A prediktív karbantartás ma már nem futurisztikus technológia. A megfelelő adatok és elemzési módszerek, Machine Learning, Deep Learning és Reinforcement Learning már rendelkezésre állnak és a segítségükkel a vállalatok képesek a berendezések állapotváltozásainak felismerésére, a meghibásodási kockázat korábbi azonosítására, ezáltal a nem tervezett állásidő, a karbantartási költségek és bizonyos esetekben a minőségi problémák csökkentésére.
A szakirodalomban és az oktatási anyagokban a módszertan sokszor viszonylag egyszerűen felépíthetőnek tűnik: adatgyűjtés, adattisztítás, jellemzők kiválasztása, modellépítés, validáció, majd a modell alkalmazása. Elméletben ez valóban egy jól követhető folyamat.
A gyártási környezetben azonban egészen más a helyzet.
Egy valódi projektben ritkán áll rendelkezésre tökéletesen strukturált, megfelelő mennyiségű és egyenletes minőségű adat. A gépekből származó adatok eltérő formátumúak lehetnek, hiányozhatnak bizonyos időszakok, változhat a mintavételezés, nem minden esemény kerül megfelelően dokumentálásra, és sok esetben még az sem egyértelmű, hogy pontosan melyik adat milyen kapcsolatban áll a vizsgált hibával.
Ráadásul az ipari adatok egyik sajátossága, hogy a valódi meghibásodásból általában jóval kevesebb áll rendelkezésre, mint normál működésbőlm így egy skewed adatminta keletkezik. Sok IT cég által készített megoldás itt mond csődöt, mert elemzés és kutatás helyett egy fix megoldással érkeznek. Ezért egy prediktív karbantartási projektben az egyik legfontosabb feladat nem maga az algoritmus kiválasztása, hanem annak megértése, hogy valójában milyen információ rejlik a rendelkezésre álló adatokban.
Lehet, hogy egy fontos paraméter egyáltalán nem áll rendelkezésre. Lehet, hogy rendelkezésre áll, de nem megfelelő felbontásban. Előfordulhat, hogy egy adat önmagában nem informatív, viszont egy másik paraméterrel együtt már jelentős összefüggést mutat. És az is megtörténhet, hogy az első elemzések alapján feltételezett kapcsolat a valós gyártási környezetben egyszerűen nem igazolódik.
Itt kezdődik az elméleti prediktív modellből valódi ipari projekt.
Egy sikeres prediktív karbantartási projekt ezért nem pusztán egy jól működő ML modell létrehozását jelenti. Szükség van az adatok és a gyártási folyamat ismeretére, megfelelő adatminőségre, a gép működésének megértésére, a hibák pontos definiálására, valamint arra is, hogy az elemzés eredménye ténylegesen beépíthető legyen a karbantartási döntésekbe. Éppen ezért az egyik legfontosabb, hogy az adattudományi csapat és a folyamaton tevékenységet végző csapat együtt dolgozzon a probléma keresésben és a megoldásban, ami nem kis menedzsmenti feladat.
Mi egy ilyen projektet kezdtünk el, és nem egy tankönyvi példát szeretnénk most felhozni, ahogy sok cikk és cég teszi ilyenkor, hanem szeretnénk megmutatni a projekt gyakorlati oldalát midkét csapat szempontjából.
A következő cikkben azt mutatjuk majd be, milyen problémákkal találkoztunk egy valódi ipari prediktív karbantartási projekt során, milyen adatminőségi és módszertani kihívásokkal kellett megküzdenünk, és hogyan próbáltuk az elméleti megközelítést működő gyakorlati megoldássá alakítani.
Mert a prediktív karbantartás valódi értéke nem akkor jelenik meg, amikor egy modell 95%-os pontosságot mutat egy tesztadatbázison, hanem akkor, amikor a gyártósoron is képes értelmezhető jelzést adni egy olyan problémáról, amely még nem következett be!
