在大规模预测性维护方面取得成功

在上一篇文章中，我们探讨了预测性维护 (PdM) 的兴起，以及为什么这么多供应商 - 以及他们的客户 - 继续犯错。在这里，我们将探索我们如何将多年来在预测性维护方面学到的知识应用到我们今天所做的一切中。

30 多年的航空航天行业工作经验，以及 150 多人年专门用于 PdM 的研发时间的结合，教会了我们很多关于在各个不同领域部署预测性维护技术的知识。而且，随着我们不断遇到不同行业和不同层次的客户成熟度，我们也在不断学习。最重要的是，我们了解到做好预测性维护并不容易。

重要的是，我们已经了解到，这不仅仅是知道如何做好 PdM，而是知道它为什么重要。例如，我们了解到 PdM 的真正价值很难解释，即使它带来了可观的投资回报。实施 PdM 战略是一项不容轻视的举措——它会影响从董事会到车间的整个业务。在着手进行如此规模的转型之前，需要对其成功有一定程度的信心。

那么，这里有几个关键点，根据我们的经验，我们认为组织在开始预测性维护之旅时应该牢记这些要点。

预测性维护不是典型的数据科学用例

我们与客户谈论他们之前失败的实施尝试的次数越多，我们就越确定 PdM 不能被视为典型的大数据问题。这在很大程度上归结为这样一个事实，即 PdM 严重缺乏大数据解决方案工作所需的丰富上下文。许多机器故障模式本质上也是微妙的，这使得已建立的机器学习算法难以准确预测任何可辨别的模式。

在典型的数据科学解决方案中期望 90% 或更高的准确度水平并非不合理。然而，期望 PdM 解决方案具有类似的准确性，这表明对它的工作原理存在根本性的误解。是的，在实验室环境中使用高质量的精选数据将为特定机器和特定故障模式提供类似的结果。但这并不代表现实。一方面，每台机器和故障模式都是独一无二的，不同的传感器类型将提供不同精度级别的数据。更不用说工厂车间的动态特性，以及普遍缺乏关键的上下文信息。

对于提出一般性问题或对 PdM 解决方案的准确性提出具体要求的任何人，都应该提出棘手的问题。

了解您的受众

我们的经验告诉我们的另一件事是，繁忙的维护团队通常在轮班开始时几乎没有时间确定他们负责的众多机器中哪一个最需要他们的关注。他们当然不想花时间研究图表和筛选原始数据来发现这些信息。

因此，简单、直观的软件设计至关重要，通过易于阅读的仪表板为维护专业人员提供所需的洞察力，并节省宝贵的时间。然而，虽然许多供应商提供此类仪表板，但它们通常是通用产品，没有考虑用户独特的工作流程、偏好和体验。事实上，这些专业人员的知识和经验是无价的；利用它对于 PdM 解决方案的成功至关重要。

Senseye 的产品在设计时就考虑到了这一切。我们的目标是简单，将分析与清晰的用户界面无缝集成。信息不是多个图表，而是以列表的形式呈现，由注意力引擎排序，注意力引擎是一种专有算法，使用机器数据、维护数据和操作员数据来确定需要关注的机器的优先级。

了解您的用户在他们的旅程中所处的位置

我们还了解到，不同的公司——通常是同一公司内的不同领域——将处于预测性维护之旅的不同阶段。例如，一家公司可能只执行定期的、基于路线的状态监测检查。然而，另一个将强大的自动化状态监测与 PdM 解决方案相结合，以准确预测其机器的健康状况和故障时间。

当然，这些示例处于规模的两端，大多数公司将介于两者之间，由于管理团队的更深入理解和他们的支持，他们的数据和文化准备的成熟度都在提高。 IT 团队。但是，重要的是要知道一家公司在该规模上所处的位置，因为每个公司都需要不同的支持和部署包，具体取决于其成熟度级别。

多年的经验教会了我们很多关于什么有效，什么无效。在我们的下一篇文章中，我们将探讨所有这些经验和理解如何使 Senseye PdM 成为市场上领先的 PdM 产品。在那之前，您可以在我们的白皮书“Senseye in Depth：为什么预测性维护如此困难？”中找到有关我们了解的有关 PdM 的最重要内容的更多详细信息。