Konserwacja predykcyjna jest prawdopodobnie najbardziej popularną aplikacją technologii Internetu rzeczy (IoT) dostępną obecnie dla użytkowników korporacyjnych i łatwo zrozumieć, dlaczego: Uzyskanie lepszego wglądu w maszyny przemysłowe, floty pojazdów lub cokolwiek innego, co można oprzyrządować cyfrowo wydaje się oferować dość bezpośrednią drogę do oszczędności dzięki niższym kosztom konserwacji i krótszym przestojom.

Zdaniem ekspertów nie jest to jednak tak proste, jak samo wszczepienie czujników do istniejącego sprzętu, a czerpanie korzyści z konserwacji predykcyjnej nie jest automatyczną wygraną dla firm o dużym zasobie aktywów, które mogą najwięcej zyskać na tym wdrożeniu IoT.

Wyzwania, według ABI Research, są wyraźnie widoczne w historii wykorzystania Internetu Rzeczy w przemyśle naftowo-gazowym. Wycieki ropy na morzu są nadal stosunkowo powszechne, pomimo powszechnego korzystania z usług IoT, a dużym powodem jest to, że część IoT AI/ML po prostu nie jest jeszcze tak dobrze zaimplementowana.

„Podczas gdy czołowi gracze naftowi reklamują się jako profesjonaliści, a analityka predykcyjna jest kluczem do ich inwestycji”, napisała w zeszłym miesiącu analityk ABI, Kateryna Dubrova, „firmy konsultingowe i zatrudnienie kilku ekspertów nie sprawiają, że technologia działa, a następnie nie wprowadzanie zmian w środkach zapobiegawczych”.

Brak kompleksowego planu uzyskania prawdziwej wartości z oceanów danych, jakie może wygenerować projekt IoT, jest największym powodem, dla którego firmy nie widzą wymiernych wyników konserwacji predykcyjnej, powiedział Frank Gillett, analityk Forrester. Firmy czasami są podekscytowane, umieszczają czujniki wszędzie, gdzie mogą, a potem oczekują, że zysk sam się rozwinie.

„Istnieje wiele przykładów ludzi, którzy patrzą na dane z czujników, a następnie próbują stworzyć uzasadnienie biznesowe, zamiast próbować najpierw zbudować uzasadnienie biznesowe”, powiedział. „To jak chodzenie z młotkiem i nie znajdowanie żadnych gwoździ”.

Wiele z tego ma związek z faktem, że prawidłowe działanie sztucznej inteligencji i uczenia maszynowego jest trudne. Firmy potrzebują ogromnej wiedzy specjalistycznej w zakresie analizy danych — zarówno wewnętrznej, jak i od swoich dostawców — aby upewnić się, że dane szkoleniowe uczą model właściwych lekcji.

Co więcej, swobodne przenoszenie danych jest trudne w niektórych branżach, w których firmy mogą niechętnie przekazywać informacje operacyjne osobom trzecim.

Na przykład producent może nie chcieć publikować informacji o wydajności na sprzęcie fabrycznym, jeśli informacje te mogłyby zapewnić osobom z zewnątrz wgląd w poufne procesy w pracy.

Użytkownicy potrzebują również znacznie bardziej całościowego zrozumienia tego, w jaki sposób konserwacja predykcyjna faktycznie wpływa na wartość biznesową, według głównego konsultanta Cambashi Alana Griffithsa, który zauważył również, że wiedza instytucjonalna w zakresie IoT jest nieoceniona, aby wszystko działało.

„Kiedy spojrzysz na wymaganą technologię, jest ona dość wyrafinowana” – powiedział. „Każdy z nich jest dość dobrze zrozumiany, ale wdrożenie może być skomplikowane, zwłaszcza w przypadku działów IT o staromodnym stylu”.

Jednak łatwo zrozumieć, dlaczego firmy tak się spieszą z przyjęciem tej technologii – jest po prostu zbyt wiele potencjalnych korzyści, by je zignorować. Śledzenie informacji o konserwacji daje firmom dodatkową pewność, że pieniądze, które wydają na wymianę i naprawy, są wydawane we właściwych miejscach i pozwala im ograniczyć niepotrzebne wydatki.

451 Wiceprezes ds. badań, Christian Renaud, powiedział, że trudno przecenić możliwe zalety.

„Istnieje wiele różnych rzeczy związanych z ROI, produkcją, wartością aktywów, bezpieczeństwem pracowników, a następnie wszystkimi puszystymi korzyściami, w których zbierasz wszystkie dane z tych rzeczy i uzyskujesz wgląd w trendy historyczne” – powiedział. „To jest coś, co było ostatecznym przypadkiem użycia, na długo przed tym, zanim zaczęliśmy nazywać to IoT”.

I pomimo pewnych problemów i luki w wiedzy dotyczącej analizy danych, która jest częścią układanki, jest wielu użytkowników wykonujących dla nich prace związane z konserwacją predykcyjną.

Niedawne badanie przeprowadzone przez 451 pokazuje, że konserwacja predykcyjna jest najczęściej używanym zastosowaniem Internetu Rzeczy wśród firm zajmujących się technologiami operacyjnymi, a spośród nich zdecydowana większość zgłasza co najmniej „nieco pozytywny” zwrot z inwestycji.

„Jest tak wiele korzyści z telemetrii tych maszyn” – powiedział Renaud.