Desbloqueie Valor Real de Negócio com Data Science para Manutenção de Ativos Industriais

Prevenir falhas prevendo condição e requisitos de manutenção de ativos industriais é um desafio massivo. O mundo da data science está cheio de modelos que lutam para entregar resultados em ambientes reais. Qual é a melhor abordagem?

Teoria e prática

Em teoria, teoria e prática são a mesma coisa. Na prática, não são. Em nenhum lugar isso é mais verdadeiro do que ao tentar traduzir modelos de ativos industriais em insights acionáveis que entregam melhorias no chão de fábrica. Papers acadêmicos de data science podem incluir análises demonstrando como algoritmos particulares podem melhorar sobre outros em um ou dois pontos percentuais, mas num ambiente de fábrica, cortar sinais ruidosos para descobrir qualquer padrão pode ser um desafio.

No entanto, isso é apenas o primeiro grande obstáculo que desenvolvedores de modelos DIY devem superar se esperam que seus esforços habilitem Manutenção Preditiva ou outros resultados de negócio. Aqueles que conseguem desenvolver um modelo robusto que funcione sob condições reais imediatamente esbarram no próximo grande problema: modelos úteis devem ser implantados, não apenas desenvolvidos.

Implantação naturalmente significa rodar modelos em escala. Mas também significa fornecer uma interface que apresenta resultados de forma amigável e satisfaz usuários ao permitir que diferentes grupos priorizem alertas, colem feedback e assim por diante. Se você tem 20.000 robôs trabalhando numa grande planta, mesmo implantar uma interface de usuário para exibir gráficos interativos para todos eles está longe de ser trivial. De fato, modeladores DIY tipicamente descobrem que o que estão realmente tentando fazer é desenvolver seus próprios apps. Isso pode ser extremamente intensivo em recursos e custoso.

Pergunte aos especialistas

Por essas razões, quase sempre é melhor fazer parceria com um provedor especialista, completo com sua própria expertise em data science e suporte de implantação necessário para garantir que usuários do chão de fábrica possam acessar facilmente a informação que precisam. Empresas podem pensar que seus próprios modelos customizados podem performar melhor que algoritmos genéricos gerados por fornecedores. No entanto, qualquer diferença é frequentemente marginal e pode ser amplamente superada pelos aspectos negativos de fazer sozinho.

Por exemplo, os modelos usados na solução de Manutenção Preditiva da Senseye, Senseye PdM, estão frequentemente no mesmo nível de modelos customizados e podem performar até melhor. Seus algoritmos únicos de machine learning transformam dados em previsão precisa da Vida Útil Restante (RUL) de ativos de manufatura – uma técnica conhecida como prognósticos.

Uma razão pela qual Senseye PdM rotineiramente supera expectativas é que os algoritmos tratam cada máquina como única – mesmo se são mesma marca e modelo. Máquinas que começam iguais se comportam e desgastam diferentemente com o tempo conforme são submetidas a diferenças em seu ambiente imediato ou devido ao trabalho que estão performando. Tratar cada ativo como indivíduo com 'impressão digital comportamental' única aumenta consideravelmente a precisão dos prognósticos do Senseye PdM e suporta melhor equipes responsáveis pelos ativos de produção a maximizar uptime.

Além de entregar performance comprovada de algoritmos testados e aprovados, parceria com Senseye remove todas as dores de cabeça acompanhantes sobre performance robusta, escalabilidade, implantação, usabilidade e segurança.

Se um usuário potencial já desenvolveu um modelo customizado e gostaria de usá-lo, Senseye pode integrá-lo ao sistema via API. Mesmo se o modelo customizado em si não é integrado ao Senseye PdM, a solução ainda pode aceitar resultados de modelos customizados como input útil.

No entanto, permanece muito mais comum Senseye implantar seus próprios algoritmos genéricos sofisticados. Cientistas de dados da Senseye focam em lidar com o mundo real como ele é, não como gostaríamos que fosse, então os modelos são extremamente robustos mesmo nos ambientes de dados mais ruidosos.

Onde usuários visam implementar prognósticos e Manutenção Preditiva, essa abordagem robusta é especialmente importante ao capturar dados de falhas. No que pode ser um momento relativamente caótico, é vital extrair informação significativa debaixo do ruído para que o sistema possa identificar uma falha se aproximando e levantar um alerta antes que o ativo falhe novamente.

Trabalhando juntos

Mesmo trazendo expertise externa ser a forma mais eficiente de recursos para implantar modelos para monitoramento de condição e Manutenção Preditiva, usuários desempenham papel importante em tirar o máximo de modelos de dados genéricos.

Para começar, há sempre uma curva de aprendizado ao implantar modelo genérico. Por exemplo, Senseye PdM inicialmente leva 14 dias para entregar resultados, construindo uma 'impressão digital' do comportamento único de cada ativo sob condições normais de operação.

A expertise e experiência interna de nossas equipes de clientes incluindo especialistas em monitoramento de condição e engenheiros mecânicos combinados com nossos especialistas em tecnologia podem alimentar esse processo, permitindo Senseye configurar o sistema upfront para priorizar alguns dos dados e eventos que usuários estão mais interessados. Isso acelera o processo inicial de aprendizado para os algoritmos. No longo prazo, um sistema de feedback regular permite que algoritmos construam um quadro de quais eventos e tendências importam para usuários e quais são irrelevantes. Isso é útil ao implantar modelos genéricos que estão gradualmente se adaptando para prever o comportamento de cada máquina mais e mais precisamente com o tempo.

Resultados do mundo real

Acerte e os benefícios de negócio são extremamente impressionantes. Senseye PdM tipicamente reduz downtime não planejado de máquina em 50%, aumenta produtividade de equipe de manutenção em 55% e aumenta precisão de previsão de downtime em 85%.

Tipicamente, esses benefícios são difíceis de igualar com algoritmos customizados, logo uma abordagem destacada é altamente recomendada para alcançar resultados do mundo real.

Saiba mais lendo nosso white paper "Aproveite o Poder da Predição" ou experimente nossa Calculadora de ROI para ver como você poderia se beneficiar.