五项指导原则可以帮助设备原始设备制造商和工业设备用户设计一个成功的数据驱动的维护转型，从他们的设备产生的数据中提取全部价值，Adrian Bostock 认为，今天的工业环境是一个数据仓库，许多设备正在生产由于越来越多的传感器和基础设施可以捕获和收集数据，因此可以获得有关他们工作方式的大量信息。大多数公司在收集这些数据方面做得很好，可以弄清楚发生了什么，但接下来呢？许多原始设备制造商 (OEM) 正在将数据捕获和收集功能整合到他们的设备中，而其他制造商正在使用数据存储库和高级分析层来补充此架构。尽管可以访问这些数据，但要从中提取全部价值——特别是降低总成本所有权 (TCO) 和计划外停机的影响 &n短跑;仍然需要迈出大步。同样，在他们的工业客户中有广泛的最终用户。早期采用者已经确定哪些价值驱动因素最重要，并使用传感器来定义维护制度以最大限度地减少 TCO 和损失，而其他拥有大量遗留资产池的公司尚未开始评估可以从数据中提取的价值或投资于试点以发现和扩展数据驱动的收益。在许多情况下，当火灾突然发生时，维护人员仍然不得不跳进去扑灭火灾。那么，当数据的价值在于未来的运营时，为什么还要关注描述过去的数据呢？这就是机器学习 (ML) 和人工智能 (AI) 的用武之地：ML/AI 可以根据许多历史数据发现导致故障的模式，由于影响设备健康的变量数量众多，人类无法检测到这些数据.领先的 OEM 及其工业客户使用这些技术来预测故障和压力cribe 解决方案，例如优化更换预算分配或避免昂贵的维修工作。通过结合预测的故障可能性、故障成本和预防性工作成本，可以在被动维护和主动维护之间取得平衡，以最大限度地减少 TCO 和故障成本的总和。尽管有这些分析方面的进步，但大多数工业公司仍在苦苦挣扎掌握由计划外停机、吞吐量低、交货延迟、库存过多和质量问题导致的 TCO 和故障成本，这些问题会增加运营成本并影响销售。方法没有明确说明故障和停机的根本原因 – 导致缺乏对其工业设备性能的问责制和权威，同时多个维护承包商的复杂成本一直在增加。
是时候了收回对设备的控制权
为了使最终用户在其行业中具有竞争力，他们需要能够准确预测其设备未来的性能，而不仅仅是过去的性能。最先进的预测性维护可以应对这一挑战并创造三个强大的优势。首先是在不影响资产可用性和吞吐量的情况下降低总拥有成本 (TCO)。 ML 和 AI 可以处理来自当今工业设备的大量数据——创建可用于预测和维护资产健康状况的信息，并允许按计划进行检查、维护、更换和维修，从而最大限度地减少对资产的影响设备的可用性或吞吐量。其次 – 运营和供应的稳定性更高。每个公司都希望他们的设备尽可能健康。在这种情况下，生产更可预测，客户订单更多rs 可以按时交货，需要的备件更少，加急订单也更少。最后，与供应商、客户和员工建立更好的关系。更稳定运营的好处超越了工厂的四壁，包括更高的客户满意度以及与设备和维护服务供应商更好的关系，鉴于当今日益稀缺，这一点变得越来越重要熟练的工程师。此外，更稳定的资产意味着员工可以花更多时间寻找提高设备性能的方法，而不是回头找出失败的原因——创造创新文化。启动数据驱动维护策略的五种方法
从传统的基于假设的反应性维护转变为数据驱动的预测性维护并非易事。大多数组织都启动了具有少量资产的试点计划，但很少有人设法扩展它以获取全部价值跨越所有网站。专注于创造价值和识别最重要的资产。从运营的价值驱动树开始，确定在涉及总拥有成本和避免计划外停机等因素时哪些资产最重要。评估数据的粒度和稳健性。来自您设备的数据是否真的为您提供了可用于做出不同决策的信息？例如，它是否区分计划维护活动和被动维护活动？数据收集的方式是否公正？迭代、优化和扩展。大处着眼，小处着手，快速扩展。采用敏捷方法，使用可以开发弹性解决方案的多学科团队。采取多次迭代的小步骤。从第一天开始就力求完美几乎肯定会以失败告终。让各级利益相关者参与进来。最成功的数字和分析转型是从高层领导的合作伙伴关系——从最p— 并由车间执行。改进您的数据架构。制定模型、政策、规则和标准来管理收集哪些数据、如何安排和集成数据以及在何处使用这些数据。应用这些原则将增加您的数据驱动之旅取得成功的机会，从而获得尊重的竞争地位TCO、供应链稳定性和关系。这是一段旅程，而不是一个项目，它将嵌入一种新的工作方式，需要不同的思维方式、技能组合和工具组合。它将使您的组织能够专注于提高未来的绩效，这一特征将吸引最优秀的人才。文章由伦敦负责人 Adrian Bostock（[电子邮件保护]）、伦敦合伙人 Antti Kautovaara（[电子邮件保护]）和阿姆斯特丹合伙人 Ernst van Duijn（[电子邮件保护]）共同撰写。有关更多信息，请访问 KearneyFor更多来自制造商的信息，请单击此处所有图片均由 Kearney 提供
