从数据科学中获得真正的商业价值

通过预测工业资产的状况和维护要求来防止故障是一项巨大的挑战。数据科学的世界充满了难以在现实环境中交付结果的模型。那么，最好的方法是什么？

理论与实践

理论上，理论和实践是一样的。在实践中，他们不是。试图将工业资产模型转化为可操作的洞察力，从而在车间内带来改进，这在其他任何地方都是如此。数据科学的学术论文可能包括分析，证明特定算法如何将其他算法提高一两个百分点，但在工厂环境中，切断噪声信号以发现任何模式可能是一个挑战。

然而，如果他们希望自己的努力能够实现预测性维护或其他业务成果，这只是潜在的 DIY 模型开发人员必须克服的第一个主要障碍。那些设法开发出可以在现实条件下工作的稳健模型的人会立即遇到下一个大问题：必须部署有用的模型，而不仅仅是开发。

部署自然意味着大规模运行模型。但这也意味着提供一个界面，以友好的方式呈现结果，并通过使不同的组能够优先处理警报、收集反馈等来满足用户的需求。如果您有 20,000 个机器人在一家大型工厂工作，那么即使部署一个用户界面来显示所有机器人的交互式图表也绝非易事。事实上，DIY 建模师通常会发现他们真正想做的是开发自己的应用程序。这可能非常耗费资源且成本高昂。

询问专家

出于这些原因，与专业提供商合作几乎总是更好的选择，他们拥有自己的数据科学专业知识和所需的部署支持，以确保车间用户可以轻松访问他们需要的信息。公司可能认为他们自己的定制模型比供应商生成的通用算法性能更好。但是，任何差异通常都是微不足道的，并且可能被单独做的负面影响远远超过。

例如，Senseye 的预测性维护解决方案 Senseye PdM 中使用的模型通常与自定义模型相媲美，并且性能更好。其独特的机器学习算法将数据转化为对制造资产剩余使用寿命 (RUL) 的准确预测——一种称为预测的技术。

Senseye PdM 经常超出预期的一个原因是算法将每台机器视为独一无二的——即使它们是相同的品牌和型号。开始时相同的机器会随着时间的推移表现和磨损不同，因为它们受到直接环境的差异或由于它们正在执行的工作的影响。将每项资产视为具有独特“行为指纹”的个体，可显着提高 Senseye PdM 预测的准确性，并更好地支持负责生产资产的团队最大限度地延长正常运行时间。

除了提供久经考验的算法的成熟性能外，与 Senseye 合作还消除了与强大性能、可扩展性、部署、可用性和安全性相关的所有难题。

如果潜在用户已经开发了自定义模型并想使用它，Senseye 可以通过 API 将其集成到系统中。即使自定义模型本身没有集成到 Senseye PdM 中，该解决方案仍然可以接受来自自定义模型的结果作为有用的输入。

然而，对于 Senseye 来说，部署自己复杂的通用算法仍然更为常见。 Senseye 的数据科学家专注于处理真实世界，而不是我们希望的样子，因此即使在最嘈杂的数据环境中，这些模型也非常稳健。

当用户的目标是实施预测和预测性维护时，这种强大的方法在从故障中捕获数据时尤其重要。在相对混乱的时刻，从噪音中提取有意义的信息至关重要，这样系统才能识别即将发生的故障并在资产再次发生故障之前发出警报。

一起工作

尽管引入外部专业知识是部署状态监测和预测性维护模型的最节省资源的方式，但用户在充分利用通用数据模型方面发挥着重要作用。

首先，部署通用模型时总是有一条学习曲线。例如，Senseye PdM 最初需要 14 天才能交付结果，从而为每个资产在正常运行条件下的独特行为建立“指纹”。

我们的客户团队（包括状态监测专家和机械工程师）的内部专业知识和经验与我们的技术专家相结合，可以为这一过程提供反馈，使 Senseye 能够预先配置系统，以优先处理用户最感兴趣的一些数据和事件. 这加速了算法的初始学习过程。从长远来看，定期反馈系统使算法能够建立起哪些事件和趋势对用户重要而哪些无关紧要的图景。这在部署通用模型时非常有用，这些模型会逐渐适应随着时间的推移越来越准确地预测每台机器的行为。

真实世界的结果

做对了，商业利益是非常可观的。 Senseye PdM 通常可将计划外机器停机时间减少 50%，将维护人员的工作效率提高 55%，并将停机时间预测的准确性提高 85%。

通常，这些优势很难与自定义算法相匹配，因此强烈建议采用出色的方法来实现实际结果。

阅读我们的白皮书“利用预测的力量”了解更多信息 或试试我们的投资回报率计算器，看看您能从中受益。