为人工智能的未来做准备

发布时间:2017年10月12日

Jennifer Roubaud,英国和爱尔兰国家经理与Dataiku,通过首先优化使用预测性维护,通过首先优化您的运营来为人工智能和自我维护铺平道路。

如今,预测性维护被广泛认为是任何企业的明显下一步,寻求利用机器学习控制上升设备维护成本。预测性维护从多个和各种源采取数据,结合它,并使用机器学习技术在发生之前预测设备故障。

许多企业已经在使用持续监控技术——比如物联网(IoT)连接设备——这是一个良好的开端;但关键并不仅仅在于监控各种数据的输出(这就是现在有多少公司在使用这些数据),还在于采取下一步行动,利用先进的算法和机器学习,根据实时数据采取行动。

进一步走进了一步,最具创新性的企业,无论他们维持哪种类型的高资本资产,都要看到预测性维护的最大成本节省,而不仅仅是通过将系统放在适当的地方,可以返回简单的预测输出,而是通过重新思考和优化他们的系统从上到下的整个维护策略整体。这表示:

•铺平人工智能(AI)和自我维护,通过优化(和自动化)立即下一步一旦预测系统指向即将发生故障,这是否会自动触发工作订单,通知技术人员或某些团队,放置订购替换部分等。

•考虑维护策略的组合,以确定预测和传统维护的最佳成本节约组合,也许甚至可以在资产基础上。

•通过二级分析确定如何最好地执行必要的修复,意义有一个过程在整个深层分析确定最佳时间删除额外的资产从服务和维修——如果有的话——应该同时进行最小化的成本必须删除不同的资产再次失败在短窗口。

要开始,Data Compence Company,Dataiku,已发布免费白皮书“如何:未来证明您的运营预测维护”概述了每个组织需要接受的步骤,以便在短期内有效地进行预测维护,并为其准备它可以带来的长期变化和福利:

理解的需要

迈向预测性维护的第一步是了解疼痛点(即成本,浪费或低效的驱动因素),并确定您的业务的最佳用例。

获取数据

当然,IOT的扩散在预测性维护中起着很大的作用,特别是在廉价的传感器和数据存储结合使用更强大的数据处理,使得该技术可访问。但是,还有其他数据来源,可能包括:

•来自可编程控制器的数据

•制造执行系统

•建立管理系统

•人工检测数据

•静态数据,如每个资产的制造商服务建议

•来自API的外部数据,如天气,可能会影响设备条件或磨损

•地理数据

•设备使用历史数据

•零件组成

探索和清洁数据

在识别相关数据集后,是时候挖掘了。确保您真正了解您正在处理的所有数据,并且您知道所有变量的意思,正在测量的内容,以及所有数据来自的所有变量。

丰富数据

在这个阶段操作数据意味着添加更多的功能,并以有意义的方式将其连接起来,这样每个数据集,或者来自多个传感器的数据,就可以作为一个整体而不是部分。

得到预测

正是各种来源和数据类型的这种组合,允许最强大和准确的预测模型。可用数据的源代码和类型,一般是特定资产的完整图像越好,预测越好。

可视化

可视化是预测性维护中的重要工具,因为它通常关闭反馈循环,允许维护管理者和员工看到预测模型的输出并相应地引导他们的注意力。今天的强大数据科学或数据团队工具允许以熟悉的格式轻松访问和摘要,以便整个团队 - 从分析师到技术人员 - 接收相同的反馈。

迭代和部署

将预测性维护模型部署到生产环境中意味着要处理实时数据,而迭代和部署则意味着要为现场维护团队提供可视化的实时仪表板。对于某些用例,反馈可以直接集成到预测性维护过程中,不需要(或很少)人工交互。

二次分析

Once it’s clear that a repair is necessary and initial first steps or processes have been kicked off, that’s where secondary analytics come in. Because taking high-capital assets out of service can be extremely costly in and of itself (even when compared to the benefits of identifying necessary maintenance before run to failure), the next questions are when and how?

最终,预测性维护后次要分析的目标是确定当资产应脱离服务时确定行动计划,以尽量减少中断和损失(迫在眉睫和未来)并最大限度地提高资源。

结论和下一步

预测性维护的最大优势是节约成本。但是,在实现了更大、更健壮、更成熟的预测性维护策略之后,从业务的角度来看,就会出现更大的机会,高价值的资产可以带来一些额外的收入,而不仅仅是成本。

预测性维护也适用于人工智能(AI)的未来,在那里运营将完全自我维护,以非常小的人类互动。在预测维护空间中的AI将超出上述步骤的步骤,这仍然需要一些手动分析模型和输出。这些系统将观看数千个变量并应用深度学习,以找到可能导致失败的信息可能导致失败的信息。最终,从AI的AI和预测性维护甚至无法获得预测维护计划的企业,现在将成为未来市场领导者。

    注册PWE通讯亚博yabo让球

    最新问题

    要查看最新植物和工程工程的数字副本,点击这里

    查看过去的问题存档亚博体育88app这里

    请订阅日记点击这里

    阅读官方BCAS压缩空气和真空技术指南2018单击映像

    轮询

    “英国退欧谈判期间,对英国制造商来说最重要的问题是什么?”





      推特

      事件日志