Memastikan Pemeliharaan Prediktif yang Berhasil | Senseye
Apa jebakan yang menyebabkan proyek pemeliharaan prediktif gagal dan bagaimana Anda menghindarinya? Bagaimana Anda memastikan tim memperoleh keahlian pemantauan kondisi dan 'praktik terbaik' yang sesuai untuk pemeliharaan prediktif sebagai bagian dari proyek transformasi digital yang lebih luas?
Dalam film ini, Alexander Hill dan Rob Russell dari Senseye bergabung dengan Peter Gagg dari MCP Consulting Group, untuk mendiskusikan apa yang perlu dilakukan sejak awal untuk memberikan inisiatif pemeliharaan prediktif peluang keberhasilan terbaik, dan bagaimana produsen dan organisasi industri lainnya dapat membangun batu loncatan awal ini untuk terus mendorong peningkatan berkelanjutan.
Transkrip
Alexander Hill, Senseye:Penyebab utama kegagalan proyek PdM terbagi dalam dua kategori utama:teknologi dan budaya.
Di sisi teknologi, mungkin saja data tidak tersedia - proyek mungkin dimulai dengan penuh semangat tetapi Anda menemukan bahwa data yang dapat Anda peroleh dari mesin ini tidak cocok untuk tujuan pemantauan kondisi. Ada beberapa hal yang dapat dilakukan tentang hal itu, sensor dapat dipasang kembali, pekerjaan analisis data lebih lanjut dapat dilakukan untuk menghasilkan data dengan kualitas yang lebih baik.
Sisi lain dari hal-hal adalah budaya. Terlalu sering pemeliharaan prediktif dipandang sebagai proyek inovasi yang bagus dan menarik. Tapi ini adalah perawatan di dunia nyata, ini memiliki konsekuensi nyata bagi mesin dan manusia, jadi kasus bisnisnya harus sangat jelas.
Rob Russell, Senseye:Perlu ada tarikan langsung dari pengguna akhir dan tarikan itu harus dibuat oleh tim pusat yang menjelaskan manfaat dari solusi ini. Sangat penting bagi Anda untuk memiliki dukungan tingkat senior untuk proses tersebut, tetapi juga ada sumber daya khusus yang diberi insentif untuk mendorong aktivitas pemeliharaan prediktif.
Peter Gagg, MCP Consulting Group:Jika Anda tidak mendapatkan persetujuan maka Anda tidak akan membuat teknik baru ini berkelanjutan. Untuk memiliki keberlanjutan itu, Anda benar-benar harus menunjukkan bahwa ada beberapa manfaat yang sangat signifikan yang bisa didapat - apakah itu mengurangi waktu henti, membuat waktu teknisi lebih efektif, atau membuat hidup mereka lebih mudah.
Anda harus menyadari bahwa selama bagian awal perjalanan itu, Anda akan membuat kesalahan dan kegagalan akan terjadi. Anda harus belajar dari itu. Tidak ada sistem yang akan terbukti bodoh sejak tahap awal. Anda harus memiliki proses pembelajaran yang berulang.
Alexander Hill:Apakah ada tujuan strategis untuk menerapkan pemeliharaan prediktif? Jika ini hanya proyek sains, maka kemungkinan besar tidak akan mendapatkan paparan penuh, dukungan, dan interaksi yang dibutuhkannya. Anda harus meletakkan ini di tangan pemeliharaan - orang-orang yang kehidupan sehari-harinya akan ditingkatkan olehnya. Jika berada di lab R&D, jauh lebih sulit untuk melakukannya.
Rob Russell:Pasti perlu ada rencana bagaimana Anda menggunakan teknologi baru ini dan Anda memasukkannya ke dalam lingkungan operasi tersebut. Harus diakui bahwa, sementara itu terjadi, akan ada periode inefisiensi karena orang-orang semakin cepat dengan teknologi baru.
Peter Gagg:Itu terus kembali untuk melatih orang-orang, memeriksa mereka mengikuti prosedur atau proses yang benar, dan memiliki beberapa KPI atau metrik untuk menunjukkan bahwa Anda mendapatkan manfaat dari teknik baru yang telah diperkenalkan. Pastikan Anda telah memonetisasi program pemeliharaan prediktif sehingga menjadi penghasil keuntungan dan bukan biaya.
Alexander Hill:Ketika kami telah membuktikan nilai - kami biasanya dapat melakukannya dalam dua bulan - maka ini adalah kasus menemukan di mana lagi kami dapat memperluas, apakah datanya tersedia, apakah diperlukan di sana? Selanjutnya, semudah memasukkan data, mengaktifkannya, dan memastikan kami dapat memberikannya ke lebih banyak orang.
