预见性维护资产管理提供了保证
当涉及到资产管理、水务往往体重对预防性维护他们的努力
水务全世界面临着挑战,包括增加需求,收入下降和气候变化。在构建新资产仍然是解决方案的一部分,提高现有资产的性能比以往任何时候都更重要。
越来越关注资产管理作为公用事业的途径提供高质量服务的客户和会议质量和环境管理目标——在很大程度上推动了成本的下降和增加访问智能传感器和数据分析工具。变化的速度正在加快,人工智能(AI)和机器学习软件同样变得更便宜和更广泛应用。
由于这些驱动程序,采用正在增长。根据Black & Veatch 2019战略方向:水报告调查显示,北美水务民意调查,88%的受访者已经实施或正在实施一项资产管理程序。
然而,然而,技术本身是不够的。最成功的智能资产管理和维护程序混合人类和技术卓越。动态维护需要的深机构的资产基础知识只能来自的人设计、建造和运营。
机器的崛起
人工智能和机器学习技术允许水务超越许多目前使用描述性的分析来理解过去的事件和趋势转向预测分析,建立可能会发生什么,和规范的分析,基于预测的行动建议。
时了解资产维护实用程序方法,调查数据显示,平均而言,他们倾向于体重对预防性维护他们的努力更重要,占受访者的43%,其次是反应(40%)和预测(17%)。这些结果显示一个公用事业的机会,最终从被动的策略,转向一个更预测方法。
物联网(物联网)将这些方法的一个重要驱动因素。物联网是由连接设备,从简单的传感器智能手机。互联网的普及和廉价传感器成为可能的可用性不断增加,有成本效益的条件和性能数据的收集。
传感器通过互联网连接的目的分析使性能更便宜的可见性。这样的灵活性低成本性能监控扩展到临界水平的地区传统上不会证明更昂贵的控制和保护系统,但在资产失败不会是没有成本的影响。
这些技术的进步正在帮助促进资产管理和操作的新方法:
- 动态预防性维修(DPM),从而防止故障发生之前通过使用智能预测和动态维护计划。
- 预后维修干预(PMI),使用机器学习,模式识别和先进的分析优化,管理和提供干预措施。
数据是要付出代价的
这些技术使访问的数据量自来水可能是压倒性的。此外,有一个捕捉成本,存储和访问每个数据点。当开发金刚石和PMI策略,是至关重要的实用程序定义最好的资产和相关数据支持他们的目标,只关注他们。
未能做到这一点导致了数据收集计划,成本超过储蓄他们预期收益率。捕获和存储数据,最重要的是保持准确、最新信息可能代价高昂。
像实物资产、资产数据有一个生命周期。约有20%的资产数据收集的成本是资本资产的生命周期阶段。剩下的4/5的数据生成成本在操作和维护(运营管理)阶段。这是由于部分的长度资本阶段相比,运营管理阶段,但主要是因为生活的各项数据,不断发展,需要持续的监控、存储和更新。
了解相关的成本与资产数据生命周期的不同阶段,规划相应的数据采集是动态预防维护的基础。收获不需要的数据结合使用坏数据的风险,实际上,要付出代价的。
后最重要的资产和相关数据已确定,其临界是可以理解的。这意味着关注资产或流程的目的是做什么和确定因素阻止它根据需要执行。这些信息是用来通知措施,减轻资产性能退化的因素,创造一个条件或产出型维护政权之间的最优平衡成本、风险和性能。
根本原因分析和减缓将使水务未能更好地理解在类似的流程和计划内和计划外成本,如果他们不同,理解为什么。这将提供洞察真实cost-to-serve至关重要。
向4.0维护
金刚石和PMI项目标志着一个重大的一步维护4.0 -第四次工业革命和转向cyber-physical系统。水务需要拥抱这种变化,知道技术只是解决方案的一部分。
提供最聪明可能维护解决方案,运营管理团队需要信任AI-driven项目。为此,AI平台需要建立在自来水的深层制度知识设计、建设和运营管理专家。
