Kluczowe wnioski
Krótka odpowiedź: Utrzymanie predykcyjne wykorzystuje dane o stanie maszyny, by prognozować, kiedy urządzenie ulegnie awarii, dzięki czemu możesz działać „na czas”. Utrzymanie preskrypcyjne idzie o krok dalej: nie tylko przewiduje awarię, ale także rekomenduje konkretne działanie, naprawić teraz, zmienić parametr, przełożyć termin. Preskrypcyjne wymaga działającego predykcyjnego, a ponadto bogatszych danych i modeli decyzyjnych, dlatego jest zdolnością na wyższym poziomie dojrzałości. Zobacz też utrzymanie oparte na stanie vs utrzymanie czasowe.
Utrzymanie predykcyjne prognozuje moment wystąpienia awarii na podstawie danych o stanie, narastające drgania, dryf temperatury, pogarszający się olej, dzięki czemu interweniujesz tuż przed awarią, a nie według stałego kalendarza. Odpowiada na pytanie „kiedy”, zamieniając monitorowanie stanu w ostrzeżenie czasowe.
Utrzymanie preskrypcyjne odpowiada na pytania „kiedy” i „co z tym zrobić”. Oprócz prognozy awarii rozważa opcje i ich konsekwencje oraz rekomenduje konkretne działanie, wymienić teraz, zmniejszyć obciążenie maszyny, przełożyć zamówienie. Wymaga modeli decyzyjnych i znacznie bogatszych danych niż prosta prognoza.
Utrzymanie predykcyjne sygnalizuje, że łożysko prawdopodobnie padnie za około dziesięć dni. Dobre ostrzeżenie, ale planer nadal musi zdecydować, co zrobić: wymienić w weekend, zwolnić linię, by przedłużyć żywotność łożyska, czy przełożyć krytyczne zamówienie zaplanowane na przyszły tydzień.
Utrzymanie preskrypcyjne podejmuje tę decyzję, rekomendując „przełóż zamówienie 482 na linię 2 i wymień łożysko w piątek”, ponieważ zna księgę zamówień, dostępność części zamiennych i koszty każdej opcji. Predykcyjne dało ostrzeżenie; preskrypcyjne dało plan.
Przewidzenie awarii to jeden model; rekomendowanie najlepszego działania wymaga zrozumienia kosztów, alternatyw i ograniczeń w całej operacji. Wymaga to dojrzałości danych i zaufania organizacyjnego, które wiele zakładów dopiero buduje, dlatego preskrypcyjne leży poza predykcyjnym na krzywej dojrzałości.
Najpierw uruchom i zyskaj zaufanie do utrzymania opartego na stanie i predykcyjnego. Preskrypcyjne oparte na chwiejnych prognozach tylko zautomatyzuje złe porady, pewne rekomendacje oparte na zawodnych prognozach. Najpierw naucz się chodzić, zanim pobiegniesz: zbuduj zaufanie do prognoz, zanim pozwolisz modelowi przepisywać działania.
1. Gonić za preskrypcyjnym, zanim predykcyjne działa. Automatyzujesz rekomendacje na bazie zawodnych prognoz.
2. Brak zaufanych danych o stanie. Obie funkcjonalności upadają bez wiarygodnego sygnału.
3. Rekomendacje, których nikt nie może zrealizować. Zalecenie ignorujące realne ograniczenia nie jest wykonywane.
4. Traktowanie tego jako wszystko albo nic. Większość wartości pochodzi z solidnego predykcyjnego długo przed pełnym preskrypcyjnym.
Obie metody chronią dostępność, unikając nieplanowanych awarii. Dane OEE i przestojów są też paliwem, które trenuje i weryfikuje modele predykcyjne i preskrypcyjne, im lepsze dane o stratach, tym lepsza prognoza i rekomendacja oparta na niej.
Fabrico zbiera dane o stanie i przestojach, na których opiera się utrzymanie predykcyjne, dając zaufaną podstawę wymaganą przez każde preskrypcyjne rozwiązanie. Umów demo, aby zobaczyć dane stojące za prognozą.
Dodaje rekomendacje działań do prognozy, to odrębna, bardziej wymagająca funkcjonalność.
Tak, preskrypcyjne opiera się na działającej, zaufanej podstawie predykcyjnej.
Bogatszych danych i modeli decyzyjnych, które rozumieją koszty, opcje i ograniczenia.
Najpierw utrzymanie oparte na stanie, potem predykcyjne, potem preskrypcyjne, w tej kolejności.
Bo zautomatyzowałoby rekomendacje na podstawie prognoz, którym jeszcze nie ufasz.
Zaloguj
Blog
