データサイエンスから真のビジネス価値を引き出す

産業資産の状態と保守要件を予測することによって故障を防ぐことは、大きな課題です。データサイエンスの世界は、現実の環境で結果を出すのに苦労しているモデルでいっぱいです。では、最善のアプローチは何ですか？

理論と実践

理論的には、理論と実践は同じです。実際にはそうではありません。これは、産業資産のモデルを、製造現場で改善をもたらす実用的な洞察に変換しようとする場合ほど真実ではありません。データサイエンスに関する学術論文には、特定のアルゴリズムが他のアルゴリズムを1〜2パーセント改善する方法を示す分析が含まれている場合がありますが、工場環境では、ノイズの多い信号を切り取ってパターンを明らかにするのは難しい場合があります。

しかし、これは、DIYモデルの開発者が、予知保全やその他のビジネス成果を可能にすることを望んでいる場合に克服しなければならない最初の大きな障害にすぎません。実世界の条件下で機能する堅牢なモデルを開発することに成功した人は、すぐに次の大きな問題に直面します。開発だけでなく、有用なモデルを展開する必要があります。

展開とは、当然、モデルを大規模に実行することを意味します。ただし、さまざまなグループがアラートに優先順位を付けたり、フィードバックを収集したりできるようにすることで、結果をわかりやすく表示し、ユーザーを満足させるインターフェースを提供することも意味します。主要なプラントで20,000台のロボットが稼働している場合、それらすべてのインタラクティブなチャートを表示するためのユーザーインターフェイスを展開することさえ、簡単なことではありません。実際、DIYモデラーは通常、実際にやろうとしているのは独自のアプリを開発することだと考えています。これは非常にリソースを消費し、コストがかかる可能性があります。

専門家に聞く

これらの理由から、ほとんどの場合、専門のプロバイダーとチームを組み、独自のデータサイエンスの専門知識と、製造現場のユーザーが必要な情報に簡単にアクセスできるようにするために必要な展開サポートを完備することをお勧めします。企業は、独自のカスタムモデルが、サプライヤによって生成された一般的なアルゴリズムよりも優れたパフォーマンスを発揮できると考えるかもしれません。ただし、違いはほとんどの場合わずかであり、単独で行うことのマイナス面がはるかに上回る可能性があります。

たとえば、Senseyeの予知保全ソリューションで使用されるモデルであるSenseye PdMは、多くの場合、カスタムモデルと同等であり、さらに優れたパフォーマンスを発揮します。その独自の機械学習アルゴリズムは、データを製造資産の残存耐用年数（RUL）の正確な予測に変換します。これは予測と呼ばれる手法です。

Senseye PdMが日常的に期待を上回っている理由の1つは、同じメーカーとモデルであっても、アルゴリズムがすべてのマシンを一意として扱うためです。同じように起動するマシンは、直接の環境の違いや実行中の作業によって、時間の経過とともに動作や摩耗が異なります。各アセットを独自の「動作フィンガープリント」を持つ個人として扱うことで、Senseye PdMの予測の精度が大幅に向上し、稼働時間を最大化するために本番アセットを担当するチームをより適切にサポートします。

試行錯誤されたアルゴリズムの実証済みのパフォーマンスを提供するだけでなく、Senseyeと提携することで、堅牢なパフォーマンス、スケーリング、展開、使いやすさ、セキュリティに関するすべての付随する頭痛の種を取り除きます。

潜在的なユーザーがすでにカスタムモデルを開発していて、それを使用したい場合、SenseyeはAPIを介してそれをシステムに統合できます。カスタムモデル自体がSenseyePdMに統合されていない場合でも、ソリューションはカスタムモデルからの結果を有用な入力として受け入れることができます。

ただし、Senseyeが独自の高度な汎用アルゴリズムを展開することは依然としてはるかに一般的です。 Senseyeのデータサイエンティストは、私たちが望む方法ではなく、現実の世界をそのまま扱うことに重点を置いているため、最もノイズの多いデータ環境でもモデルは非常に堅牢です。

ユーザーが予知保全と予知保全の実装を目指している場合、この堅牢なアプローチは、障害からデータをキャプチャするときに特に重要です。比較的混沌とした瞬間に、システムが接近している障害を識別し、資産が再び障害を起こす前にアラートを発することができるように、ノイズの下から意味のある情報を抽出することが重要です。

共同作業

外部の専門知識を取り入れることは、状態監視と予知保全のためのモデルを展開するための最もリソース効率の高い方法ですが、ユーザーは一般的なデータモデルを最大限に活用する上で重要な役割を果たします。

まず、一般的なモデルを展開するときは、常に学習曲線があります。たとえば、Senseye PdMは最初に結果を出すのに14日かかり、通常の運用条件下での各資産の固有の動作の「指紋」を構築します。

状態監視スペシャリストや機械エンジニアを含むお客様チームの社内の専門知識と経験をテクノロジーエキスパートと組み合わせることで、このプロセスに取り入れることができます。これにより、Senseyeはシステムを事前に構成して、ユーザーが最も関心のあるデータやイベントの一部に優先順位を付けることができます。 。これにより、アルゴリズムの初期学習プロセスがスピードアップします。長期的には、定期的なフィードバックのシステムにより、アルゴリズムは、どのイベントやトレンドがユーザーにとって重要で、どれが無関係であるかを把握することができます。これは、時間の経過とともに各マシンの動作をより正確に予測するために徐々に適応する汎用モデルを展開する場合に役立ちます。

実際の結果

正しく理解すれば、ビジネス上のメリットは非常に印象的です。 Senseye PdMは通常、計画外のマシンのダウンタイムを50％削減し、メンテナンススタッフの生産性を55％向上させ、ダウンタイムの予測精度を85％向上させます。

通常、これらの利点をカスタムアルゴリズムと一致させるのは難しいため、実際の結果を達成するには、傑出したアプローチを強くお勧めします。

詳細については、ホワイトペーパー「 Harness ThePowerofPrediction」をご覧ください。 または、ROI Calculatorを試して、どのようにメリットが得られるかを確認してください。