背景:兴趣大,带宽小
工业物联网预测性维护是当今最热门的话题之一。对比“工业4.0”和“预测性维护”的互联网搜索可以发现,在过去几年里,人们对这两个词的兴趣激增(见图1)。
许多出版物和分析师(包括哈佛商业评论1和普华永道)都提到了对工业物联网预测性维护解决方案日益增长的需求2.
工业物联网预测性维护正迅速从战略转向执行。高管们正在接受正常运行时间延长和产量提高带来的经济潜力。与此同时,大数据专业人员的可用性也引起了人们的担忧。
在埃默里大学工业物联网预测性维护研究的未来3.,要求维护可靠性专业人员评估他们对预测性维护部署的态度。“高管们认识到预测分析的潜力”这一说法获得了最高的赞同率(以9分为满分,为5.8分)。在另一端,产生最低一致程度的陈述(在9分量表中为3.2分)是“我们有足够的数据科学家人员来部署预测分析。该研究的汇总数据如图2所示。
麻省理工学院(MIT)在2012年进行的研究在今天仍然有意义,并为潜在的担忧提供了更多的背景。研究人员指出,数据已经变得越来越便宜,而且有了分析数据的新技术。然而,工具“需要对大多数IT部门来说是新的技能集,需要努力工作来集成所有相关的内部和外部数据源。”
薄弱环节是数据科学人才。有大量的非结构化数据需要机器学习和人工智能(AI)方面的深厚专业知识,才能将其转化为有价值且可操作的信息。训练有素的数据科学家的缺乏是有据可查的。根据报告,量化危机:对数据科学技能的需求如何扰乱就业市场到2020年,美国对数据科学家和数据工程师的需求将增长39%
随着对数据科学家的需求激增,工业工厂很难与华尔街和硅谷提供的薪酬方案竞争。
没有大数据科学家的大数据分析
缺乏合格的数据科学家并不是一个新问题。这一问题的部分原因是缺乏教育,不到三分之一的人受教育4全球提供数据科学学位的大学。
让我们从回顾当前的一些解决方案开始。全球研究公司Gartner在一篇题为《如何在不雇佣数据科学家的情况下进行机器学习》的文章中介绍了他们的方法5.它提供了四种策略:
1.将现有员工转变为数据技术人员
几年前,Gartner提出了一个术语,公民数据科学家(CDS)。它指的是具有数学能力的技术人员,可以通过培训来执行数据科学角色。
这能起作用吗?答案取决于对CDS的预期。例如,一家招聘大量数据科学家和工程师的公司可能会发现,缺乏正规培训的人很少能胜任这些职位。
2.与学术机构结成联盟
高德纳建议与提供数据科学高级学位的学术机构合作。一些想法包括课堂项目、实习和黑客马拉松。
尽管公司可以利用优秀的学生来进行相关基准测试和数据标记,以运行有监督的算法,但请记住,这需要大量的指导,而且更多的是例外而不是规则。
实习项目可以为公司提供巨大的价值,也可以为学生提供学习经验。然而,这只是解决严重技能短缺的权宜之计。
3.使用第三方顾问
众所周知,只要有足够的预算,公司就可以聘请高薪的顾问来为员工做事。然而,这不是一个可扩展的解决方案,它只是掩盖了公司无法在内部解决自身需求的事实。把负担从全职员工转移到外部供应商只是把问题拖到后面去解决。
4.购买软件应用程序
认为一个现成的甚至高端的软件应用程序可以减轻对大数据科学家的需求是一厢情愿的想法。存在大量的软件解决方案,从开源到自定义应用程序。他们有什么共同之处?需要熟练的专业人员来操作。
另一种选择:工业物联网预测性维护即服务
马上就有好消息了。根据Gartner的一份报告,到2020年,超过40%的数据科学家任务将实现自动化。工厂需要认识到,他们无法改变长期的劳动力市场,也无法解决教育系统的弱点,而不是权宜之计。另一种选择是在解决方案的开发和维护中构建和获取几乎不需要人工干预的解决方案。维护可靠性技术人员和工程师将无法获得大数据或机器学习方面的能力,这一现实需要接受。
另一个选择是什么?使用人工智能算法分析工业工厂传感器数据的自动化系统,并提供不断变化的资产退化和故障警报。工业物联网预测性维护超越了传统的监督控制和数据采集(SCADA)监控,因为算法可以检测异常数据模式或异常行为模式。使用传统的SCADA方法,只有违反手动设置的控制才会被监控,在许多情况下,警报发生得太晚了。
具体来说,工业物联网必须基于自动化机器学习,其中应用于数据集的特定算法是自动选择的。在现实中,公民数据科学家和大学实习生缺乏元学习、人工智能等方面的技能。
越来越多的公司转向基于云的解决方案,这是有充分理由的。如果你不能把数据科学家带到你的工业工厂,那么你可以把你的工业工厂数据带到机器学习专家那里。
结论
工业物联网预测性维护影响生产良率、收入和底线盈利能力。它需要采用新的解决方案和新的经营方式。从工业3.0到工业4.0的转变是基于将机器学习和大数据应用于运营。现有的人员、流程和技术是不够的。
随着c级高管优先考虑工业物联网,并专注于正常运行时间,这将要求工业工厂采用包含运营数据实时分析的解决方案,而不会增加劳动力,也不会扰乱正在进行的生产。
参考文献
1.https://hbr.org/2016/05/where-predictive-analytics-is-having-the-biggest-impact
2.https://www.pwc.com/gx/en/industries/communications/assets/pwc-ai-and-iot.pdf
3.https://www.presenso.com/blog/emory-research
4.https://techcrunch.com/2015/12/31/how-to-stem-the-global-shortage-of-data-scientists/
5.https://www.gartner.com/smarterwithgartner/how-to-do-machine-learning-without-hiring-data-scientists/