Schöpfen Sie echten geschäftlichen Nutzen aus Data Science

Die Verhinderung von Ausfällen durch die Vorhersage des Zustands und des Wartungsbedarfs von Industrieanlagen ist eine enorme Herausforderung. Die Welt der Datenwissenschaft ist voll von Modellen, die Schwierigkeiten haben, Ergebnisse in realen Umgebungen zu liefern. Was ist also der beste Ansatz?

Theorie und Praxis

In der Theorie sind Theorie und Praxis gleich. In der Praxis sind sie es nicht. Nirgendwo gilt dies mehr als beim Versuch, Modelle von Industrieanlagen in umsetzbare Erkenntnisse zu übersetzen, die Verbesserungen in der Fertigung liefern. Akademische Arbeiten zur Datenwissenschaft können Analysen enthalten, die zeigen, wie bestimmte Algorithmen andere um ein oder zwei Prozentpunkte verbessern können, aber in einer Fabrikumgebung kann es eine Herausforderung sein, verrauschte Signale zu durchschneiden, um überhaupt Muster aufzudecken.

Dies ist jedoch nur das erste große Hindernis, das angehende Entwickler von DIY-Modellen überwinden müssen, wenn sie hoffen, dass ihre Bemühungen Predictive Maintenance oder andere Geschäftsergebnisse ermöglichen. Diejenigen, die es schaffen, ein robustes Modell zu entwickeln, das unter realen Bedingungen funktioniert, stoßen sofort auf das nächste große Problem:Brauchbare Modelle müssen bereitgestellt und nicht nur entwickelt werden.

Bereitstellung bedeutet natürlich, Modelle in großem Maßstab auszuführen. Es bedeutet aber auch, eine Schnittstelle bereitzustellen, die Ergebnisse auf benutzerfreundliche Weise präsentiert und Benutzer zufriedenstellt, indem es verschiedenen Gruppen ermöglicht, Warnungen zu priorisieren, Feedback zu sammeln und so weiter. Wenn Sie 20.000 Roboter in einer großen Anlage haben, ist es alles andere als trivial, eine Benutzeroberfläche bereitzustellen, um interaktive Diagramme für alle anzuzeigen. Tatsächlich stellen DIY-Modellierer normalerweise fest, dass sie eigentlich versuchen, ihre eigenen Apps zu entwickeln. Dies kann extrem ressourcenintensiv und kostspielig sein.

Fragen Sie die Experten

Aus diesen Gründen ist es fast immer besser, sich mit einem spezialisierten Anbieter zusammenzutun, der über seine eigene Data-Science-Expertise und die Bereitstellungsunterstützung verfügt, die erforderlich ist, um sicherzustellen, dass die Benutzer in der Fertigung problemlos auf die benötigten Informationen zugreifen können. Unternehmen glauben möglicherweise, dass ihre eigenen, benutzerdefinierten Modelle eine bessere Leistung erbringen als generische Algorithmen, die von Anbietern generiert werden. Allerdings ist jeder Unterschied oft marginal und kann durch die negativen Aspekte des Alleingangs bei weitem aufgewogen werden.

Beispielsweise sind die Modelle, die in Senseyes Predictive-Maintenance-Lösung Senseye PdM verwendet werden, oft mit benutzerdefinierten Modellen vergleichbar und können sogar noch bessere Leistungen erbringen. Seine einzigartigen maschinellen Lernalgorithmen verwandeln Daten in eine genaue Vorhersage der verbleibenden Nutzungsdauer (RUL) von Produktionsanlagen – eine Technik, die als Prognose bekannt ist.

Ein Grund, warum Senseye PdM regelmäßig die Erwartungen übertrifft, ist, dass die Algorithmen jede Maschine als einzigartig behandeln – selbst wenn es sich um dieselbe Marke und dasselbe Modell handelt. Maschinen, die von Anfang an gleich sind, werden sich im Laufe der Zeit anders verhalten und abnutzen, da sie in ihrer unmittelbaren Umgebung oder aufgrund der Arbeit, die sie ausführen, unterschiedlichen Bedingungen ausgesetzt sind. Die Behandlung jedes Assets als Individuum mit einem einzigartigen „Verhaltens-Fingerabdruck“ erhöht die Genauigkeit der Prognosen von Senseye PdM erheblich und unterstützt Teams, die für die Produktions-Assets verantwortlich sind, besser bei der Maximierung der Betriebszeit.

Die Partnerschaft mit Senseye liefert nicht nur die bewährte Leistung erprobter und getesteter Algorithmen, sondern beseitigt auch alle damit verbundenen Probleme in Bezug auf robuste Leistung, Skalierung, Bereitstellung, Benutzerfreundlichkeit und Sicherheit.

Hat ein potenzieller Nutzer bereits ein individuelles Modell entwickelt und möchte dieses nutzen, kann Senseye dieses über eine API in das System integrieren. Selbst wenn das benutzerdefinierte Modell selbst nicht in Senseye PdM integriert ist, kann die Lösung dennoch die Ergebnisse von benutzerdefinierten Modellen als nützliche Eingabe akzeptieren.

Es ist jedoch nach wie vor viel üblicher, dass Senseye seine eigenen ausgefeilten generischen Algorithmen einsetzt. Die Datenwissenschaftler von Senseye konzentrieren sich darauf, mit der realen Welt so umzugehen, wie sie ist, und nicht so, wie wir sie gerne hätten, sodass die Modelle selbst in den lautesten Datenumgebungen äußerst robust sind.

Wenn Benutzer Prognosen und Predictive Maintenance implementieren möchten, ist dieser robuste Ansatz besonders wichtig, wenn Daten von Ausfällen erfasst werden. In einem relativ chaotischen Moment ist es wichtig, aussagekräftige Informationen aus dem Rauschen herauszuholen, damit das System einen bevorstehenden Ausfall erkennen und einen Alarm auslösen kann, bevor der Vermögenswert erneut ausfällt.

Zusammen arbeiten

Auch wenn das Einholen von externem Fachwissen die ressourceneffizienteste Art ist, Modelle für die Zustandsüberwachung und vorausschauende Wartung bereitzustellen, spielen die Benutzer eine wichtige Rolle, wenn es darum geht, das Beste aus generischen Datenmodellen herauszuholen.

Zunächst einmal gibt es bei der Bereitstellung eines generischen Modells immer eine Lernkurve. Beispielsweise benötigt Senseye PdM zunächst 14 Tage, um Ergebnisse zu liefern, und erstellt einen „Fingerabdruck“ des einzigartigen Verhaltens jedes Assets unter normalen Betriebsbedingungen.

Das interne Fachwissen und die Erfahrung unserer Kundenteams, darunter Zustandsüberwachungsspezialisten und Maschinenbauingenieure, können in Kombination mit unseren Technologieexperten in diesen Prozess einfließen, sodass Senseye das System im Voraus konfigurieren kann, um einige der Daten und Ereignisse zu priorisieren, an denen die Benutzer am meisten interessiert sind Dies beschleunigt den anfänglichen Lernprozess für die Algorithmen. Langfristig ermöglicht ein System regelmäßiger Rückmeldungen den Algorithmen, sich ein Bild davon zu machen, welche Ereignisse und Trends für die Nutzer wichtig und welche irrelevant sind. Dies ist nützlich, wenn generische Modelle bereitgestellt werden, die sich allmählich anpassen, um das Verhalten jeder Maschine im Laufe der Zeit immer genauer vorherzusagen.

Reale Ergebnisse

Machen Sie es richtig und die geschäftlichen Vorteile sind äußerst beeindruckend. Senseye PdM reduziert in der Regel ungeplante Maschinenausfallzeiten um 50 %, erhöht die Produktivität des Wartungspersonals um 55 % und erhöht die Genauigkeit der Prognose von Ausfallzeiten um 85 %.

In der Regel lassen sich diese Vorteile nur schwer mit benutzerdefinierten Algorithmen vergleichen, daher wird ein herausragender Ansatz dringend empfohlen, um reale Ergebnisse zu erzielen.

Weitere Informationen finden Sie in unserem Whitepaper „Die Macht der Vorhersage nutzen“ oder probieren Sie unseren ROI-Rechner aus, um zu sehen, wie Sie davon profitieren können.