Сокращение времени простоя с помощью инструментов искусственного интеллекта

Более четырех месяцевШесть необычных пассажиров ездят на поездах нью-йоркского метро. Их миссия - предотвратить катастрофы в метро. С раннего утра до поздней ночи эти пассажиры неустанно следили за каждой поездкой, фиксируя звуковые и вибрационные данные по всей обширной сети железных дорог города.

Эти добросовестные инспекторы были не людьми, а смартфонами Google Pixel. Установленные на поездах метро А, они передавали данные с датчиков в модели искусственного интеллекта, предназначенные для упреждающего выявления дефектов рельсов. Традиционные ручные проверки на 665-мильной железнодорожной сети оказались дорогостоящими, трудоемкими и не слишком эффективными. Однако в этом экспериментальном проекте, управляемом искусственным интеллектом, датчики правильно определили 92% дефектов, которые впоследствии были обнаружены человеческими инспекторами вручную.

Сайт эксперимент в метро пользовалась бешеным успехом. Она дает убедительное представление о том, как предиктивное обслуживание на основе ИИ может изменить самые разные отрасли, в том числе коммунальное хозяйство, транспорт и производство. Разумное использование ИИ может перевести управление операциями с реактивного пожаротушения на проактивное решение проблем. Однако, чтобы воспользоваться преимуществами, руководители должны преодолеть проблемы качества данных, интеграции и культуры.

Где традиционное обслуживание сходит с рельсов

Подходы к техническому обслуживанию, используемые для мониторинга различных активов (например, оборудования и инфраструктуры) в разных отраслях, как правило, не работают по трем основным причинам:

1. Неэффективные источники информации. В компаниях часто отсутствуют необходимые процессы, инструменты и обученный персонал для сбора точной, своевременной и актуальной информации о состоянии активов. Ручной ввод данных приводит к неполной, неточной или ненадежной информации. Это затрудняет прогнозирование отказов активов, что приводит к дорогостоящим незапланированным простоям.

2. Опора на племенные знания. Решения по техническому обслуживанию часто в значительной степени зависят от индивидуального опыта и интуиции, что приводит к непоследовательным результатам. Когда у квалифицированных технических специалистов случаются "неудачные дни", эффективность бизнеса значительно снижается. Кроме того, эти знания и опыт могут быть утрачены в результате смены поколений, поскольку бэби-бумеры уходят на пенсию, унося с собой десятилетия важнейших эксплуатационных знаний.

3. Проблемы, побуждающие операторов к действиям. Даже когда информация доступна, персонал на местах не всегда принимает меры. Часто это связано с недоверием к надежности сигналов или слабой интеграцией полученных данных в повседневные рабочие процессы, что может создать значительные препятствия для управления изменениями. Со временем люди могут потерять доверие к системам прогнозирования, что приведет к их нежеланию активно решать проблемы, выявляемые технологией.

Почему технология может решить эту проблему уже сегодня

Несколько технологических достижений создали условия для того, чтобы помочь руководителям решить эти проблемы и проложить путь к широкому внедрению предиктивного обслуживания.

1. Взрыв данных и датчиков IoT. Доступные по цене встраиваемые датчики теперь являются стандартом для многих активов, таких как блоки управления двигателями и дорогостоящее оборудование, оснащенное GPS-трекерами. В сочетании с непрерывным потоком данных в режиме реального времени через 5G и облачные технологии эти датчики позволяют получать точные показатели состояния активов в режиме реального времени.

2. Достижения в области искусственного интеллекта и алгоритмов. Модели машинного обучения могут надежно предсказывать сбои, обучаясь на основе исторических данных и адаптируясь к изменяющимся условиям окружающей среды. ИИ не ограничивается структурированными данными датчиков; он также отлично справляется с обработкой неструктурированных данных, таких как изображения, видео и аудио. Например, видеозаписи с камер на борту автомобилей или поездов могут предоставить богатый контекст реального мира, помогая ИИ см. вещей, значительно повышая производительность алгоритма.

3. Интеграция в рабочие процессы. Современные аппаратные и программные средства теперь легко интегрируются через API и конвейеры данных, что сводит к минимуму необходимость в ручном управлении. Такая интеграция может обеспечить прямое включение прогнозных данных в ежедневные рабочие процессы. Например, точные прогнозы могут запускать автоматизированные рабочие заказы на техническое обслуживание, которые проходят через систему для принятия мер человеком. Использование ИИ для минимизации ложных предупреждений и объяснения прогнозов повышает доверие операторов к алгоритмам и способствует их внедрению.

Предиктивное обслуживание на основе искусственного интеллекта в действии

Давайте рассмотрим два реальных примера, демонстрирующих, что предиктивное обслуживание уже стало реальностью.

BMW поддерживает конвейерные ленты в рабочем состоянии

Проблема: Завод BMW по производству автомобилей в Регенсбурге, Германия, столкнулся с серьезными проблемами: неисправности конвейерной системы приводили к частым и дорогостоящим остановкам сборочной линии. Эти сбои влияли на сроки производства и увеличивали операционные расходы, что сказывалось на общей производительности и рентабельности.

Подход: BMW развернула Система предиктивного обслуживания на основе искусственного интеллекта которая использовала существующие данные датчиков, установленных на компонентах конвейера. Эта система непрерывно анализировала потоки данных в режиме реального времени в поисках малозаметных аномалий, таких как неожиданные колебания энергопотребления или ненормальные движения, которые указывают на возможные сбои.

Решение и преимущества: Система прогнозирования генерировала своевременные предупреждения, позволяя командам заблаговременно устранять потенциальные неисправности и избегать длительных простоев. Это вмешательство позволило предотвратить более 500 минут ежегодного простоя, обеспечив бесперебойную работу производства и своевременную доставку автомобилей. Измеримые преимущества экспериментального проекта привели к тому, что BMW решила стандартизировать этот подход на всех своих глобальных производственных предприятиях, повысив надежность и эффективность работы.

Shell совершенствует технологические процессы на нефтеперерабатывающих заводах

Проблема: Нефтеперерабатывающий завод Shell в Пернисе, один из крупнейших в Европе, сталкивался с рисками, связанными с незапланированными простоями. Такие сбои в работе предприятия в Нидерландах не только увеличивали затраты на ремонт и обслуживание, но и ставили под угрозу рентабельность и непрерывность производства.

Подход: Компания Shell сотрудничала с C3 AI, чтобы реализовать комплексная платформа для прогнозируемого обслуживания. Эта сложная система непрерывно контролировала более 10 000 важнейших объектов нефтеперерабатывающего завода, еженедельно анализируя около 20 миллиардов точек данных для прогнозирования неисправностей оборудования с исключительной точностью.

Решение и преимущества: Платформа искусственного интеллекта успешно выявила две неизбежные и критические неисправности оборудования заблаговременно, что позволило Shell принять меры по профилактическому обслуживанию, избежав тем самым дорогостоящих простоев и ремонтов. Такой упреждающий подход позволил сэкономить около $2 миллионов и существенно повысить эксплуатационную надежность. Компания "Шелл" разработала надежную долгосрочную стратегию управления активами, которая была принята на многих нефтеперерабатывающих заводах по всему миру.

Что может пойти не так: дело не только в искусственном интеллекте

Несмотря на перспективность использования инструментов искусственного интеллекта для предиктивного обслуживания, руководители, желающие внедрить их, сталкиваются с несколькими потенциальными препятствиями. Три ключевые проблемы требуют пристального внимания.

1. Вопросы качества данных. Высококачественные данные являются основой для предиктивного обслуживания. Некачественные качество данных часто является следствием ошибок ручного ввода, непоследовательной практики сбора данных и неадекватных процессов управления данными. Без качественных данных даже самые совершенные модели ИИ не работают, иллюстрируя классическую аксиому "мусор входит, мусор выходит". Качество данных - одна из самых серьезных проблем, с которой сталкиваются проекты ИИ в разных отраслях, и она требует более пристального внимания со стороны руководителей.

Рекомендации: Автоматизируйте процессы сбора данных, где это возможно, чтобы уменьшить количество человеческих ошибок. Регулярно проверяйте полученные данные на точность и удобство использования. Чтобы убедиться, что данные действительно используются людьми, которые могут оценить их качество, используйте их для принятия оперативных решений. Это поможет привлечь внимание к потенциальным проблемам качества данных и оперативно принять меры по их устранению на этапе сбора данных.

2. Интеграционные задачи. Даже точные прогнозы ИИ могут оказаться бесполезными, если они не будут хорошо интегрированы в существующие рабочие процессы. Например, многие устаревшие программы еще предстоит доработать с учетом современных интерфейсов обмена данными. Кроме того, организации часто проводят изолированные внедрения ИИ с низким уровнем межфункциональной ответственности. Когда к таким инициативам относятся как к ИТ-проектам, они обречены на провал с самого начала.

Рекомендации: Разработка систем прогнозирования для прямого взаимодействия с системами технического обслуживания и их интеграция в ежедневный рабочий процесс. Модернизация устаревшего программного обеспечения и внедрение надежных API и средств автоматизации для устранения разрыва между пониманием и исполнением. Убедитесь в том, что руководители операционных подразделений, а также ИТ-команда владеют процессом взаимодействия.

3. Культурное сопротивление. Сотрудники часто боятся ИИ из-за опасений по поводу безопасности работы или недоверия к возможностям новой технологии. Такое сопротивление замедляет внедрение, ограничивая эффективность инициатив по предиктивному обслуживанию.

Рекомендации: Заранее привлеките сотрудников к работе, чтобы снять страх перед технологиями. Признайте, что, хотя некоторые виды задач будут автоматизированы, существует несколько возможностей для сотрудничества. Например, ИИ может выявлять проблемы с оборудованием на ранних стадиях и помогать техническим специалистам в диагностике проблем, а люди будут проверять и внедрять исправления. Активно привлекайте сотрудников к пилотным проектам по внедрению ИИ и уделяйте приоритетное внимание обучению, чтобы повысить уровень владения сотрудниками технологиями и стимулировать их внедрение.

Полная автоматизация не является целью

Как руководители могут начать работу с предиктивным обслуживанием? Им следует начать с определения областей, богатых данными и имеющих большое влияние на бизнес, где они могут опробовать инициативы по предиктивному обслуживанию. Начиная с целевых, осуществимых проектов, они быстро одерживают победу и наглядно демонстрируют свою ценность, прокладывая путь к более широкому внедрению и долгосрочному принятию.

Помните, что цель предиктивного обслуживания - не полная автоматизация. Речь идет о сокращении времени простоя активов за счет оптимизации усилий по мониторингу. Дополнение рабочих процессов технического обслуживания автоматизированным мониторингом в режиме реального времени с последующим анализом и своевременным принятием мер на месте требует сотрудничества между машинами и людьми.

Руководители должны отмечать быстрые победы на этом пути, чтобы укрепить уверенность команд и сделать инициативы более заметными. Компании, применяющие этот проактивный подход, основанный на сотрудничестве, могут значительно сократить время простоя, снизить операционные расходы и получить устойчивое конкурентное преимущество.