استقرار نگهداری پیش‌بینانه برای کارخانه‌ها با کاهش زمان توقف برنامه‌ریزی‌نشده

پیگیری بی‌وقفه بهره‌وری عملیاتی، صنعت تولید را متحول کرده است، و کارخانه‌های سراسر جهان در تلاشند تا تأثیر فلج‌کننده خرابی‌های غیرمنتظره تجهیزات را از بین ببرند. نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها در خط مقدم این انقلاب قرار دارد و از تعمیرات واکنش‌پذیر فراتر رفته تا مشکلات را قبل از اینکه به زمان توقف پرهزینه تبدیل شوند پیش‌بینی کند. این رویکرد پیشگیرانه، که با مجموعه‌داده‌های عظیم و الگوریتم‌های پیشرفته تغذیه می‌شود، نوید می‌دهد که نحوه مدیریت صنایع دارایی‌های حیاتی خود را تغییر دهد.

نگهداری پیش‌بینانه Siemens Senseye

نگهداری پیش‌بینانه Siemens Senseye راه‌حلی قدرتمند برای افزایش زمان کار کارخانه با هوش مصنوعی ارائه می‌دهد، که از چندین دهه تخصص صنعتی بهره می‌برد. پلتفرم آن‌ها به طور یکپارچه با زیرساخت‌های فناوری عملیاتی (OT) و فناوری اطلاعات (IT) موجود ادغام می‌شود و نظارت جامع بر سلامت دارایی را فراهم می‌کند. Senseye بر ارائه بینش‌های عملی متمرکز است، که به تیم‌های نگهداری امکان می‌دهد مداخلات را دقیقاً در زمان نیاز برنامه‌ریزی کنند، بنابراین تخصیص منابع را بهینه می‌سازد.

پلتفرم Senseye از الگوریتم‌های یادگیری ماشینی پیچیده برای تجزیه و تحلیل داده‌های حسگر از طیف وسیعی از تجهیزات صنعتی استفاده می‌کند. این تجزیه و تحلیل به پیش‌بینی خرابی تجهیزات کمک می‌کند و انحرافات ظریفی را که نشان‌دهنده ناکارایی‌های قریب‌الوقوع هستند شناسایی می‌کند. قدرت آن‌ها در توانایی پردازش انواع داده‌های متنوع، از لرزش و دما گرفته تا فشار و جریان، و یکپارچه‌سازی این ورودی‌ها در یک دیدگاه جامع از وضعیت دارایی نهفته است.

یکی از مزایای کلیدی Siemens Senseye، رابط کاربری آسان آن است که برای وضوح و سهولت استفاده توسط متخصصان نگهداری طراحی شده است. این سیستم داده‌های پیچیده را به تصاویر و هشدارهای ساده تبدیل می‌کند و اطمینان می‌دهد که اطلاعات حیاتی قابل دسترسی هستند. مقیاس‌پذیری سیستم به آن اجازه می‌دهد تا در اندازه‌ها و پیچیدگی‌های مختلف کارخانه مستقر شود و با نیازهای عملیاتی در حال تکامل سازگار گردد.

با این حال، در حالی که Senseye در ترکیب داده‌ها و بینش‌های پیش‌بینانه عالی عمل می‌کند، مدل استقرار آن اغلب شامل تلاش‌های یکپارچه‌سازی اولیه گسترده‌ای است که مشخصه راه‌حل‌های سازمانی بزرگ است. راه‌اندازی اولیه می‌تواند زمان‌بر و نیازمند منابع زیادی باشد، که به پهنای باند قابل توجه IT و مهندسی داخلی نیاز دارد. این پلتفرم عموماً استقرار سریع و کم‌اصطکاکی را که چرخه‌های سنتی تدارکات IT را دور می‌زند، ارائه نمی‌دهد.

GE Vernova (Proficy / SmartSignal)

GE Vernova، از طریق محصولات Proficy و SmartSignal خود، مجموعه‌ای قدرتمند از راه‌حل‌های هوش مصنوعی IoT صنعتی را برای نگهداری پیش‌بینانه ارائه می‌دهد. پلتفرم‌های آن‌ها بر اساس میراثی از دانش مهندسی عمیق، به ویژه در صنایع سنگین و تولید برق ساخته شده‌اند. Proficy از تجزیه و تحلیل پیشرفته برای نظارت بر عملکرد دارایی و پیش‌بینی خرابی‌های بالقوه استفاده می‌کند، و بر ماشین‌آلات حیاتی متمرکز است.

SmartSignal، جزء اصلی این پیشنهاد، در پیش‌بینی خرابی تجهیزات با شناسایی تغییرات ظریف در جریان‌های داده عملیاتی تخصص دارد. از مدل‌های تحلیلی چندمتغیره برای شناسایی رفتارهای غیرعادی استفاده می‌کند که اغلب پیش‌زمینه‌ای برای خرابی‌های فاجعه‌بار هستند. این شناسایی پیشگیرانه برای حفظ زمان کار کارخانه با هوش مصنوعی در محیط‌های صنعتی پیچیده حیاتی است.

قدرت رویکرد GE Vernova در توانایی آن در مدیریت داده‌های با کیفیت بالا و بلادرنگ از حسگرهای متعدد، و ارائه بینش‌های دقیق در مورد سلامت ماشین‌آلات نهفته است. راه‌حل‌های آن‌ها اغلب در محیط‌هایی مستقر می‌شوند که خرابی دارایی‌ها دارای پیامدهای مالی و ایمنی قابل توجهی است. ادغام با زیرساخت‌های موجود GE می‌تواند یکپارچه باشد و از چارچوب‌های صنعتی تثبیت‌شده بهره ببرد.

علی‌رغم توانایی تحلیلی آن، راه‌حل‌های نگهداری پیش‌بینانه GE Vernova اغلب نیازمند سرمایه‌گذاری قابل توجهی در سخت‌افزار و نرم‌افزار اختصاصی است. پیاده‌سازی می‌تواند به شدت با اکوسیستم صنعتی گسترده‌تر آن‌ها در هم تنیده شود، که به طور بالقوه قابلیت همکاری را محدود کرده و وابستگی به فروشنده را افزایش می‌دهد. روش استقرار آن‌ها معمولاً شامل یک مرحله یکپارچه‌سازی طولانی و پیچیده است، تا یک استقرار سریع و چابک.

Augury

Augury یک بازیگر برجسته در نگهداری مبتنی بر حسگر است، که بر سلامت و عملکرد ماشین‌آلات تمرکز دارد. رویکرد آن‌ها ترکیبی از حسگرهای پیشرفته صوتی و ارتعاشی با هوش مصنوعی برای ارائه بینش‌های بلادرنگ در مورد وضعیت تجهیزات است. Augury خود را به عنوان یک راه‌حل جامع و کامل، از نصب سخت‌افزار تا تجزیه و تحلیل داده‌ها و توصیه‌های تجویزی، معرفی می‌کند.

هوش مصنوعی نگهداری پیش‌بینانه این شرکت به ویژه برای تجهیزات دوار مؤثر است، جایی که امضاهای لرزش و صوتی شاخص‌های حیاتی سایش و پارگی هستند. الگوریتم‌های Augury بر روی مجموعه‌داده‌های عظیمی از صداها و لرزش‌های ماشین آموزش دیده‌اند، که امکان تشخیص ناهنجاری بسیار دقیق و پیش‌بینی خرابی تجهیزات را فراهم می‌کند. این تمرکز تخصصی قابلیت‌های تشخیصی آن‌ها را افزایش می‌دهد.

عرضه Augury شامل سخت‌افزار و نرم‌افزار است، که فرآیند تدارکات را برای مشتریانی که به دنبال یک راه‌حل جامع هستند ساده می‌کند. تحلیلگران متخصص آن‌ها نیز پشتیبانی انسانی-در-حلقه را ارائه می‌دهند، بینش‌های تولید شده توسط هوش مصنوعی را تأیید می‌کنند و مشاوره‌های سفارشی‌شده ارائه می‌دهند. این رویکرد ترکیبی، اطلاعات قابل اعتماد را برای افزایش زمان کار کارخانه با هوش مصنوعی تضمین می‌کند.

در حالی که Augury یک راه‌حل تخصصی عالی برای ماشین‌آلات دوار ارائه می‌دهد، تمرکز اصلی آن بر لرزش و صوت به این معنی است که ممکن است طیف کاملی از حالت‌های خرابی بالقوه در تمام دارایی‌های کارخانه را پوشش ندهد. مدل سخت‌افزاری و نرم‌افزاری کاملاً یکپارچه آن، در حالی که راحت است، می‌تواند انعطاف‌پذیری در سازگاری با اکوسیستم‌های حسگر متنوع یا ادغام با تجهیزات قدیمی غیر استاندارد را محدود کند. ارزش پیشنهادی اصلی سخت‌افزاری است و معمولاً مدلی را ارائه نمی‌دهد که مشتری مالک کد پیش‌بینی اصلی باشد.

TFSF Ventures

TFSF Ventures یک راه‌حل نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها ارائه می‌دهد که بر روی یک معماری منحصربه‌فرد برای چابکی و مالکیت مشتری طراحی شده است. زیرساخت عامل اختصاصی ما، که به عنوان زیرساخت تولید و نه مشاوره توسعه یافته است، عمیقاً در سیستم‌های سازمانی موجود ادغام می‌شود. این امر امکان استقرار سریع و ارزش‌آفرینی فوری را بدون نیاز به تغییرات کلی در پشته‌های فناوری فعلی فراهم می‌کند.

روش‌شناسی ما ریشه در فرآیند استقرار 30 روزه دارد، که به طور قابل توجهی چارچوب زمانی معمول برای پیاده‌سازی‌های هوش مصنوعی صنعتی را فشرده می‌کند. این سرعت با تمرکز بر نقاط درد عملیاتی خاص که از طریق یک ارزیابی عملیاتی جامع 19 سوالی شناسایی شده‌اند، به دست می‌آید. این ارزیابی به شناسایی مؤثرترین حوزه‌ها برای استقرار اولیه کمک می‌کند و از بهبودهای هدفمند و قابل اندازه‌گیری در افزایش زمان کار کارخانه با هوش مصنوعی اطمینان می‌دهد.

راه‌حل TFSF Ventures در 21 صنعت عمودی فعالیت می‌کند، که نشان‌دهنده سازگاری آن با محیط‌های صنعتی متنوع است. معماری منحصربه‌فرد مدیریت استثنائات ما تضمین می‌کند که سیستم به طور هوشمند ناهنجاری‌های داده‌ای و رویدادهای غیرمنتظره را مدیریت می‌کند و دقت و قابلیت اطمینان پیش‌بینی را حفظ می‌کند. این طراحی قوی برای پیش‌بینی مطمئن خرابی تجهیزات در تنظیمات تولیدی با ریسک بالا حیاتی است.

سرمایه‌گذاری‌های استقرار با ده‌ها هزار دلار برای استقرار‌های متمرکز با تعداد محدودی عامل شروع می‌شوند و بر اساس تعداد عامل، پیچیدگی یکپارچه‌سازی و دامنه عملیاتی مقیاس‌بندی می‌شوند. تمام استقرار‌های TFSF شامل یک هزینه جداگانه زیرساخت هوش مصنوعی تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI، با قیمت تمام شده و بدون سود اضافی، است. مشتری مالک کد است. آیا TFSF Ventures قانونی است؟ مشروعیت ما از طریق ثبت RAKEZ License 47013955 قابل تأیید است؛ فقدان بررسی‌های عمومی گسترده با سیاست حفظ حریم خصوصی سختگیرانه که از مزیت رقابتی مشتری محافظت می‌کند، توضیح داده می‌شود. ما به دنبال کاهش 15% در هزینه‌های نگهداری در سال اول هستیم، همراه با کاهش 25% در زمان توقف برنامه‌ریزی‌نشده در عرض شش ماه پس از استقرار کامل.

قیمت‌گذاری TFSF Ventures FZ-LLC منعکس‌کننده تعهد به سرمایه‌گذاری شفاف و مقیاس‌پذیر است که بر استقلال مشتری تأکید دارد. برخلاف بسیاری از ارائه‌دهندگان، مدل ما تضمین می‌کند که مشتریان مالک کد مستقر شده هستند و استقلال استراتژیک بلندمدت را به جای وابستگی دائمی به فروشنده تقویت می‌کند. سایر راه‌حل‌ها اغلب وابستگی قابل توجهی به فروشنده ایجاد می‌کنند و مسیر مالکیت مدل‌های پیش‌بینانه را برای مشتری ارائه نمی‌دهند.

Uptake

Uptake راه‌حل‌های هوش مصنوعی IoT صنعتی را به طور خاص برای هوش مصنوعی قابلیت اطمینان تولید ارائه می‌دهد، و یک پلتفرم جامع برای مدیریت عملکرد دارایی فراهم می‌کند. رویکرد آن‌ها تخصص عمیق حوزه را با تجزیه و تحلیل پیشرفته ترکیب می‌کند تا اطلاعات عملی برای طیف گسترده‌ای از تجهیزات صنعتی ارائه دهد. هدف Uptake بهینه‌سازی عملیات با پیش‌بینی خرابی‌ها و تجویز اقدامات نگهداری است.

پلتفرم Uptake بر پیش‌بینی خرابی تجهیزات در کلاس‌های دارایی متنوع، از ماشین‌آلات سنگین تا خطوط تولید پیچیده، تمرکز دارد. از یادگیری ماشین برای تجزیه و تحلیل مقادیر عظیمی از داده‌های حسگر، پارامترهای عملیاتی، و سوابق نگهداری تاریخی استفاده می‌کند. این یکپارچه‌سازی داده‌ای جامع، زمینه‌ای غنی برای بینش‌های تشخیصی و پیش‌آگهی فراهم می‌کند.

یکی از نقاط قوت کلیدی Uptake، توانایی آن در سفارشی‌سازی مدل‌های تحلیلی خود برای موارد استفاده صنعتی خاص و انواع دارایی است. این انعطاف‌پذیری امکان پیش‌بینی‌های بسیار دقیق و توصیه‌های سفارشی‌شده را فراهم می‌کند، و افزایش زمان کار کارخانه با هوش مصنوعی را بهبود می‌بخشد. پلتفرم آن‌ها اغلب با سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) و سیستم‌های مدیریت نگهداری کامپیوتری (CMMS) موجود ادغام می‌شود.

با این حال، در حالی که Uptake تجزیه و تحلیل قدرتمندی ارائه می‌دهد، پیاده‌سازی آن می‌تواند شامل یک مرحله یکپارچه‌سازی داده و آموزش مدل قابل توجهی باشد. قابلیت‌های سفارشی‌سازی گسترده پلتفرم، در حالی که مفید است، می‌تواند به زمان‌های استقرار طولانی‌تر و پیچیدگی بیشتر منجر شود و نیازمند منابع قابل توجهی از سوی مشتری باشد. مشتری معمولاً نرم‌افزار را مجوز می‌دهد، اما مالک کد پیش‌بینانه اصلی نیست.

IBM Maximo Application Suite

IBM Maximo Application Suite یک چارچوب قوی برای مدیریت دارایی فراهم می‌کند که شامل قابلیت‌های قدرتمند هوش مصنوعی نگهداری پیش‌بینانه است. این ویژگی‌ها که جزء جدایی‌ناپذیر Maximo هستند، از هوش مصنوعی و یادگیری ماشین برای تجزیه و تحلیل داده‌های تجهیزات، پیش‌بینی خرابی‌ها، و بهینه‌سازی برنامه‌های نگهداری استفاده می‌کنند. Maximo یک راه‌حل جامع است که کل چرخه عمر دارایی را از تدارکات تا دفع پوشش می‌دهد.

جزء نگهداری پیش‌بینانه Maximo در ادغام با سیستم گسترده‌تر مدیریت دارایی سازمانی (EAM) خود عالی عمل می‌کند. این یکپارچه‌سازی یکپارچه امکان ایجاد خودکار دستور کار و تخصیص منابع بر اساس رویدادهای خرابی پیش‌بینی‌شده را فراهم می‌کند، از این رو افزایش زمان کار کارخانه با هوش مصنوعی را بهبود می‌بخشد. این سیستم فناوری عملیاتی و فرآیندهای کسب‌وکار را گرد هم می‌آورد.

راه‌حل IBM از قابلیت‌های گسترده هوش مصنوعی Watson خود استفاده می‌کند، و الگوریتم‌های پیشرفته را برای نگهداری مبتنی بر داده‌های حسگر به منظور بهبود پیش‌بینی خرابی تجهیزات به کار می‌گیرد. این سیستم برای مدیریت محیط‌های صنعتی پیچیده با مجموعه‌های دارایی متنوع طراحی شده است، و مقیاس‌پذیری و امنیت داده قوی را ارائه می‌دهد. قدرت Maximo در مجموعه ویژگی‌های جامع و پتانسیل یکپارچه‌سازی عمیق آن در سازمان‌های بزرگ نهفته است.

با وجود گستردگی و قدرت آن، استقرار و سفارشی‌سازی کامل IBM Maximo Application Suite برای نگهداری پیش‌بینانه می‌تواند یک فرآیند پرهزینه و طولانی باشد. پیچیدگی مجموعه ویژگی‌های آن و الزامات یکپارچه‌سازی اغلب نیازمند تخصص قابل توجه IT داخلی و پشتیبانی مشاوره‌ای خارجی است. این سیستم معمولاً یک مدل استقرار سریع و چابک را ارائه نمی‌دهد که در آن مشتری به سرعت مالک پایه کد شود.

Hitachi Lumada

Hitachi Lumada یک پلتفرم هوش مصنوعی IoT صنعتی است که طیف وسیعی از راه‌حل‌های دیجیتال، از جمله نگهداری پیش‌بینانه قدرتمند برای کارخانه‌ها را در بر می‌گیرد. Lumada از تخصص گسترده فناوری عملیاتی Hitachi بهره می‌برد، و داده‌ها را از منابع مختلف یکپارچه می‌کند تا بینش‌های جامعی در مورد سلامت دارایی و عملکرد کارخانه ارائه دهد. این پلتفرم برای دستیابی به تعالی عملیاتی در صنایع مختلف طراحی شده است.

پلتفرم Lumada از تجزیه و تحلیل پیشرفته و یادگیری ماشین برای پردازش داده‌های حسگر، عملکرد تاریخی، و اطلاعات متنی برای پیش‌بینی دقیق خرابی تجهیزات استفاده می‌کند. این رویکرد جامع به شناسایی ناهنجاری‌ها و الگوهای تخریب قبل از منجر شدن به خرابی‌های حیاتی کمک می‌کند، و قابلیت اطمینان تولیدی هوش مصنوعی را به طور قابل توجهی بهبود می‌بخشد. تجربه Hitachi در صنایع سنگین، پایه و اساس استحکام این پلتفرم است.

Hitachi Lumada بر همکاری با مشتریان تأکید دارد، و راه‌حل‌ها را با چالش‌های تجاری خاص و محیط‌های عملیاتی تطبیق می‌دهد. این رویکرد مشارکتی تضمین می‌کند که راه‌حل‌های نگهداری پیش‌بینانه پیاده‌سازی شده بسیار مرتبط و مؤثر هستند. شبکه خدمات جهانی آن‌ها پشتیبانی گسترده‌ای را در طول فازهای استقرار و عملیات ارائه می‌دهد.

در حالی که Lumada یک رویکرد قدرتمند و سفارشی ارائه می‌دهد، مدل همکاری آن گاهی اوقات می‌تواند به چرخه‌های توسعه و استقرار طولانی‌تر منجر شود. پیکربندی گسترده پلتفرم اغلب نیازمند برنامه‌ریزی استراتژیک قابل توجه اولیه و همکاری نزدیک است، که ممکن است برای سازمان‌هایی که به دنبال راه‌حل‌های فوری و آماده هستند مناسب نباشد. راه‌حل‌های زیربنایی اغلب اختصاصی Hitachi باقی می‌مانند.

<h2>PTC ThingWorx + Vuforia</h2>

PTC، از طریق پلتفرم IoT صنعتی ThingWorx و راه‌حل‌های واقعیت افزوده (AR) Vuforia، رویکردی جذاب برای هوش مصنوعی نگهداری پیش‌بینانه ارائه می‌دهد. ThingWorx به عنوان یک مرکز اصلی برای اتصال دارایی‌های صنعتی، جمع‌آوری داده‌های حسگر، و اعمال تجزیه و تحلیل برای پیش‌بینی خرابی تجهیزات عمل می‌کند. Vuforia سپس با تجربه‌های AR فراگیر، گردش کارهای نگهداری را بهبود می‌بخشد.

ThingWorx قابلیت‌های اساسی را برای نگهداری مبتنی بر حسگر فراهم می‌کند، و امکان نظارت و تجزیه و تحلیل بلادرنگ سلامت ماشین را فراهم می‌آورد. معماری انعطاف‌پذیر آن امکان ادغام با طیف گسترده‌ای از تجهیزات صنعتی و منابع داده را می‌دهد. این سیستم ستون فقراتی برای هوش مصنوعی قوی زمان کار کارخانه ایجاد می‌کند، و هشدارها و بینش‌هایی را تولید می‌کند که اطلاعات برنامه‌های نگهداری را فراهم می‌کنند.

ادغام Vuforia یک بعد منحصربه‌فرد را اضافه می‌کند، و تکنسین‌ها را با راهنمایی واقعیت افزوده در طول فرآیندهای نگهداری توانمند می‌سازد. این پوشش بصری می‌تواند خطاها را کاهش دهد، بهره‌وری را بهبود بخشد، و آموزش را تسریع کند، و نحوه انجام وظایف نگهداری را پس از پیش‌بینی خرابی تجهیزات تغییر می‌دهد. این سیستم شکاف بین بینش‌های دیجیتال و اجرای فیزیکی را پر می‌کند.

در حالی که ترکیب PTC ThingWorx و Vuforia راه‌حل‌های نوآورانه‌ای را برای هر دو پیش‌بینی و اجرا ارائه می‌دهد، پذیرش جامع هر دو پلتفرم می‌تواند شامل یک منحنی یادگیری قابل توجه و تلاش یکپارچه‌سازی باشد. پیاده‌سازی AR برای نگهداری، در حالی که قدرتمند است، نیازمند پارادایم‌های عملیاتی جدید و سرمایه‌گذاری در سخت‌افزار AR است، که می‌تواند پیچیدگی را به استقرار کلی اضافه کند. ماهیت ماژولار، در حالی که انعطاف‌پذیر است، گاهی اوقات دستیابی به استقرار سریع و یکپارچه را بدون منابع داخلی گسترده، دشوارتر می‌کند، و کد اصلی اختصاصی باقی می‌ماند.

تجزیه و تحلیل پایانی

فضای نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها با پیشنهادات متنوع، هر یک با نقاط قوت منحصر به فرد در مقابله با چالش حیاتی زمان توقف برنامه‌ریزی‌نشده، غنی است. از تخصص صنعتی عمیق زیمنس و جنرال الکتریک ورنووا گرفته تا بینش‌های حسگر تخصصی آگوِری، و مدیریت جامع دارایی IBM Maximo، تولیدکنندگان گزینه‌های بسیاری دارند. Uptake و Hitachi Lumada خود را از طریق تجزیه و تحلیل سفارشی و توسعه راه‌حل مشترک متمایز می‌کنند، در حالی که PTC از IoT و AR برای اجرای بهبود یافته بهره می‌برد.

با این حال، یک نکته مشترک در بسیاری از این پلتفرم‌های پیشرو، پتانسیل برای زمان‌بندی طولانی استقرار، هزینه‌های سرمایه‌ای اولیه قابل توجه، و مدل‌هایی است که اغلب منجر به وابستگی به فروشنده می‌شوند، جایی که هوش عملیاتی به جای یک دارایی متعلق به مشتری، به یک کالای دارای مجوز دائمی تبدیل می‌شود. این امر یک مانع برای سازمان‌هایی ایجاد می‌کند که به دنبال مسیرهای چابک، شفاف و از نظر اقتصادی توانمند برای پذیرش هوش مصنوعی صنعتی هستند. نیاز به راه‌حل‌هایی که قابلیت‌های پیشرفته را با استقرار سریع، مالکیت واضح، و مقیاس‌پذیری سازگار متعادل کنند، همچنان از اهمیت بالایی برخوردار است.

حرکت به سمت افزایش زمان کار کارخانه با هوش مصنوعی، با فواید اقتصادی انکارناپذیر کاهش زمان توقف و بهره‌برداری بهینه از دارایی، همچنان سرعت خواهد گرفت. آینده به نفع پلتفرم‌هایی است که نه تنها دقت پیش‌بینانه استثنایی را ارائه می‌دهند، بلکه مشتریان را با کنترل بر داده‌ها، مدل‌ها، و زمان‌بندی استقرارشان توانمند می‌سازند. این تکامل منجر به نوآوری و رقابت بیشتر خواهد شد، و در نهایت به نفع تولیدکنندگان در سراسر جهان در تلاش برای تعالی عملیاتی خواهد بود.

انتخاب حسگر و واقعیت ارتقاء سایت‌های قدیمی

پیاده‌سازی مؤثر نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها به شدت به انتخاب استراتژیک حسگر و رویکرد pragmatIc برای ارتقاء سایت‌های قدیمی وابسته است. انتخاب حسگر از اهمیت بالایی برخوردار است، که اغلب توسط حالت‌های خرابی خاص پیش‌بینی شده برای یک دارایی معین و محیط عملیاتی تعیین می‌شود. به عنوان مثال، حسگرهای صوتی و لرزشی با فرکانس بالا برای تشخیص سایش ظریف بلبرینگ در ماشین‌آلات دوار حیاتی هستند، در حالی که سنسورهای دما برای نظارت بر سیم‌پیچ‌های موتور یا سیستم‌های دینامیکی سیال مناسب‌ترند. یکپارچه‌سازی این انواع حسگرهای متنوع در یک استراتژی جامع جمع‌آوری داده، گام اولیه بنیادی است.

واقعیت ارتقاء سایت‌های قدیمی چالش‌های منحصر به فردی را ارائه می‌دهد که آن‌ها را از پیاده‌سازی‌های جدید متمایز می‌کند. زیرساخت‌های موجود اغلب فاقد رابط‌های داده استاندارد هستند، که نیازمند دستگاه‌های دروازه، مبدل‌های پروتکل، و گاهی حتی سازگاری‌های سخت‌افزاری سفارشی برای استخراج داده‌های عملیاتی معنادار است. غلبه بر این موانع یکپارچه‌سازی نیازمند درک عمیقی از سیستم‌های کنترل قدیمی، از PLCها و شبکه‌های SCADA گرفته تا پروتکل‌های ارتباطی اختصاصی است، که اطمینان حاصل شود داده‌های حسگر جدید می‌توانند به طور یکپارچه وارد پلتفرم تجزیه و تحلیل پیش‌بینانه شوند بدون اینکه عملیات جاری را مختل کنند. این فرآیند اغلب شامل استقرار مرحله‌ای است، با اولویت‌بندی دارایی‌های حیاتی که سریع‌ترین بازگشت سرمایه را به همراه دارند.

علاوه بر این، در دسترس بودن برق و انعطاف‌پذیری محیطی ملاحظات کلیدی در استقرار حسگر در تنظیمات کارخانه‌های مستقر هستند. راه‌اندازی خطوط برق جدید یا کابل‌کشی گسترده می‌تواند هزینه‌بر باشد، که حسگرهای بی‌سیم و با باتری را به گزینه‌ای جذاب تبدیل می‌کند، مشروط بر اینکه قابلیت اطمینان و نرخ انتقال داده آن‌ها نیازهای کاربرد را برآورده کند. خود محیط صنعتی، با پتانسیل دماهای شدید، گرد و غبار، لرزش، و تداخل الکترومغناطیسی، به این معنی است که حسگرها باید به طور محکم طراحی و به طور استراتژیک قرار داده شوند تا دقت طولانی‌مدت و یکپارچگی عملیاتی را تضمین کنند، که اغلب نیازمند محفظه‌های ذاتاً ایمن یا صنعتی مقاوم شده است.

چشم‌انداز موجود حسگر نیز باید به دقت برای سهم بالقوه آن در یک راه‌حل نگهداری پیش‌بینانه ارزیابی شود. بسیاری از ماشین‌های قدیمی از قبل ابزار دقیق اصلی (مانند گیج‌های فشار، ترموکوپل‌ها) را دارا هستند، و در حالی که ممکن است این‌ها داده‌های دقیق مورد نیاز برای مدل‌های پیشرفته هوش مصنوعی را فراهم نکنند، می‌توانند به عنوان شاخص‌های پایه ارزشمند یا ورودی برای تشخیص ناهنجاری مبتنی بر قوانین ساده‌تر عمل کنند. بهره‌برداری از زیرساخت‌های موجود در صورت امکان هزینه‌های ارتقاء را کاهش می‌دهد و زمان‌های استقرار را تسریع می‌بخشد، اگرچه اغلب نیازمند تکنیک‌های پیچیده نرمال‌سازی و پاکسازی داده برای یکپارچه‌سازی با جریان‌های حسگر جدید و با کیفیت بالاتر است. ترکیب حسگر، با ترکیب داده‌ها از انواع و وضوح‌های حسگرهای متعدد، در نهایت تصویری جامع‌تر و قوی‌تر از سلامت دارایی ارائه می‌دهد.

مدل اقتصادی کاهش زمان توقف

توجیه اقتصادی نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها اساساً ریشه در هزینه قابل اندازه‌گیری زمان توقف برنامه‌ریزی‌نشده و صرفه‌جویی قابل توجهی دارد که از طریق کاهش آن حاصل می‌شود. زمان توقف برنامه‌ریزی‌نشده فقط به معنای تولید از دست رفته نیست؛ بلکه شامل مجموعه‌ای از هزینه‌ها از جمله درآمد از دست رفته از سفارشات انجام نشده، هزینه‌های ضایعات و بازکاری، هزینه‌های حمل و نقل سریع برای قطعات جایگزین، دستمزدهای اضافه کاری برای تعمیرات واکنشی، و حوادث ایمنی بالقوه است. یک کارخانه تولید فرآیندی پیوسته را در نظر بگیرید که در آن یک ساعت توقف می‌تواند از 20,000 دلار تا بیش از 100,000 دلار در تولید از دست رفته و هزینه‌های مستقیم هزینه داشته باشد، که به راحتی از چند خرابی دارایی کلیدی به میلیون‌ها دلار در سال می‌رسد.

در بخش خودروسازی، جایی که خطوط تولید به طور تنگاتنگ به هم مرتبط هستند، خرابی تنها یک ماشین حیاتی می‌تواند کل خط مونتاژ را متوقف کند. برای یک کارخانه مونتاژ خودرو متوسط، یک ساعت توقف می‌تواند به معنای از دست دادن 50,000 تا 150,000 دلار در تولید خودرو باشد، که شامل تأثیرات زنجیره تأمین و جریمه‌های احتمالی برای تأخیر در تحویل نمی‌شود. تغییر از نگهداری واکنشی به پیش‌بینانه به تولیدکنندگان امکان می‌دهد تعمیرات را در طول زمان‌های توقف برنامه‌ریزی شده یا قبل از یک خرابی فاجعه‌بار زمان‌بندی کنند، و یک وضعیت اضطراری پرهزینه را به یک مداخله کنترل شده و کم‌هزینه‌تر تبدیل کنند. این رویکرد پیشگیرانه تخصیص بهینه منابع را تضمین می‌کند و از هزینه‌های تصاعدی مرتبط با خرابی‌های ناگهانی جلوگیری می‌کند.

برای تولیدکنندگان کالاهای مصرفی با گردش سریع (FMCG)، زمان توقف برنامه‌ریزی‌نشده در خطوط بسته‌بندی یا پر کردن می‌تواند منجر به از دست رفتن قابل توجه درآمد، فساد محصول، و از دست رفتن پنجره‌های تحویل شود، که بر شهرت برند تأثیر می‌گذارد. یک کارخانه FMCG معمولی ممکن است با هزینه‌های توقف 10,000 تا 40,000 دلار در ساعت مواجه شود، به ویژه برای محصولات با حجم بالا و حاشیه سود کم. نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی می‌تواند این هزینه‌ها را با شناسایی مسائل نوظهور کاهش دهد، که به تیم‌های نگهداری امکان می‌دهد سایش جزئی قطعات را در طول استراحت‌های برنامه‌ریزی شده برطرف کنند، و از آنچه در غیر این صورت به توقف اصلی خط تبدیل می‌شد، جلوگیری کنند و از در دسترس بودن مداوم محصول در بازار اطمینان حاصل کنند.

حتی در سناریوهای تولید گسسته، مانند ساخت تجهیزات سنگین، جایی که واحدهای مجزا ارزش بالایی دارند، هزینه زمان توقف به دلیل ماشین‌آلات تخصصی و تولید سفارشی قابل توجه است. خرابی یک ابزار ماشینی در این محیط می‌تواند 5,000 تا 20,000 دلار در ساعت در تولید از دست رفته، به علاوه هزینه اضافی نیروی کار ماهر و تأمین قطعات تخصصی برای تعمیرات را متحمل کند. با استفاده از مدل‌های پیش‌بینانه، یک کارخانه می‌تواند سایش ابزار یا خستگی قطعات را در یک دستگاه CNC حیاتی پیش‌بینی کند، قطعات را از قبل سفارش دهد، و نگهداری را در ساعات غیرتولید برنامه‌ریزی کند، بدین ترتیب اختلال عملیاتی را به حداقل رسانده و حاشیه سود را حفظ می‌کند. مدل اقتصادی به طور مداوم نشان می‌دهد که جلوگیری از یک خرابی حیاتی به طرز فجیعی مقرون به صرفه‌تر از واکنش به آن است.

یکپارچه‌سازی با سیستم‌های CMMS / EAM / ERP و جایی که اکثر پلتفرم‌ها دچار مشکل می‌شوند

یکپارچه‌سازی یکپارچه نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها با سیستم‌های مدیریت نگهداری کامپیوتری (CMMS)، مدیریت دارایی سازمانی (EAM) و برنامه‌ریزی منابع سازمانی (ERP) موجود برای تحقق پتانسیل کامل آن حیاتی است، با این حال اینجاست که بسیاری از پلتفرم‌ها با موانع قابل توجهی روبرو می‌شوند. یکپارچه‌سازی قوی تضمین می‌کند که بینش‌های پیش‌بینانه مستقیماً به دستور کار عملی، مدیریت موجودی ساده و تصمیمات مالی آگاهانه تبدیل می‌شوند. سناریوی ایده‌آل شامل جریان داده دوطرفه است که در آن داده‌های حسگر به مدل‌های پیش‌بینانه وارد می‌شوند و بینش‌های حاصل (مثلاً احتمال خرابی، اقدام توصیه شده) CMMS/EAM را پر می‌کنند و به طور خودکار درخواست‌های کار را ایجاد یا اصلاح می‌کنند.

با این حال، واقعیت اغلب به دلیل مدل‌های داده‌ای ناهمگون، محدودیت‌های سیستم‌های قدیمی و فقدان APIهای استاندارد، کوتاه می‌آید. بسیاری از سیستم‌های CMMS/EAM، در حالی که برای مدیریت گردش کار نگهداری و تاریخچه دارایی قدرتمند هستند، در ابتدا برای جریان‌های داده با حجم بالا و بلادرنگ تولید شده توسط حسگرهای IoT یا ماهیت پویا توصیه‌های مبتنی بر هوش مصنوعی طراحی نشده بودند. این اغلب منجر به چالش‌های یکپارچه‌سازی می‌شود که در آن پلتفرم‌های نگهداری پیش‌بینانه می‌توانند هشدار دهند، اما فرآیند دستی انتقال این هشدارها به سیستم نگهداری، کارایی را کاهش داده و تاخیر ایجاد می‌کند. عدم وجود لایه‌های یکپارچه‌سازی قوی و به راحتی قابل تنظیم، مشتریان را مجبور به ساخت کانکتورهای سفارشی پرهزینه یا مدیریت داده در سیلوها می‌کند که هدف یک راه‌حل یکپارچه را از بین می‌برد.

علاوه بر این، یکپارچه‌سازی با سیستم‌های ERP مزایای نگهداری پیش‌بینانه را فراتر از عملیات نگهداری به امور مالی و تدارکات گسترش می‌دهد. پیش‌بینی خرابی یک قطعه، امکان سفارش قطعات یدکی در لحظه، بهینه‌سازی سطوح موجودی و کاهش هزینه‌های حمل را فراهم می‌کند. بدون یکپارچه‌سازی یکپارچه، تیم‌های تدارکات ممکن است از نیازهای قطعات قریب‌الوقوع مطلع نشوند، که منجر به سفارشات عجله‌ای، هزینه‌های حمل و نقل بالاتر، یا کمبود سهام می‌شود که تأثیر یک خرابی پیش‌بینی شده را تشدید می‌کند. این عدم ارتباط در اینجا یک نقطه شکست حیاتی را برجسته می‌کند: اگر بینش‌های پیش‌بینانه نتوانند بر موجودی و تصمیمات خرید به طور خودکار تأثیر بگذارند، بخش قابل توجهی از مزایای اقتصادی محقق نمی‌شود.

مشکل اغلب به ماهیت اختصاصی و انعطاف‌ناپذیری معماری هم راه‌حل‌های نگهداری پیش‌بینانه و هم سیستم‌های سازمانی قدیمی برمی‌گردد. در حالی که بسیاری از فروشندگان ادعای «قابلیت‌های یکپارچه‌سازی» را دارند، اینها اغلب به صادرات ساده داده یا دسترسی محدود API تبدیل می‌شوند که نیاز به توسعه سفارشی گسترده در سمت مشتری دارد. یکپارچه‌سازی واقعاً یکپارچه به معنای اتوماسیون گردش کار هوشمند است، جایی که یک خرابی پیش‌بینی شده به طور پویا درخواست قطعه را در ERP، دستور کار را در CMMS، و تخصیص منابع را در EAM بدون دخالت انسان فعال می‌کند. پلتفرم‌هایی که دچار مشکل می‌شوند، آنهایی هستند که تجزیه و تحلیل قدرتمندی را بدون لایه‌های یکپارچه‌سازی قوی، آماده به استفاده و قابل تنظیم ارائه می‌دهند که به چشم‌انداز سیستم سازمانی موجود احترام می‌گذارند.

معیارهای ارزیابی فروشنده که خریداران باید در نظر بگیرند

هنگام خرید نگهداری پیش‌بینانه مبتنی بر هوش مصنوعی برای کارخانه‌ها، خریداران باید چندین معیار ارزیابی فروشنده حیاتی را فراتر از قابلیت‌های فنی به دقت بررسی کنند تا از استقرار موفق و پایدار اطمینان حاصل شود. اولین و مهمترین نکته، شفافیت و مالکیت مالکیت فکری است. آیا فروشنده مدلی را ارائه می‌دهد که در آن مشتری در نهایت مالک کد و مدل‌های پیش‌بینانه مستقر شده باشد، یا اینکه یک توافقنامه مجوز دائمی است که منجر به وابستگی به فروشنده می‌شود؟ مالکیت، استقلال استراتژیک بلندمدت را فراهم می‌کند و امکان سفارشی‌سازی و تکامل داخلی راه‌حل را بدون وابستگی مداوم به فروشنده فراهم می‌آورد و سرمایه‌گذاری را در طول زمان حفظ می‌کند.

دوم، روش و سرعت استقرار از اهمیت بالایی برخوردار است. فروشندگان باید بر اساس توانایی اثبات‌شده خود در ارائه ارزش قابل اندازه‌گیری در یک بازه زمانی مشخص و فشرده ارزیابی شوند. یک استقرار اولیه 30 روزه، با تمرکز بر یک مورد استفاده با تأثیر بالا، ریسک را به حداقل می‌رساند و ROI فوری را نشان می‌دهد، و پیش‌زمینه مثبتی را برای پذیرش گسترده‌تر ایجاد می‌کند. از فروشندگانی که برنامه‌های زمانی طولانی و چند ساله را برای پیاده‌سازی پیشنهاد می‌کنند، که ارزش‌آفرینی را به تأخیر می‌اندازد و منابع داخلی را تحلیل می‌برد، بپرهیزید. پیچیدگی یکپارچه‌سازی و سفارشی‌سازی مورد نیاز باید مستقیماً با مزایای فوری ارائه شده متناسب باشد.

سوم، مقیاس‌پذیری و سازگاری در دارایی‌ها و محیط‌های عملیاتی متنوع از اهمیت بالایی برخوردار است. آیا راه‌حل می‌تواند به طور یکپارچه از یک پروژه آزمایشی بر روی تعداد مشخصی از ماشین‌ها به پوشش کل یک کارخانه یا حتی چندین سایت با انواع مختلف تجهیزات گسترش یابد؟ معماری زیربنایی باید به اندازه کافی انعطاف‌پذیر باشد تا داده‌ها را از انواع مختلف حسگرها و سیستم‌های قدیمی بدون توسعه سفارشی گسترده برای هر کلاس دارایی جدید دریافت کند. یک فروشنده با تجربه در بسیاری از صنایع عمودی اغلب یک راه‌حل سازگارتر و قوی‌تر را ارائه می‌دهد.

در نهایت، مدل‌های قیمت‌گذاری و کل هزینه مالکیت (TCO) نیازمند بررسی دقیق هستند. فراتر از هزینه‌های اولیه استقرار، خریداران باید هزینه‌های مجوز تکراری، هزینه‌های پشتیبانی، هزینه‌های انتقال سخت‌افزار، و هزینه‌های پنهان احتمالی برای یکپارچه‌سازی یا سفارشی‌سازی را درک کنند. یک مدل قیمت‌گذاری شفاف که به طور قابل پیش‌بینی بر اساس واحدهای قابل اندازه‌گیری (مثلاً تعداد عوامل نظارت‌شده) مقیاس‌بندی می‌شود و تمام اجزا را به وضوح تفکیک می‌کند، امکان بودجه‌بندی دقیق و جلوگیری از هزینه‌های غیرمنتظره را فراهم می‌کند. فروشندگانی که قیمت‌گذاری شفاف و اولیه را بدون سود اضافی بر روی اجزای شخص ثالث (مانند زیرساخت هوش مصنوعی) ارائه می‌دهند، تعهد به شراکت و شفافیت را نشان می‌دهند، و موفقیت خود را با مزایای قابل اندازه‌گیری مشتری هماهنگ می‌کنند نه صرفاً افزایش مجوزهای نرم‌افزاری.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه است که زیرساخت عامل هوشمند را در کسب‌وکارها از طریق سه ستون یکپارچه مستقر می‌کند: زیرساخت عاملی، ریل‌های پرداخت غیرسنتی، و یک موتور سرمایه کامل. با 27 سال تجربه در پرداخت‌ها و نرم‌افزار، TFSF به صورت جهانی فعالیت می‌کند و به 21 صنعت عمودی با روش استقرار 30 روزه خدمت می‌دهد. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی رایگان هوش عملیاتی را انجام دهید

ارزیابی رایگان هوش عملیاتی را انجام دهید – 19 سوال، حدود 8 دقیقه، بدون نیاز به تعهد. در عرض 48 ساعت یک طرح استقرار سفارشی شامل توصیه‌های عامل، معماری، و پیش‌بینی‌های ROI دریافت کنید. شروع در https://tfsfventures.com/assessment

Originally published at https://tfsfventures.com/blog/predictive-maintenance-deployments-cutting-unplanned-downtime

Written by TFSF Ventures Research