Od modelu T do IBM MAS-ter
Sztuczna inteligencja może znacząco przyczynić się do wydłużenia produktywnej żywotności zasobów. Kluczem do osiągnięcia takiej optymalizacji przez firmę są trzy krytyczne atrybuty:
- Zarządzanie zasobami i utrzymaniem dostosowane do strategii organizacyjnej i firmowych celów
- Odpowiednie analityczne umiejętności inżynierskie, które pozwalają czerpać korzyści z opartego na danych predykcyjnego systemu zarządzania zasobami i planowania inwestycji; oraz
- Kompleksowe, wielowarstwowe aplikacje APM (Asset Performance Management) do zarządzanie wydajnością zasobów oraz AIP (Asset Investment Planning) do planowania inwestycji w zasoby, które pozwalają uprościć te procesy i rozszerzyć obecne systemy zarządzania zasobami przedsiębiorstwa
Tony Turner, dyrektor ds. projektów i innowacji w Vetasi uważa, że nowy IBM MAS (Maximo Application Suite) to jedna z najbardziej wszechstronnych aplikacji APM dostępnych na rynku.
„Oryginalny Maximo zmienił się ze skomputeryzowanego systemu zarządzania konserwacją CMMS – Computerised Maintenance Management System z lat 90. XX wieku w dostosowany do specyfiki branżowej system zarządzania zasobami przedsiębiorstwa (EAM) po roku 2000. Obecnie MAS poszszerza paradygmat EAM i umożliwia przejście w kierunku APM, a także obsługi cyklu uzytkowania zasobów i planowania inwestycji”.
W Vetasi określamy system takiej klasy jako „EAM Extended”.
Pobierz dokument opisujący IBM Maximo Application Suite, żeby dowiedzieć się więcej
Vetasi, globalna firma konsultingowa zajmująca się zarządzaniem zasobmi, będąca częścią Cohesive, jest największym partnerem IBM Maximo w Europie, Afryce i krajach ASEAN.
Zalety konserwacji predykcyjnej
Damien de Gouveia, główny konsultant w Vetasi, mówi, że wszechstronność MAS polega na tym, iż pomaga firmie w przejściu od trybów konserwacji preskryptywnej i opartej na stanie do konserwacji predykcyjnej, a jednocześnie odblokowuje wartość na kilku poziomach tego procesu.
Grafika 1 Zestawienie zarówno interwencji utrzymaniowych, jak i wydatków na utrzymanie różnych trybów utrzymania majątku.
De Gouveia uważa, że zalety konserwacji predyktywnej, którą zapewnia MAS, są wielorakie:
- Po pierwsze prognozy dotyczące RUL (Remaining Useful Life), czyli na pozostałego okresu użytkowania zasobów dają wyraźną przewagę nad planowaniem z wykorzystaniem zakładanego przez producenta oryginalnego sprzętu (OEM) cyklu użytkowania. Na przykład, jeśli OEM wskazuje, że pompę należy wymienić po 10 latach, a dane Big Data z odczytów temperatury, przepływów objętościowe, wibracji i zmęczenia metalu wskazują, że pompa jest „dobra na kolejne 8 lat”, wymiana jest niepotrzebna. Zwrot z inwestycji kapitałowej w tę pompę ogromnie wzrasta. Korzyść: optymalny zwrot finansowy i produkcyjny z zasobów.
- Zmniejsza to zakłócenia procesu produkcyjnego: w trybie reaktywnym, w którym prowadzano konserwację i naprawy, gdy coś ulegało awarii występowały kosztowne przerwy w produkcji i nieplanowana konserwacja. W planowym (zaplanowanym) trybie konserwacji prewencyjnej (np. serwisowanie samochodu co rok lub 15 tys. km, w zależności od tego, co nastąpi wcześniej) produkcja jest przerywana w sposób planowy, ale koszt utrzymania jest wysoki, ponieważ wymieniane są części, w większości przypadków, pomimo, że istnieje nadal znaczny RUL dla zasobów. Korzyści: mniej zakłóceń w procesie produkcyjnym i niższe koszty utrzymania.
- Konserwacja oparta na stanie, która wprowadziła konserwację predykcyjną, jest połączona w MAS ze sztuczną inteligencją (AI) i działa w oparciu o IIoT. Dzięki tym technologiom mamy do czynienia z dalszymi ogromnymi postępami w obu tych zakresach – wydłuża się RUL i zapobiegamy awariom zasobów. Korzyść: ograniczenie zarówno nieplanowanych przestojów, jak i nieoczekiwanej wymiany zasobów fizycznych.
- Będziemy mieć do dyspozycji nie tylko dane o tym, co się zepsuło i jak się zepsuło, ale także o tym, co spowodowało awarię, ponieważ przepływ danych rejestruje zachowanie wszystkich zasobów. Przykładowo, skokowe wzrosty wibracji mogą, za pośrednictwem sztucznej inteligencji, zostać powiązane z późniejszymi uszkodzeniami uszczelek czy uszczelnień. Właśnie dlatego tym sztuczna inteligencja usprawnia konserwację prewencyjną, ponieważ wtedy nie chodzi tylko o wymianę uszczelnień, ale także o znalezienie i wyeliminowanie przyczyny skokowych wzrostów wibracji. Korzyść: minimalizowanie nie tylko liczby awarii zasobów, ale także wyzwalaczy lub przyczyn takich awarii.
Ponadto istnieją inne korzyści związane z nakładami inwestycyjnymi, dzięki lepiej przemyślanemu planowaniu inwestycji w zapasowe zasoby.
De Gouveia mówi, że oprogramowanie i algorytmy będące znakiem firmowym IBM MAS, poleganie na zasobach głównych i APM zostały ugruntowane w analizie danych. Ponieważ bicie serca pacjenta jest stale monitorowane po operacji na otwartym sercu, ciągły przepływ danych ze wszystkich instrumentów pozwala oceniać odchylenia od normy.
Dzięki uczeniu maszynowemu, ciągłej interpretacji przepływu danych cyfrowych i ocenie w porównaniu do historycznych danych operacyjnych a także specyfikacji OEM, pojedynczy impuls (na przykład pacjent poruszający się w szpitalnym łóżku) będzie traktowany jako tzw. fałszywy negatyw (false negative), w sytuacji kiedy wszystkie wskaźniki natychmiast powrócą do akceptowanych parametrów. Skok zostanie zarejestrowany i będzie stanowił część historii działania tej pompy. Kolejne powtarzające się skoki mogą jednak wskazywać na przeciążenie zasobów i potencjalną awarię.
Pulpity nawigacyjne automatycznie przedstawiają odchylenia, które mogą (w ramach predefiniowanych parametrów) uruchomić automatyczne działania naprawcze wskazać i doradzić inżynierowi ds. niezawodności możliwe działania naprawcze. Proces podejmowania decyzji w potencjalnie ryzykownej sytuacji jest w ten sposób przyspieszany.To efekt łatwo dostępnych wskazówek dostarczanych przez sztuczną inteligencję.
Zaniechanie w wykorzystaniu sztucznej inteligencji w produkcji jest jak budżetowanie z liczydłem
Turner mówi, że optymalizacja generowania wartości w branżach intensywnie wykorzystujących posiadane zasoby jest możliwa, ale wymaga, żeby inwestycje, aplikacje, wydajność i konserwacja zasobów fizycznych były traktowane jako główny strategiczny cel biznesowy, a nie tylko jako funkcja wspierająca.
Według Turnera problem polega na tym, że wiele firm tego jeszcze nie dokonało transformacji swoich operacji z wykorzystaniem praktyk opartych na danych. Firmy te „utknęły w trybie działań podejmowanych przez ludzi kierowanych decyzjami menedżerów (Grafika 2 przedstawia sposób, w jaki kierownik serwisu decyduje, co należy zrobić) lub kalendarzem (kiedy należy wykonać usługę?). Rezygnacja z podejmowania decyzji w oparciu o dane przypomina dalsze używanie mechanicznych kalkulatorów, pióra i atramentu do sporządzania budżetów i sprawozdań finansowych”.
„Biorąc pod uwagę postęp technologiczny, dziwne jest, że w wielu branżach intensywnie wykorzystujących posiadane zasoby, nikt nie przygląda się dostatecznie uważnie inwestycjom w nowe zasoby fizyczne czy ich utrzymaniu. Są to najbardziej podstawowe funkcje, które powinny być aktywnie dostosowane do strategii i celów biznesowych firmy.
To przestarzałe podejście nadal podlega paradygmatowi Forda Model T: serwis i wymiana regularnie zgodnie z kartami serwisowymi lub w określonych tygodniach, a w przypadku awarii, wcześniej…”
Grafika 2 Wyciąg z Instrukcji serwisowej Forda Model T z 1925 r
Tak jak firmy nie mogą w pełni zapanować nad swoimi finansami, nie wykorzystując arkuszy kalkulacyjnych i zaawansowanych systemów finansowych,ignorowanie technologii opartych na danych i systemów zarządzania wydajnością zasobów tylko trudni dotrzymywania kroku zmianom i konkurencji.
Turner mówi, że często w zakładach, które nie potrafią uwolnić istotnej wartości, po prostu brakuje danych o infrastrukturze. Dotyczy to zarówno z istniejących danych, jak i technologii oferowanych przez IIoT.
Projekty pilotażowe IIoT efektywnie dostarczają strumienie danych cyfrowych. Jednak podczas zwiększania skali pojawiają się problemy. Czasami przyczyny mają charakter techniczny. Częściej jednak powodem jest brak zgodności z celami korporacyjnymi i niewystarczające możliwości interpretacji danych, ze względu na systemy, które mają trudności z obsłużeniem eksplozji danych.
Odniesienie sukcesu na najwyższym poziomie wymaga strategia warstwowej w odniesieniu do danych, które pozwala w krótkim czasie obsłużyć duże ilości danych, zapewniając jednocześnie natychmiastową ocenę wydajności zasobów mierzoną w odniesieniu do parametrów wydajności aplikacji oraz producentów tych instrumentów i infrastruktury przemysłowej. Co najważniejsze, system powinien analizować dane w porównaniu do danych operacyjnych firmy i kontekstu.
Wiele z pionierskich systemów analitycznych opartych na chmurze nie było wystarczająco niezawodnych. Nie można było ich poprawnie zintegrować z tradycyjnymi bazami danych, albo na drodze stawała synchronizacja systemów operacyjnych.
IBM od dziesięcioleci jest jednym z liderów tego rynku. Aplikacje Maximo, stanowiącym podstawę zarządzania zasobami przedsiębiorstwa (EAM) dla wielu branż. Konserwacja predykcyjna MAS może bez problemu osiągnąć poziom „EAM Extended”.
W kolejnym wpisie na blogu Turner & De Gouveia omówią funkcje MAS:
EAM Extended: Dodawanie wartości z wykorzystaniem IBM MAS oraz Maximo Application Suite to nie kostka Rubika: elastyczność w kontenerze
Share this Blog Post: