好色先生TV

F?rutseende underh?ll kombinerar data om maskinvara, programvara och servicekomponenter f?r att fastst?lla underh?llsbehovet f?r mekaniska tillg?ngar. ?vervakning av nya fel, f?ruts?gelse av kapacitets?verskridanden, identifiering av haverier och fastst?llande av ?terst?ende livsl?ngd ?r alla aspekter av f?rebyggande underh?ll. AIOps, anv?ndningen av artificiell Intelligence f?r IT-drift, anv?nds ibland f?r f?rebyggande underh?ll.

Att f?rutse och f?rbereda sig f?r fel har l?nge varit en sj?lvklarhet i mekaniska verksamheter. Fram till nyligen var rutinm?ssigt utbyte av en del efter en viss tid det vanligaste s?ttet att undvika att en del gick s?nder under drift. Denna form av schemalagt f?rebyggande underh?ll ?r bra. Men alla delar g?r inte s?nder i samma takt och att byta ut delar i f?rtid ?r sl?seri baserat p? medelv?rden och approximationer. Dessutom kommer ett system som enbart f?rlitar sig p? schemalagt underh?ll inte att uppt?cka faktiska eller ?verh?ngande fel p? en del som ?r defekt i f?rtid. En annan strategi f?r att minska stillest?ndstiden var att byta ut alla delar n?r en gick s?nder, och det var oklart vilken, men denna strategi har en tydlig nackdel med h?ga kostnader.

Vad ?r det som g?r f?rebyggande underh?ll s? viktigt?

Det finns ?ven andra f?rdelar. Beroende p? bransch kan avtalsenliga serviceniv?avtal (SLA) kr?va att organisationerna uppr?tth?ller leverans av tj?nster eller material dygnet runt, annars riskerar de p?f?ljder och till och med b?ter. I andra fall kan utrustningsfel leda till int?ktsf?rluster p? grund av avbrott i leveranskedjor, lagerf?rluster, kundbortfall och andra uppenbara konsekvenser av att verksamheten g?r l?ngsammare. F?rutseende underh?ll kan bidra till att mildra alla dessa potentiella konsekvenser av systemavbrott.

Anv?ndningen av statistisk analys, sensor?vervakning, avancerad analys och AI f?r att mer exakt f?ruts?ga n?r ett fel kommer att uppst? inneb?r en stor f?rb?ttring. Med sensorer som kontinuerligt ?vervakar h?lsan hos varje del kan ett ?vervakningssystem varna dig i f?rv?g om ett fel. Detta ?r den viktigaste f?rdelen med att inf?ra ett program f?r f?rebyggande underh?ll: du byter bara ut n?stan defekta delar, vilket sparar arbete och kostnader f?r on?diga reservdelsbyten samtidigt som du bibeh?ller en h?g drifttid. Dessutom ger ett bra system f?r f?rebyggande underh?ll dig tid att schemal?gga underh?llet vid den tidpunkt d? det st?r verksamheten minst.

Utmaningar inom f?rebyggande underh?ll

Big data-tekniker som involverar maskininl?rning och bearbetning av mycket stora datam?ngder har utvecklats f?r att minimera driftstopp och MTTR (mean time to recovery). Och ?ven om dessa f?rdelar ?r uppenbara finns det ett antal utmaningar som moderna organisationer st?r inf?r, bland annat

Dataintensiva processer

Behovet av att tr?na och underh?lla ML-modeller p? l?ngsiktiga historiska data i stor skala kan vara skr?mmande f?r de flesta analytiska databaser p? marknaden.

Separat lagring av data

Exakt maskininl?rning och andra former av analys f?r att identifiera felm?nster kr?ver tillg?ng till fj?rrdatasilos och/eller processdata. Att aggregera data av olika typer, eller till och med data av liknande men inte identiska typer - som tidsseriedata fr?n tv? enheter som tagits med olika intervall - kan vara tidskr?vande och utmanande.

Sv?righeter att operationalisera ML

Komplexiteten i datavetenskap och bristen p? specialiserad kunskap kan hindra ett team fr?n att anv?nda maskininl?rning som en kritisk f?rm?ga i verktygsl?dan f?r f?rebyggande underh?ll.

Falska positiva resultat

N?r reglerna f?r en felavisering ?r alltf?r rigida eller modellm?nstren ?r alltf?r restriktivt definierade kan ett stort antal aviseringar genereras som egentligen inte kr?ver n?gon ?tg?rd. Detta kan orsaka larmtr?tthet. Att kunna revidera och kontinuerligt f?rb?ttra f?ruts?gelserna ?r en viktig aspekt av f?rebyggande underh?ll.

F?renkla aff?rsverksamheten och skapa kundv?rde

• Reaktivt underh?ll
  Systemfel
  Kundanrop
  Dispatch
  Fels?kning p? plats
  Leverans av reservdelar
  Reparation eller utbyte
  Systemet fungerar

• F?rutseende underh?ll
  Fj?rr?vervakning f?rutser potentiella fel
  Service planeras
  Problem undviks

Hur 好色先生TV? Vertica? s?tter prediktivt underh?ll i arbete

好色先生TV? Vertica? kan kontinuerligt ?vervaka ?ven extremt stora datam?ngder fr?n utrustningskomponenter allteftersom data genereras. Om det r?cker med en enkel statistisk analys kan den analysen g?ras enkelt och snabbt i en databas. Vertica har ?ver 650 inbyggda funktioner som kan g?ra snabba analyser av m?nga slag som ?r anv?ndbara f?r f?rebyggande underh?ll, t.ex. tidsserieanalys, matchning av h?ndelsem?nster och maskininl?rning.

N?r maskininl?rning anv?nds f?r f?rebyggande underh?ll samlas data som underh?llsloggar och all sensorinformation som har samlats in under flera ?r i en datalagring, t.ex. i ett filsystem som HDFS eller en objektlagringsplats som S3. En maskininl?rningsmodell tr?nas p? dessa data f?r att identifiera de m?nster som indikerar ett potentiellt problem. Sedan str?mmar nya, aktuella data in fr?n enheter och deras komponenter och kontrolleras av den tr?nade modellen. En varning skickas n?r ett potentiellt problem identifieras. Avhj?lpande ?tg?rder planeras och vidtas INNAN ett fel uppst?r.