予知保全の成功は、アルゴリズムや資産ではなく、ユーザーに関するものです。

経験豊富なメンテナンスエンジニアは、彼らが世話をしている機械の詳細な精神像を持っています。彼らは、ガタガタバルブが故障が差し迫っていることを意味する場合、または次に予定されているシャットダウンまでそれを無視しても安全な場合を知っています。自動予知保全システムがこの知識のプールを活用できる場合、優先する保守活動を決定する必要があるユーザーに可能な限り最高のサポートを提供することを学ぶことができます。

予知保全へのユーザー中心のアプローチでは、保守チームは、過去に有用であるとわかったことに基づいて、その情報が有用であるとシステムが判断した場合にのみアラートを受け取ります。

これは、NetflixやAmazonなどのデジタルコンテンツプロバイダーが、各ユーザーが視聴することを選択したものに関する情報を定期的に保存する場合と少し似ています。彼らはそれを使用して、フィードバックに応じて各ユーザーに継続的に表示する映画を洗練する「レコメンデーションエンジン」を駆動できます。

これは、ユーザーが監視しているアセットで何が起こっているかに加えて、ユーザーの行動をモデル化して理解し、最も必要な場所にユーザーの注意を向けるために、Senseyeで採用しているアプローチです。

図1：状況に応じた高品質の状態監視データが豊富な環境では、デジタルツインアプローチのように、資産を完全に監視できます。ほとんどの工場環境は ローコンテキストなどのモデル ユーザーの関心は、予知保全ソフトウェアの有効性を向上させることができます

予測の力（および制限）

ガラガラと音を立てる機械に固定された鉄の棒を使用して、ギアボックスが次の予定されたメンテナンス間隔の前にサービスを必要とするかどうかを理解することから、高度な自動ソフトウェア監視システムまで、すべての予知保全イニシアチブは、オペレーターが問題が発生しているときを特定するのに役立ちます。主な目的は、コストのかかる計画外のダウンタイムにつながる故障を防ぐために、問題を早期に報告することです。多くの場合、生産性の向上と保守計画に関連する他の利点もあります。

「デジタルツイン」の概念は現在特に人気がありますが、この数学的モデリングアプローチのマーケティングは、これらの「ツイン」と対話することを意図したユーザーとそれが彼らにとって何を意味するのかについてほとんど言及していません。各アセットの「デジタルツイン」には、ユーザーが複雑なデジタル環境で快適に作業できることも必要です。しかし、ユーザーのニーズにさらに焦点を当てた別のアプローチがあります。

多くの障害により、機械データに明確な信号または「指紋」が残り、現在市場に出回っている主要な予知保全ソフトウェアは、専用の状態監視データからより一般的なプラントデータまで、幅広い入力を受け入れることでそれらを見つけることを学ぶことができます。これらのシステムは、問題がある可能性があることを示すパターンまたは特性信号を理解できます。場合によっては、十分なデータがあれば、各資産の残りの耐用年数（RUL）を計算することもできます。これは予後と呼ばれる手法です。

これらの予知保全システムのほとんどは、工場または工場のフロアからの限られたデータで動作し、事前に設定されたしきい値に違反するとアラームをトリガーします。たとえば、何かが熱くなったり振動したりしたときにユーザーに警告する場合がありますが、詳細な診断を行うのに十分な情報がない可能性があります。

言い換えれば、システムはアラームを発することによって「アドバイス」することができますが、いつ行動するかを決定するための経験と専門知識を持っているのはユーザーだけです。重要なのは、ユーザーが簡単に圧倒される可能性があるため、一度に多くのマシンが監視されている環境で状況を管理することは非常に難しいことです。予知保全の課題は、「データの問題を特定できるか」ではなく、「ユーザーが関心を持っているものを特定できるか」です。

ユーザーを気にするのは誰ですか？

アラートを発するときに、ユーザーがボタンを押すだけでそのアラートが役立つかどうかを示すことができることが重要だと考えています。時間の経過とともに、これはシステムに、最も差し迫ったメンテナンスの優先順位にオペレーターの注意を向けるように教えます。これは自動的に行われるため、オペレーターはデータ分析の専門知識を必要としません。

言い換えれば、データ分析に対するSenseyeのユーザー中心のアプローチは、ユーザーの応答をモデル化することによって注意を導きます。 Senseyeのソリューションとユーザーの間のこのフィードバックループは、アラートの数が徐々に減少し、ユーザーに指示するほとんどすべてが役立つ安定したレベルに達することを意味します。

高度な分析から得られた実証済みの結果–マシンとメンテナ向け

データ分析とは、大量のプラントデータからパターンを検索することです。たとえば、Senseye PdMの背後にある独自のアルゴリズムまたはパターンエンジンは、潜在的な故障に先行する特徴的な動作を特定し、独自のアテンションインデックスを使用してアラートをトリガーするように設計されています。いくつかのタイプのパターンがアテンションインデックスアラートをトリガーする可能性があります。異常は不安定なデータの期間であり、傾向はベースラインの段階的な変化であり、違反はユーザーが指定できるしきい値またはルールを超えています。

しかし、この独創的なデータ分析はすべて、ユーザーに真のビジネス上のメリットをもたらさない限り、何の意味もありません。ありがたいことに、Senseye PdMは、さまざまな業界で生産性の約束を果たしてきた確かな実績があります。既存のお客様は通常、ダウンタイムが50％削減され、生産性が55％向上し、メンテナンスの精度が85％向上します。

さらに、Senseye PdMは、SenseyeのROILock®保証にも支えられています。SenseyePdMを導入しても、事前に合意した計画外のダウンタイムを削減できない場合、顧客はサブスクリプション料金全体の払い戻しを請求できます。

メンテナンスユーザーのモデル化方法とユーザーが監視するアセットについて詳しく知りたい場合は、SenseyePdMの詳細なホワイトペーパーをまとめました メンテナンスの取り組みを、彼らが最も効果を発揮する場所に向けることができます。詳細については、以下の詳細なホワイトペーパーをダウンロードするか、連絡してください デモを見て始めましょう！