五个挑战您必须解决成功预测资产失败

企业每天从有关资产和传感器收集大量数据。工业和重型设备空间中的几名前瞻性思维玩家正在使用此数据来推动预测维护（PM）以获得更大的竞争优势。通过提前预测维护需求，资产和设备可用性可以显着提高，降低整体维护成本。

但是，由于公司开始实施预测模型框架，因此他们需要意识到可能导致失败执行的挑战。为了确保更安全，更智能，更可靠的资产，设备和运营，您的PM解决方案应解决五个关键挑战。

挑战1：了解对业务影响的结果有限

了解资产的行为应在业务成果的背景下。考虑的一些指标包括机器正常运行时间，吞吐量，缺陷率，关键故障历史，以及资产的运营寿命。确定并仔细映射到机器结果的自上而下的方法，比使用运营团队根据资产性能目标（自下而上方法）选择指标，更为希望。这允许OEM从响应性维护前景有效地转移到具有规范行为的预测维护策略。

如何解决它：构建地址对业务相关的指标的预测模型。然后可以将所识别的行为建模成用于监视且甚至预测未来设备行为的算​​法。利用和处理企业数据提供显着的见解，提高决策和客户体验，并最大限度地提高收入。

挑战2：对技术问题的业务问题不清楚的翻译

When translating the business problem into a technical solution (e.g., predicting equipment failure), one may not think to collect sensor data, or there may be budget constraints for a predictive maintenance solution, and a sub-optimal solution (e.g., analytics on past failures) could be selected. While documenting the wish list of the technical solution that addresses business needs, the available data or budget does not need to be considered. Once a technical solution is identified, it becomes easier to fit that solution into the available budget, given the reduced cost of data acquisition.

如何解决它：确定正确的解决方案需要强大的企业敏锐和技术专长。具有中立或无偏见的偏好的顾问可以提供必要的能力和支持。许多公司首先聘请高级咨询公司建立概述的战略和解决方案，然后与IT供应商合作实现。确定正确的解决方案时，与右侧供应商的合伙可以在预算限制内构建解决方案。

挑战3：没有正确的数据

有效利用正确的数据来实现其实际值可以是一个复杂的任务。通常，可用数据可能不一定导致所需的结果。因此，需要一种数据结果映射映射映射才能识别任何缺失数据。获得准确的输入数据无疑是最关键的，但不一定是昂贵的，措施确保成功的预测模型。

如何解决它：前一步中识别的正确技术解决方案应用于概述缺失的部分，如架构间隙，技术或开发工具，当然是缺失的数据。在需要新数据的情况下，通过利用新出现的传感器或其他手段，可以成本有效地生产。通过预测分析，可以获得可预测模型以获得优化的业务性能。系统化的数据被处理为具有高级分析的有意义的位，但现在信息需要提供可操作的智能。通过将模型和算法应用于数据，组织可以识别和预测性能问题，从而实现了提高资产性能的明智决策。

挑战4：技术和领域技能的结合不足

一个带域专家的团队以及数据科学家是预测分析成功的配方。利用数据科学家建设尖端算法和域专家提供经验指导右算法的构建，有效的PM解决方案需要一个协同作用。

如何解决它：具有正确技术堆栈和交互式分析方法的合适团队将能够建立从收集的数据中学到的数据，并在组织的业务工作流程中无缝集成。对于技术和域技能的正确组合，必须牢记以下内容：

• 预测建模是一个多学科领域，需要一个复杂的利基技能相互作用
• 与典型的软件开发项目不同，这涉及显着的基于研究的迭代实验，使领域和技术专家能够尽量减少数量并提高试验速度
• 鉴于这种开发过程的性质，整体项目可能会发现额外的商业福利，具体取决于域专家未发现的见解

挑战5：变革管理和实施策略

改变管理，用户培训和解决方案的持续支持等因素是至关重要的。如果操作团队未经听到理解，智能解决方案最终可能会被使用甚至丢失。

如何解决它：企业和运营团队需要利用专业变更管理实践，以推动采用预测模型。与软件工具不同，预测模型正在不断发展解决方案。它们可以在适当构建时随着时间的推移而增强。技术和领域团队的主动支持是确保模型随着时间的推移而改善，帮助公司获得竞争优势。

结论

PM项目的失败率非常高。但是，可以系统地识别失败背后的原因，并了解如何防止它们，以便可以开发成功的PM解决方案。向PM迁移的领导致敬将帮助企业确定优先级结果，并将其映射到技术方案，而无需担心可用数据或预算。领导力的买入也将确保整个组织的新解决方案无缝采用，并支持其不断的演变。

实际上是一个有效的PM解决方案只是预测资产失败。它还包括识别业务场景和相关的规范动作，以驱动操作目标，例如：

• 预测和优先考虑即将到来的维护行动
• 战术规划更换零件，系统或子系统的即时库存
• 积极暗示资产设计升级存在反复性能问题

如果企业理解为什么实现将失败和将原因分类为行动桶，则可以进行以上。早期识别特定机器或组件的潜在问题对于成功的维护策略至关重要。只有这样可以部署维护和维修服务，以最小化或防止设备​​停机。

实施强大的预测维护解决方案将支持资产替代，并为资产的健康和利用提供见解。通过统一数据策略支持的高级分析方法对于有效管理风险，优化操作和推动业务增长至关重要。