Инструменты управления надежностью оборудования гораздо более автоматизированы и интеллектуальны, чем в прошлые годы, но то, будут ли они работать и насколько хорошо они будут работать для какой-либо отдельной компании, зависит от постоянной проблемы: доступных данных. Хорошо известно, что машинное обучение (МО) на основе данных о состоянии датчиков может ускорить выявление и анализ проблем, но плохие или отсутствующие данные об отказах могут замедлить МО, а также диагностику человека и принятие решений. Пользователи с надежными данными об отказах могут принимать более эффективные и быстрые решения на основе результатов оптимизированного машинного обучения, оставляя больше времени для полезного анализа первопричин и постоянных улучшений в инициативах по обслуживанию и обеспечению надежности.

Лучшие методы работы с данными позволяют использовать лучшие методы машинного обучения

Из двух методов машинного обучения, обучения с учителем и обучения без учителя, первый является наиболее эффективным и действенным, поскольку он основан на предыдущем опыте. Точно так же, как человек-оператор учится на прошлых ошибках, алгоритмы контролируемого обучения учат распознавать сигнатуру потенциального надвигающегося отказа, предоставляя ему несколько обучающих примеров. Эффективное обучение алгоритмов требует ведения записей прошлых описаний отказов и соответствующих данных датчиков, приведших к отказу.

Другая альтернатива, неконтролируемое обучение, не требует обучающих данных, но результаты значительно менее эффективны и менее действенны. Его алгоритмы исследуют закономерности и структуру данных. По-настоящему неконтролируемое обучение может обнаруживать отклонения от нормы только там, где нормой является то, что наблюдалось ранее. Он не может легко объяснить, почему происходит то или иное состояние или почему оно может быть важным. Поэтому, чтобы получить максимальную отдачу от инвестиций в машинное обучение для повышения надежности, важно собирать данные об отказах и обеспечивать контролируемое обучение.

Важно отметить, что данные об отказах датчиков не являются единственным фактором успеха. Компании также могут и должны подготовиться к машинному обучению, сохраняя метаданные сбоев, включая стандартные коды/режимы сбоев, коды причин, коды решений и неструктурированную информацию об сбоях или наблюдения в рабочем задании. Чем больше доступной информации, тем более предписывающими вы сможете прогнозировать отказы.

Организации, которые лучше всего умеют собирать метаданные об отказах, внедряют передовые методы обеспечения надежности в свою корпоративную культуру. Например:

  • Анализ режимов и последствий отказов (FMEA) активно оценивает оборудование и компоненты на предмет риска отказа и систематизирует потенциальные причины и последствия.
  • Анализ первопричин сбоев (RCFA или RCA) реактивно оглядывается на сбои, чтобы определить основные причины и документировать, как предотвратить их в будущем.
  • Анализ критичности служит для определения и приоритизации оборудования и систем, наиболее важных для бизнеса, а также для согласования усилий по обслуживанию и восстановлению, а также усилий по сохранению данных об отказах.

База знаний, почерпнутая из этих ценных упражнений, поддерживает предписывающие рекомендации по действиям по техническому обслуживанию и постоянному совершенствованию методов обеспечения надежности. В сочетании с машинным обучением они обладают огромным потенциалом для повышения надежности и смягчения последствий старения рабочей силы и старения оборудования. Те, кто решит сделать инвестиции, должны стремиться к высоким целям и сделать сохранение данных об отказах основным приоритетом.

Вы нашли эту статью интересной? Для получения дополнительной информации посетите наш блог: Physics, Machines, and Data.

Автор Джон Херлокер

Джон — опытный технолог и опытный руководитель как в сфере локального корпоративного программного обеспечения, так и в сфере потребительского SaaS. На своих предыдущих руководящих должностях он был вице-президентом и техническим директором бизнес-подразделения VMware по управлению облачными средами, которое приносило VMware 1,2 млрд долларов в год. Среди других должностей — технический директор Mozy и технический директор подразделения облачных услуг EMC. Как соучредитель Tignis, Джон является опытным предпринимателем, основавшим две другие стартап-компании. Свой последний стартап, Smart Desktop, он продал корпорации Pi в 2006 году. Джон в прошлом был штатным профессором компьютерных наук в Университете штата Орегон, а его широко цитируемая научно-исследовательская работа была удостоена престижной премии ACM Software System Award 2010 за вклад в развитие области рекомендательных систем. Джон имеет докторскую степень. в области компьютерных наук Университета Миннесоты и степень бакалавра наук. по математике и информатике в Колледже Льюиса и Кларка.