성공적인 예측 유지 관리는 알고리즘이나 자산이 아니라 사용자에 관한 것입니다.

숙련된 유지보수 엔지니어는 자신이 관리하는 기계에 대한 자세한 정신적 그림을 가지고 있습니다. 밸브가 덜거덕거리면서 고장이 임박했음을 의미하거나 다음 예정된 종료까지 이를 무시하는 것이 안전한 때를 알고 있습니다. 자동화된 예측 유지 관리 시스템이 이 지식 풀을 활용할 수 있다면 어떤 유지 관리 활동의 우선 순위를 결정해야 하는지 사용자에게 최상의 지원을 제공하는 방법을 학습할 수 있습니다.

예측 유지 관리에 대한 사용자 중심 접근 방식에서 유지 관리 팀은 과거에 유용하다고 발견한 정보를 기반으로 시스템에서 해당 정보가 유용하다고 생각할 때만 알림을 받습니다.

Netflix나 Amazon과 같은 디지털 콘텐츠 제공업체가 각 사용자가 시청하기로 선택한 콘텐츠에 대한 정보를 일상적으로 저장하는 것과 비슷합니다. 그들은 이를 사용하여 피드백에 대한 응답으로 각 사용자에게 지속적으로 표시되는 영화를 개선하는 '추천 엔진'을 구동할 수 있습니다.

이것은 Senseye에서 사용자 행동을 모델링하고 이해하고 모니터링하는 자산에 어떤 일이 일어나는지 이해하고 가장 필요한 곳에 주의를 집중할 수 있도록 하는 접근 방식입니다.

그림 1:상황에 맞는 고품질 상태 모니터링 데이터가 풍부한 환경을 통해 디지털 트윈 접근 방식과 같이 자산을 완벽하게 모니터링할 수 있습니다. 대부분의 공장 환경은 저맥락 등의 모델 사용자 관심 예측 유지 관리 소프트웨어 효율성 향상

예측의 힘(및 한계)

다음 예정된 유지보수 간격 전에 기어박스에 서비스가 필요한지 이해하기 위해 덜거덕거리는 기계에 고정된 쇠 막대를 사용하는 것부터 정교한 자동화된 소프트웨어 모니터링 시스템에 이르기까지 모든 예측 유지보수 계획은 작업자가 문제가 발생하는 시기를 식별할 수 있도록 돕습니다. 주요 목표는 비용이 많이 드는 계획되지 않은 다운타임으로 이어질 수 있는 고장을 방지할 수 있도록 문제를 조기에 표시하는 것입니다. 생산성 향상 및 유지 관리 계획과 관련된 다른 이점도 종종 있습니다.

'디지털 트윈'의 개념은 현재 특히 인기가 있습니다. 그러나 이 수학적 모델링 접근 방식에 대한 종종 혼란스러운 마케팅은 이러한 '쌍둥이'와 상호 작용할 사용자와 그것이 의미하는 바에 대해 거의 언급하지 않습니다. 또한 각 자산의 '디지털 트윈'은 사용자가 복잡한 디지털 환경에서 편안하게 작업할 수 있어야 합니다. 그러나 사용자의 요구에 훨씬 더 초점을 맞춘 또 다른 접근 방식이 있습니다.

많은 고장은 머신 데이터에 뚜렷한 신호 또는 '지문'을 남기고 현재 시장에 나와 있는 주요 예측 유지보수 소프트웨어는 전용 상태 모니터링 데이터에서 보다 일반적인 플랜트 데이터에 이르기까지 광범위한 입력을 수용하여 이를 발견하는 방법을 학습할 수 있습니다. 이러한 시스템은 문제가 있을 수 있음을 나타내는 패턴 또는 특성 신호를 이해할 수 있습니다. 경우에 따라 충분한 데이터가 있으면 각 자산의 잔여 내용 수명(RUL)을 계산할 수도 있습니다. 이 기술은 예측이라고 합니다.

이러한 예측 유지보수 시스템의 대부분은 공장 또는 공장 현장의 제한된 데이터로 작동하여 사전 설정된 임계값을 위반할 때 경보를 트리거합니다. 예를 들어, 무언가가 가열되거나 진동할 때 사용자에게 경고할 수 있지만 자세한 진단을 내리기에 충분한 정보는 없을 것입니다.

다시 말해 시스템은 경보를 발령하여 '조언'할 수 있지만, 언제 조치를 취해야 할지 결정할 수 있는 경험과 전문 지식은 사용자에게만 있습니다. 결정적으로, 사용자가 쉽게 압도될 수 있기 때문에 한 번에 많은 시스템을 모니터링하는 환경에서 상황을 관리하는 것이 훨씬 까다로워집니다. 예측 유지 관리의 문제는 '데이터에서 문제를 발견할 수 있는가'가 아니라 '사용자가 관심을 가질 만한 요소를 발견할 수 있습니까?'입니다.

누가 사용자를 걱정합니까?

경고를 발생시킬 때 사용자가 버튼을 누르면 해당 경고가 유용한지 여부를 나타낼 수 있다는 것이 중요하다고 생각합니다. 이는 시간이 지남에 따라 시스템이 가장 시급한 유지 관리 우선 순위에 작업자의 주의를 기울이도록 가르칩니다. 이는 자동으로 수행되므로 운영자는 데이터 분석에 대한 전문 지식이 필요하지 않습니다.

즉, Senseye의 데이터 분석에 대한 사용자 중심 접근 방식은 사용자의 응답을 모델링하여 주의를 유도합니다. Senseye의 솔루션과 사용자 사이의 이러한 피드백 루프는 사용자에게 보도록 지시하는 거의 모든 것이 도움이 되는 안정적인 수준에 도달할 때까지 경고 수가 점차적으로 감소함을 의미합니다.

고급 분석을 통해 입증된 결과 – 기계 및 유지 관리자용

데이터 분석은 들어오는 플랜트 데이터의 대량 내에서 패턴을 검색하는 것입니다. 예를 들어, Senseye PdM 뒤에 있는 독점 알고리즘 또는 패턴 엔진은 잠재적 고장에 앞서 특징적인 동작을 찾아내고 당사의 독점 주의 지수를 사용하여 경고를 트리거하도록 설계되었습니다. 여러 유형의 패턴이 주의 지수 경고를 유발할 수 있습니다. 비정상은 데이터가 불안정한 기간이고, 추세는 기준선의 점진적인 변화이며, 위반은 사용자가 지정할 수 있는 임계값 또는 규칙을 초과합니다.

그러나 이 모든 독창적인 데이터 분석은 사용자에게 진정한 비즈니스 이점을 제공하지 않는 한 아무 의미가 없습니다. 고맙게도 Senseye PdM은 다양한 산업 분야에서 생산성을 약속한 강력한 실적을 보유하고 있습니다. 기존 고객은 일반적으로 가동 중지 시간이 50% 감소하고 생산성이 55% 증가하며 유지 보수 정확도가 85% 증가합니다.

또한 Senseye PdM은 Senseye의 ROI Lock® 보증이 지원됩니다. Senseye PdM을 배포해도 사전에 동의한 대로 계획되지 않은 가동 중지 시간을 줄이는 데 실패하는 경우 고객은 전체 구독료에 대해 환불을 요청할 수 있습니다.

유지 관리 사용자와 그들이 시청하는 자산을 모델링하는 방법에 대해 자세히 알아보려면 Senseye PdM이 어떻게 작동하는지에 대한 자세한 백서를 작성했습니다.<섭> 가장 좋은 결과를 얻을 수 있는 곳으로 유지 관리 노력을 기울이는 데 도움이 될 수 있습니다. 자세한 내용은 아래의 자세한 백서를 다운로드하거나 문의하십시오. 데모를 보고 시작하세요!