泵，工厂范围，和数字化转型-第1部分

我每年与数百个客户打交道，无论行业如何，当讨论转向工厂范围的监控时——更不用说企业范围的监控了——泵总是设法抢去聚光灯。

原因很简单:每个行业都有它们——很多——而且几乎每个行业都花了太多的钱来维护它们。从历史上看，人们对泵的态度是，因为许多或大多数泵都没有受到影响，因此泵的故障对过程的影响并不太大，因此不需要进行永久监控，而只是一个巡视程序。当然，这还不包括处理有毒和/或易燃材料的泵，以及当一个泵失败、着火时随之而来的破坏，不仅会使它自己的工艺循环，还会使整个工厂戛然而止。这些应用程序通常值得每月使用便携式数据收集器进行多次检查，从而获得真正的机器保护。事实上，这是我们产品组合中2300系列显示器的主要用例之一。但这并不是我在本文中关注的泵类。

相反，它是一种泵，在这种泵中，以不同的方式做事的动力不一定是由失败的后果驱动的，而是由失败的结果驱动的维护成本高。在这些机器上，它不是死亡，而是一次割伤。这是一种千刀万剐的做法，因为每一种方法都可以——而且经常会——在维护成本和获取数据的成本方面造成很小的削减。如果我们谈论的是几十台机器，那么这些成本可能会在总体维护预算的舍入误差中被忽略。

但很少是几十个。

在整个工厂的基础上，许多工业设施中普通水泵的数量通常超过100台，经常超过数千台。当我与负责这些机器的人员交谈并询问他们今天在做什么时，他们的回答通常是相同的:使用劳动密集型的手动数据收集方法。它有用吗?排序的。事情不一定会火起来，但是当组织中更高级别的人超越了“没有重大事件”的标准，开始关注花费了多少钱时，问题就开始出现了。当以更关键的机器为基准时，很明显，按百分比计算，维护成本过高。是的，总体而言，可靠性水平可能是可以接受的，因为这些机器通常是不受影响的——但到达那里并留在那里的成本却不是。管理层理所当然地问:“我是否必须满足于现状?是否有更好的方法来实现我的可靠性目标?”

我也经常和许多工厂里的另一群人交谈。这些人的角色在15年前根本不存在:数字化转型领导者。但那是过去的事了。这是现在。今天，没有他们的组织结构图是罕见的。就像一辆没有蓝牙的汽车。或者一天没有垃圾邮件。

许多人不是旋转机械专家，也不应该是。他们通常以高度的眼光看待组织内发生的所有事情，他们的工作是看到整个森林，而不是树皮、甲虫和树叶。他们通常不会将一项可靠性计划与另一项相提并论。相反，他们正在寻找所有可能的方式，将一种方法或过程数字化，从自助餐厅到冷凝泵，并决定哪些项目提供最引人注目的投资回报。

好消息是，大多数工厂非常关心的水泵不必保持现状。它们经常出现在数字化转型计划的榜首。

这是为什么。

因为经常有很多泵，每个泵的小改进都会带来大的好处。大多数工厂都意识到了这一点，他们正在寻找不同的方法来解决水泵的问题。由于无线传感的价格急剧下降，它得到了很多关注，泵通常是这种传感器的完美候选者。事实上，无线传感器几乎已经成为商品。我并不是说它们都一样——我只是说市场上充斥着它们。因此，数字化之旅的第一步实际上是消除与手动收集数据相关的步骤和劳动力成本。而不是磨损的靴子从数百个泵(或更多)收集数据，数据到分析师。不幸的是，很多公司在这一点上停下来，认为他们已经数字化了数据收集并改变了他们的流程。但他们只是把一组问题换成了另一组。他们很快意识到，现在必须有人审查所有传入的数据，并管理所有这些警报。 It becomes a full-time job and although the data is more frequent, it becomes not death by a thousand cuts but death by a thousand alarms. Alarm management turns into a full-time job even if data collection is no longer a full-time job.

然而，许多数字化转型领导者所看到的不是挑战，而是机遇。这是因为他们中的许多人都了解人工智能的力量——他们已经看到人工智能在其他地方得到了很好的应用。相比之下，许多旋转设备人员持高度怀疑态度，因为他们看到了所有的炒作，但很少看到承诺的结果。他们的参考框架往往是AI做错了，而不是AI做对了。因此，会产生一种固有的自身免疫反应。我也经历过。事实上，在最近一项针对专注于旋转机械的客户的调查中，46%的人直截了当地告诉我们，他们对这些应用中的人工智能持怀疑态度，27%的人告诉我们，他们确实尝试过人工智能，但它表现不佳。

坦白地说，我们这个行业里几乎每个人都有同样的怀疑。直到我们看到人工智能做得很好。然后灯泡亮了。

人工智能可以做诊断。人们不需要在数据中寻找问题;人工智能可以为他们做这些。而且，人工智能甚至可以迈出下一步，超越诊断，提供规范性建议。不仅仅是"有问题"而是"这问题是这是该怎么做。”这样，人们就可以把时间花在解决问题和消除缺陷上——而不是寻找问题，然后分析问题。这就是数字化转型的全貌。不仅仅是将数据收集数字化，还要对数据进行分析，并将其转化为简单到连五年级学生都能理解的东西。

“你的轴承有磨损的迹象，很可能是不平衡造成的。31个月前，我们在这台机器上看到了同样的问题。强烈建议在接下来的45天内更换轴承，并在机器恢复使用之前进行平衡。与此同时，我们将每天监测它，并通知您任何需要立即干预的重大变化。”

有什么不喜欢的呢?

这里的关键在于AI本身。它健壮吗?它准确吗?它是否需要大量的历史数据、一小群专家以及数月的培训?

不，没有。不再......

我们使用的专用AI意味着训练系统理解泵是什么、电机是什么、风扇是什么或大多数其他资产的艰苦工作已经完成。训练系统了解不平衡、不对中、轴承缺陷或地脚螺栓松动之间的区别的艰苦工作已经完成。不仅仅是一个泵，在室温下，在实验室环境下。数以十万计的泵，运行时间达一亿小时。和汽车。和风扇。还有很多其他资产。

有点像那个年代Life®麦片广告从1970年代开始。如果常驻怀疑论者喜欢它，那它一定很好。相信我，我们很多人都是怀疑论者。但后来我们看到了这项技术的成果。和米奇一样，我们接受了它。大的时间。

数字不会撒谎。这种人工智能，当应用于这类机器时，是在交付货物。它检测问题的能力超过95%。一旦被检测到，它精确识别问题类型的能力——换句话说，诊断准确率——超过99%。

在本文的第2部分中，我将把它转化为ROI方面的含义，从工厂范围到企业范围的可伸缩性方面的含义，以及我们选择的交付模型如何在快速回报、易于部署和超越积极的ROI阈值方面产生所有差异，数字转型领导者正在使用这些阈值将一般项目与必须做的项目分开。

你应该把这项技术推广到全厂吗?是的。这就像下了楼梯，上了自动扶梯。你应该止步于全厂吗?不，你也不想。技术规模和商业模式规模都在扩大，这意味着收益也在扩大。