成功的预测性维护与算法或资产无关，而与用户有关

经验丰富的维护工程师对他们所关心的机器有一个详细的心理画面。他们知道什么时候发出嘎嘎作响的阀门意味着即将发生故障，或者什么时候可以安全地忽略它，直到下一次计划关闭。如果自动化预测性维护系统可以利用这一知识库，它就可以学会为必须决定优先考虑哪些维护活动的用户提供最佳支持。

在以用户为中心的预测性维护方法中，维护团队仅在系统根据他们过去发现的有用信息认为他们会发现有用的信息时才会收到警报。

这有点像 Netflix 或亚马逊等数字内容提供商定期存储有关每个用户选择观看的内容的信息。他们可以用它来驱动一个“推荐引擎”，根据他们的反馈不断改进它向每个用户展示的电影。

这是我们在 Senseye 采用的方法，以便对用户行为以及他们正在监控的资产发生的情况进行建模和理解，以帮助将他们的注意力引导到最需要的地方。

图 1：具有丰富上下文和高质量状态监控数据的环境允许完美监控资产 - 就像数字孪生方法一样。大多数工厂环境是 低上下文等等模型 用户兴趣可以提高预测性维护软件的效率

预测的力量（和局限性）

每一项预测性维护计划——从使用铁棒固定在一台嘎嘎作响的机器上以了解变速箱是否需要在下一次预定的维护间隔之前进行维修，再到复杂的自动化软件监控系统——都旨在帮助操作员识别何时出现故障。主要目标是及早发现问题，以防止发生故障，否则会导致代价高昂的计划外停机。通常还有其他好处，与提高生产力和维护计划有关。

“数字双胞胎”的概念目前特别流行——但这种数学建模方法经常混乱的营销很少提及与这些“双胞胎”互动的用户以及这对他们意味着什么。每项资产的“数字双胞胎”还需要用户能够在复杂的数字环境中舒适地工作。但是还有另一种方法更关注用户的需求。

许多故障会在机器数据中留下明显的信号或“指纹”，目前市场上领先的预测性维护软件可以通过接受广泛的输入（从专用状态监测数据到更一般的工厂数据）来学习发现它们。这些系统可以了解哪些模式或特征信号表明可能存在问题。在某些情况下，如果有足够的数据，他们甚至可以计算每项资产的剩余使用寿命 (RUL)——一种称为预测的技术。

这些预测性维护系统中的大多数都使用来自工厂或车间的有限数据，当超出预设阈值时会触发警报。例如，当某物升温或振动时，它们可能会提醒用户，但它们不太可能有足够的信息来做出详细的诊断。

换句话说，系统可以通过发出警报来“建议”，但只有用户有经验和专业知识来决定何时采取行动。至关重要的是，在同时监控多台机器的环境中管理情况变得更加棘手，因为用户很容易不知所措。预测性维护的挑战不是“你能发现数据中的问题”，而是“你能发现用户感兴趣的东西吗？”

谁在乎用户？

我们认为重要的是，当我们发出警报时，用户可以通过触摸按钮指示该警报是否有用。随着时间的推移，这会教会系统将操作员的注意力引导到最紧迫的维护优先事项上。这是自动完成的，因此操作员不需要任何数据分析方面的专业知识。

换句话说，Senseye 以用户为中心的数据分析方法通过对用户的反应进行建模来引导注意力。 Senseye 的解决方案和用户之间的这种反馈循环意味着警报的数量会逐渐减少，直到达到一个稳定的水平，它引导用户查看的几乎所有内容都是有帮助的。

经过验证的高级分析结果——适用于机器和维护人员

数据分析是关于在大量传入植物数据中搜索模式。例如，Senseye PdM 背后的专有算法或模式引擎旨在发现潜在故障之前的特征行为，并使用我们专有的注意力指数触发警报。几种类型的模式可以触发注意力指数警报：异常是数据不稳定的时期，趋势是基线的逐渐变化，违规行为超过了用户可以指定的阈值或规则。

然而，所有这些巧妙的数据分析都没有任何意义，除非它为用户带来真正的商业利益。值得庆幸的是，Senseye PdM 在实现其在各行各业的生产力承诺方面有着良好的记录。现有客户通常可以减少 50% 的停机时间、提高 55% 的生产力和提高 85% 的维护准确性。

此外，Senseye PdM 还得到 Senseye 的 ROI Lock® 保证的支持：如果部署 Senseye PdM 未能按照预先约定的方式减少计划外停机时间，客户可以要求退还全部订阅费。

如果您想了解更多关于我们如何为维护用户建模以及他们观看的资产，我们已经整理了一份关于 Senseye PdM 如何进行的详细白皮书<支持> 可以帮助您将维护工作引导到他们最擅长的地方。下载下面的详细白皮书以获取更多信息或与我们联系 观看演示并开始使用！