Hindari Jebakan Umum: Raih Keberhasilan Pemeliharaan Prediktif dengan Senseye
Apa jebakan yang menyebabkan proyek pemeliharaan prediktif gagal dan bagaimana menghindarinya? Bagaimana Anda memastikan tim memperoleh keahlian pemantauan kondisi dan 'best practice' yang tepat 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 membahas apa yang perlu tersedia sejak awal untuk memberikan inisiatif pemeliharaan prediktif peluang terbaik untuk sukses, dan bagaimana produsen dan organisasi industri lainnya dapat membangun batu loncatan awal ini untuk terus mendorong perbaikan yang berkelanjutan.
Transkrip
Alexander Hill, Senseye: Penyebab utama gagalnya proyek PdM terbagi menjadi dua kategori utama: teknologi dan budaya.
Di sisi teknologi, mungkin data tidak tersedia - proyek mungkin dimulai penuh semangat tetapi Anda menemukan data yang bisa Anda dapatkan dari mesin ini tidak cocok untuk tujuan pemantauan kondisi. Ada hal yang bisa dilakukan untuk itu, sensor dapat dipasang ulang, pekerjaan analisis data lebih lanjut dapat dilakukan untuk menghasilkan data yang lebih berkualitas.
Sisi lain adalah budaya. Terlalu sering pemeliharaan prediktif dianggap sebagai proyek inovasi yang bagus dan menarik. Tapi ini adalah pemeliharaan dunia nyata, ini memiliki konsekuensi nyata untuk mesin dan manusia, dan jadi studi kasus bisnis harus sangat jelas.
Rob Russell, Senseye: Perlu ada dorongan langsung dari pengguna akhir dan dorongan itu harus diciptakan oleh tim pusat dengan menjelaskan manfaat solusi ini. Sangat penting bahwa Anda memiliki dukungan tingkat senior untuk proses ini, tetapi juga bahwa ada sumber daya yang khusus yang diberikan insentif untuk mendorong aktivitas pemeliharaan prediktif.
Peter Gagg, MCP Consulting Group: Jika Anda tidak mendapatkan dukungan, Anda tidak akan membuat teknik baru menjadi berkelanjutan. Untuk memiliki keberlanjutan itu, Anda benar-benar harus menunjukkan bahwa ada beberapa manfaat yang sangat signifikan yang bisa didapatkan - baik itu mengurangi waktu henti, membuat waktu insinyur lebih efektif, atau membuat hidup mereka lebih mudah.
Anda harus menyadari bahwa selama bagian awal perjalanan ini, Anda akan membuat kesalahan dan kegagalan akan terjadi. Anda harus belajar dari itu. Tidak ada sistem yang akan terlindung dari kesalahan sejak tahap awal. Anda harus memiliki proses pembelajaran berulang itu.
Alexander Hill: Apakah ada tujuan strategis untuk menerapkan pemeliharaan prediktif? Jika ini hanya proyek ilmu pengetahuan, maka kemungkinan besar tidak akan mendapatkan eksposur, dukungan, dan interaksi penuh yang dibutuhkan. Anda perlu meletakkan ini di tangan pemeliharaan - orang-orang yang kehidupan sehari-hari mereka akan ditingkatkan olehnya. Jika ini berada di laboratorium R&D, jauh lebih sulit untuk melakukannya.
Rob Russell: Tentu perlu ada rencana tentang bagaimana Anda mengambil teknologi baru ini dan menempatkannya di lingkungan operasi tersebut. Harus diakui bahwa, sementara itu sedang berlangsung, akan ada periode ketidakefisian saat orang-orang menyesuaikan diri dengan teknologi baru.
Peter Gagg: Ini terus kembali ke pelatihan orang, memeriksa apakah mereka mengikuti prosedur atau proses yang tepat, dan memiliki beberapa KPI atau metrik untuk menunjukkan bahwa Anda mendapatkan manfaat dari teknik baru yang telah diperkenalkan. Pastikan bahwa Anda telah monetarisasi program pemeliharaan prediktif sehingga itu menjadi pengembang keuntungan dan bukan biaya.
Alexander Hill: Setelah kami membuktikan nilai - kami biasanya mampu melakukannya dalam dua bulan - maka itu kasus menemukan di mana lagi kita dapat mengembangkan, apakah data tersedia, apakah kebutuhan ada? Lalu itu semudah memasukkan data, menyalakannya, dan memastikan kita dapat meletakkannya di tangan lebih banyak orang.
