案例分析

关心您的关键任务:您的机器维护

主要挑战

预防性维护依赖于机器平均寿命或预期寿命的统计数据，以预测何时需要进行维护。然而，它经常不能提供预期的机器正常运行时间结果。真正的挑战是确定每个单独的在役设备的实际状况，以便预测何时应该进行维护。

影响

99^%

服务级别保证高达99％的机器可用性。

降低了无标记的预防性维护和维修的成本降低了18％。

技术人员配置的深度优化和维护工程师生产力的显著提高。在ATM维护管理环境中，该解决方案将运营效率提高了14.3%，并将每个技术人员的日均服务调用次数从3次减少到4次。

解决方案

预测机器维护

我们能够在正确的时间内能够在正确的时间内向机器进行洞察，以确切地知道哪些设备需要维护，机器保养更好的计划（备件，人物等）。有什么“计划生命停止”的转变为更短，更少的计划停止'，从而增加了可用性。

寻找突破性的解决方案?

与我们的专家交谈

我们的方法确保了成本节约的常规或基于时间的预防性维护，因为任务只在必要的时候执行。

它还利用了“洞察力即服务”(insights as-a-service)功能，从更广阔的领域中，从机器(比如必须维护的机器)中管理信息。

预见性维护计划

预测ATM故障60毫秒，准确率80%。

改进下一代机器设计的见解。

洞察揭示了ATM机械电动机的倾向，而不是比打印机或键盘更快。

谈到机器时，对他们来说，从来没有真正的好时机。机械故障不可避免地昂贵。这适用于设备的制造商，为客户提供管理机器维护服务提供商。为应对挑战，公司已经探索了各种策略 - 甚至预防性维护计划 - 增加机器正常运行时间。目标一直是：确保机器的高可用性，在网络上合理化服务和维修成本，并将学习纳入制造和应用的新型机器。但是每个策略 - 即使是策略的结合 - 也取得了有限的成功。

来自多个站点和几个月使用的机器的数据并置，以及必须维护的来自个别机器的接近实时的数据，将有助于获得提供警告信号和向管理人员发出潜在机器故障警报的洞见。下面是它的工作原理:

例如，我们整理了8500多台ATM的400万张故障罚单记录，以开发、训练和测试一个机器学习模型，用于预测北美ATM的故障。获取不同的数据——过去的功能障碍事件、维护计划、日志数据、事务负载、自上次修复以来的时间、机器的老化以及报告的缺陷。

将数据导入Apache Spark数据处理引擎进行逻辑回归。Spark开源集群计算框架清理和丰富数据最快仅需27秒。在ATM预测性维护程序中，逻辑回归算法在60毫秒内预测ATM故障，准确率为80%。

使用图表可视化工具展示报告以供解释和分析。彩色编码的仪表板帮助维护团队在时间段、城市/州和模型类型中查看通知、服务调用和故障模式。