Internet Industriel des Objets IIOT : IIoT pour la maintenance prédictive et le Big Data | Aperçu de Kx

Vérification de nos prévisions pour les tendances de maintenance prédictive IIoT un an plus tard… Aujourd’hui, les solutions technologiques capables de gérer en temps réel les données des capteurs IOT à grande échelle sont de plus en plus utilisées pour effectuer une surveillance continue à la fois pour détecter les défauts et pour constituer un dossier historique à utiliser pour faire de futures prévisions. Les sociétés du Fortune 500 travaillent également maintenant avec des données IIoT à 10 – 100 fois la vitesse et le volume qu’elles avaient dans le passé. La sécurisation des systèmes après des pannes, le démontage et le remplacement des composants nécessitent toujours une intervention humaine. L’IIoT pour la maintenance prédictive permet une surveillance plus étendue des équipements et des processus à un coût beaucoup plus faible que les méthodes traditionnelles et délivre des avertissements exploitables pour prévenir ou minimiser les conséquences d’un échec imminent. Là où IIoT pour la maintenance prédictive est déployé dans un programme bien conçu utilisant la maintenance centrée sur la fiabilité (RCM), il réduira les pannes surprises, la perte de production, les réparations étendues, les dommages secondaires et augmentera la sécurité. IIoT et Big Data – c’est plus que de simples capteurs adressables. La prémisse de l’IIoT est que les capteurs, chacun avec une adresse IP individuelle et la capacité de communiquer sans fil avec un réseau, nous permettent de voir ce qui se passe à distance lorsqu’ils sont placés sur des équipements industriels. Le flux de signaux fournis par ces capteurs fournit les données brutes à partir desquelles des informations précieuses peuvent être glanées. À l’aide d’algorithmes prédictifs, les données sont analysées et les systèmes sont programmés pour envoyer des notifications aux opérateurs comme des alarmes, des avertissements ou des notifications de demande de travail. La combinaison de statistiques et d’algorithmes d’apprentissage automatique est efficace pour analyser les données des capteurs IIoT pour la maintenance prédictive. Par exemple, un modèle développé à l’Université de Toronto peut prédire assez précisément le délai de défaillance en fonction des corrélations des données de défaillance historiques et des signaux de surveillance de l’état. Les entreprises combinent généralement plusieurs de ces types de modèles en une seule plate-forme qui peut gérer divers flux de données de signal de surveillance d’état lors de la construction de leurs propres systèmes. Implémentation d’une solution de maintenance prédictive et d’analyse Nous suggérons certaines étapes clés lors de la mise en œuvre d’une solution de maintenance prédictive et d’analyse : appliquer une solution robuste Cadre pour la maintenance centrée sur la fiabilité, comme UPTIME et RCM-R®, identifier le type de capteur à installer et l’emplacement / la position qui fourniront le mieux des flux de données significatifs. Cela se fait généralement avec une sorte de processus de maintenance centré sur la fiabilité, déployer un nombre suffisant de capteurs pour collecter les données nécessaires, rassembler et transmettre des flux de données temporelles ou chronologiques à partir de capteurs pour le traitement et l’analyse à une fréquence qui donnera suffisamment d’informations pour faciliter le dépannage plus précis, stocker les données générées pour une analyse future et des enquêtes historiques, utiliser des algorithmes qui peuvent gérer plusieurs flux de données en temps réel ou presque réel, utiliser plusieurs algorithmes en combinaison en tant que service unique, implémenter la plate-forme technologique appropriée qui peut ingérer, traiter, stocker et analyser la vitesse et le volume de données, et alimenter les algorithmes prédictifs, développer ou acquérir un support technique expert pour que la technologie et les algorithmes tiennent leurs promesses. Mesurer et comparer vos résultats au fur et à mesure que vous pouvez continuellement améliorer votre RCM, en utilisant les données et l’expérience recueillies pour valider et affiner l’hypothèse de maintenance prédictive. Communiquer fréquemment et rapidement à la direction pour déclencher de nouvelles enquêtes sur le terrain et des actions de demande de travail. Le besoin de vitesse dans l’analyse prédictive IIoT L’un des plus grands obstacles techniques auxquels les entreprises sont confrontées avec les systèmes de maintenance prédictive IIoT, c’est quand elles rencontrent des goulots d’étranglement de données qui peuvent ralentir leur temps de réponse. Le but d’une solution est d’éliminer tout frottement ou retard entre le moment où les données sont générées et le moment où ces informations déclenchent une action sur le terrain. Cela deviendra un défi plus important lorsque davantage de capteurs et des mesures plus fréquentes seront envoyés sans fil aux réseaux. Les entreprises qui s’appuyaient sur des méthodes manuelles de maintenance prédictive commenceront désormais à recevoir des volumes toujours croissants de données IIoT. De nouvelles infrastructures, ainsi que de nouvelles technologies, seront nécessaires pour fournir la bande passante nécessaire pour accueillir les flux de données.

Les banques et autres organisations commerciales absorbent de gros volumes de transactions en temps réel et citent les données des bourses pour prendre des décisions en microsecondes concernant l’achat et la vente de titres. Ils s’appuient simultanément sur de nombreux téraoctets de données commerciales historiques à l’aide de modèles informatiques et de programmes d’apprentissage automatique pour prendre des décisions. Une mise en œuvre réussie de RCM à l’aide de données de capteurs IIoT soutiendra des volumes croissants de données de capteurs et un développement et une amélioration continues des algorithmes prédictifs, moins de réparations d’urgence, des coûts de réparation réduits, une disponibilité accrue des actifs et une augmentation des revenus.

Laisser un commentaire