich zu nutzen, müssen wir Menschen und Maschinen auf die richtige Weise verbinden. Es geht nicht darum, dass künstliche Intelligenz (KI) jahrelange menschliche Expertise ersetzt, sondern darum, dass Mensch und Maschine zum „intelligenten System“ werden:zusammenarbeiten und sich gegenseitig ergänzen.

Setzen Sie Prioritäten, um Ressourcen zu optimieren

Senseye PdM ist ein großartiges Beispiel. Unser Cloud-basiertes Predictive-Maintenance-System kann Tausende verbundener Anlagen überwachen und automatisch abnormales Verhalten und Muster erkennen, die den bekannten Ausfallmodi einzelner Maschinen entsprechen. Das Ziel besteht darin, Wartungsprobleme viel früher zu erkennen, damit Benutzer Probleme beheben können, bevor sie den Betrieb unterbrechen.

Vielbeschäftigte Wartungsteams haben zu Beginn jeder Schicht in der Regel nur wenige Minuten Zeit, um zu ermitteln, welche ihrer Tausenden von Anlagen ihre Aufmerksamkeit am dringendsten benötigen. Senseye PdM präsentiert die Informationen auf einzigartige Weise den Benutzern in Form einer priorisierten Liste, sortiert nach dem Aufmerksamkeitsindex. Dadurch können Benutzer sofort sehen, wohin sie ihre Ressourcen lenken sollten.

Über Asset Health hinausgehen

Wie bei den meisten Zustandsüberwachungssystemen half Senseye PdM den Benutzern zuvor, Prioritäten zu setzen, indem es für jedes Asset einen Asset Health Score angab. Dieser wird jetzt durch den Aufmerksamkeitsindex ersetzt, der eine einheitliche Möglichkeit bietet, Vermögenswerte zu sortieren. Dieser neue Ansatz ist Teil einer nächsten Generation von Analysen, die mithilfe einer neuen Reihe interner Algorithmen eingesetzt werden.

Attention Index berücksichtigt alle Möglichkeiten, wie Senseye PdM Probleme erkennen oder vorhersagen kann:Anomalieerkennung, Trends, Schwellenwerte und Prognose. Die Software führt den Benutzer auf jeder Ebene dazu, das zugrunde liegende Problem zu ermitteln, zu beheben und im System zu erfassen. Dadurch werden maschinelle Lernalgorithmen gespeist, sodass Fehler früh genug erkannt werden können, um Maßnahmen zu ergreifen.

Asset Health als Konzept erweckt den Eindruck, dass das System alles über ein Asset versteht. Dies ist nie der Fall. Ein Zustandsüberwachungssystem kann diese Bewertung nur auf die Sensoren und Zustandsindikatoren stützen, die für jedes Asset (d. h. Vibrationspegel) eingerichtet wurden. Wenn dies zu einer Punktzahl von 0 führt, was bedeutet das wirklich? Es ist für die Nutzer irreführend.

Einblicke auf einen Blick

Der Aufmerksamkeitsindex unterstützt die Entscheidungsfindung durch die Darstellung einer priorisierten Liste von Assets. Es ist die Expertise des Anwenders, die den nächsten Schritt bestimmt. Indem das Design der Software einfach und unkompliziert gehalten wird, wird wertvolle Zeit gespart. Durch die Nutzung der Leistungsfähigkeit des maschinellen Lernens werden fundierte Entscheidungen getroffen, und durch die Erfassung der tatsächlich geleisteten Arbeit lernen alle Teile des Systems weiter dazu.

Senseye PdM hilft Benutzern zu erkennen, worauf sie ihre Wartungsressourcen konzentrieren sollten, und liefert beeindruckende Ergebnisse mit einer typischen Steigerung der Wartungsgenauigkeit um 85 %, begleitet von einer Verringerung der Ausfallzeiten um 50 % und einer Steigerung der Produktivität um 55 %.

Wünschen Sie weitere Informationen zum Attention Index® innerhalb von Senseye PdM? Laden Sie unser Whitepaper „Augmenting Human Expertise with Machine Learning“ herunter.