認知計算與預測性維修維護

1、解決方案簡介IBM IoT Equipment Advisor運用認知分析，改善資產表現(xiàn)， 縮短修復時間執(zhí)行摘要在許多行業(yè)，由于員工隊伍結構發(fā)生變化，導致關鍵的互聯(lián)資產不斷增加，所生成的運營數(shù)據量激增，資產復雜性顯著提高，而專業(yè)知識則日益稀缺。因此，資產密集型企業(yè)需要更高效地發(fā)現(xiàn)并解決問題，防止影響到位于工廠現(xiàn)場或遠程部署的關鍵資產的正常運行。IBM Predictive Maintenance and Quality 可以幫助資產密集型企業(yè)密切監(jiān)控資產運行狀況，預測即將發(fā)生的資產退化或故障情況，確定造成性能下降的可能原因。借助于此類洞察，運營與維護人員的戰(zhàn)略就能夠從被動應對轉變?yōu)橹鲃映鰮?，?/p>

2、提高資產可靠性、可用性和性能為目標。IBM IoT Equipment Advisor 將認知能力應用于和修復、維護、程序和技術相關的非結構化數(shù)據，能夠形成更深入的洞察， 推薦最合理的修復方法和程序， 從而豐富了 IBM Predictive Maintenance and Quality 的資產運行狀況監(jiān)控和機器學習能力。這兩個關鍵組件相輔相成，可幫助資產密集型企業(yè)改善資產性能，縮短修復時間，降低總體維護成本，并針對關鍵資產實施更有效的運維戰(zhàn)略?；ヂ?lián)化、智能化的資產物聯(lián)網的出現(xiàn)，以及設備不斷提高的智能化和互聯(lián)化水平， 使資產密集型行業(yè)有機會通過實施戰(zhàn)略，改善資產性能和優(yōu)化維護實踐。他們通過捕

3、獲并分析由資產生成的運營數(shù)據（無論是歷史數(shù)據還是實時數(shù)據），準確詳細地獲得與資產性能相關的預測性洞察。通過預測性分析和機器學習，提前發(fā)現(xiàn)即將發(fā)生的資產退化或故障情況，主動預防或修復問題，防患于未然。由于資產、設備和機器的復雜性不斷增加，因此資產密集型企業(yè)需要培養(yǎng)新技能，制定新戰(zhàn)略，高效地實施維護和修復工作。隨著物聯(lián)網的蓬勃發(fā)展，以及新的物聯(lián)化工具通過結合軟件不斷增強自身功能，負責維護工作的組織需要更多的技能和更深入的專業(yè)知識，才能高效地維護這些資產。通常情況下， 維護人員在診斷和解決與這些日益復雜的資產相關的問題時， 因為掌握的信息有限，所以很難找到有效的方法。在許多行業(yè)，隨著擁有多年在職經驗

4、、精通資產運行和修復的員工紛紛退休，使得保留技能嫻熟、知識豐富的員工成了企業(yè)所面臨的緊要問題。 退休員工使許多企業(yè)面臨嚴重的知識缺口。幸好，如果企業(yè)擁有豐富的資產文檔、維護記錄以及其他與資產維護、過程和流程相關的非結構化信息源，就能夠應用認知技術，為預測性分析所發(fā)現(xiàn)的相關問題確定適當?shù)木S護程序。預測性維護和認知功能的強強聯(lián)合，充分釋放了資產運營數(shù)據和詳細的維護數(shù)據存儲庫的潛力，通過推理和學習，幫助企業(yè)更智慧、更高效地開展資產運營和維護工作。資產密集型企業(yè)現(xiàn)在可以分析運營數(shù)據，開展資產運行狀況評估，預測資產未來的表現(xiàn)。 如果預測到可能發(fā)生特定的資產故障， IoT Equipment Adviso

5、r 的認知功能可以提供詳細準確的修復建議，幫助縮短修復時間，提高首次修復成功率。IoT Equipment Advisor 與 PMQIBM Predictive Maintenance and Quality 應用機器學習和動態(tài)發(fā)現(xiàn)規(guī)則，分析多個運營數(shù)據源。因此，它能夠預測設備失靈和資產故障，幫助企業(yè)避免代價高昂的停機，降低維護成本，提高流程效率。在預測性分析的幫助下，它甚至可以檢測出細微的異常和故障跡象，確定可能存在最大故障或退化風險的資產和運營流程。確定特定問題后，可應用認知功能，推薦適當?shù)某绦蛞孕迯蛦栴}，快速使資產恢復正常運行狀態(tài)。設備故障模型模型 ID模型名稱故障可能性變更執(zhí)行日期F

6、M1-01 FM1-02旋轉故障電機故障85.0060.0013%7%2015-05-172015-05-17故障可能性趨勢80FM1-01FM1-027060504030201004-171921222527295-030507091113155-17圖 1：通過預測性分析， 識別即將發(fā)生的資產故障和故障概率。認知技術推薦最優(yōu)修復方法IBM IoT Equipment Advisor 通過應用認知方法和機器學習技術，豐富了 IBM Predictive Maintenance 資產運行狀況監(jiān)控功能。這些功能可分析從維護日志、工單歷史記錄、設備手冊、技術文檔、行業(yè)博客中獲得的結構化和非結構化數(shù)

7、據，以及其他與修復、過程和維護方法相關的非結構化數(shù)據。接著，IBM IoT Equipment Advisor 匯總這些數(shù)據，應用認知功能，直觀呈現(xiàn)所發(fā)現(xiàn)的跡象，提供更深入的洞察，推薦最合適的修復方法和程序。它可提供與用戶角色、所處環(huán)境和當前維護活動相關的數(shù)據、分析和認知洞察，幫助企業(yè)顯著縮短尋找信息所需的時間，提高有效執(zhí)行修復的能力。IBM IoT Equipment Advisor 可通過交互式對話為診斷提供幫助，推薦成功率最高的方案（包括部件和工具）。分析、確定和應用專業(yè)知識IBM IoT Equipment Advisor 對范圍廣泛的非結構化數(shù)據應用認知方法，確定各種實體和概念，例如

8、設備詳細信息（型號、版本、配置、控制器）、設備狀態(tài)/狀況、維修技術人員記錄、測試和測試結果、假設的故障、規(guī)定的修復過程、修復解決辦法、運營過程、工具、專業(yè)知識和證據等。然后，應用這些深入洞察，按照故障發(fā)生可能性提供有關診斷和解決方案的指南，或提供下一步最佳行動建議，幫助預防或解決相關故障。IBM IoT Equipment Advisor 可在問題形成初期及時確定這些問題， 并對類似資產的同類問題進行分組，幫助集中綜合資產和修復歷史數(shù)據。通過利用最佳實踐和技術專業(yè)知識，維護人員能夠更高效地預防或修復資產故障和退化情況。將維護信息作為一種資產一家大型航空公司采用認知能力，改進維護工作。該公司將認

9、知分析應用于非結構化信息以及由航班、客艙、地勤人員、維護人員和 ACARS 信息生成的各種格式的飛機運行數(shù)據。通過仔細分析故障解決歷史數(shù)據、維護成本數(shù)據以及特定的維護建議數(shù)據，為人員派遣和維護流程提供支持，改進預防性維護工作。推薦適當?shù)倪^程通過將 IBM IoT Equipment Advisor 的認知和機器學習功能應用于現(xiàn)有的海量資產運維信息，可更迅速地診斷問題和深入了解相關的潛在解決方案。這樣，通過提供多個按可能性排列的選項，有助于最大程度縮短修復時間，降低不恰當修復方案所帶來的風險，確保推薦最合適的程序或修復方案。例如，推薦內容可包括：最有效的修復程序、最合適的維護周期、有關現(xiàn)場修復的

10、主動行動分步指南、最低的成本以及最小程度的中斷。IBM IoT Equipment Advisor 還可通過交互式自然語言對話，協(xié)助進行更詳細的診斷，推薦成功率最高的方案（包括部件和工具）。測試文檔核對表行業(yè)博客最佳洞察專業(yè)知識方法建議過程手冊圖表視頻圖 2：匯總數(shù)據，應用認知分析，確定最適合最理想的方法來影響維護和修復工作。圖 3：輕松訪問有關具體資產和所發(fā)現(xiàn)問題的維護、程序和技術信息圖 4：IoT EquipmentAdvisor 可通過交互式對話框提出修復建議。預測和認知的協(xié)同作用通過捕獲和分析由資產生成的歷史及實時運營數(shù)據和性能數(shù)據， 可以實現(xiàn)預測性維護和認知能力強強聯(lián)合所產生的優(yōu)點。

11、這種優(yōu)點還體現(xiàn)在，能夠分析與特定資產或資產類別的維護活動關聯(lián)的信息。實現(xiàn)這些優(yōu)點的總體流程可概括為：連接、預測、修復和優(yōu)化。連接和收集運營數(shù)據從本地或遠程部署的物聯(lián)化和互聯(lián)化關鍵資產中收集信息。該解決方案無需更改基礎架構或系統(tǒng)，即可連接并收集大量設備、傳感器和設備中的實時數(shù)據和歷史數(shù)據。圖 5：IoT EquipmentAdvisor 為通過預測性分析發(fā)現(xiàn)的問題推薦相關資源。3預測性功能可評估設備狀態(tài)和運營情況，提供早期預警即時更新顯示的內容，反映資產早期預警預測性認知型2通過 Watson IoT Foundation 獲取數(shù)據Watson 為交互式診斷和手動數(shù)據挖掘提供幫助51傳感器提供設

12、備相關信息Watson 收集響應有效性信息，增強語料庫6圖 6：連接（1 和 2），預測（3 和 4），修復 (5) 和優(yōu)化 (6)，改善資產性能， 縮短修復時間。4預測資產退化或故障將預測性分析應用于從關鍵資產中收集的運行數(shù)據。發(fā)現(xiàn)不明顯的跡象和關聯(lián)，提供資產退化或故障的早期預警。分析功能還可指出距離發(fā)生故障的時間、可能的原因以及部件的預期剩余使用壽命。在問題發(fā)生前發(fā)出預警并提供準確的預測結果，有助于主動出擊，減少資產停機和維護的成本。高效修復對相關的維護信息應用認知能力，根據具體的維護需求確定最佳方法和程序。分析維護日志、設備手冊、論壇和技術文檔，挖掘目前尚未發(fā)現(xiàn)的最佳實踐和專業(yè)知識。根據

13、預測的故障，通過交互式對話幫助進行診斷，提供修復建議（包括適當?shù)牟考凸ぞ撸?，并提供詳細的分步修復指南，從而最大程度提高預測故障或使資產恢復正常運行的成功率。實施優(yōu)化措施，持續(xù)改進運營通過持續(xù)應用預測和認知能力，使用推理和學習系統(tǒng)，不斷評估運行性能。尋找替代設置或運行方案，提高資產可用性，降低維護成本。通過提高首次修復成功率，縮短修復時間。持續(xù)優(yōu)化系統(tǒng)、設備和人員的使用。還可應用認知能力，幫助改進維護計劃、部件庫存管理和備件位置安排，并根據預測的需求推薦消耗品補充。現(xiàn)場技術人員的認知助手一家重型設備制造商通過對結構化數(shù)據、非結構數(shù)據以及圖像數(shù)據運用認知能力，幫助更快地解決現(xiàn)場工單。該解決方案使

14、現(xiàn)場技術人員能夠更快地診斷問題，深入了解潛在的相關解決方案。通過使用認知能力，該制造商提高了首次修復成功率， 并使維修上報數(shù)量減少了 25%。采用分析和認知能力，改善運營和維護工作資產密集型企業(yè)通過把握技術潮流，更高效地運行和維護關鍵的資產。智能化、互聯(lián)化的資產會產生海量的詳細運行數(shù)據； 通過使用機器學習技術捕獲并分析這些數(shù)據，企業(yè)就能夠輕松預測即將發(fā)生的資產故障或退化情況，并確定問題的根源。可以將認知技術應用到與資產運行和維護相關的非結構化信息之中，從而提煉出專業(yè)知識和指導信息，并推薦適當?shù)某绦?，幫助提高運行效率，正確高效地執(zhí)行維護和修復工作。對不斷變化的業(yè)務需求應用這些新技術，資產密集型企業(yè)受益良多：能夠更為詳細準確地了解資產性能能夠縮短修復工作的平均時間，同時提高資產可用性能夠匯總并分析有關運營和維護的歷史信息和集