Berhasil dalam Pemeliharaan Prediktif dalam Skala
Dalam posting terakhir kami, kami melihat munculnya pemeliharaan prediktif (PdM), dan mengapa begitu banyak vendor - dan pelanggan mereka - terus melakukan kesalahan. Di sini kita akan mengeksplorasi bagaimana kita telah menerapkan apa yang telah kita pelajari tentang Pemeliharaan Prediktif selama bertahun-tahun untuk semua yang kita lakukan hari ini.
Kombinasi lebih dari 30 tahun pengalaman bekerja di industri Aerospace, dan lebih dari 150 orang-tahun waktu penelitian dan pengembangan yang dihabiskan secara eksklusif di PdM telah mengajari kami banyak hal tentang penerapan teknologi pemeliharaan prediktif di berbagai sektor yang berbeda. Dan, saat kami terus menghadapi berbagai sektor dan tingkat kematangan pelanggan, kami terus belajar. Di atas segalanya, kami telah belajar bahwa melakukan pemeliharaan prediktif dengan baik tidaklah mudah.
Yang penting, kami telah belajar bahwa ini bukan hanya tentang mengetahui cara melakukan PdM dengan baik, tetapi mengapa itu penting. Kami telah belajar, misalnya, bahwa nilai sebenarnya dari PdM sulit untuk dijelaskan, bahkan jika itu memberikan laba atas investasi yang signifikan. Menerapkan strategi PdM adalah langkah yang tidak boleh dianggap enteng - ini memengaruhi keseluruhan bisnis, mulai dari dewan hingga lantai pabrik. Tingkat kepercayaan dalam keberhasilannya akan dibutuhkan sebelum memulai transformasi skala ini.
Berikut adalah beberapa poin penting yang, menurut pengalaman kami, kami yakini harus diingat oleh organisasi saat memulai perjalanan pemeliharaan prediktif.
Pemeliharaan Prediktif bukanlah kasus penggunaan Ilmu Data pada umumnya
Semakin banyak kami berbicara dengan pelanggan tentang upaya implementasi mereka yang gagal sebelumnya, semakin yakin kami bahwa PdM tidak dapat diperlakukan sebagai masalah Big Data yang khas. Ini sebagian besar bermuara pada fakta bahwa konteks kaya yang diperlukan agar solusi Big Data berfungsi sangat kurang di PdM. Banyak mode kegagalan mesin yang sifatnya halus juga, sehingga sulit bagi algoritme pembelajaran mesin yang mapan untuk secara akurat memprediksi pola apa pun yang terlihat.
Bukan tidak masuk akal untuk mengharapkan tingkat akurasi 90% dan lebih tinggi dalam solusi Ilmu Data biasa. Mengharapkan akurasi serupa dari solusi PdM, bagaimanapun, menunjukkan kesalahpahaman mendasar tentang cara kerjanya. Ya, menggunakan data kurasi berkualitas tinggi di lingkungan laboratorium akan memberikan hasil seperti ini untuk mesin tertentu dan mode kegagalan tertentu. Tapi ini tidak mewakili kenyataan. Setiap mesin dan mode kegagalan adalah unik, untuk satu hal, dan jenis sensor yang berbeda akan mengirimkan data dengan tingkat akurasi yang berbeda. Dan itu belum lagi sifat dinamis dari lantai pabrik, dan kurangnya informasi kontekstual yang penting.
Pertanyaan sulit harus diajukan kepada siapa pun yang mengajukan pertanyaan umum atau membuat klaim khusus mengenai keakuratan solusi PdM.
Kenali audiens Anda
Hal lain yang telah diajarkan oleh pengalaman kami kepada kami adalah bahwa tim pemeliharaan yang sibuk biasanya memiliki sedikit waktu di awal shift mereka untuk mengidentifikasi yang mana dari sekian banyak mesin yang menjadi tanggung jawabnya yang paling membutuhkan perhatian mereka. Mereka tentu tidak ingin menghabiskan waktu untuk mempelajari grafik dan memilah-milah data mentah untuk mengungkap informasi itu.
Oleh karena itu, desain perangkat lunak yang intuitif dan sederhana sangat penting, memberikan para profesional pemeliharaan wawasan yang mereka butuhkan dalam dasbor yang mudah dibaca, dan menghemat waktu yang berharga. Namun, meskipun banyak vendor menyediakan dasbor semacam itu, dasbor tersebut sering kali dapat berupa penawaran umum, yang tidak mempertimbangkan alur kerja, preferensi, dan pengalaman unik pengguna. Memang, pengetahuan dan pengalaman para profesional ini sangat berharga; memanfaatkannya sangat penting untuk keberhasilan solusi PdM.
Produk Senseye dirancang dengan mempertimbangkan semua ini. Kami bertujuan untuk kesederhanaan, mengintegrasikan analitik dengan mulus dengan antarmuka pengguna yang jelas. Daripada beberapa bagan dan grafik, informasi disajikan dalam bentuk daftar, diurutkan berdasarkan Attention Engine, algoritme eksklusif yang menggunakan data alat berat, data perawatan, dan data operator untuk memprioritaskan alat berat yang membutuhkan perhatian.
Ketahui di mana pengguna Anda berada dalam perjalanan mereka
Kami juga mengetahui bahwa perusahaan yang berbeda - dan, seringkali, area yang berbeda dalam perusahaan yang sama - akan berada pada tahap yang berbeda dalam perjalanan pemeliharaan prediktif mereka. Satu perusahaan, misalnya, mungkin hanya melakukan pemeriksaan pemantauan kondisi berbasis rute secara berkala. Namun, yang lain akan menggabungkan pemantauan kondisi otomatis yang kuat dengan solusi PdM untuk prediksi akurat tentang kesehatan alat berat dan waktu hingga kegagalan.
Contoh-contoh ini berada di ujung skala yang berlawanan, tentu saja, dan sebagian besar perusahaan akan duduk di antara keduanya, tingkat kematangan data dan kesiapan budaya mereka meningkat sebagai hasil dari pemahaman yang lebih besar oleh tim manajemen mereka dan dukungan dari mereka. tim TI. Penting untuk mengetahui di mana posisi perusahaan pada skala itu, karena masing-masing akan membutuhkan paket dukungan dan penerapan yang berbeda tergantung pada tingkat kematangannya.
Pengalaman bertahun-tahun telah mengajari kami banyak hal tentang apa yang berhasil dan apa yang tidak. Dalam posting kami berikutnya, kami akan mengeksplorasi bagaimana semua pengalaman dan pemahaman ini telah menjadikan Senseye PdM sebagai produk PdM terkemuka di pasar. Sampai saat itu, Anda dapat menemukan detail lebih lanjut tentang hal terpenting yang telah kami pelajari tentang PdM di buku putih kami “Senseye in Depth:Mengapa Pemeliharaan Prediktif begitu sulit?”.
