Charting de AI Curso de sucesso em manutenção preditiva

Muitas empresas manufatureiras embarcaram entusiasticamente em jornadas de manutenção preditivas, apenas para descobrir que a estrada está repleta de obstáculos de dados, obstáculos de gerenciamento de mudanças e modelos de negócios desafiam que minam suas iniciativas bem-intencionadas. Apesar do apelo do uso da IA ​​para prever a condição de ativos e máquinas corporativas, a realidade é que o processo de implementação e monetização pode ser uma experiência humilhante. Isso começa com a falta de dados de falha precisos. Esses registros são essenciais para o desenvolvimento de algoritmos avançados e modelos preditivos de treinamento porque mostram quando uma máquina falhou e por quê. Com muita frequência, esses dados são registrados manualmente, incompletos, imprecisos ou - mesmo piores - sem serxistentes. Sem esses dados, treinar um modelo para antecipar a falha de máquinas se torna uma tarefa hercúlea. Os desafios na alavancagem dos esforços de manutenção preditiva se estendem muito além de coletar os dados certos para colocar os dados para usar efetivamente. Muitas organizações lutam para interpretar dados complexos de máquinas e subsequentemente falham em aproveitá -los efetivamente para esforços de manutenção preditivos. Além disso, a qualidade dos dados do sensor é ruim. Muitas vezes, é incompleto, inconsistente e não padronizado. Os sensores com defeito podem atrapalhar ainda mais o cenário de dados, reduzindo a confiabilidade geral dos dados e dificultando a obtenção de insights significativos.

The challenges of predictive maintenance are not rooted in the technology itself, but rather stem from two interconnected issues.

First, many companies struggle with the data infrastructure. This starts with a lack of accurate failure data. These records are essential for developing advanced algorithms and training predictive models because they show when a machine failed and why. Too often this data is manually recorded, incomplete, inaccurate, or—even worse—nonexistent. Without this data, training a model to anticipate machinery failure becomes a Herculean task. Challenges in leveraging predictive maintenance efforts extend far beyond gathering the right data to putting the data to use effectively. Many organizations struggle with interpreting complex machinery data and subsequently fail to leverage it effectively for predictive maintenance efforts. Additionally, the quality of sensor data is poor. It is often incomplete, inconsistent, and unstandardized. Malfunctioning sensors can further muddle the data landscape by reducing the overall reliability of the data and making it difficult for manufacturers to derive meaningful insights.

Segundo, a maioria das organizações falha em operacionalizar a manutenção preditiva no chão da fábrica, na estrada ou no campo - interpretando oportunidades para melhorar a força de trabalho ou a produtividade do cliente. Eles não envolvem usuários o suficiente no design inicial da solução e, em seguida, subinveres no gerenciamento de mudanças após a implementação. Até as empresas que implementaram com sucesso a manutenção preditiva geralmente lutam para realizar reduções de custos internamente ou monetizar com os clientes externamente, por meio de serviços de assinatura, para atender ao caso de negócios original.

O caminho para a manutenção preditiva não é direto para muitas empresas, e o BCG X trabalhou com inúmeras empresas de manufatura globais para enfrentar esses desafios. Nossa abordagem para a manutenção preditiva foi destilada em nosso conjunto abrangente de software: Mfg ai . Essa oferta abrange cinco estratégias que capacitaram nossos clientes a superar esses obstáculos de dados, permitindo que eles superem obstáculos de dados e traçam um caminho para o sucesso preditivo de manutenção.

Aproveitando a experiência humana para preencher lacunas de dados

Nossa primeira estratégia envolve aproveitar a vasta experiência humana neste campo. Durante um projeto com um grande fabricante de máquinas de processamento de alimentos, lidamos com casos de uso de alta prioridade, onde os dados eram mínimos. Para abordar essas lacunas de dados, colaboramos com especialistas como especialistas em P&D, controles de engenheiros e técnicos de serviço que tiveram anos de experiência prática e-se recebem os dados certos-podem diagnosticar e antecipar problemas com as máquinas. Algoritmos com base no feedback de especialistas. Os insights dessa equipe de profissionais humanos experientes nos permitiram preencher lacunas de dados e criar um modelo de aprendizado de máquina que é essencialmente um especialista virtual-um que pode monitorar uma máquina 24-7, prever quando uma falha acontecerá e recomenda o insights e a ação de selo de scarcity. Redes adversárias generativas (GANS). Essas ferramentas avançadas usam uma técnica de aumento de dados para gerar dados sintéticos, que imitam as propriedades dos dados existentes e aprimora exponencialmente o conjunto de dados para o treinamento de modelos. Dados. Tecuídos na detecção de defeitos raros raramente documentados, nossa equipe usou Gans para gerar imagens sintéticas desses defeitos. Esses dados sintéticos nos permitiram treinar o algoritmo de maneira eficaz, identificando com precisão os defeitos raros, apesar dos dados originais limitados. Ao criar diversidade no conjunto de dados, essa forma de aumento habilitada para A AI capacitou nossos modelos de manutenção preditiva para entender melhor vários cenários de manutenção, aumentando a precisão e a confiabilidade da previsão. Ao trabalhar em uma implementação de manutenção preditiva para um grande fabricante de equipamentos de construção, optamos por começar por muitos algoritmos simples, em vez de construir um modelo complexo para prever falhas de máquinas. O desenvolvimento de um único modelo avançado exigiria tempo significativo e não forneceria salvaguardas ou backup. Ao crowdsourcing vários algoritmos, fomos capazes de aumentar vários modelos, cada um com lógica diferente, que forneceu salvaguardas e nos permitiu determinar o algoritmo certo, fazendo com que eles votem um contra o outro. Incorpore sua experiência e insights para refinar os algoritmos e melhorar sua eficácia. Essa colaboração garantiu que nossos modelos estivessem enraizados na realidade do chão da loja, não apenas suposições teóricas. Nosso objetivo era ampliar o impacto, vinculando algoritmos de manutenção preditiva ao copiloto de manutenção de nossa equipe, movido a genai, uma ferramenta de prova de conceito que ajuda a preencher as lacunas no ciclo de manutenção.

By working closely with these experts, we identified key data points, developed pattern-matching algorithms to detect abnormalities, and continually reviewed and refined the algorithms on the basis of expert feedback. The insights from this team of experienced human professionals enabled us to bridge data gaps and create a machine-learning model that is essentially a virtual expert—one that can monitor a machine 24-7, predict when a failure will happen, and recommend insights and corrective actions to the maintenance team.

Using Generative Data Augmentation to Overcome Data Scarcity

The second strategy involves tackling data scarcity with generative adversarial networks (GANs). These advanced tools use a data augmentation technique to generate synthetic data, which mimics the properties of existing data and exponentially enhances the data set for model training.

Generative data augmentation techniques allow companies to tackle data scarcity issues head-on, as manufacturers are not restricted to developing models only where they have ample amounts of existing, high-quality data.

We successfully put this strategy to work to develop a computer vision–based grading application for a large processed-food manufacturer. Tasked with detecting seldom-documented rare defects, our team used GANs to generate synthetic images of these defects. This synthetic data allowed us to train the algorithm effectively, thus accurately identifying the rare defects despite the limited original data. By creating diversity in the data set, this AI-enabled form of augmentation empowered our predictive maintenance models to better understand various maintenance scenarios, enhancing prediction accuracy and reliability.

Crowdsourcing Algorithms to Iterate Quickly

Our third strategy is rooted in the wisdom of crowds and the power of simplicity. While working on a predictive maintenance implementation for a major construction equipment manufacturer, we opted to start by crowdsourcing many simple algorithms rather than building one complex model to predict machine failures. Developing a single advanced model would have required significant time and provided no safeguards or backup. By crowdsourcing a number of algorithms, we were able to spin up multiple models, each with different logic, which provided safeguards and allowed us to determine the right algorithm by having them vote against one another.

This approach was not only cost-effective but also allowed us to experiment quickly and fail safely.

In addition to pursuing this crowdsourcing approach, we worked closely with the operations staff to incorporate their experience and insights in refining the algorithms and improving their effectiveness. This collaboration ensured that our models were rooted in the reality of the shop floor, not just theoretical assumptions.

Improving Operations and Workforce Productivity with Generative AI

Working with a revered, century-old original equipment manufacturer (OEM), we discovered an opportunity to enhance the effectiveness of predictive maintenance using generative AI. Our goal was to amplify impact by linking predictive maintenance algorithms with our team’s GenAI-powered maintenance copilot, a proof-of-concept tool that helps bridge gaps in the maintenance cycle.

Quando o copiloto recebe um alerta de manutenção dos modelos de manutenção preditiva, ele gera rapidamente um plano de reparo personalizado com instruções detalhadas adaptadas aos problemas de máquinas específicos do OEM. Essa abordagem não apenas identifica rapidamente o problema e sua solução, determinando as peças necessárias, verificando sua disponibilidade e estimando custos, mas também envia essas informações críticas ao técnico. Além disso, o copiloto prepara os documentos necessários para a manutenção futura, com o objetivo de sincronizar tarefas de reparo com tempos de inatividade planejados, transformando assim um processo de um dia em meros momentos. A racionalização desse processo também aumenta significativamente a produtividade da força de trabalho, permitindo que a equipe de manutenção se concentre na execução de estratégias de reparo bem planejadas, em vez de gastar tempo na identificação de problemas. Com programas de manutenção preditiva bem -sucedidos, muitas empresas acham que a monetização interna é mais fácil de obter, pois reduções nos custos da garantia, diminuição do retrabalho e tempo de inatividade minimizado, todos se traduzem em ganhos rápidos, incluindo aumentos de rendimento e rendimento. Mas isso ainda requer uma solução que se encaixa no fluxo de trabalho existente dos usuários. As empresas que envolvem seus usuários finais antecipadamente no design geralmente vêem os melhores resultados. E uma vez implantado, um programa de gerenciamento de mudanças atencioso e prático envolvendo “super usuários” é fundamental para garantir a adoção e a integração da solução nas atividades diárias.

Here, the combined power of predictive maintenance and GenAI not only enhances the OEM’s operations—it transforms them. Streamlining this process also significantly increases workforce productivity by enabling maintenance staff to focus on executing well-planned repair strategies rather than spending time on identifying problems.

Investing in Change Management and Smart Monetization Strategies

Once we have solved the data challenges and built a successful predictive maintenance algorithm and solution, the real work begins. With successful predictive maintenance programs, many companies find that internal monetization is easier to attain, as reductions in warranty costs, decreased rework, and minimized downtime all translate into quick gains including throughput and yield increases. But this still requires a solution that fits into the existing workflow of the users. Companies that involve their end users upfront in the design often see the best results. And once deployed, a thoughtful and hands-on change management program involving “super users” is critical to ensure adoption and integration of the solution into day-to-day activities.

Quando se trata de monetização externa - particularmente com OEMs - há frequentemente uma luta para fazer um caso de negócios convincente devido aos desafios da transferência de custos para os clientes por meio de preços antecipados mais altos ou planos de assinatura incrementais. Para resolver esse problema, os OEMs podem considerar a mudança para oferecer pacotes de serviços de ciclo de vida que fornecem aos clientes um preço fixo para o suporte ao mercado de reposição, convertendo custos variáveis ​​de pós -venda e risco de inatividade em um pagamento estável e predeterminado com melhor tempo de atividade e menor risco. Por exemplo, usamos efetivamente essa estratégia ao trabalhar com um fabricante líder de equipamentos, desenvolvendo e dimensionando um modelo de negócios digital de pós -venda. Criamos diferentes pacotes de serviço adaptados às necessidades dos clientes da OEM, incluindo custos reduzidos durante o tempo de compra, o tempo sincronizado das despesas com benefícios, bem como atualizações rápidas e precisas de software e modelos analíticos.

This smart approach to monetization not only ensured a recurring revenue stream for the OEM but also provided significant benefits for its customers—a true win-win.

Moving Forward

Ao adotar essas cinco estratégias, o BCG X ajudou as empresas de manufatura a superar questões comuns relacionadas à escassez e qualidade dos dados, a implementar programas de manutenção preditiva bem -sucedidos que aproveitam os últimos avanços na IA e comercializam e monetizam essa capacidade. Depois que as empresas escalaram com manutenção preditiva, as vimos reduzir o tempo de inatividade não planejado em 20% a 40% e diminuir o custo total de propriedade em 10%. Além de combinar empresas com a tecnologia certa e soluções algorítmicas, também reconhecemos que o gerenciamento de mudanças e a capacitação da equipe são atividades críticas para capturar valor e garantir sucesso sustentado.

At BCG X, we tailor solutions to manufacturing clients’ needs using the MFG AI platform, which provides a robust platform, versatile data model, and unique AI methodology to address maintenance challenges. In addition to matching companies with the right technology and algorithmic solutions, we also recognize that change management and team enablement are critical activities for capturing value and ensuring sustained success.

A jornada para abrangente AI adoção em Fabricação não é isento de desafios. Mas acreditamos que qualquer organização pode fazer avanços significativos em direção a esse objetivo. Isso envolve o foco na experiência humana, alavancando técnicas avançadas de aumento de dados e genai, equilibrando modelos de ponta com o poder da simplicidade e percebendo que o sucesso vai além da construção da solução técnica e inclui design pensativo centrado no usuário, gerenciamento rigoroso de mudanças e estratégias de monetização inteligente.

Fizemos isso e estamos prontos para ajudar outras pessoas a navegar nessa jornada. Inscreva -se

The authors thank their BCG colleagues Joakim Kalvenes and Liam Murphy.