Sucesso na manutenção preditiva em escala

Em nosso último post, analisamos o aumento da manutenção preditiva (PdM) e por que tantos fornecedores - e seus clientes - continuam errando. Aqui vamos explorar como aplicamos o que aprendemos sobre Manutenção Preditiva ao longo dos anos em tudo o que fazemos hoje.

A combinação de mais de 30 anos de experiência de trabalho na indústria aeroespacial e mais de 150 pessoas-ano de tempo de pesquisa e desenvolvimento dedicados exclusivamente ao PdM nos ensinou muito sobre a implantação de tecnologias de manutenção preditiva em vários setores diferentes. E, à medida que continuamos a encontrar diferentes setores e níveis de maturidade do cliente, continuamos a aprender. Acima de tudo, aprendemos que fazer bem a manutenção preditiva não é fácil.

É importante ressaltar que aprendemos que não se trata apenas de saber fazer bem o PdM, mas por que isso é importante. Aprendemos, por exemplo, que o verdadeiro valor do PdM pode ser difícil de explicar, mesmo que esteja gerando um retorno significativo sobre o investimento. A implementação de uma estratégia de PdM é um movimento que não deve ser tomado de ânimo leve - afeta todo o negócio, do conselho ao chão de fábrica. Um grau de confiança em seu sucesso será necessário antes de embarcar em uma transformação dessa escala.

Aqui, então, estão alguns pontos-chave que, em nossa experiência, acreditamos que as organizações devem ter em mente ao iniciar uma jornada de manutenção preditiva.

A manutenção preditiva não é um caso de uso típico de ciência de dados

Quanto mais falamos com os clientes sobre suas tentativas anteriores de implementação fracassadas, mais certos ficamos de que o PdM não pode ser tratado como um problema típico de Big Data. Isso se deve em grande parte ao fato de que o rico contexto necessário para que as soluções de Big Data funcionem está em grande falta no PdM. Muitos modos de falha de máquina também são sutis por natureza, tornando difícil para algoritmos de aprendizado de máquina estabelecidos prever com precisão quaisquer padrões discerníveis.

Não é irracional esperar níveis de precisão de 90% ou mais em uma solução típica de Data Science. Esperar uma precisão semelhante de uma solução PdM, no entanto, sugere um mal-entendido fundamental de como ela funciona. Sim, o uso de dados selecionados e de alta qualidade em um ambiente de laboratório fornecerá resultados como esse para máquinas específicas e modos de falha específicos. Mas isso não representa a realidade. Cada máquina e modo de falha é único, por um lado, e diferentes tipos de sensores fornecerão dados com diferentes níveis de precisão. E isso sem mencionar a natureza dinâmica de um chão de fábrica e a falta geral de informações contextuais cruciais.

Perguntas difíceis devem ser feitas a qualquer pessoa que faça perguntas generalizadas ou faça afirmações específicas sobre a precisão de uma solução de PdM.

Conheça seu público

Outra coisa que nossa experiência nos ensinou é que equipes de manutenção ocupadas normalmente têm muito pouco tempo no início de seus turnos para identificar quais das muitas máquinas pelas quais eles são responsáveis ​​precisam mais de sua atenção. Eles certamente não querem gastar esse tempo estudando gráficos e vasculhando dados brutos para descobrir essas informações.

O design de software simples e intuitivo é, portanto, essencial, fornecendo aos profissionais de manutenção as informações necessárias em um painel de fácil leitura e economizando tempo valioso. No entanto, embora muitos fornecedores forneçam esses painéis, eles geralmente podem ser ofertas genéricas, que não levam em consideração os fluxos de trabalho, as preferências e a experiência exclusivos de um usuário. De fato, o conhecimento e a experiência desses profissionais são inestimáveis; aproveitá-lo é crucial para o sucesso de uma solução de PdM.

Os produtos da Senseye são projetados com tudo isso em mente. Nosso objetivo é a simplicidade, integrando perfeitamente análises com uma interface de usuário clara. Em vez de vários gráficos e tabelas, as informações são apresentadas na forma de uma lista, classificada pelo Attention Engine, um algoritmo proprietário que usa dados da máquina, dados de manutenção e dados do operador para priorizar as máquinas que precisam de atenção.

Saiba onde seus usuários estão em sua jornada

Também aprendemos que diferentes empresas - e, muitas vezes, diferentes áreas dentro da mesma empresa - estarão em diferentes estágios em sua jornada de manutenção preditiva. Uma empresa, por exemplo, pode estar realizando apenas verificações periódicas de monitoramento de condições baseadas em rota. Outro, no entanto, combinará o monitoramento de condições robusto e automatizado com uma solução PdM para previsões precisas da integridade e do tempo de falha de suas máquinas.

Esses exemplos estão em extremos opostos de uma escala, é claro, e a maioria das empresas ficará em algum lugar entre os dois, o nível de maturidade de seus dados e prontidão cultural aumentando como resultado de maior compreensão por sua equipe de gerenciamento e adesão de seus equipe de TI. No entanto, é importante saber onde uma empresa está nessa escala, pois cada uma precisará de um pacote de suporte e implantação diferente, dependendo de seu nível de maturidade.

Anos de experiência nos ensinaram muito sobre o que funciona e o que não funciona. Em nosso próximo post, exploraremos como toda essa experiência e compreensão tornaram o Senseye PdM o produto PdM líder no mercado. Até lá, você pode encontrar mais detalhes sobre as coisas mais importantes que aprendemos sobre PdM em nosso white paper “Senseye in Depth:Por que a manutenção preditiva é tão difícil?”.