Dérivez une véritable valeur commerciale de la science des données

Prévenir les pannes en prédisant l'état et les besoins de maintenance des actifs industriels est un défi de taille. Le monde de la science des données regorge de modèles qui ont du mal à fournir des résultats dans des environnements réels. Alors, quelle est la meilleure approche ?

Théorie et pratique

En théorie, la théorie et la pratique sont les mêmes. En pratique, ils ne le sont pas. Cela n'est nulle part plus vrai que lorsque vous essayez de traduire des modèles d'actifs industriels en informations exploitables qui apportent des améliorations dans l'atelier. Les articles académiques sur la science des données peuvent inclure des analyses qui démontrent comment des algorithmes particuliers peuvent améliorer les autres d'un point de pourcentage ou deux, mais dans un environnement d'usine, couper les signaux bruyants pour découvrir tous les modèles peut être un défi.

Pourtant, ce n'est que le premier obstacle majeur que les développeurs de modèles de bricolage potentiels doivent surmonter s'ils espèrent que leurs efforts permettront la maintenance prédictive ou d'autres résultats commerciaux. Ceux qui parviennent à développer un modèle robuste pouvant fonctionner dans des conditions réelles se heurtent immédiatement au prochain gros problème :des modèles utiles doivent être déployés, pas seulement développés.

Le déploiement signifie naturellement exécuter des modèles à grande échelle. Mais cela signifie également fournir une interface qui présente les résultats de manière conviviale et satisfait les utilisateurs en permettant à différents groupes de hiérarchiser les alertes, de recueillir des commentaires, etc. Si vous avez 20 000 robots travaillant dans une grande usine, même le déploiement d'une interface utilisateur pour afficher des graphiques interactifs pour chacun d'eux est loin d'être anodin. En fait, les modélisateurs bricoleurs trouvent généralement que ce qu'ils essaient réellement de faire est de développer leurs propres applications. Cela peut être extrêmement gourmand en ressources et coûteux.

Demandez aux experts

Pour ces raisons, il est presque toujours préférable de faire équipe avec un fournisseur spécialisé, doté de sa propre expertise en science des données et du support de déploiement nécessaire pour garantir que les utilisateurs de l'atelier puissent facilement accéder aux informations dont ils ont besoin. Les entreprises peuvent penser que leurs propres modèles personnalisés peuvent être plus performants que les algorithmes génériques générés par les fournisseurs. Cependant, toute différence est souvent marginale et peut être largement compensée par les aspects négatifs de le faire seul.

Par exemple, les modèles utilisés dans la solution de maintenance prédictive de Senseye, Senseye PdM, sont souvent comparables aux modèles personnalisés et peuvent être encore plus performants. Ses algorithmes d'apprentissage automatique uniques transforment les données en une prédiction précise de la durée de vie utile restante (RUL) des actifs de fabrication - une technique connue sous le nom de pronostics.

L'une des raisons pour lesquelles Senseye PdM dépasse régulièrement les attentes est que les algorithmes traitent chaque machine comme unique, même s'il s'agit de la même marque et du même modèle. Les machines qui démarrent de la même manière se comporteront et s'useront différemment au fil du temps car elles sont soumises à des différences dans leur environnement immédiat ou en raison du travail qu'elles effectuent. Le fait de traiter chaque actif comme un individu avec une "empreinte comportementale" unique améliore considérablement la précision des pronostics de Senseye PdM et aide mieux les équipes en charge des actifs de production à maximiser la disponibilité.

En plus d'offrir les performances éprouvées d'algorithmes éprouvés, le partenariat avec Senseye supprime tous les maux de tête liés à la robustesse des performances, à l'évolutivité, au déploiement, à la convivialité et à la sécurité.

Si un utilisateur potentiel a déjà développé un modèle personnalisé et souhaite l'utiliser, Senseye peut l'intégrer dans le système via une API. Même si le modèle personnalisé lui-même n'est pas intégré dans Senseye PdM, la solution peut toujours accepter les résultats des modèles personnalisés comme entrée utile.

Cependant, il reste beaucoup plus courant pour Senseye de déployer ses propres algorithmes génériques sophistiqués. Les scientifiques des données de Senseye se concentrent sur le traitement du monde réel tel qu'il est, et non tel que nous aimerions qu'il soit, de sorte que les modèles sont extrêmement robustes, même dans les environnements de données les plus bruyants.

Lorsque les utilisateurs visent à mettre en œuvre des pronostics et une maintenance prédictive, cette approche robuste est particulièrement importante lors de la capture de données à partir de pannes. Dans ce qui peut être un moment relativement chaotique, il est essentiel d'extraire des informations significatives sous le bruit afin que le système puisse identifier une panne imminente et déclencher une alerte avant que l'actif ne tombe à nouveau en panne.

Travailler ensemble

Même si faire appel à une expertise externe est le moyen le plus efficace de déployer des modèles pour la surveillance de l'état et la maintenance prédictive, les utilisateurs jouent un rôle important pour tirer le meilleur parti des modèles de données génériques.

Pour commencer, il y a toujours une courbe d'apprentissage lors du déploiement d'un modèle générique. Par exemple, Senseye PdM prend initialement 14 jours pour fournir des résultats, créant ainsi une "empreinte digitale" du comportement unique de chaque actif dans des conditions de fonctionnement normales.

L'expertise et l'expérience internes de nos équipes clients, y compris des spécialistes de la surveillance de l'état et des ingénieurs mécaniques, combinées à nos experts en technologie, peuvent alimenter ce processus, permettant à Senseye de configurer le système à l'avance pour hiérarchiser certaines des données et des événements qui intéressent le plus les utilisateurs. Cela accélère le processus d'apprentissage initial des algorithmes. À plus long terme, un système de retour d'information régulier permet aux algorithmes de se faire une idée des événements et des tendances importants pour les utilisateurs et de ceux qui ne sont pas pertinents. Ceci est utile lors du déploiement de modèles génériques qui s'adaptent progressivement pour prédire de plus en plus précisément le comportement de chaque machine au fil du temps.

Résultats réels

Faites les choses correctement et les avantages commerciaux sont extrêmement impressionnants. Senseye PdM réduit généralement les temps d'arrêt imprévus des machines de 50 %, augmente la productivité du personnel de maintenance de 55 % et améliore la précision des prévisions de temps d'arrêt de 85 %.

En règle générale, ces avantages sont difficiles à égaler avec des algorithmes personnalisés. Par conséquent, une approche exceptionnelle est fortement recommandée pour obtenir des résultats concrets.

Pour en savoir plus, lisez notre livre blanc "Exploitez le pouvoir de la prédiction" ou essayez notre calculateur de retour sur investissement pour voir comment vous pourriez en bénéficier.