В течение многих лет история промышленного обслуживания с использованием интернета вещей IoT была сформулирована вокруг прогноза: установить датчики, контролировать вибрацию, температуру и другие параметры, обнаруживать аномалии, прогнозировать момент отказа и вмешиваться до остановки производства. Эта логика остается в силе, но она не полностью устраняет человеческий фактор, который теперь становится более видимым. Знание того, что наступает отказ, является лишь частью проблемы; знание того, как диагностировать и устранить его, становится столь же критическим.
С уходом на пенсию опытных техников предприятия теряют недокументированные процедуры ремонта, знания о неисправностях конкретных машин и практические навыки поиска и устранения неисправностей, которые никогда не были описаны ни в одном руководстве, потому что в этом не было необходимости - эксперт всегда был рядом.
Новый аналитический отчет IoT Analytics утверждает, что время простоя в промышленности все больше связано не только с отказом машины, но и с потерей ноу-хау в обслуживании. Американская компания Cognite, специализирующаяся на промышленном IoT, отметила разрыв в производительности: начинающим специалистам может потребоваться в 3-3,5 раза больше времени для диагностики и ремонта оборудования, чем их опытным коллегам.
Исследование указывает на возможность захвата знаний с помощью искусственного интеллекта (ИИ) и предписывающего обслуживания. Ожидается, что 65% команд по техническому обслуживанию производственных предприятий потеряют критически важные знания, что делает использование ИИ-агента или помощника для эффективного устранения неполадок необходимым условием для управления этими потерями.
Логичным следствием для промышленных предприятий является то, что проекты по внедрению ИИ в сфере технического обслуживания будут все больше напоминать программы управления знаниями, а не только аналитические решения. Критически важным ресурсом являются не только данные с датчиков, но и контекст, который превращает оповещение в безопасное и эффективное действие по ремонту.
Таким образом, в исследовании выявлена новая тенденция - переход к цифровизации экспертных знаний технических специалистов: процедур ремонта, опыта поиска и устранения неисправностей, специфичных для конкретного оборудования, истории калибровки, руководств, стандартных операционных процедур и недокументированных решений. В отчете приводятся примеры разработчиком CMMS/EAM-систем, которые уже уловили эту тенденцию.
