כיצד לשפר את ניהול מחזור החיים באמצעות החלטות המונעות על ידי נתונים

ניהול מחזור חיים של ציוד (ELM) כולל את כל המסע של נכס מרכישה באמצעות ניתוח, תחזוקה, וסילוק בסופו של דבר. ארגונים שלוקחים גישה תגובתית - תיקון ציוד רק לאחר שהוא פורץ - לעתים קרובות מול עלויות פחת בלתי צפויות, ניתוק עלויות תיקון, וקצרו תוחלת חיים של נכסים.

הבנת מחזור החיים של הציוד

כל חלק של ציוד תעשייתי עובר דרך שלבים נפרדים.פעולות ניהול שבוצעו במהלך כל שלב משפיעות ישירות עלות הבעלות הכוללת (TCO).

• (ב) ⁇ :0) , ⁇ : 1FLT (החל את הנכס הנכון על בסיס דרישות ביצועים, עלות ראשונית ושמירה לטווח ארוך.
• (ב) ,0) הקצאה: 1.10.1 התקנה נכונה, קלביישן, ובדיקות ראשוניות להקמת נתוני ביצועי בסיס.
• (ב) ,0) מבצע:ראהFLT:1 (שימוש יומיומי בפרמטרים מעוצבים, מעקב אחר יעילות ולבוש.
• (ב) ⁇ :0) ,התמדה: 1 (ה) פעולות ממושכות או מבוססות תנאים לשימור תפקוד ולמנוע כשלון.
• (ב) ⁇ :0) ⁇ : ⁇ : ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

החלטות המונעות על ידי נתונים משפרות את התוצאות בכל שלב.לדוגמה, אפשרויות רכישה ליהנות מניתוח של כשל היסטורי של מודלים דומים. במהלך המבצע, זרמי חיישן יכולים לנסח דגל לפני שהוא הופך להתמוטטות.ובסופו של דבר, נתונים על ערך השגרה עוזרים להחליט אם להגזמה או להחליף.

מקורות נתונים עיקריים לניהול ציוד מודרני

כדי לבנות בסיס נתונים חזק, ארגונים חייבים ללכוד מידע ממקורות מרובים.כל אחד מספק עדשה שונה על בריאות נכסים וביצועים.

חיישן ו-IoT

חיישנים של Internet-of-Things (IoT) מודדים פרמטרים כגון רטט, טמפרטורה, לחץ, זרימה וזרם חשמלי זרם זרם סטרימינג רציף מאפשר ניטור מבוסס מצב, שבו תחזוקה מופעלת על ידי מצב ציוד בפועל ולא לוח שנה קבוע.

תחזוקה והזמנות עבודה רשומות

יומני היסטורי של תיקונים, חלק תחליפים, הערות טכנאיות, ואירועים בזמניות יוצרים נקודת נתונים עשירה.כאשר מובנה ותויגו באופן עקבי (למשל, על ידי מזהה ציוד, קוד כשל ופעולה מתקן), רשומות אלה תומכים בניתוח מצב כישלונות והנדסה אמינות.

מידע תפעולי והפקה

לוחות הזמנים של הייצור, פרופילי עומס, שעות ריצה, וספירת מחזור תואמות ישירות עם לחץ נכסים.שלב נתונים אלה עם קוראי חיישן מסייע להבחין בין ללבוש רגיל לבין אנומליות שנגרמו על ידי עומס יתר או שימוש לרעה.

מידע סביבתי וקונטקסטואלי

גורמים חיצוניים כגון טמפרטורה, לחות, רמות אבק ואפילו דפוסי שינוי המפעילים יכולים להשפיע על ההידרדרות בציוד. integrating מזג האוויר ונתונים בתנאי המתקן משפרים את הדיוק של מודלים חיזוי.

בניית אסטרטגיית ELM של Data-Driven ELM

איסוף נתונים לבד אינו מספיק.הערך נובע משינוי מידע גולמי לתובנות ניתנות לפעולה באמצעות ניתוח, הדמיה ומסגרות החלטה.

תחזוקה חיזוי

תחזוקה חיזויית (PdM) משתמשת במודלים סטטיסטיים ואלגוריתמי למידת מכונה כדי לחזות את ההסתברות של כישלון בחלון זמן נתון.לא כמו תחזוקה מונעת, אשר עוקב אחר לוח זמנים קבוע ולעתים קרובות לבזבז משאבים, PdM מבצע תחזוקה רק כאשר יש צורך. גישות נע בין אזהרות סף פשוטות (למשל, טמפרטורה עולה על 90 מעלות צלזיוס) לניתוח הישרדות מורכב ורשתות עצביות.

המונחים:

ניטור מבוסס מצב (CBM) מבוסס על נתוני חיישן בזמן אמת כדי להעריך את בריאות הציוד.חששות מופעל כאשר הפרמטרים חוצים סף מוגדר מראש.גישה זו יעילה במיוחד עבור מכונות רוטטציה (אופנועים, משאבות, דחיסים) ונכסים שבהם השלכות כשל גבוהות, כגון מערכות קריטיות בטיחות. Best כרוך הצבת הן ערנות והן סף אזעקה, עם פרוטוקול תגובה הסלמה.

ניתוח עלויות מחזור ואופטימיזציה חלופית

נתונים על עלויות תחזוקה, תדרי כישלונות, וערך הלינה מזין לתוך מודלים של מחזור חיים (LCC) מודלים אלה לחשב את הנקודה האופטימלית להחליף נכס - הגיל שבו ממשיך לשמור על זה הופך יקר יותר מאשר רכישת אחד.ארגונים באמצעות מודלים LCC בדרך כלל להאריך את חיי הנכסים עד 20-30% ללא סיכון מוגבר.

מדדי ביצועים מרכזיים ל- ELM

כדי לעקוב אחר התקדמות, ארגונים צריכים להגדיר ולהעריך את KPI שמחברים פעילויות תחזוקה לתוצאות עסקיות:

• (ב) ההרחבה של ציוד (OEE): שילוב של זמינות, ביצועים ואיכות.
• [01:0] זמן בין כשלים (MTBF): מידת האמינות.
• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0) העלייה בנכסים: FLT:1 עלויות ישירות ועקיפות הנרמלות על ידי ערך נכסים או תפוקת ייצור.
• (ב) [15] ,בחזרה על צו העבודה: 1FLT: 1) ,Indicate מספק יעילות הקצאת משאבים.

לוחות נתונים המונעים נתונים המציגים את ה-KPIs בזמן אמת מאפשרים למנהלים לזהות מגמות ולהתערב מוקדם.

טכנולוגיה עבור Data-Driven ELM

יישום אסטרטגיות אלה דורש ערימה טכנולוגית מגובשת היטב. בעוד ניהול נכסים ארגוני (EAM) ומערכות ניהול תחזוקה ממוחשבות (CMMS) כבר זמן רב, ELM מודרני גם מסתמך על פלטפורמות ניתוח, אגמים נתונים ושכבות אינטגרציה.

אינטגרציה נתונים ומרכזיזציה

נתונים של חיישנים, CMMS, ERP ופלטפורמות IoT חייבים להיות מאוחדים למקור אחד של אמת.מערכת ניהול תוכן ללא ראש או שער נתונים גמיש יכול לשמש שכבת תזוזה, פגיעה בתבניות פירוק ומאפשרת פגישות בזמן אמת. לדוגמה, פלטפורמה כמו FLT:0DirectusFLT:1 מאפשר לצוותים ליצור לוחות נתונים מותאמים אישית ו- API כי הם מושכים נתונים מרובים ללא כל כלי מסד נתונים משותפים.

Advanced Analytics and Machine Learning

כלים סטטיסטיים כגון ניתוח רגרסיה, יערות אקראיים, מודלים למידה עמוקה יכולים להיות מאומן על נתונים של כשל היסטורי כדי ליצור תחזיות. שירותי מבוסס ענן (למשל, AWS IoT Analytics, Azure Machine Learning) להפחית את המחסום לכניסה.עם זאת, הצלחה תלויה באיכות נתונים - גידול, אשפה בחוץ. ארגונים חייבים להשקיע בניקוי נתונים, תוויות, וממשל.

תאומים

תאום דיגיטלי הוא העתק וירטואלי של נכס פיזי המדמיינת את התנהגותו בתנאים שונים.על ידי האכלה של נתוני חיישן בזמן אמת לתוך התאום, מפעילי יכול להפעיל "מה אם" תרחישים - כגון הגדלת עומס או שינוי מרווחי תחזוקה - מבלי לסכן את הציוד בפועל.תאומים דיגיטליים הם בעלי ערך במיוחד עבור נכסים מורכבים, בעלי הון גבוה כמו טורבינות, מנועים, וקווי ייצור.

אתגרים משותפים

המעבר לגישה מבוססת נתונים אינו ללא מכשולים, הכרה בארגונים מוקדמים אלה בונה עמידות לתוכניות ELM שלהם.

איכות נתונים וסטנדרטיזציה

מוסכמות שמות לא עקביות, אינספור פעמים חסרות, שגיאות כניסה ידנית נתונים לערער את הניתוח.הפרקטיקות הטובות כוללות לכידת נתונים אוטומטיים, צ'מדמות מאוכפימות, וביקורת תקופתית.השקעה קטנה בממשלות נתונים משלמת דיבידנדים אקספוננציאליים דיוק מודל.

התנגדות תרבותית

אנשי טכנולוגיה ומנהלים שהתרגלו לתחזוקה תגובתית עשויים למנוע המלצות מונעות אלגוריתמים.ניהול שינוי – כולל הכשרה, תקשורת שקופה על מגבלות מודל, ולהציג ניצחונות מוקדמים – היא חיונית.הספקות צוותים להתגבר על תחזיות כאשר יש להם קשר יכול גם לבנות אמון.

מורכבות

חיבור מורשת PLCs, שערי IoT מודרניים, ופלטפורמות ענן לעתים קרובות דורשות אמצעי זהירות מותאם אישית.שימוש בפלטפורמת API-First עם schema גמישה מקטין את זמן האינטגרציה.זה חכם להתחיל עם שיעור נכסים יחיד או מיקום כטייס לפני קיצוץ רחב של הארגון.

מיומנויות Gap

מיומנויות מדע נתונים הן בקושי מחלקות תחזוקה. מהנדסי אמינות עם אנליסטים נתונים, או השקעה בכלים ללא קוד / קוד נמוך, יכול לגשר על הפער.ספקי תוכנה רבים מציעים כעת מודלים מנבאים מובנה הדורשים כוונון מינימלי.

מסקנה

ניהול מחזור חיים מונע נתונים אינו אופציונלי עוד לארגונים המתחרים על יעילות מבצעית.על ידי רתום חיישן, תפעולי והיסטורי נתונים, חברות יכולות להשתנות ממאבקי אש תגובתיים לאופטימיזציה פעילה.התשלום הוא מוחשי: חיי נכסים ארוכים יותר, הוצאות תחזוקה נמוכות, מופחתות, מופחתת זמן ותכנון הון טוב יותר.הטמעת אסטרטגיה מקיפה - אשר נלקחת בנתונים איכותיים, טכנולוגיה משולבת ותרבות של שיפור מתמשך - כל ערך מקסימלי למיצוי נכסים פיזיים.