O Predict foi projetado para ajudar os gerentes de manutenção a prever a probabilidade de falhas futuras e determinar fatores de falha de ativos que podem impactar as operações da fábrica ou negócios. Ele usa o IBM Watson para procurar padrões nos dados de ativos, no uso e no ambiente, e se correlaciona com quaisquer problemas conhecidos para ajudar a prever falhas.
Dentre os benefícios que o Predict entrega. Podemos citar:
Valor para o negócio:
• Redução de falhas
• Redução dos custos de manutenção
• Melhor utilização de ativos
• Aumento da vida útil de ativo
• Aumento da produção
Aplicação:
• Construir modelos de falha de ativos
• Prever falhas
• Determinar os fatores que contribuem para o fracasso
• Pontuar modelos com dados atuais de sensores
Capacidades:
• Fornece 5 modelos preditivos comuns
• Classifique modelos preditivos usando Watson Machine Learning (ML)
• Visualizações pré-construídas para os 5 modelos comuns
• Use pontuações de modelo para avaliar o funcionamento do ativo com o Maximo Health processo para a Predição envolve os seguintes passos:
1) Defina um grupo de ativos;
2) Desenvolva / Treine modelos;
3) Registre modelos;
4) Cronograma / Modelos de pontuação.
DEFINA UM GRUPO DE ATIVOS
Neste passo, definimos um grupo de ativos que queremos treinar modelos para prever falhas em ativos deste mesmo grupo.
DESENVOLVA / TREINE MODELOS
Treinamento de modelos de predição: Probabilidade de falha
Você pode visualizar a probabilidade de que o ativo falhará em um período de tempo especificado, como 30 dias, o valor de que a probabilidade aumentou ou diminuiu desde a avaliação anterior e a probabilidade média de falha para todos os ativos no grupo.
Descrição do Modelo:
• Prevê falhas iminentes
• Janela de falha de previsões com probabilidade
Entradas necessárias:
• Dados do OSI PI com registro de data e hora
• Dados de falha registrados no SAP PM com registro de data e hora
Perguntas respondidas:
• Quais são os ativos que têm tendência a falhar nos próximos ‘n’ dias?
Treinamento de modelos de predição: Fatores que contribuem para as falhas
Você pode ver uma análise dos atributos do ativo para ver como eles contribuem para a probabilidade de falha do ativo. Você também pode ver como os atributos contribuem para a falha em um modelo de árvore de análise.
Descrição do Modelo:
• Análise da causa raiz de resultados ruins
Entradas necessárias:
• Dados do OSI PI com registro de data e hora
• Dados de falha registrados no SAP PM com registro de data e hora
Perguntas respondidas:
• Quais são os principais recursos que contribuem para o fracasso?
Treinamento de modelos de predição: Data prevista de falha
Você pode visualizar a data em que um determinado ativo está previsto para falhar, a próxima data de manutenção programada e a data em que o ativo foi avaliado. A partir daqui você pode fazer uma busca detalhada para visualizar mais informações nos logs de manutenção.
Descrição do Modelo:
• Prever quando ocorrerão as próximas falhas
• Determine se um ativo é bem mantido
• Ajuste o cronograma de manutenção
Entradas necessárias:
• Dados do OSI PI com registro de data e hora
• Dados de falha registrados no SAP PM com registro de data e hora
Perguntas respondidas:
• Quantos dias até o sistema falhar?
• Como circunstâncias, características ou causas particulares aumentam ou diminuem a probabilidade de sobrevivência ou fracasso?
Treinamento de modelos de predição: Detecção de anomalias
Você pode visualizar a pontuação de anomalia mais recente em comparação com o limite de anomalia e a data da anomalia detectada anteriormente. Você pode fazer uma busca detalhada para ver mais informações nos detalhes do histórico de pontuação de anomalias.
Descrição do Modelo:
• Detecte anomalias nos dados
• Alavancado com dados esparsos de eventos de falha
Entradas necessárias:
• Dados do OSI PI com registro de data e hora
• Dados de falha registrados no SAP PM com registro de data e hora
• Dados de validação para pontuação de anomalia
Perguntas respondidas:
• Quais são os ativos ou entidades que apresentam comportamento anômalo?
Treinamento de modelos de predição: Curva de Vida do Ativo
Você pode visualizar o gráfico sobre a curva de vida do ativo, com a probabilidade de falha no fim da vida.
Descrição do Modelo:
• Estimar a probabilidade de falha no fim da vida do ativo
Entradas necessárias:
• Dados de ativos
• Data de instalação
• Data de Desativação
Perguntas respondidas:
• Qual é a probabilidade de falha quando o ativo tem “n” anos?
O componente Predict, do Maximo Application Suite, estende a capacidade de gerenciamento da saúde e monitoramento com aprendizado de máquina.
