CP v2

Tag: Prognozinė priežiūra

  • DI pramonėje: mažiau triukšmo, daugiau naudos – kodėl rezultatą lemia duomenys, žmonės ir technologija

    Dirbtinis intelektas pramonėje vis dažniau vertinamas ne kaip madinga naujovė, o kaip konkretus įrankis aiškioms problemoms spręsti. Gamybos įmonės DI taiko anomalijų aptikimui, prognozinei kokybės kontrolei ir įrenginių būklės stebėsenai, kai tai tiesiogiai mažina nuostolius ir prastovas.

    Praktika rodo, kad didžiausią grąžą DI duoda ten, kur procesai generuoja daug patikimų matavimų, o sprendimo sėkmę galima pamatuoti eurais, laiku ar broko sumažėjimu. Tokiais atvejais DI padeda greičiau pastebėti nukrypimus, sumažinti energijos švaistymą ir tiksliau prognozuoti, kada įrenginiui reikės priežiūros.

    Trys ramsčiai: duomenys, žmonės, technologija

    Efektyvų DI diegimą dažniausiai nulemia trys dalykai: duomenys, žmonės ir tinkamai parinkta technologija. Jei duomenys renkami nenuosekliai, jutikliai nesukalibruoti, o istorijoje daug spragų, net ir pažangiausias modelis duos abejotinus rezultatus.

    Pramonės skaitmenizacijos tyrimuose dažnai kartojasi ta pati problema: įmonės panaudoja tik dalį turimų duomenų, nes jie būna išbarstyti skirtingose sistemose arba netinkami analizei. Todėl dar prieš DI projektą neretai tenka sutvarkyti duomenų srautus, susitarti dėl rodiklių apibrėžimų ir užtikrinti kokybės kontrolę.

    „Dirbtinis intelektas yra toks geras, kokie geri yra duomenys, kuriais jis remiasi“, – sakė Marek Zamojski.

    Ne mažiau svarbus ir žmonių vaidmuo. Patyrę operatoriai bei procesų inžinieriai dažnai pastebi artėjančius gedimus iš garso, vibracijos ar darbo ritmo dar prieš tai, kai tai aiškiai užfiksuoja rodikliai, o DI sprendimams jų žinios reikalingos interpretacijai ir teisingam sprendimų priėmimui.

    Kada prognozinė priežiūra atsiperka?

    Prognozinė priežiūra dažnai įvardijama kaip vienas patraukliausių DI scenarijų, tačiau ji ne visada ekonomiškai pagrįsta. Jei įranga paprasta, o gedimų kaina maža, užtenka būkle paremto aptarnavimo arba įprastų planinių patikrų be sudėtingų modelių.

    Kai kuriuose projektuose didžiausia kliūtis yra ne programinė įranga, o matavimo infrastruktūros kaina. Jei norint sukurti patikimą prognozę reikia brangiai apmatuoti visą mazgą, investicija gali prilygti alternatyvai, pavyzdžiui, atsarginės įrangos įsigijimui ar kritinių dalių sandėliavimui.

    „DI diegimas nėra principas pirkau ir jis išspręs visas problemas. Reikia scenarijaus ir aiškaus klausimo, į kurį norime atsakyti“, – sakė Marek Zamojski.

    Darbuotojų baimės ir pokyčių valdymas

    Diegiant DI pramonėje dažnai išryškėja ir žmogiškasis faktorius: dalis darbuotojų nerimauja, kad sprendimai nuvertins jų patirtį arba ilgainiui pakeis jų vaidmenį. Todėl įmonėms svarbu nuo pradžių aiškiai komunikuoti, kad DI yra pagalbinė priemonė, o ne automatinis darbo vietų mažinimo planas.

    Praktiniai pavyzdžiai rodo, kad geriausiai veikia projektai, kuriuose operatoriai ir inžinieriai įtraukiami į problemos formulavimą. Kartais būtent cecho darbuotojai pirmieji įvardija paprastus, bet lemiamus parametrus, pavyzdžiui, drėgmę ar temperatūrą, o DI vėliau padeda šią patirtį paversti skaičiais ir taisyklėmis, tinkančiomis visai gamybai.

    Galiausiai DI pramonėje tampa brandesnis tada, kai jis vertinamas pragmatiškai: ne pagal pažadus, o pagal matuojamą efektą. Jei tikslas aiškus, duomenys patikimi, o komanda supranta procesą, DI gali tapti konkurencinio pranašumo dalimi, tačiau kai kuriais atvejais racionaliausias sprendimas yra jo atsisakyti.

  • DI pramonėje: laikas pragmatizmui – kodėl rezultatus lemia duomenys, žmonės ir technologija

    DI pramonėje dažniausiai vertinamas ne kaip madinga naujovė, o kaip praktinis įrankis, padedantis aptikti įrangos ar proceso anomalijas, prognozuoti kokybės nukrypimus ir didinti gamybos efektyvumą. Didžiausia vertė atsiranda ten, kur sprendimai tiesiogiai mažina prastovas, broką ir energijos sąnaudas.

    Ekspertai pabrėžia, kad sėkmingą diegimą lemia trys dalykai: duomenys, žmonės ir tinkamai parinkta technologija. Jei bent viena grandis silpna, DI projektas gali tapti brangiu eksperimentu, kuris neduoda apčiuopiamų rezultatų.

    Duomenys: kokybė svarbiau už kiekį

    Pramonėje duomenų netrūksta, tačiau jų kokybė, struktūra ir prieinamumas dažnai tampa didžiausia kliūtimi. Praktikoje dalis įmonių panaudoja tik nedidelę dalį turimų duomenų, nes trūksta aiškios duomenų strategijos, standartų ir integracijų tarp įrenginių, sensorių bei IT sistemų.

    DI modeliai ypač jautrūs netikslumams: klaidingi matavimai, nepažymėti sustojimai ar pasenę parametrai gali iškreipti prognozes. Todėl prieš diegiant DI dažnai tenka investuoti į duomenų surinkimo tvarką, sensorių patikimumą, duomenų žymėjimą ir vieningą metrikų apibrėžimą.

    Žmonės: patirtis, kurios DI nepakeičia

    Net ir geriausi algoritmai neveiks be žmonių, kurie supranta procesą ir gali paaiškinti, ką iš tiesų reiškia konkretus nuokrypis. Patyrę operatoriai ir proceso inžinieriai neretai iš klausos, vibracijos ar darbo ritmo pastebi artėjančias problemas dar iki joms atsispindint duomenyse.

    Įmonėms svarbu šią patirtį ne ignoruoti, o ją „įdarbinti“: aprašyti taisykles, susieti su matavimais, kartu su komandomis nuspręsti, kokius gedimų scenarijus verta prognozuoti. Praktinis DI diegimas tampa bendru projektu tarp gamybos, automatikos, IT ir duomenų analitikų.

    Kada prognozinė priežiūra neapsimoka?

    Prognozinė priežiūra dažnai pristatoma kaip vienas patraukliausių DI pritaikymų, tačiau ekonomika čia ne visada palanki. Jei įrangos apmatavimas ir integracija kainuoja tiek, kad už tą pačią sumą galima įsigyti atsarginį įrenginį ar sustiprinti planinę priežiūrą, DI sprendimas gali neturėti prasmės.

    Tokiais atvejais racionaliau rinktis paprastesnius metodus, pavyzdžiui, būklės stebėseną pagal aiškius slenksčius arba reagavimą į gedimus, kai rizika ir kaštai yra valdomi. Sąmoningas sprendimas atsisakyti DI gali būti toks pat profesionalus, kaip ir sprendimas jį diegti.

    Atskira tema yra darbuotojų nerimas dėl DI: baimė prarasti darbą ar būti „pakeistiems“ algoritmais vis dar stabdo projektus. Veikiausiai geriausias vaistas čia yra skaidrumas, mokymai ir realūs pavyzdžiai, kai DI tampa pagalbininku, o ne pakaitalu, pavyzdžiui, greičiau identifikuoja broko priežastis ar leidžia anksčiau pastebėti žaliavų kokybės pokyčius.

    Pramonės įmonėms, planuojančioms DI diegimą, vis dažniau patariama pradėti nuo konkretaus verslo klausimo ir aiškaus naudos matavimo, o ne nuo technologijos pasirinkimo. Kai tikslas apibrėžtas, lengviau nuspręsti, kokių duomenų reikia, kokias kompetencijas telkti ir ar DI šiuo atveju apskritai duos geriausią grąžą.