Pentru cercetătorii de date, întreținerea predictivă are mai multe rezultate promițătoare, inclusiv reducerea timpilor de întrerupere a echipamentelor și evitarea costurilor inutile de întreținere, adăugând în același timp fluxuri de venit pentru furnizorii de echipamente cu servicii post-vânzare. Cu toate acestea, inginerii și oamenii de știință se confruntă cu provocări în jurul procesului și a datelor colectate atunci când încorporează tehnologia de întreținere predictivă în operațiunile companiilor lor.
Mai jos puteți găsi patru dintre cele mai comune obstacole de implementare pe care inginerii și cercetătorii ar trebui să le evite atunci când doresc să includă procesele întreținere predictivă în organizațiile lor.
Obstacolul 1 – Nu cunoașteți modul de aplicare a întreținerii predictive
Lucrul cu orice tehnologie nouă necesită investiții justificate, iar întreținerea predictivă nu reprezintă o excepție. Cercetătorii de date trebuie să realizeze valoarea investiției lor și să producă rezultate cuantificabile cât mai repede posibil. Cu toate acestea, instrumentele software, cum ar fi MATLAB, îi pot ajuta pe oamenii care nu sunt familiarizați cu tehnologia de întreținerea predictivă să o înțeleagă și să o aplice într-o manieră eficientă. Utilizând astfel de instrumente, echipele de ingineri pot integra rapid algoritmi de întreținere predictivă în operațiunile deja existente.
Utilizarea unei abordări sistematice a proceselor de întreținere predictivă îi ajutp pe ingineri să poată crea cu succes un sistem care acționează în timp real, pe baza unui model predictiv.
Acest flux de lucru în cinci pași poate oferi îndrumări atunci când începeți:
Accesarea datelor senzorilor – Colectați informații din toate bazele de date, foile de calcul și arhivele web și asigurați-vă că datele sunt corect formate și organizate.
Date pre-procesate – Curățați datele prin eliminarea valorilor excesive, aliniați seriilor de timp și filtrați zgomotul.
Extrageți caracteristici – Capturați indicatori de stare de nivel superior, cum ar fi caracteristicile domeniului de frecvență sau a celui de frecvență-timp, în loc să alimentați datele brute ale senzorilor în modelul predictiv.
Instruiți modelul – Construiți modele care clasifică echipamentele ca fiind ”sănătoase” sau ”defecte”, care pot detecta anomalii sau care pot estima durata de viață rămasă a componentelor.
Implementați modelul – Generați codul și implementați modelele ca o aplicație pe hardware.
Obstacolul 2 – Nu aveți suficiente date pentru a crea sisteme adecvate de întreținere predictivă
Deoarece întreținerea predictivă se bazează pe algoritmi de machine learning, este necesar să existe suficiente date pentru a crea un model precis. Aceste date provin, de obicei, din senzorii echipamentelor. Succesul modelului predictiv depinde de modul în care sunt înregistrate datele. De preferință, echipamentele vor include opțiuni de înregistrare care pot fi personalizate pentru a înregistra mai multe date, sau pot fi utilizate instrumente de simulare, pentru a combina datele simulate cu datele disponibile de la senzorii mașinăriei, astfel încât să se construiască și să se valideze algoritmi de întreținere predictivă.
Inginerii ar trebui să evite o situație în care sistemele lor funcționează într-un mod ”feast or famine”, în care se colectează puține date sau chiar deloc până când nu apare o eroare. Pentru a preveni acest lucru, companiile pot schimba opțiunile de înregistrare a datelor astfel încât să colecteze cât mai multe informații. Acest lucru poate fi făcut pe o flotă de testare, în cazul în care datele de producție nu sunt disponibile. Este, de asemenea, posibil să se genereze date de testare utilizând unelte de simulare, prin crearea de modele care să acopere sistemele mecanice, electrice sau alte sisteme fizice care urmează să fie monitorizate și apoi să le valideze în raport cu datele măsurate.
Obstacolul 3 – Lipsesc datele de eroare, pentru a obține un nivel de acuratețe ridicat
Datele de eroare (failure data) reprezintă un element fundamental al întreținerii predictive. Cu toate acestea, este posibil ca aceste date să nu existe dacă întreținerea se efectuează atât de frecvent încât nu apucă să apară defecțiuni. Instrumentele de simulare, cum ar fi Simulink, îi pot ajuta pe inginerii de date să genereze informațiile necesare privind defecțiunile.
Chiar și fără date de eroare, tehnicile de învățare automată nesupravegheate pot fi folosite pentru a identifica comportamentul normal și defecțiunile unui echipament. De exemplu, datele ar putea fi colectate de la mai mulți senzori pe un motor de aeronavă. O tehnică de reducere a dimensiunilor, cum ar fi analiza principală a componentelor (PCA), ar putea fi apoi utilizată pentru a reduce datele senzorului într-o reprezentare dimensională redusă pentru vizualizare și analiză. În această reprezentare, datele privind echipamentele sănătoase pot fi centrate în jurul unui punct de operare normal, în timp ce echipamentele defecte pot fi văzute ca îndepărtându-se de condițiile normale.
Obstacolul 4 – Înțelegeți erorile, dar nu puteți să le preziceți
Există o mare diferență între identificarea unei erori și cunoașterea unei metode prin care să o preveniți. De aceea, inginerii trebuie să-și definească în mod clar obiectivele – cum ar fi ciclurile de viață mai lungi și perioadele reduse de ”downtime”- și să se gândească la modul în care le afectează un algoritm de întreținere predictivă. Apoi ar trebui să construiască un cadru pentru a testa algoritmi și a estima performanța acestora, astfel încât să poată obține feedback imediat în timpul diferitelor stadii de proiectare. Ei pot folosi acest cadru pentru a testa modele simple și pentru a-și aplica cunoștințele despre date, astfel încât să încerce cât mai tipuri de modele complexe. Ei trebuie să lucreze în pași mici, să valideze datele și să repete procesul până când sunt încrezători în rezultatele obținute.
Lăsând aceste obstacole deoparte, cercetătorii și inginerii de date se pot bucura de conștientizarea faptului că întreținerea predictivă este un obiectiv realizabil dacă pot găsi cel mai bun echilibru între instrumente și îndrumare. Responsabilitatea le revine inginerilor și oamenilor de știință să determine caracteristicile, metodele și modelele care funcționează cel mai bine pentru ei – și să continue să dezvolte noi iterații ale modelelor predictive până când vor stăpâni complet aceste tehnici.
