成本节约常归结为意外故障避免,
美国制造底特律事件由Siemens电工公司共同赞助,Alexander Hill商业开发主管传感器预测维护西门子公司2022年购入的软件供应商同意那些说能避免意外停机并不是省钱,而是省钱制造者需要寻找真正的成本节约避免意外故障的储蓄是木币,因为用那些节支无法买到任何东西
实底线节减量证明资产情报支出有理以减少设备故障时间可量化节约成本和风险,提高可持续性,支持移动工人,更精确正确维护,并增加生产设备可用性,Hill表示
产生这种节余可归因于:
- 产品总制造成本的24%可归结为停机
- 90%维护工作危机修复故障
- 300%停机率报告不足,因为它快速修复
他补充道,计划外停机估计成本为每小时10 000美元至350万美元不等,视制造商规模和产品价值而定。
非大数据项目
Senseye资产情报方法涉及使用人工智能和机器学习自动预测分析各种机器,目的是使所得资产情报产生量化业务结果web软件使用ML基础和AI连接人维护输入以学习机器最重要的内容,Hill说 。高频监控数据时间序列数据取自感应器 定期测量一致性机态这些数据暴露机器退化并减少机械条件相关噪声
Hill补充道,通过Senseye方法的资产情报不是大数据项目,因为它查看非常特殊的数据。
senseye轨迹类型实例包括轴对流、输入输出压力和电机流单向数据推送Senseye
Senseye软件可连接各种传感器、资产或系统,典型结果为故障时间减少50%并增加30%3-6个月内维护效率
向低质量数据增值
Hill说道,“我们所处理的货币是人注意力”。多数人想谈机器健康, 常处理低容量低质量数据 驱动额外传感器支出获取更多或更好的数据Senseye使用AI/ML低质量数据增加值, 通过软件连接现有历史学家、计算机维护管理系统或MES实现数据最大化
Siemens表示,Senseye可直接由远程或商店楼层维护者使用公司称它是唯一预测维护应用 构建机器和用户行为模型允许AI与维护团队协同工作 增强知识与知识
汽车行业应用
Hill论文引用大底特律汽车制造商Senseye于2016年开工Hill说,“我们开始同他们合作处理数十件资产问题”。Senseye目前用于9家工厂超过2500件资产,超过100种不同资产类型
并说,在这个汽车制造厂中,三人团队启动项目仍然是所有需求,尽管公司使用Sensyee使用量大增
软件商都行预测维护 Hill说但要规模化,它必须是自动化-企业结果通过规模化实现Senseye使用AI分析数据是关键
组合资产数据与人工输入
Senseye使用AI匹配分析数据以突出哪些机器维护工应该集中关注和原因用户可以看到哪里有问题并输入数据 相关维护工作事件驱动AI
Hill说道,“它基于对企业很重要的东西-他们想存钱的地方”。senseye显示多少故障时间、人工成本、罚单等避免使用提供信息评估省省的实际成本 而不仅仅是避免成本
