Dapatkan nilai bisnis asli dari ilmu data

Mencegah kerusakan dengan memprediksi kondisi dan persyaratan pemeliharaan aset industri merupakan tantangan besar. Dunia ilmu data penuh dengan model yang berjuang untuk memberikan hasil di lingkungan dunia nyata. Jadi, apa pendekatan terbaik?

Teori dan praktik

Secara teori, teori dan praktek adalah sama. Dalam praktiknya, mereka tidak. Tidak ada yang lebih benar daripada ketika mencoba menerjemahkan model aset industri menjadi wawasan yang dapat ditindaklanjuti yang memberikan peningkatan di lantai produksi. Makalah akademis tentang ilmu data mungkin mencakup analisis yang menunjukkan bagaimana algoritme tertentu dapat meningkatkan yang lain dengan satu atau dua poin persentase, tetapi di lingkungan pabrik, memotong sinyal bising untuk mengungkap pola apa pun bisa menjadi tantangan.

Namun ini hanyalah kendala besar pertama yang harus diatasi oleh calon pengembang model DIY jika mereka berharap bahwa upaya mereka akan memungkinkan Pemeliharaan Prediktif atau hasil bisnis lainnya. Mereka yang berhasil mengembangkan model tangguh yang dapat bekerja di bawah kondisi dunia nyata segera menghadapi masalah besar berikutnya:model yang berguna harus diterapkan, bukan hanya dikembangkan.

Deployment secara alami berarti menjalankan model dalam skala besar. Tetapi itu juga berarti menyediakan antarmuka yang menyajikan hasil dengan cara yang ramah dan memuaskan pengguna dengan memungkinkan berbagai kelompok untuk memprioritaskan peringatan, mengumpulkan umpan balik, dan sebagainya. Jika Anda memiliki 20.000 robot yang bekerja di pabrik besar, bahkan menggunakan antarmuka pengguna untuk menampilkan grafik interaktif untuk semuanya bukanlah hal yang sepele. Faktanya, pemodel DIY biasanya menemukan bahwa apa yang sebenarnya mereka coba lakukan adalah mengembangkan aplikasi mereka sendiri. Ini bisa sangat menguras sumber daya dan mahal.

Tanyakan pada ahlinya

Untuk alasan ini, hampir selalu lebih baik untuk bekerja sama dengan penyedia spesialis, lengkap dengan keahlian ilmu datanya sendiri dan dukungan penerapan yang diperlukan untuk memastikan bahwa pengguna lantai toko dapat dengan mudah mengakses informasi yang mereka butuhkan. Perusahaan mungkin berpikir bahwa model kustom mereka sendiri dapat berkinerja lebih baik daripada algoritme umum yang dihasilkan oleh pemasok. Namun, perbedaan apa pun sering kali kecil dan jauh lebih besar daripada aspek negatif dari melakukannya sendiri.

Misalnya, model yang digunakan dalam solusi Pemeliharaan Prediktif Senseye, Senseye PdM, sering kali setara dengan model khusus dan dapat berkinerja lebih baik. Algoritme pembelajaran mesinnya yang unik mengubah data menjadi prediksi akurat dari Sisa Masa Pakai (RUL) aset manufaktur – teknik yang dikenal sebagai prognostik.

Salah satu alasan mengapa Senseye PdM secara rutin melebihi ekspektasi adalah karena algoritme memperlakukan setiap mesin sebagai unik – meskipun merek dan modelnya sama. Mesin yang awalnya sama akan berperilaku dan aus secara berbeda dari waktu ke waktu karena mereka mengalami perbedaan di lingkungan terdekatnya atau karena pekerjaan yang mereka lakukan. Memperlakukan setiap aset sebagai individu dengan 'sidik jari perilaku' yang unik meningkatkan akurasi prognostik Senseye PdM secara signifikan dan mendukung tim yang bertanggung jawab atas aset produksi untuk memaksimalkan waktu kerja.

Selain memberikan kinerja yang terbukti dari algoritme yang telah dicoba dan diuji, bermitra dengan Senseye menghilangkan semua masalah yang menyertai seputar kinerja, penskalaan, penerapan, kegunaan, dan keamanan yang kuat.

Jika calon pengguna telah mengembangkan model kustom dan ingin menggunakannya, Senseye dapat mengintegrasikannya ke dalam sistem melalui API. Meskipun model kustom itu sendiri tidak terintegrasi ke dalam Senseye PdM, solusinya tetap dapat menerima hasil dari model kustom sebagai masukan yang berguna.

Namun, masih jauh lebih umum bagi Senseye untuk menggunakan algoritme generiknya yang canggih. Ilmuwan data Senseye berfokus pada penanganan dunia nyata apa adanya, bukan seperti yang kita inginkan, sehingga modelnya sangat tangguh bahkan di lingkungan data yang paling bising sekalipun.

Di mana pengguna bertujuan untuk menerapkan prognostik dan Pemeliharaan Prediktif, pendekatan yang kuat ini sangat penting saat menangkap data dari kegagalan. Dalam momen yang relatif kacau, sangat penting untuk mengekstrak informasi yang berarti dari bawah kebisingan sehingga sistem dapat mengidentifikasi kegagalan yang mendekat dan meningkatkan peringatan sebelum aset gagal lagi.

Bekerja sama

Meskipun menghadirkan keahlian dari luar adalah cara yang paling hemat sumber daya dalam menerapkan model untuk pemantauan kondisi dan Pemeliharaan Prediktif, pengguna memainkan peran penting dalam mendapatkan hasil maksimal dari model data umum.

Sebagai permulaan, selalu ada kurva pembelajaran saat menerapkan model generik. Misalnya, Senseye PdM awalnya membutuhkan waktu 14 hari untuk memberikan hasil, membangun 'sidik jari' dari perilaku unik setiap aset dalam kondisi operasi normal.

Keahlian dan pengalaman internal tim pelanggan kami termasuk spesialis pemantauan kondisi dan insinyur mesin yang dikombinasikan dengan pakar teknologi kami dapat dimasukkan ke dalam proses ini, memungkinkan Senseye untuk mengonfigurasi sistem di awal untuk memprioritaskan beberapa data dan peristiwa yang paling diminati pengguna Ini mempercepat proses pembelajaran awal untuk algoritma. Dalam jangka panjang, sistem umpan balik reguler memungkinkan algoritme membangun gambaran tentang peristiwa dan tren mana yang penting bagi pengguna dan mana yang tidak relevan. Ini berguna saat menerapkan model generik yang secara bertahap beradaptasi untuk memprediksi perilaku setiap mesin secara lebih dan lebih akurat dari waktu ke waktu.

Hasil dunia nyata

Lakukan dengan benar dan manfaat bisnisnya sangat mengesankan. Senseye PdM biasanya mengurangi waktu henti alat berat yang tidak direncanakan hingga 50%, meningkatkan produktivitas staf pemeliharaan sebesar 55%, dan meningkatkan akurasi perkiraan waktu henti hingga 85%.

Biasanya, manfaat ini sulit dicocokkan dengan algoritme khusus, oleh karena itu pendekatan yang menonjol sangat disarankan untuk mencapai hasil nyata.

Cari tahu lebih lanjut dengan membaca buku putih kami "Memanfaatkan Kekuatan Prediksi" atau coba Kalkulator ROI kami untuk melihat bagaimana Anda bisa mendapatkan keuntungan.