소개 저는 Amazon Web Services(AWS)의 새로운 Monitron 하드웨어를 조사해 왔으며 흥미로운 제안일 수 있지만 실제로 IoT 지원 진동 감지 영역에서 새로운 것은 아닙니다. 그러나 흥미로운 점은 AWS가 이러한 장치를 시장에 출시하는 데 어느 정도 장점이 있다는 것입니다. 2015년 Senseye를 시작한 이후로 예측 유지보수(PdM)를 위한 산업 부문의 성숙도가 높아졌습니다. AWS의 이 최신 릴리스는 시장이 PdM을 혁신 운동으로 간주하는 것에서 산업 디지털화의 핵심 부분으로 전환하고 있다는 또 다른

지난 게시물에서 우리는 예측 유지 관리(PdM)의 부상과 왜 그렇게 많은 공급업체와 그 고객이 계속해서 이를 잘못 이해하는지 살펴보았습니다. 여기에서는 수년간 예측 유지 관리에 대해 배운 것을 오늘날 우리가 하는 모든 일에 어떻게 적용했는지 살펴보겠습니다. 항공 우주 산업에서 30년 이상의 경력과 PdM에만 전념한 150인년 이상의 연구 및 개발 시간을 결합하여 다양한 분야에 예측 유지 관리 기술을 배포하는 방법에 대해 많은 것을 배웠습니다. 또한 다양한 부문과 고객 성숙도 수준을 지속적으로 접하면서 계속해서 배우고 있습니다. 무

지난 게시물에서 우리는 수년간 예측 유지 관리에 대해 배운 것을 오늘날 우리가 하는 모든 일에 어떻게 적용했는지 살펴보았습니다. 여기에서 이러한 모든 경험과 이해가 어떻게 Senseye PdM을 시장에서 최고의 예측 유지 관리 제품으로 만들었는지 살펴보겠습니다. 다년간의 경험 이전에 언급했듯이 Senseye PdM은 예측 유지 관리에만 150인년 이상의 연구 및 개발 시간을 투자한 결과입니다. 다양한 산업 전문가, 기계 엔지니어, 상태 모니터링 전문가와 함께 최고의 데이터 과학자 팀이 없었다면 이를 구축할 수 없었을 것입니다.

이 블로그에서는 성공적인 PoC와 실패한 PoC에서 배운 몇 가지 교훈을 공유합니다. 모든 PoC가 확장이라는 최종 목표를 달성했다고 말하고 싶지만 동일한 실수를 피하는 데 도움이 되도록 지금 공유할 수 있는 귀중한 통찰력을 무시하는 것입니다. 소개 AI 및 분석은 뜨거운 주제이며 거의 모든 공급업체는 예측 분석 플랫폼으로 예측 유지 관리(PdM)를 수행할 수 있다고 주장합니다. 그러나 Predictive Maintenance 소프트웨어 공급업체와의 관계는 일반적으로 길고 많은 신뢰가 필요합니다. 시장에 많은 양의 잡음이 있으므로

지난 3개의 게시물을 통해 우리는 PdM의 부상, 왜 그렇게 많은 공급업체와 그들의 고객이 그것을 잘못 이해하는지, 그리고 우리가 수년간 예측 유지 관리에 대해 배운 모든 것을 오늘날 우리가 하는 모든 것에 적용하는 방법을 살펴보았습니다. , Senseye PdM을 시장에서 선도적인 예측 유지보수 제품으로 만듭니다. 시리즈의 마지막인 이 게시물에서는 예측 유지 관리의 미래가 어떤 모습일지 고려할 것입니다. 우아한 통합 글로벌 예측 유지보수 시장은 빠르게 성장하고 있습니다. 분석가에 따르면 유지 관리 비용과 가동 중지 시간을 줄

Senseye는 Senseye PdM 제품군과의 직접 통합을 제공하고 Senseye PdM 스타터 키트에 포함된 파트너 제품 에코시스템인 Senseye Ready 출시를 발표했습니다. 예측 유지보수 프로젝트의 일반적인 장벽은 상태 모니터링을 위한 신뢰할 수 있는 데이터의 가용성입니다. 기존 인프라가 부족한 고객을 위해 Senseye Ready를 도입하면 ADLINK, OMRON 및 Schneider Electric을 비롯한 공급업체의 다양한 하드웨어 제품에서 유연성과 선택권을 얻을 수 있습니다. Senseye의 CEO인 Simo

4차 산업 혁명은 제조 공정에서 방대한 양의 실시간 데이터를 얻을 수 있는 기회를 제공했으며 거의 ​​모든 표면이 데이터 수집을 위한 센서로 변형될 가능성이 있습니다. . 그러나 이 풍부한 데이터가 디지털 팀이 활동을 최적화하는 데 필요한 지식을 제공합니까? 이 영화에서 Senseye의 Alexander Hill과 Rob Russell은 Manufacturing Technology Centre의 Hannah Edmonds 박사, Make UK의 Jim Davison, MCP Consulting Group의 Peter Gagg와 함

2021년 및 그 이후에 제조를 지배할 주요 트렌드 중 하나로 여겨지는 예측 유지보수에 대한 강조가 증가함에 따라 제조업체는 기계 상태를 평가하고 대응하는 문제를 어떻게 해결하기 시작해야 할까요? 통찰력? 이 영화에서 Senseye의 Alexander Hill과 Rob Russell은 Make UK의 Jim Davison 및 Manufacturing Technology Center의 Hannah Edmonds 박사와 함께 예측 유지 관리, 그리고 상태 모니터링 전문가와 신뢰성 엔지니어의 지식을 민주화하여 예측 유지 관리를 지속 가능

제조 및 기타 산업 조직은 기존의 정기 유지 관리에서 사전 예방적 유지 관리로 어떻게 이동하고 있습니까? 이 변환을 시작하는 데 필요한 첫 번째 단계는 무엇입니까? 초기 비즈니스 사례 및 설계 단계에서 데이터 준비, 문화적 채택 및 확장에 이르는 여정의 다양한 단계는 무엇입니까? 이 영화에서 Senseye의 Alexander Hill과 Rob Russell은 MCP Consulting Group의 Peter Gagg와 함께 예측 유지 관리가 기술 솔루션의 단순한 기술적 과제가 아니라 지식 습득, 문화적 수용, 인간과 스마트 시스템

예측 유지보수 프로젝트를 실패하게 만드는 함정은 무엇이며 어떻게 방지합니까? 팀이 더 광범위한 디지털 혁신 프로젝트의 일부로 예측 유지 관리를 위한 상태 모니터링 전문 지식과 적절한 모범 사례를 획득하도록 하려면 어떻게 해야 합니까? 이 영화에서 Senseye의 Alexander Hill과 Rob Russell은 MCP Consulting Group의 Peter Gagg와 함께 예측 유지 관리 이니셔티브를 제공하기 위해 처음부터 준비해야 할 사항에 대해 논의합니다. 가능한 최고의 성공 기회와 제조업체 및 기타 산업 조직이 이러한

산업 조직은 더 많은 정보에 입각한 결정을 내리기 위해 사물 인터넷(IoT), 데이터 수집 및 스마트 분석에 대한 새로운 관심과 함께 디지털 혁신의 빠른 시기를 겪고 있습니다. 예측적 유지보수가 강조되면서 유지보수 관리자의 역할은 어떻게 변하고 있습니까? 이 영화에서 Senseye의 Alexander Hill과 Rob Russell은 Make UK의 Jim Davison과 MCP Consulting Group의 Peter Gagg와 함께 디지털 유지 관리 관리자의 역할이 기존과 어떻게 다른지 논의합니다. 디지털 유지 관리 팀이 성

스마트 팩토리의 스마트한 이점은 널리 알려져 있지만 처음부터 이를 구축하는 조직은 거의 없습니다. 더 똑똑해지기를 원하는 대부분의 제조업체는 기존 사이트와 다양한 기계 환경에서 여정을 시작하고 있습니다. 이 영화에서 Senseye의 Alexander Hill과 Rob Russell은 Manufacturing Technology Center의 Hannah Edmonds 박사와 Make UK의 Jim Davison과 함께 더 똑똑해지려는 제조업체가 이 작업에 접근할 수 있는 방법에 대해 논의합니다. 레거시 시스템 현대화, 데이터 수집

AWS 시리즈의 두 번째 파트에서는 ​​Amazon의 예측 유지 관리 시장으로의 전환을 살펴봅니다. Amazon은 최근에 예측 유지 관리를 지원하는 방법론과 기술의 성숙도에 대한 실질적인 검증을 나타내는 추가 움직임으로 이 공간을 얼마나 진지하게 받아들이고 있는지 발표했습니다. (첫 번째 블로그인 AWS Monitron:CTO Rob Russell의 First Impressions를 읽으려면 여기를 클릭하십시오) 주로 공장 현장에서 작업하는 유지보수 담당자가 사용하도록 설계된 것으로 보이는 자동화된 예측 유지 관리 플랫폼인 Am

2018년 McKinsey 보고서에서 강조한 바에 따르면, 많은 산업 기업이 시범 연옥을 경험하고 있으며 계속 그렇게 하고 있습니다. 이러한 현상은 상당한 활동을 진행하고 있지만 아직 의미 있는 수익을 보지 못하는 현상입니다. 이 연옥에서 벗어나려면 기업이 90년대 초반 경영 컨설턴트인 Geoffrey A. Moore가 관찰하고 설명한 과정인 틈새를 건너야 합니다. 대략적으로 말하면, 많은 기술 IT 관련 프로젝트가 처음에는 잘 되고 그 뒤에 상당한 에너지가 깃들어 있지만 적절하게 채택되는 데 종종 어려움을 겪을 것입니다. Moo

업계 최고의 AI 기반 자산 상태 관리 회사인 Senseye는 조직이 예측 유지 관리 여정을 빠르게 시작할 수 있도록 지원하는 새로운 플러그 앤 플레이 스타터 팩을 출시했습니다. 센서 하드웨어와 수상 경력에 빛나는 Senseye의 PdM 소프트웨어를 결합한 팩은 조직이 센서나 데이터 캡처를 준비하지 않고도 최소 14일 만에 예측 유지 관리 배포를 시작할 수 있음을 의미합니다. 하드웨어 공급업체에 종속되지 않고 기존 센서 데이터가 필요하지 않은 스타터 팩은 모터, 팬, 펌프를 포함한 회전 및 비회전 일반 산업 기계를 신속하게 모니

더럼 대학교에서 드라이브 트레인 역학이 풍력 터빈 부품의 고장 물리학에 미치는 영향을 연구하는 박사 학위를 취득한 후, 저는 철도 부문에 합류하여 자산 관리를 수행했습니다. 및 유지 보수 지원 역할. 2018년에 저는 Senseye에 합류하여 유지보수 부서의 예측 유지보수 여정에 대한 기술 지원을 제공했으며 현재는 전 산업 분야에서 유지보수 실무자를 안내하는 성장하는 팀을 이끌고 있습니다. AI 및 예측 유지 관리 – 위협이 아닌 이점 Elon Musk는 AI를 실존적 위협으로 묘사했습니다. AI가 우리가 일하는 방식을 확실

기계 상태 관리에 AI를 사용하는 산업용 소프트웨어 회사인 Senseye는 Senseye PdM Enterprise,의 새로운 릴리스를 발표했습니다. 기존 데이터 소스에서 가상 센서를 생성하는 기능을 제공합니다. 기계에서 수집한 데이터는 종종 AI 기반 예측 유지 관리에 적합하지 않습니다. 새로운 기능을 통해 고객은 기계 상태와 관련된 추가 매개변수를 쉽게 구성할 수 있으므로 기존 데이터 캡처에서 더 많은 가치를 얻을 수 있습니다. 가상 센서는 일반 측정값처럼 플랫폼에 나타납니다. 차트에 표시되고 수상 경력에 빛나는 동일한 분

계획되지 않은 다운타임은 산업 부문의 저주입니다. 값비싼 생산 라인과 기계가 잠잠해지면 조직은 수익을 내지 못하고 이러한 투자는 돈을 버는 것이 아니라 비용이 들게 됩니다. 이 인포그래픽은 실제 가동 중지 시간 보고서의 데이터를 사용하여 계획되지 않은 가동 중지 시간의 결과로 발생하는 막대한 비용 부담과 예측 유지 관리가 조직에서 이를 크게 줄이는 데 어떻게 도움이 되는지 살펴봅니다.

인공 지능(AI)은 오늘날의 자동화된 예측 유지 관리(PdM) 솔루션을 뒷받침합니다. 예를 들어, Senseye PdM의 알고리즘은 고장을 방지하기 위해 사용자에게 적시에 기계 성능 저하를 경고하여 가동 중지 시간 감소, 보다 정확한 유지 관리 노력, 지속 가능성 및 효율성 향상과 같은 풍부한 관련 이점을 제공합니다. 이러한 도구는 매우 강력하여 PdM의 맥락에서 AI의 기능에 쉽게 빠져들 수 있습니다. 일반적인 오해 중 하나는 AI 기반 시스템이 인간 전문가에게 보이지 않는 단서를 찾아 기계가 언제 어떻게 고장날지 예측할 수

확장 가능하고 지속 가능한 자산 성능 및 안정성을 구현하기 위해 AI를 사용하는 업계 리더인 Senseye에서 제공하는 새로운 Trend Detection 팟캐스트에 오신 것을 환영합니다. 유지 관리 효율성을 달성하는 방법에 대한 아이디어를 얻을 수 있도록 고안된 새로운 간행물입니다. 오늘 우리는 지속 가능성 및 제조에 관한 시리즈의 첫 번째 부분과 함께 팟캐스트를 시작합니다. 이 매우 흥미로운 주제를 자세히 알아보는 데 도움이 되도록 Green Business Bureau의 Tom Permatteo(CEO)와 Bill Zujews