如何运行预测性维护概念证明
在本博客中，我们分享了我们从成功和不成功的 PoC 中学到的一些经验教训。我们很高兴能够说我们所有的 PoC 都实现了扩展的最终目标，但这将忽略我们现在可以分享的宝贵见解，以帮助您避免犯同样的错误。
简介
人工智能和分析是热门话题，几乎每个供应商都声称能够通过其预测分析平台“进行”预测性维护 (PdM)。但是，与预测性维护软件供应商的关系通常很长，并且需要大量的信任。由于市场上存在大量噪音，因此有必要进行筛选潜在供应商的练习。与选择您的医生一样，您需要确定供应商能够做到他们所说的能力。
组织进行练习以确保他们不仅选择了正确的供应商，而且组织本身已做好充分准备以确保PdM 项目拥有成功所需的一切，并且能够改变和适应以利用所提供的优势。 PdM 概念证明 (PoC) 可以帮助确保这一点——如果方法正确的话。
根据我们的经验，许多公司在最终达到预期结果之前尝试了多个 PdM PoC，但都失败了。我们的一些客户在达到他们的预期之前尝试了其他三种解决方案。从失败中吸取的教训是，供应商通常并不完全是错误的——问题实际上就在其中。只是他们在其他行业项目中取得成功的意识，让他们有信心在内部做出改变并坚持取得成功。
预测性分析≠预测性维护
重要的是我们要解决一个关键且常见的误解：预测分析工具可以用作 PdM 计划的一部分，但预测分析和 PdM 远非一回事。
数据科学家可以处理机器数据并识别异常和趋势——并制作一些令人信服的屏幕截图。但是，深入了解这些事情对机器健康的意义，并能够就这些新信息采取何种维护策略进行深入讨论，这完全是另一回事。纯数据科学家通常缺乏担任维护工程师所需的经验和知识。因此，他们设计的自定义算法在实际工业条件下往往表现不佳。
发现比预测性维护更习惯于预测分析的供应商
特殊机器可能具有特殊和独特的故障模式，但从状态监测的角度来看，在大多数常见机械（如电机、变速箱和机器人）中检测它们所需的故障模式和信息种类非常好。故障通常“就是这样”，因此，如果供应商询问有关机器故障模式的基本问题并要求您定义所有内容，很明显他们没有状态监测或机器维护方面的背景，也不知道他们是什么正在做。成功的机会非常渺茫。
要求您在早期阶段标记所有内容 - 并且无法理解维护日志中显示的内容并进行关联 - 可能意味着您正在与将采用定制建模方法的供应商打交道。这可以为多达数十台机器带来非常好的结果，但会在可扩展性和成本方面遇到更多问题。
维护是终极实用的“动手”学科，而数据分析则植根于理论和高等数学的应用。 PoC 应该是这两个世界融合以通过 PdM 提供可衡量的业务收益的点。
找到合适的 PdM 供应商很困难——他们需要了解您的维护实践、您的机器以及您希望实现的业务成果，并且他们需要像您一样致力于实现这些目标。他们需要通过应用正确的理论和数学来做到这一点——并且以一种经济和组织上可扩展的方式来做到这一点。
有关最佳实践和要避免的常见陷阱的更多信息，请下载我们的完整白皮书“如何运行预测性维护概念证明”。
设备保养维修