شرکت های صنعتی روی یک مین طلای نگهداری پیش بینی شده نشسته اند صدها میلیون در پس انداز احتمالی، با این حال بیشتر تلاش برای گسترش فراتر از خلبانان موفق. این الگوی به طرز چشمگیری آشنا است: یک تیم برای یک دارایی بحرانی از پیش بینی های پیش بینی کننده استفاده می کند ، ارزش آن را با معیارهای ROI پیش بینی شده چشمگیر اثبات می کند ، سپس هنگام تلاش برای مقیاس در چندین خط تولید ، گیاهان یا مناطق ، به یک دیوار غیر قابل عبور برخورد می کند. چه چیزی شرکت هایی را برای دستیابی به موفقیت در سطح شرکت از کسانی که در حالت خلبان دائمی گیر کرده اند ، جدا می کند؟ پاسخ نه در الگوریتم های بهتر یا سنسورهای بیشتر نهفته است ، بلکه در زیرساخت های اساسی آنها را به هم وصل می کند.
سد مقیاس
در حالی که این صنعت بر الگوریتم های پیشرفته هوش مصنوعی و فناوری سنسور متمرکز است ، چالش واقعی نگهداری پیش بینی به وضوح عملی تر است: مقیاس گذاری. سفر معمولی با یک دارایی با ارزش بالا-کمپرسور ، توربین یا قطعه تجهیزات مهم تولید-با هزینه های قابل توجهی برای برنامه ریزی نشده آغاز می شود. شرکت ها این تجهیزات را با سنسورها از بین می برند ، مدل های تحلیلی را توسعه می دهند و آن را به سیستم عامل های تجسم متصل می کنند ، اغلب می بینند کاهش 30 ٪ در خرابی بدون برنامه ریزیبشر با این حال ، هنگام تلاش برای تکثیر این موفقیت در چندین دارایی یا امکانات ، آنها با یک شبکه سخت افزاری متفاوت ، اتصال متناقض و کابوس های ادغام روبرو می شوند که گسترش را در حالت ایستاده قرار می دهد.
بسیاری از سازمان ها به عنوان یک مشکل نرم افزاری ، خرید راه حل و انتظار نتایج فوری ، به نگهداری پیش بینی می شوند. اما واقعیت پیچیده تر است. گیاهان مختلف دارای تجهیزات مختلف ، معماری شبکه و فن آوری های عملیاتی هستند. با توجه به تفاوت های زیرساختی ، راه حل مورد نیاز برای کمپرسور در گیاه A ممکن است برای یک کمپرسور یکسان در گیاه B. بدون یک بنیاد استاندارد برای رسیدگی به این تنوع ، نیاز به سفارشی سازی قابل توجهی داشته باشد ، شرکت ها راه حل های خود را برای هر دارایی و مکان ، ضرب هزینه ها و پیچیدگی ها را بازآفرینی می کنند.
نتیجه؟ جزایر عالی پیش بینی نگهداری در دریای از شیوه های نگهداری سنتی ، با تحول در سراسر شرکت وعده داده شده به طور دائم از دسترس خارج می شود.
معضل داده ها
گسترش سنسورهای صنعتی یک چالش داده ای از نسبت های حیرت انگیز ایجاد می کند. یک پمپ صنعتی منفرد ممکن است روزانه 5 گیگابایت داده لرزش ایجاد کند – به طور کلی که در صدها دارایی و چندین گیاه ، و پهنای باند و هزینه های محاسبات ابری ممنوع است. رویکرد سنتی ارسال کلیه داده ها به سیستم عامل های ابر متمرکز ، موضوعات تأخیر ایجاد می کند که تحلیلی در زمان واقعی را در برنامه های مهم زمان غیرممکن می کند.
عملیات نفت و گاز را در نظر بگیرید که در آن هشدار 20-30 دقیقه در مورد نارسایی کمپرسور می تواند از خرابی های فاجعه بار در آبشارها جلوگیری کند-تأخیر در کلود به سادگی گزینه ای نیست. در ساخت ، جایی که هزینه خرابی بدون برنامه ریزی به طور متوسط هزینه دارد 260،000 دلار در ساعت، هر دقیقه از زمان تأخیر ، هزاران ضرر بالقوه را نشان می دهد. این چالش “گرانش داده” نیاز به پردازش در منبع ، فیلتر کردن آنچه به ابر می رود و حفظ قابلیت های تجزیه و تحلیل مداوم در محیط های عملیاتی متنوع است.
پیاده سازی های موفق تشخیص می دهند که محاسبات Edge فقط مربوط به پس انداز پهنای باند نیست-این در مورد ایجاد لایه اطلاعاتی در زمان واقعی است که باعث می شود نگهداری پیش بینی کننده در چه زمانی و کجا مهم باشد.
ضروری ادغام
تعمیر و نگهداری پیش بینی کننده ارزش کامل خود را فقط در صورت ادغام با سیستم های سازمانی ارائه می دهد. هنگامی که یک مدل پیش بینی کننده یک شکست قریب الوقوع را مشخص می کند ، این که اطلاعات باید یکپارچه به سیستم های مدیریت نگهداری برای تولید سفارشات کاری ، سیستم های ERP برای سفارش قطعات و سیستم های برنامه ریزی تولید برای به حداقل رساندن اختلال جاری شود. بدون این ادغام ، حتی دقیق ترین پیش بینی ها به جای ابزارهای عملیاتی ، تمرین های دانشگاهی باقی می مانند.
چالش ادغام به صورت نمایی در امکانات با سیستم های میراث مختلف ، پروتکل ها و فن آوری های عملیاتی ضرب می شود. آنچه برای اتصال به یک سیستم مدیریت نگهداری در یک کارخانه کار می کند ممکن است نیاز به تنظیم مجدد کامل در دیگری داشته باشد. شرکت هایی که با موفقیت در مقیاس نگهداری پیش بینی کننده مقیاس می کنند ، یک لایه ادغام مداوم را ایجاد می کنند که ضمن احترام به الزامات منحصر به فرد هر تسهیلات ، این شکاف ها را به هم می ریزند.
پیشرفته ترین سازمان ها این کار را بیشتر انجام می دهند و گردش کار خودکار ایجاد می کنند که پیش بینی خرابی ها و ایجاد پاسخ های مناسب بدون مداخله انسانی است. اینها شامل برنامه ریزی تعمیر و نگهداری در هنگام خرابی برنامه ریزی شده ، سفارش قطعات بر اساس سطح موجودی و اطلاع رسانی به پرسنل مربوطه است. این سطح از ادغام ، نگهداری پیش بینی کننده را از یک ابزار واکنشی به یک سیستم فعال تبدیل می کند که عملیات کلی را بهینه می کند.
شتاب ROI
اقتصاد نگهداری پیش بینی کننده از یک الگوی واضح پیروی می کند: سرمایه گذاری اولیه بالا با بازده نمایی در مقیاس. در یک مثال ، یک دارایی با ارزش بالا تحویل داده می شود 300000 دلار در پس انداز سالانه از طریق کاهش هزینه های خرابی و نگهداری. اگر در 15 دارایی مشابه در یک کارخانه مقیاس را مقیاس کنید ، بیش از 5 میلیون دلار پس انداز می کنید. تا 10 گیاه گسترش دهید و بالقوه به بیش از 52 میلیون دلار می رسد.
با این حال ، بسیاری از شرکت ها تلاش می کنند تا فراتر از اولین دارایی های مهم حرکت کنند زیرا آنها با مقیاس در ذهن طراحی نکردند. هزینه اجرای تعمیر و نگهداری پیش بینی شده برای دارایی اول توسط سخت افزار ، اتصال ، توسعه مدل و هزینه های ادغام حاکم است. بدون داشتن زیرساخت های استاندارد استاندارد ، این هزینه ها برای هر اجرای جدید به جای اینکه از طریق استقرار اعمال شود ، تکرار می شود.
شرکت های موفق زیرساخت های حاشیه ای استاندارد را ایجاد می کنند که یک مدل استقرار قابل تکرار ایجاد می کند و به طرز چشمگیری هزینه و پیچیدگی افزایشی هر دارایی جدید را کاهش می دهد. این رویکرد ، تعمیر و نگهداری پیش بینی را از یک سری از پروژه های یک طرفه به یک توانایی سازمانی سیستماتیک با تسریع در بازده تبدیل می کند.
شکاف رقابتی
منحنی بلوغ پیش بینی کننده نگهداری به سرعت شرکت های صنعتی را به دو دسته جدا می کند: کسانی که زیرساخت های لبه استاندارد برای دستیابی به تحول در سطح شرکت ها استفاده می کنند ، و آنهایی که در یک چرخه بی پایان از خلبانان موفق به دام می افتند و تلاش های مقیاس گذاری ناموفق می کنند. با متوسط هزینه های خرابی از صدها هزار به بیش از یک میلیون دلار در ساعت می رود ، هزینه عدم تحرک هر روز افزایش می یابد.
شرکت های موفق در مقیاس لزوماً شرکت هایی با پیشرفته ترین الگوریتم ها یا سنسورها نیستند. آنها کسانی هستند که در اوایل این زیرساخت های لبه را تشخیص دادند ، پایه ای است که باعث می شود هوش صنعتی در مقیاس شرکت امکان پذیر باشد. از آنجا که ما به دوره ای وارد می شویم که پیش بینی کننده جای خود را به تعمیر و نگهداری تجویز می کند ، ساختن این بنیاد فقط مربوط به جلب توجه نیست – این در مورد اطمینان از اطمینان از شرکت شما در زیرساخت های موجود برای موج بعدی اطلاعات صنعتی است.
اکنون زمان رسیدگی به پیوند مفقود شده در نگهداری پیش بینی کننده است. این فناوری بالغ است ، ROI اثبات شده است و مزیت رقابتی برای پذیرندگان قابل توجه است. تنها سؤال باقی مانده این است که آیا سازمان شما جزو کسانی خواهد بود که از مزایای نگهداری پیش بینی کننده در سطح شرکت استفاده می کند یا هنوز هم در تلاش برای مقیاس فراتر از خلبانان است.
