Прогностическое обслуживание несложно, когда дело доходит до определения, но оказывается трудным в реализации, когда дело доходит до создания для него решения IoT Analytics. В результате проекты Proof of Concept всегда являются началом такой реализации, но также и точкой, когда вы начинаете спрашивать:

Откуда такая сложность?

Почему лица, принимающие решения, спрашивают PoC, прежде чем убеждают, что вложение в аналитическое решение - правильный выбор?

Так же ли легко определить профилактическое обслуживание, как кажется на первый взгляд?

Все ли проблемы достаточно хорошо структурированы, чтобы можно было легко реализовать решения на основе данных?

Насколько компоненты проблемы зависят от технических деталей, конкретных процессов или бизнес-контекста?

Контекст для прогнозируемого обслуживания PoC

Все вышеперечисленное - это не только актуальные вопросы для лиц, принимающих решения, но и преобразование в генераторы затрат и контроллеры эффективности, которые необходимо учитывать и хорошо сбалансировать для получения всеобъемлющего решения. Задачи профилактического обслуживания обычно очень специфичны для промышленного оборудования и могут быть резюмированы двумя примерами:

  • Выявление функциональных нарушений машин и прогнозирование риска отказа
  • Мониторинг нормальной функциональности, но сравнение с предопределенными событиями, такими как вмешательство человека или требования процесса, что предотвращает эксплуатационные потери.

Учитывая это, необходимость в Proof of Concept перед тем, как приступить к крупномасштабной реализации, становится естественным первым шагом. Однако риск состоит в том, что как только у вас будет четко определенная концепция, которая устраняет большинство зависимостей для проблемы прогнозного обслуживания, сложность, связанная с бизнесом, людьми, процессами, а иногда и ограничениями данных, станет очевидной. В таких случаях лицо, принимающее деловые решения, будет испытывать искушение переоценить весь контекст, что приведет к задержкам или даже отказу от перехода от подтверждения концепции к реализации.

Обязательные перспективы

Как только проблема прогнозируемого обслуживания будет четко определена в нетехническом описании с четким указанием ожидаемых результатов, PoC готов к работе. Жизнеспособный PoC должен предлагать ответы или, по крайней мере, обеспечивать осведомленность со следующих сторон:

  • Перспектива данных - полнота данных является основой любой концептуальной концепции профилактического обслуживания. Это означает много вещей, но по сути это относится к отображению всех процессов и событий, которые характеризуют экземпляр обслуживания, в его конкретный поток данных. После этого анализ, моделирование и визуализация результатов становятся почти автоматическим занятием.
  • Технический аспект. Это в некотором роде связано с вышеупомянутыми требованиями к данным, но больше с инженерной точки зрения. Даже если мы говорим об аппаратных средствах связи, технологии сбора и преобразования данных или аналитических программных механизмах, все они должны работать вместе как единое целое. В конце концов, такое нарушение может стать серьезным препятствием для крупномасштабной реализации, поэтому его обязательно нужно изучить во время PoC.
  • Ограничения процесса - помимо усилий по сбору надлежащих данных для правильной цели, согласованию всех технических требований и соответствующих технологий моделирования, есть задействованные операционные процессы, которые необходимо учитывать, поскольку проблема обслуживания всегда подлежит контролируемая среда. Обычно это выражается в правилах и ограничениях, которых невозможно избежать. Задача PoC - захватить ВСЕ как таковое. Даже если некоторые из этих ограничений процесса отсутствуют, это может привести к отказу более крупной реализации.

Что дальше?

После того, как PoC доказала свою полезность путем решения варианта использования, возникает более серьезная проблема: интеграция решения IoT для выбранной ситуации в более широкий операционный контекст. Обычно это более разреженная вселенная, чем принято считать.

Даже если реализация IoT связана с данными, моделированием и программированием, не следует забывать, что использование и принятие решений по-прежнему принадлежит людям и, как и любая предоставляемая услуга, она должна иметь коммерческое обоснование, переведенное на рентабельность. Этих двух достаточно, чтобы создать дополнительные проблемы для крупномасштабной реализации после успешной PoC.

Мы имеем в виду скрытые зависимости, которые становятся видимыми только после фазы концептуализации, когда обсуждается более широкий контекст. Ниже приведены лишь два примера, отражающих эту реальность.

Технологические различия трудно преодолеть.

Мы столкнулись со многими ситуациями, когда профилактическое обслуживание предполагалось внедрить с помощью решений Интернета вещей для производственного оборудования как части производственных процессов. PoC заключалась в сборе потоковых данных от интеллектуального оборудования, оснащенного датчиками всех типов, выборе ключевых показателей эффективности для мониторинга, создании алгоритмов машинного обучения для распознавания аномальных функциональных образов и срабатывании сигналов тревоги для лиц, принимающих оперативные решения.

Хотя все члены совета директоров согласились с доказательствами того, что такой подход принесет огромную оптимизацию производственной линии, для продолжения PoC с крупномасштабным внедрением существовало серьезное ограничение: технологические различия в оборудовании между различными производственными партнерами в разных странах. глобус. Без такого согласования решение было невозможно масштабировать, а обеспечение технологической согласованности всех партнеров было значительным вложением средств. Таким образом, препятствием в данном случае было стратегическое решение инвестировать в технологическое согласование перед внедрением практики профилактического обслуживания на основе данных Интернета вещей.

Культурное внедрение автоматизированных процессов.

Что касается отрасли производства потребительских товаров, реальность такова, что многие процессы контроля качества по-прежнему основаны на человеке, и сбор данных о качестве по-прежнему зависит от участия человека. Даже если на первый взгляд этот процесс не относится к прогнозируемому обслуживанию IoT PoC, правда в том, что, учитывая взрывной рост датчиков и алгоритмов распознавания изображений, распознавание дефектов, которое является задачей контроля качества, можно легко автоматизировать. Нетрудно понять, что автоматизация этого процесса и возможность обнаружения дефектов в режиме реального времени, профилактическое обслуживание - это всего лишь вопрос возврата к первопричине, когда такие случаи обнаруживаются.

Мы сталкивались с ситуациями, когда после успешного выполнения PoC по автоматизации QA IoT, переход от человеческой оценки к людям, просто отслеживающим процесс QA IoT, был проблемой. Культурные различия, даже между разными отделами одной и той же организации, требовали интенсивного повышения квалификации и даже профессиональной перестройки.

Таким образом, даже при успешном PoC решение о переходе к крупномасштабной интеграции и внедрению откладывалось из-за воздействия на конкретную категорию сотрудников. Если мы собираемся вернуться к PoC-дизайну, нет ничего необычного в том, чтобы включить UI-дизайн в предлагаемое решение, чтобы максимально точно воспроизвести текущий процесс QA или провести технико-экономическое обоснование для оценки сопутствующих зависимостей.

В заключении

Наконец, IoT Analytics по-прежнему является сокровищницей решений проблем профилактического обслуживания. Большинство обрабатывающих производств, и не только, все больше ощущают потребность в автоматизации своего производства и процессов контроля качества. Роль человека в производственной среде меняется в сторону большей роли надзора и принятия решений, сбор и хранение данных возможны без каких-либо ограничений. Алгоритмы прогнозирования натурализованы в платформах IoT в той степени, в которой это просто вопрос правильного выбора прогнозной модели, а не современное состояние.

Остается перейти к культуре, основанной на данных, которая требует значительных инвестиций с зависимостями и последствиями для всей бизнес-экосистемы. Для этого поставщики услуг, такие как iQuest, могут предложить поддержку в построении кривой зрелости культуры, основанной на данных - карты, которая направит вас вперед.