Jak donosi Forbes i szereg innych, niedawno opublikowanych raportów na temat najbliższej przyszłości branży produkcyjnej, predictive maintenance jest postrzegane jako jeden z niekwestionowanych, wiodących trendów na rok 2022, jeśli chodzi o Przemysł 4.0. Już dziś można zaobserwować pojawiające się zapotrzebowanie na zaawansowaną analitykę i prognozowanie oparte na sztucznej inteligencji. Mimo niewątpliwej wartości, która się z tym wiąże, niewiele firm decyduje się na ostateczną inwestycję. Cały szereg przedsiębiorstw zwyczajnie wycofuje się z niej na wczesnym etapie. Powodem takich działań jest brak oczekiwanych rezultatów.
Niniejszy artykuł ma na celu zdefiniowanie najbardziej realistycznej formy predictive maintenance (konserwacja predykcyjna). Przeanalizuję w nim przyczyny tak niskich wskaźników sukcesu na dzień dzisiejszy. A także dostarczę wskazówek dotyczących sposobów zwiększenia szans wdrożenia tej ekscytującej technologii w sposób, który przyniesie organizacjom wymierne korzyści.
Czym jest Predictive Maintenance?
Co do definicji predictive maintenance, jest tyle opinii, ilu ludzi. Dla jednych może to być prognozowanie awarii maszyny z wyprzedzeniem, dla innych zaś wykrywanie anomalii w działaniu urządzeń. Ktoś nawet powiedział, że jest to optymalizacja całego zakładu produkcyjnego. Tymczasem taki szczegół, jak powszechne ujęcie tego, co się za tym kryje, często prowadzi do poważnych nieporozumień. Mylne oczekiwania, z tego wynikające ostatecznie uniemożliwiają dalsze kroki w kierunku implementacji tej technologii.
Dla dogłębnego zrozumienia tematu dobrym punktem wyjścia jest ogólna klasyfikacja analityki przedstawiona poniżej.
Jak można zauważyć, wyróżniamy cztery główne rodzaje analityki:
- Analityka objaśniająca (Explanatory Analytics) – pozwala lepiej zrozumieć dane. Daje odpowiedzi na pytania o to, co, kiedy i dlaczego kiedyś się wydarzyło. Skupia się na wartości, którą można wydobyć bezpośrednio z danych historycznych bez konieczności przeprowadzania wyczerpujących obliczeń:
a) Wizualizacja danych
b) Zaawansowane raportowanie (Business Intelligence)c) Analiza statystyczna (odkrywanie ukrytych korelacji, wyszukiwanie anomalii w obrębie poszczególnych sygnałów). - Analityka predykcyjna (Predictive Analytics) – umożliwia przewidywanie przyszłych rezultatów. Odpowiada na pytania o to, co, kiedy i dlaczego wydarzy się w przyszłości. Skupia się na wartości, którą można uzyskać z danych historycznych (zazwyczaj przy użyciu uczenia maszynowego). Zasadniczo analiza ta obejmuje działania z zakresu nauki o danych związane z:
a) Dogłębną analizą i przygotowaniem danych historycznych na potrzeby modelowania z wykorzystaniem uczenia maszynowego
b) Znalezieniem odpowiedniego modelu i „nauczeniem” go odpowiedniego zachowania w kontekście danego przypadku użycia. - Analityka preskryptywna (Prescriptive Analytics) – umożliwia optymalizację przyszłych wyników. Odpowiada na pytania, co i kiedy powinno być zrobione. Skupia się na wartości, którą można wydedukować z istniejących modeli predykcyjnych w celu maksymalizacji lub minimalizacji oczekiwanych wyników.
- Analityka poznawcza/kognitywna (Cognitive Analytics) – umożliwia podejmowanie decyzji w czasie rzeczywistym na podstawie bieżącego stanu środowiska. W przeciwieństwie do poprzednich analityk, tutaj nie analizuje się danych historycznych celem odnalezienia wzorców lub ukrytych korelacji. Traktuje się je raczej jako źródło danych symulacyjnych służących do trenowania modelu. Celem analityki kognitywnej jest gromadzenie wiedzy poprzez podejmowanie pewnych działań, które modyfikują sztucznie stworzone środowisko. Na podstawie informacji zwrotnej z czasem udoskonalają podejmowanie decyzji – temat ten jednak zasługuje na osobny artykuł.
Definicja Predictive Maintenance
Mało kto zaliczy predictive maintenance do innej kategorii niż predictive analytics (nie tylko ze względu na podobieństwo nazw, miejmy nadzieję). Zatem pewne wnioski nasuwają się same – nie chodzi tu raczej o wykrywanie anomalii (co bardziej pasuje do klastra ‘Explanatory’), a już na pewno nie o jakąkolwiek optymalizację (bo wówczas mówimy o prescriptive maintenance) czy unikanie awarii (co zresztą nosi nazwę preventive maintenance).
Gdybym miał opisać predictive maintenance jednym zdaniem, to prawdopodobnie stwierdziłbym, że:
Jest to zastosowanie sztucznej inteligencji (AI) na danych historycznych zebranych z linii produkcyjnych w celu wykrycia wzorców w procesie produkcyjnym i określenia prawdopodobieństwa, miejsca i czasu przestoju, które mogą być wykorzystane do zaplanowania serwisu urządzeń odpowiednio wcześnie przed pojawieniem się awarii.
Nie chodzi tu jednak o wypracowanie idealnej definicji. Raczej o ustalenie wspólnego stanowiska, tak aby wszystkie strony zaangażowane w potencjalny projekt mogły porozumiewać się w tym samym „języku”. Przyjęcie wspólnego frontu pozwoli skupić się na bolączkach biznesowych oraz rozsądnych i osiągalnych rezultatach.
Dlaczego konserwacja predykcyjna jest tak trudna?
Kluczowym wyróżnikiem (a tym samym ogromnym wyzwaniem) predictive maintenance i ogólnie pojętej przemysłowej analityki AI jest fakt, o braku powtarzalności. Każdy proces produkcyjny jest w jakiś sposób unikalny. Nawet ten sam typ urządzeń używanych na wielu liniach produkcyjnych – jak sprężarki lub pompy – może na pierwszy rzut oka wyglądać podobnie. Urządzenia te jednak zazwyczaj różnią się także pod względem wewnętrznej struktury i szczegółów mechaniki. Dlatego dosłownie wszystkie projekty konserwacji predykcyjnej wymagają rozległej wiedzy specjalistycznej na temat charakteru danego procesu.
W idealnym scenariuszu, analitycy zajmujący się danymi, jednocześnie łącząc wiedzę z zakresu informatyki i matematyki, niezbędnej do modelowania danego problemu. Posiadają niezbędne doświadczenie merytoryczne i wiedzą, na jakich kluczowych elementach maszyn lub procesów należy się skupić. Świat nie jest jednak doskonały i oczywiście nie sposób być ekspertem w każdej dziedzinie. Naturalnie, analitycy danych mogą zdobyć wiedzę i wyspecjalizować się w pewnych wąskich dziedzinach poprzez ciągłą pracę nad podobnymi zagadnieniami biznesowymi. Przykładem mogą być wspomniane wcześniej sprężarki lub pompy. Ale to doświadczenie będzie prawdopodobnie bezużyteczne, jeśli przyjdzie im zmierzyć się z jakimkolwiek innym problemem prognozowania, który dotyczy innych procesów lub rodzaju urządzeń. Zrozumienie procesu i maszyn jest wówczas absolutnie niezbędne.
Jak sprostać temu wyzwaniu?
Jedynym sposobem na sprostanie temu wyzwaniu jest zaangażowanie osoby, która zna proces od podszewki – eksperta. Specjalistę, który pochodzi bezpośrednio z hali produkcyjnej i posiada konkretną wiedzę na temat funkcjonalności maszyn. Takiego, który będzie potrafił podzielić się z analitykiem danych niezbędną wiedzą.
Kolejnym istotnym czynnikiem powodzenia projektu predictive maintenance jest bardzo skrupulatne zdefiniowanie problemu i odkrycie wymiernej wartości, jaką jego rozwiązanie powinno przynieść. Firmy, które są gotowe zainwestować w zaawansowaną analitykę, powinny zostać przez usługodawców uświadomione, że ten etap wstępny jest absolutnie kluczowy dla ich sukcesu. Zdanie: „chcielibyśmy wdrożyć konserwację predykcyjną w naszej fabryce” naprawdę mówi bardzo mało.
Zwolnij
Po ostatecznym zdefiniowaniu przypadku użycia dla predictive maintenance (najlepiej podczas warsztatów PoV) pojawia się kolejny częsty błąd – pośpiech w modelowaniu uczenia maszynowego, bez odpowiedniego zbadania danych. Zawsze warto poświęcić trochę czasu na zebranie większej ilości informacji. Wykorzystanie analityki biznesowej i statystyki do znalezienia trendów lub korelacji, co pozwoli nam zdecydować, na jakich właściwościach chcemy się skupić podczas szkolenia naszych modeli. Na tym wczesnym etapie jest jeszcze czas, aby ocenić, czy mamy wystarczającą ilość dobrej jakości danych. Wciąż możemy sprawdzić, czy przeprowadzić studium wykonalności. A także czy wybrana bolączka biznesowa jest w ogóle możliwa do usunięcia.
Kiedy należy rozważyć wdrożenie Predictive Maintenance?
Aby można zacząć poważnie myśleć o predictive maintenance, firmy muszą gromadzić ogromne ilości danych historycznych. Dlatego udane wdrożenie IIoT i cyfryzacja informacji operacyjnych w fabrykach jest zazwyczaj pierwszym krokiem na drodze do zaawansowanej analityki.
Co więcej, fabryki powinny mieć do czynienia z pewnego rodzaju powtarzalnymi sytuacjami. Jak na przykład ciągłe, niespodziewane awarie danej maszyny, dla których istnieje wystarczająca ilość danych historycznych Jeśli chcemy przewidzieć przestój maszyny, która uległa awarii raz w ciągu ostatnich dwóch lub trzech lat, prawdopodobnie nie mamy wystarczającej ilości informacji, aby zamodelować wzór, który doprowadził do takiej sytuacji. A zatem nie ma możliwości wdrożenia konserwacji predykcyjnej w tym przypadku.
Poznaj możliwości naszego rozwiązania Industrial Analytics Accelerator w zakresie konserwacji predykcyjnej.
Zobacz demo.
I na koniec, organizacje, które chcą wykorzystać potencjał predictive maintenance w myśl koncepcji Przemysłu 4.0, nie powinny gonić za tytułowym „białym krukiem„. Muszą być gotowe zainwestować czas i pieniądze we wstępne zbadanie problemu, który chcą rozwiązać. Może to nie przynieść natychmiastowej wartości dla ich biznesu, ale jest niezbędnym krokiem do osiągnięcia ostatecznego sukcesu.