Великі дані, прогнозована аналітика та обслуговування

Ім'я файлу: Великі дані, прогнозована аналітика та обслуговування.docx
Розширення: docx
Розмір: 402кб.
Дата: 12.05.2020
скачати

Великі дані, прогнозована аналітика та обслуговування

Яким чином останні події у таких сферах, як Великі Дані, Інтернет речей, технології прогнозування та прогнозована аналітика впливають на традиційні заходи з профілактичного обслуговування та прогнозованого обслуговування? Куди нас беруть ці тенденції, і що зараз повинні робити організації з обслуговування, щоб скористатися можливостями, які ці технології дозволяють?

Ця стаття намагається відповісти на ці питання. Спочатку почнемо з визначення ключових термінів.

Що таке Великi Данi

Вікіпедія описує великі дані як "широкий термін для наборів даних, настільки великих чи складних, що традиційні програми для обробки даних є неадекватними. Виклики включають аналіз, захоплення, зберігання даних, пошук, обмін, зберігання, передачу, візуалізацію та конфіденційність інформації. Термін часто позначається просто використанням прогнозної аналітики або інших певних передових методів для отримання значень з даних і рідко до певного розміру набору даних. " (https://en.wikipedia.org/wiki/Big_data). Одразу ми бачимо конфлікт у цьому визначенні; перше речення говорить про те, що набори даних великі та складні, тоді як у третьому реченні зазначено, що терміни часто використовуються незалежно від розміру набору даних.

Для цілей цієї статті ми зупинимося на «великих даних» як описі великих обсягів даних, доступних у різних системах (таких як ERP-системи, системи управління процесами, системи моніторингу стану тощо). Найбільш важливим аспектом цього, з точки зору технічного обслуговування, є те, що традиційно ці набори даних зберігаються та аналізуються незалежно один від одного. З появою Інтернету речей та інших досягнень інформаційних технологій ми тепер маємо можливість зберігати та аналізувати більш повну картину стану активів на основі більш повного набору даних, отриманих з різних джерел.

Що таке Інтернет речей?

Простіше кажучи, Інтернет речей - це мережа фізичних об'єктів або "речей", вбудована в електроніку, програмне забезпечення, датчики та мережеву підключення, що дозволяє цим об'єктам збирати та обмінюватися даними. (https://en.wikipedia.org/wiki/Internet_of_Things). З точки зору управління активами та технічним обслуговуванням, ми десятиліттями облаштовували активи та системи активів за допомогою електроніки та датчиків - думаємо про показники потоку, індикатори тиску тощо. Однак у минулому ці датчики були підключені за допомогою власних протоколів зв'язку та їх виходи, як правило, доступні лише для перегляду через фірмовий інтерфейс управління, наприклад, Система управління процесом в кімнаті управління. З появою Інтернету речей, однак ці пристрої тепер можуть спілкуватися, використовуючи стандартні протоколи комунікацій в Інтернеті, використовуючи відкриті стандарти, і як результат, тепер дані є потенційно доступними для використання для цілого ряду додаткових цілей використання, крім простого процесу контроль, а також потенційно доступний значно ширшій аудиторії користувачів.

Крім того, постійно зменшується вартість електроніки робить все більш економічним встановлення обладнання з цілим рядом все досконаліших датчиків і процесорів, які можуть зробити більше, ніж просто виміряти простий параметр (наприклад, загальний рівень вібрації), але можуть також зробити додатковий аналіз та діагностику на машині (такі як обчислення прискорення RMS, справжнє пікове прискорення, компенсований пік за допомогою діаметра підшипника та швидкості для нормалізації виходу, а також інші аналізи. Коли ці датчики підключені назад до магістралі зв'язку, це значно збільшує обсяг даних, доступних для аналізу, а також має потенціал для можливості аналізу в режимі реального часу.

Що таке прогнозовані технології та прогнозована аналітика?

Терміни "Прогнозовані технології" та "Прогнозована аналітика" часто використовуються взаємозамінно. Однак ми вважаємо за краще враховувати, що прогнозована аналітика - це аналіз, який використовується для прогнозування невідомих майбутніх подій. Прогнозована аналітика використовує багато методик з видобутку даних, статистики, моделювання, машинного навчання та штучного інтелекту для аналізу поточних даних для прогнозування майбутнього (http://www.predictiveanalyticstoday.com/what-is-predictive-analytics/). Ключовим тут є те, що існує низка можливих прийомів, які можна використовувати для прогнозування майбутнього. У своїй найпростішій формі просте правило, яке говорить, що якщо вібрація підшипника перевищує певне значення, то підшипник ось-ось вийде з ладу - це проста форма прогнозованої аналітики. Однак можливі набагато складніші прогнозні моделі, і саме в цій галузі відбувається велика кількість розробок.

Для порівняння, Прогнозні технології - це технології, які дають можливість прогнозувати аналітику. Сюди можна віднести технології, які виявляють початкові попереджувальні сигнали, що відбудеться подія (наприклад, технології моніторингу вібрацій, технології аналізу масла тощо), а також технології обробки інформації, які використовуються для запуску моделей прогнозованої аналітики.

Що таке профілактичне обслуговування та що таке прогнозоване обслуговування?

Існують різні погляди на визначення превентивного обслуговування та прогнозованого обслуговування, залежно від того, як ви застосовуєте визначення технічного обслуговування, орієнтованого на надійність або альтернативу. Деякі люди та організації визначають передбачуване технічне обслуговування як певний підмножина профiлактичного обслуговування, причому обидві мають на меті запобігання несправностей під час експлуатації критичного обладнання.

Для цілей цієї статті ми будемо використовувати визначення технічного обслуговування, орієнтованого на надійність, де:

Профілактичне обслуговування - це рутинна діяльність, коли компоненти чи елементи обладнання замінюються або капітально ремонтуються на певному, заздалегідь визначеному інтервалі, незалежно від їх стану в даний час.

Прогнозоване обслуговування - це звичайна діяльність з перевірки або перевірки на наявність попереджувальних умов, які вказують на те, що елемент збирається вийти з ладу. Потім планується коригувальна операція технічного обслуговування (для завершення у відповідний майбутній час) для заміни, ремонту або капітального ремонту предмета до того, як він зазнає несправності в експлуатації.

У цьому контексті ми могли б розглядати заміну моторного масла в двигуні автомобільного транспорту кожні 10000 км як діяльність з профілактичного обслуговування, тоді як вимірювання глибини протектора на шинах було б передбачуваною інспекцією технічного обслуговування.

Взагалі (більшість часу, але не завжди) Надійність з урахуванням надійності надає перевагу використанню завдань з прогнозованого обслуговування перед завданнями профілактичного обслуговування при визначенні оптимальної програми прогнозування та профілактичного обслуговування. Це тому, що (знову ж таки, загалом, і там, де це технічно можливо), завдання прогнозного обслуговування максимально збільшують час роботи обладнання та термін експлуатації компонентів шляхом планування ремонту та капітального ремонту лише тоді, коли саме обладнання каже нам, що це потрібно, грунтуючись на оцінці стану обладнання. З цього загального правила є винятки, але ми не будемо детально досліджувати це в цій статті в інтересах часу та простору. Натомість, як правило, ми вважаємо, що прогнозне обслуговування забезпечує більш загальні кращі результати бізнесу, ніж профілактичного обслуговування.

То що ж це все означає? Як великі дані та Інтернет речей впливають на нашу програму прогнозування та профілактичного обслуговування? Давайте вивчимо це, спершу окресливши концептуальну модель процесу прогнозного обслуговування.

Модель прогнозного обслуговування

Щоб використовувати прогнозне обслуговування, щоб уникнути наслідків відмов в експлуатації, елементи, показані на малюнку 1 нижче, повинні бути присутніми в системі обслуговування.

Малюнок 1
Розглянемо кожен з цих елементів, оскільки вони можуть застосовуватися в традиційній програмі моніторингу стану та в програмі технічного обслуговування 21 століття, яка використовує досягнення в галузі великих даних, Інтернету речей та прогнозованої аналітики.

Невдачі, яких слід уникати

Збій, який слід уникати - це конкретна подія відмови із пов'язаною з цим причиною відмови (режим відмови) для конкретного предмета обладнання (або класу обладнання). Як у традиційній програмі моніторингу стану, так і у програмі 21 століття, вони зазвичай ідентифікуються за деякою формою аналізу режимів відмов та наслідків (FMEA), за допомогою якої ідентифікуються функції елемента обладнання, а також причини відмов (режими відмов) що може призвести до втрати функції обладнання. Цей процес може бути, а може, не бути пов'язаний з формальним аналізом технічного обслуговування (RCM). Зауважте також, що не всі режими відмов можуть бути спрогнозовані за допомогою методів прогнозування обслуговування. Деякі режими відмови можуть не попередити про настання аварії, інші можуть надати деяке попередження, однак кількість попереджених попереджень недостатня для уникнення наслідків відмови, а для інших витрати на виявлення майбутньої несправності можуть перевищувати отримані переваги.

Однак у всіх програмах технічного обслуговування прогнозування справедливо, що для створення ефективної системи прогнозування несправностей, важливо, щоб були відомі причини відмов (режими), яких слід уникати.

Невдачі, яких слід уникнути за рахунок використання більш удосконалених методів (таких, які використовують складний аналіз даних і складних методів моделювання), витрати на розробку та використання цих методів означають, що в даний час для виправдання коштів, необхідних для розробки та впровадження цих складних технологій, наслідки повинні бути значними. Переважно повинен бути значний розрив між ефективністю будь-яких існуючих стратегій прогнозування відмов або запобігання та тими, які можуть бути досягнуті за допомогою застосування більш досконалих методик. Іншими словами, передові технології прогнозування повинні бути спрямовані на найбільш значні можливості для підвищення загальної ефективності бізнесу - вони повинні задовольняти потреби бізнесу, а не лише технічні потреби.

Попереднє виявлення невдачi

Попереднє виявлення невдачi складається з методик вимірювання, даних вимірювань та допоміжних моделей, які здатні виявити та діагностувати наявність початкового збою (умова потенційного відмови в термінології RCM). Традиційно використовувані методи були переважно ручними (періодичний аналіз вібрацій, аналіз олії, спостереження людини тощо). Крім того, традиційні моделі використовували один вхід (наприклад, загальний рівень вібрації) з одним рівнем тривоги для виявлення несправностей, що виникають.

Однак у системі технічного обслуговування 21 століття можливості великих даних та більш досконалі методи прогнозування аналізу дозволяють нам аналізувати та синтезувати значно більшу кількість даних (наприклад, таких даних, як температура, тиск тощо) або таких даних, як навколишнє середовище температура навколишнього середовища, кількість опадів тощо). Кілька змінних, часто з різних джерел, тепер можуть використовуватися в якості вхідних даних для включення в моделі, що виявляють наявність початкових збоїв. І ці дані не обов'язково повинні бути числовими. Проводиться робота з дозволу аналізу письмового тексту з журналів журналів та оглядових аркушів, щоб існування певних ключових слів у цих документах можна було використовувати як вхід у ці прогнозні моделі. Як один із прикладів, а не просто використання прогнозної моделі, яка спирається виключно на результати аналізу моторного масла, щоб визначити, чи збирається вийти з ладу двигун (і ризик того, що дуже високий показник може бути неправильно діагностований як "поганий зразок", можна було б співвіднести результати аналізу масла з останніми витратами палива в двигуні (або від бортової системи моніторингу двигуна, або за даними, отриманими з паливного приладу), і з повідомленнями про збільшення рівня димового диму, записаних у бортовому журналі. все більш точна картина існування потенційної умови відмови.

Існує ряд методів прогнозного аналізу, які можна використовувати для визначення змінних, комбінацій змінних та рівнів тривоги для прогнозування відмов обладнання. Вони варіюються від найпростішого, наприклад, особистого досвіду (я знаю, що коли дим починає виходити з підшипника, то він ось-ось вийде з ладу!), До комбінованого вивченого досвіду (виходячи з нашого колективного досвіду, ми знаємо, що рівень вібрації більше 9 мм / сек на цьому підшипнику насоса вказують на те, що він вийде з ладу), а також на більш досконалі математичні методи. Найпоширеніші з цих методів, які залежать від наявності Великих Даних, включають:

Регресійні методи. Вони використовують різні форми статистичного аналізу, від простих лінійних регресійних моделей до багатоваріантних адаптивних регресійних моделей, щоб передбачити, що відбудеться збій обладнання;
Методи машинного навчання. Простіше кажучи, ці імітації засвоюють людину шляхом виявлення шаблонів серед змінних, які в минулому призводили до відмови обладнання, а потім використовуючи методи розпізнавання шаблонів для виявлення ситуацій, подібних до тих, що мали місце в минулому.

Основна відмінність між ними полягає в тому, що методи регресії зазвичай вимагають від вас формалізації зв'язків між вхідними змінними у вигляді математичного рівняння. З іншого боку машинне навчання - це алгоритм, який може вчитися на основі даних, не покладаючись на програмування на основі правил. Для більш детального пояснення відмінностей, є хороша стаття http://www.analyticsvidhya.com/blog/2015/07/difference-machine-learning-statistical-modeling/.

Однак загальною проблемою для всіх форм прогнозної аналітики, що стосується прогнозування несправності обладнання, є те, що нам насправді потрібно мати дані про відмову для аналізу. Більшість організацій, особливо коли мова йде про найважливіші активи, як правило, не дозволяють цим активам переходити до збою - з очевидних причин. Як результат, найкраще, що ми можемо зробити, - це отримати дані, що стосуються "призупинених" збоїв - ми замінили / капітально відремонтували / відремонтували актив до того, як він не вийшов з ладу, тому ми щось знаємо про нього - він тривав до цього моменту без страждань функціональний збій - але ми не знаємо, скільки часу він би продовжував функціонувати, якби ми не втручалися в той момент часу. Тож дефіцит точних, доступних даних, щоб можна було заповнити та протестувати ці математичні аналітичні моделі, які можуть передбачити несправності обладнання, є обмеженням, яке необхідно подолати.

Тим не менш, більшість сучасних моделюючих зусиль, коли мова йде про великі дані та прогнозовану аналітику в просторі обслуговування, в даний час зосереджена на розробці більш складних і точних моделей для прогнозування існування початкових збоїв.

Крім того, все більше і більше цих даних доступні в режимі реального часу, через елементи обладнання, оснащені постійно зростаючим діапазоном датчиків, які все більше підключаються до іншої системи через Інтернет речей. Крім того, моделі, що використовуються для виявлення існування початкових збоїв, також розвиваються зі швидкістю. У наші дні такі методи, як багатоваріантний статистичний аналіз та машинне навчання, які використовують ряд заходів, можуть бути використані для розробки більш досконалих моделей виявлення початкових збоїв. Часто «великі дані» можуть сприяти розробці цих моделей.

Прогнозування ймовірних наслідків

Як тільки ви зрозумієте, що несправність обладнання знаходиться на початковій стадії розвитку, прогнозування ймовірних наслідків є важливим для того, щоб забезпечити прийняття правильного рішення щодо того, як діяти. В даний час зазвичай прийнято вважати, що наслідок кожної початкової недостатності, якщо вона дозволяла перейти до функціональної недостатності, є фіксованою і тому визначена. Однак на практиці для будь-якої однієї події відмови існує ряд можливих наслідків цієї відмови, і вони можуть змінюватися з часом. Наприклад, висока температура підшипника колеса в поїзді може або призвести до захоплення підшипника з подальшим пошкодженням колеса і колії, або може призвести до обвалення підшипника і можливого спуску. Крім того, наслідки цього можуть змінюватись залежно від того, де поїзд знаходився в момент несправності підшипника та від того, був потяг завантажений чи незавантажений. В якості іншого прикладу, висока температура підшипника двигуна конвеєра, що подає вантажник, матиме різні наслідки залежно від того, скільки часу залишилося до повного завантаження судна, та тривалості перерви між судном, яке зараз завантажується, та наступним судном що потрібно буде завантажити.

У традиційній системі технічного обслуговування ми фіксуємо єдине значення критичності активів - і, як тільки це встановлено, воно рідко змінюється. Однак у майбутній системі управління технічним обслуговуванням 21 століття критичність активу можна буде постійно оновлювати в режимі реального часу, використовуючи входи з різних систем - таких як системи планування виробництва, системи управління процесами, надійність / потужність моделі виробничих процесів, систем збуту та збуту, а також дані про стан активів у реальному часі, отримані через Інтернет речей. Виходячи з цієї оцінки в режимі реального часу, ми зможемо повністю зрозуміти можливі наслідки для бізнесу та наслідки окремих невдач, що виникли, і прийняти більш обґрунтоване рішення щодо коригувальних заходів, які слід вжити, та терміновості, з якою він повинен бути бути виконаним.

В даний час в цьому просторі робиться набагато менше робіт. Проводиться більше роботи над розробкою більш досконалих методів виявлення того, чи існує невдача в технічному розумінні, але не робиться багато роботи над розробкою більш складних методів вирішення питання про те, чи має значення цей початковий збій з точки зору ймовірних результатів бізнесу . Однак з часом я очікую, що це буде зростаюча область інтересів.

Прогнозування часу функціональної відмови

Після того, як ми встановили, що активний збій (умова потенційної відмови) існує на активі, і що наслідки функціональної відмови означають, що цієї функціональної відмови слід уникати, якщо це можливо, наступне питання, що виникає, - як довго у нас є перед тим, як ми постраждаємо від цієї функціональної відмови? ", а точніше," Скільки часу у мене є, перш ніж мені потрібно щось зробити на обладнанні, щоб запобігти виникненню цієї функціональної несправності? " в галузі прогнозованих технологій та великих даних може допомогти краще відповісти на це питання.

В даний час, як знають ті, хто знайомий з технічним обслуговуванням, орієнтованим на надійність (RCM), однією з ключових частин інформації, яку нам потрібно знати, щоб уникнути потенційних наслідків відмови функції, є інтервал ПФ (проілюстрований на малюнку 2 нижче ) - тобто часовий проміжок від точки П (точка, в якій ми можемо спочатку виявити існування умови потенційного відмови (або невдалого початку) та точки Ф (точки, в якій ми зазнаємо функціональної відмови).

Малюнок 2

Інтервал ПФ важливий з двох причин.

Перший полягає в тому, що якщо ми проводимо періодичні перевірки стану активів, то нам потрібно проводити їх із частотою, меншою, ніж інтервал ПФ - дійсно достатньо меншою, ніж інтервал ПФ, щоб ми могли прийняти необхідний виправлення дії, щоб уникнути наслідків функціональної відмови до фактичної відмови функціоналу.

Друга полягає в тому, що інтервал ПФ повідомляє нам, як швидко нам потрібно вжити необхідних коригувальних дій, щоб запобігти виникненню функціональної відмови.

Зауважимо, що поява в Інтернеті речей, за якою все більше і більше параметрів стану обладнання повідомляється в режимі реального часу, а не за допомогою періодичного огляду, дозволяє вибрати умови потенційних відмов (точка П на малюнку 2), які ближче до точки Ф, поки ще зможе уникнути наслідків відмови. Це дозволяє нам набагато більш "своєчасно" підходити до запобігання збоїв, тим самим продовжуючи термін служби компонентів. Особливо це стосується мобільного обладнання, такого як гірничі вантажні автомобілі та дорожні вантажівки, де інтервал часу між періодичними звичайними інспекціями може бути досить великим. Багато повідомлених переваг Інтернету речей, що стосуються транспортних засобів, насправді пов'язані лише з цим фактором. Дивитися https://hbr.org/2014/11/finding-the-money-in-the-internet-of-things для більшого обговорення цього питання.

Тож як ми можемо визначити, що насправді інтервал ПФ? В даний час більшість організацій оцінюють інтервал ПФ (за винятком, можливо, режимів дуже критичної несправності), використовуючи оцінки досвідчених технічних працівників та операторів. Це часто отримують на семінарах, задаючи такі питання, як "Скільки часу пройде, коли підшипник звучить шумно, поки остаточно не схопиться?" З огляду на те, що ці оцінки, ймовірно, є неточними, часто застосовується консервативний підхід, і інтервал ПФ вважається нижчим, ніж груповий консенсус (або обстеження проводиться з частотою, значно вищою, ніж передбачається, необхідний інтервал ПФ).
Прогнозована аналітика в поєднанні з моніторингом стану в реальному часі, включеним Інтернетом речей, однак, можливо, дозволить нам оцінити інтервал PF з більшою точністю, збираючи інформацію про те, як змінюється стан обладнання змінюється в часі протягом інтервалу ПФ. . Крім того, великі дані можуть дозволяти нам визначити додаткові фактори, які можуть впливати на те, яким насправді є інтервал PF, для даного режиму відмови на конкретному пристрої в конкретних умовах. Наприклад, вимірюючи електричне навантаження на електродвигуні та поєднуючи це з інформацією про рівні вібрації підшипників, ми можемо визначити вплив, який навантаження на двигун має на швидкість зносу від точки П до точки Ф .

Як було сказано раніше при обговоренні методів визначення існування умов потенційного відмови, головним обмеженням при більш досконалих методах прогнозування аналітики є наявність достатніх даних про відмову для точного прогнозування інтервалу ПФ. На практиці ми рідко дозволяємо апарату досягти точки F - тому що наслідки цього занадто великі. Без цих даних нам потрібно зробити деякі припущення на основі даних про "призупинені" відмови, про які говориться раніше.

Виконання рекомендованих коригуючих дій

Нарешті, знання того, що елемент обладнання збирається вийти з ладу, і прийняти рішення про те, що робити, щоб уникнути наслідків цього відмови, малоцінне, якщо тільки відповідні дії щодо уникнення або пом'якшення наслідків відмови насправді не здійснюються в своєчасно. Знову ж таки, це є серйозним культурним зрушенням у багатьох організаціях. В даний час фахівці з моніторингу стану в багатьох організаціях і в багатьох галузях зможуть порадувати вас багатьма історіями про час, який вони розповіли команді виконавців з технічного обслуговування, що актив збирається вийти з ладу, і рекомендували відповідний курс дій, лише щоб з'ясуйте, що їхні поради або були повністю ігноровані, або їх не помітили, поки не пізно, і актив не вдався до експлуатації в будь-якому випадку.

У програмі технічного обслуговування 21 століття наша система управління технічним обслуговуванням та наші системи прогнозування аналітики будуть інтегровані. Якщо наші моделі говорять нам про те, що до конкретної дати потрібно вжити коригувальну дію, то це буде відображено в терміни виконання робочого замовлення в нашій системі управління технічним обслуговуванням. Прострочені та неминучі коригувальні дії зможуть бути відмічені та відстежені. Команда з технічного обслуговування не зможе змінити зазначені строки, і вони ігнорують їх на свій страх - принаймні теоретично!

Переломний момент - Інтернет речей, Великі Дані та прогнозована аналітика.

Тож ми можемо побачити, що Інтернет речей та великих даних потенційно представляє величезну можливість покращити надійність обладнання та зменшити витрати на обслуговування. У минулому найбільший блокпост, який існував для моніторингу стану в Інтернеті, - це отримання інформації з обладнання для аналізу. Поява дешевих бездротових технологій тепер означає, що коли колись датчики мали б бути провідними, це дороге вправу, тепер інформація може передаватися бездротовим шляхом. У поєднанні з такими програмами, як Інтернет речей, інтерфейс від машини до машини, хмари та потужність сервера, великі обсяги інформації або "великі дані", можна швидко поділитися.

Завдяки значним постійним інвестиціям у сферу дизайну сенсорів та платформ моделювання прогнозування відмов, ці технології можуть забезпечити продовження зростання. За допомогою вхідних датчиків, пускачів, параметрів управління та експлуатаційних даних історичних даних, таких як SCADA, прогнозні технології, як показано на малюнку 2, можуть забезпечити

Візуальне дослідження даних
Інформаційні панелі
Попередження про експлуатацію
Автоматичне втручання
Прогнози, коли обладнання вийде з ладу

У деяких випадках інформація може бути зібрана в системі CMMS для завершення циклу.

Малюнок 3

Системи, розроблені для досягнення автоматизованого технічного обслуговування, заявляють про переваги:

Підвищена надійність активів;
Скорочені терміни обслуговування;
Покращений відсоток часу роботи;
Підвищення безпеки та якості;
Раннє виявлення незначних порушень;
Скорочення витрат на обслуговування;
Перевірка розвитку несправності з більш ніж одного джерела даних;
Автоматизована діагностика зменшує навантаження на обслуговуючого персоналу;
Деякі системи стверджують, що здатні передбачити час роботи машини;
Удосконалити аналіз причин кореневих причин;
Віддалений доступ до даних.

Прогнозована аналітика та обслуговування - виклики

Успішне впровадження прогнозного обслуговування може бути пов'язане з двома ключовими сферами, дослідженими в таблиці 1.

Організаційно - інтегрований підхід на всіх рівнях організації.
Достатність моделі / даних - моделі повинні врівноважувати точність та стабільність, щоб отримати високу якість даних.

Організаційні	Достатня модель / дані
Довіра до інформації	Відсутність даних
Витрати	Якість даних / Цілісність
Встановлення переваг програми прогнозного обслуговування	Обсяг даних
Пріоритетний конфлікт між відділами (ІТ та Операції)	Можливість використання моделі
Ресурсування - необхідний специфічний набір навичок	Складність моделі
Впровадження / інтеграція - вплив на процес та поведінку	Безпека даних

Таблиця 1

Тематичне дослідження - технічне обслуговування винищувача Тайфун

Нарешті, давайте вивчимо одне тематичне дослідження, де великі дані, Інтернет речей та прогнозована аналітика стверджують, що вони отримали вимірні переваги..

Цілі програми технічного обслуговування винищувача Тайфун повинні:

Скоротити витрати та резервні запаси обслуговування літальних апаратів;
Максимізувати час роботи літака

Очікувані вигоди були економією на технічному обслуговуванні в 3,1 мільярда доларів за 25 років на 10 методах прогнозування літальних апаратів, які використовувались для прогнозування відмов компонентів. Частота відмов компонентів літака змінюється в міру зміни умов експлуатації, так само як вимоги інвентаризації залежать від місць розташування повітряної бази. Загалом 2000 компонентів на кожному літальному апараті моделюються на знос, при цьому кожне моделювання генерує вихідний файл у 40 мегабайт, який стає входом для наступного запуску моделі. Прогностичне моделювання виконує різні ітерації моделі для прогнозування ефекту тенденцій та змін середовища.

Зазначені результати цієї програми включають:

Заздалегідь визначені обмеження потужностей у процесі обслуговування, тому нові плани можуть бути створені;
Моделювання дозволило оптимізувати рішення щодо місця проведення технічного обслуговування на місці чи назад у Великобританії;
Час роботи літаків збільшився, наприклад, літаки на землі, які очікують часу простою, покращилися з двозначних до 4%;

Для отримання додаткової інформації дивитися http://data-informed.com/predictive-models-guide-fighter-jet-maintenance-for-raf-squadron/

Висновок

Зважаючи на розвиток технологій, складні умови експлуатації, можливу рентабельність інвестицій та можливості, які надає обмін даними, Big Data, Інтернет речей та прогнозована аналітика в даний час більш ніж можливі при застосуванні до технічного обслуговування, і представляють величезну потенційну можливість для вигоди для організації, готові та здатні скористатися цими технологіями. Поле ще знаходиться в зародковому стані, і потрібно зробити багато роботи, щоб розкрити весь потенціал, який представляють ці технології, але організації, що мислять вперед, повинні розглянути, як вони будуть брати участь у розробці та впровадженні цих методів у своїх організаціях.

У цій статті йдеться лише про використання великих даних, Інтернету речей та прогнозованої аналітики для прогнозування несправностей обладнання. Ці технології також можуть бути використані не просто для прогнозування несправностей, що виникають, але й для їх усунення. Це, можливо, ще більше хвилює перспективу, але це тема для іншої статті.

Якщо вам цікаво обговорити зміст цієї статті, не соромтесь зв’язатися зі мною або приєднатися до дискусії на LinkedIn.
Сенді Данн

Директор

скачати