Menguasai Prediktif Maintenance dalam Skala Besar: Strategi Teruji untuk Keberhasilan
Dalam posting kami terakhir, kami telah melihat kemunculan prediktif maintenance (PdM), dan mengapa begitu banyak vendor — dan pelanggan mereka — terus gagal melakukannya. Di sini kami akan menjelaskan bagaimana kami menerapkan apa yang telah kami pelajari tentang Prediktif Maintenance selama bertahun-tahun ke segala sesuatu yang kami lakukan saat ini.
Kombinasi lebih dari 30 tahun pengalaman bekerja di industri Penerbangan, dan lebih dari 150 person-tahun waktu penelitian dan pengembangan yang dihabiskan secara eksklusif pada PdM telah mengajarkan kami banyak tentang penerapan teknologi prediktif maintenance di berbagai sektor. Dan, seiring kami terus menghadapi berbagai sektor dan tingkat kematangan pelanggan, kami terus belajar. Di atas segalanya, kami telah belajar bahwa melakukan prediktif maintenance dengan baik tidak mudah.
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 PdM dapat sulit dijelaskan, bahkan jika memberikan return on investment yang signifikan. Menerapkan strategi PdM adalah langkah yang tidak boleh diambil dengan ringan — itu mempengaruhi seluruh bisnis, dari dewan direksi hingga lantai produksi. Tingkat kepercayaan akan keberhasilannya akan diperlukan sebelum memulai transformasi dalam skala ini.
Di sini, maka, adalah beberapa poin kunci yang, dalam pengalaman kami, kami percaya organisasi harus diingat saat memulai perjalanan prediktif maintenance.
Prediktif Maintenance bukan Kasus Penggunaan Data Science Biasa
Semakin banyak kami berbicara dengan pelanggan tentang upaya implementasi gagal sebelumnya, semakin yakin kami bahwa PdM tidak dapat diperlakukan sebagai masalah Big Data biasa. Ini besarnya karena fakta bahwa konteks kaya yang diperlukan agar solusi Big Data bekerja sangat tertinggal di PdM. Banyak mode kegagalan mesin juga halus dalam bentuknya, sehingga sulit bagi algoritma machine learning yang sudah ada untuk meramalkan pola apa pun yang dapat diidentifikasi dengan akurat.
Tidak wajar untuk mengharapkan tingkat akurasi 90% dan lebih tinggi dalam solusi Data Science biasa. Namun, mengharapkan akurasi yang sama dari solusi PdM menunjukkan salah paham fundamental tentang cara kerjanya. Ya, menggunakan data berkualitas tinggi yang telah dikurasi dalam lingkungan laboratorium akan memberikan hasil seperti ini untuk mesin tertentu dan mode kegagalan tertentu. Namun, ini tidak mewakili kenyataan. Setiap mesin dan mode kegagalan unik, untuk satu hal, dan jenis sensor yang berbeda akan menghasilkan data dengan tingkat akurasi yang berbeda. Dan itu belum menyebutkan sifat dinamis dari lantai pabrik, dan kurangnya umum informasi konteks yang krusial.
Pertanyaan sulit harus diajukan kepada siapa pun yang bertanya pertanyaan umum atau membuat klaim spesifik mengenai akurasi solusi PdM.
Kenali Audiens Anda
Hal lain yang telah diajarkan pengalaman kami adalah tim pemeliharaan yang sibuk biasanya memiliki sangat sedikit waktu di awal shift mereka untuk mengidentifikasi mesin mana dari banyak mesin yang menjadi tanggung jawab mereka yang memerlukan perhatian paling banyak. Mereka tentu tidak ingin menghabiskan waktu itu untuk mempelajari grafik dan menelusuri data mentah untuk mengungkap informasi tersebut.
Oleh karena itu, desain perangkat lunak yang sederhana dan intuitif sangat penting, memberikan profesional pemeliharaan wawasan yang mereka butuhkan dalam dashboard yang mudah dibaca, dan menghemat waktu berharga. Namun, sementara banyak vendor menyediakan dashboard tersebut, mereka seringkali menawarkan produk generik yang tidak mempertimbangkan alur kerja, preferensi, dan pengalaman unik pengguna. Memang, pengetahuan dan pengalaman profesional ini sangat berharga; memanfaatkannya adalah kunci keberhasilan solusi PdM.
Produk Senseye dirancang dengan semua ini dalam pikiran. Kami bertujuan untuk kesederhanaan, mengintegrasikan analitik dengan antarmuka pengguna yang jelas. Alih-alih beberapa grafik dan diagram, informasi disajikan dalam bentuk daftar, diurutkan oleh Attention Engine, algoritma proprietary yang menggunakan data mesin, data pemeliharaan, dan data operator untuk mengprioritaskan mesin yang membutuhkan perhatian.
Tahdi Dimana Pengguna Anda dalam Perjalanan Mereka
Kami juga telah belajar bahwa perusahaan yang berbeda — dan, seringkali, area yang berbeda dalam perusahaan yang sama — akan berada di tahap yang berbeda dalam perjalanan prediktif maintenance mereka. Sebuah perusahaan, misalnya, mungkin hanya melakukan pemeriksaan pemantauan kondisi rute berkala. Sebaliknya, perusahaan lain mungkin telah menggabungkan pemantauan kondisi otomatis yang kuat dengan solusi PdM untuk prediksi yang akurat tentang kesehatan dan waktu kegagalan mesin mereka.
Contoh ini berada di ujung yang berlawanan dari skala, tentu saja, dan sebagian besar perusahaan akan berada di antara keduanya, tingkat kematangan data dan kesiapan budaya mereka meningkat sebagai akibat dari pemahaman yang lebih besar oleh tim manajemen dan dukungan dari tim IT mereka. Penting untuk mengetahui di mana perusahaan berada di skala tersebut, karena masing-masing akan membutuhkan paket dukungan dan penerapan yang berbeda tergantung pada tingkat kematangannya.
Tahun-tahun pengalaman telah mengajarkan kami banyak tentang apa yang bekerja dan apa yang tidak. Dalam posting kami berikutnya, kami akan menjelaskan bagaimana semua pengalaman dan pemahaman ini telah menjadikan Senseye PdM sebagai produk PdM terdepan di pasar. Sampai saat itu, Anda dapat menemukan detail lebih lanjut tentang hal-hal terpenting yang telah kami pelajari tentang PdM dalam white paper kami “Senseye in Depth: Why is Predictive Maintenance so hard?”.
