چرا پروژههای نگهداشت پیشبینانه پیش از مقیاسپذیری متوقف میشوند
فناوری در نمایش کار میکند و در کارخانه ناامید میکند، و دلایلش به قدری تکرارشوندهاند که بتوان برایشان برنامه ریخت. پایلوت چه چیزی را اثبات کرد، چه چیزی را نکرد، و کدام حالتهای شکست تنها در مقیاس ناوگان ظاهر میشوند.
نگهداشت پیشبینانه مسئلهای غیرعادی با اعتبار خود دارد. فناوری واقعا بالغ است — حسگرها خوباند، بازار بزرگ و در حال رشد است، و کارخانههایی هستند که در آنها این کار به شکل قابل اثبات پول ذخیره میکند — و با این حال سهم بزرگی از برنامهها بعد از پایلوت متوقف میشوند. چیزی روی سه ماشین کار میکند و هرگز به سیصد ماشین نمیرسد. دلایل به قدری تکرارشوندهاند که بتوان برایشان برنامه ریخت، و این تنها کار مفیدی است که میتوان با آنها کرد.
از این شروع کنیم که پایلوت واقعا چه چیزی را اثبات میکند. پایلوت معمول روی مشتی ماشین که کسی از پیش به آنها مشکوک بوده حسگر میگذارد، چند ماه داده جمع میکند و نشان میدهد که مدل پیش از خرابی چیزی را علامت زده است. این نتیجهای واقعی است و ضعیفتر از آن است که به نظر میرسد. ماشینها به این دلیل انتخاب شدند که جالب بودند. داده در دورهای جمع شد که کسی مراقب بود. هشدارها را همان کسی تفسیر کرد که مدل را ساخته بود. هیچیک از این سه شرط در برخورد با یک ناوگان دوام نمیآورد.
پرارجاعترین شکست فنی آن است که تشخیص ناهنجاری از داده تمیز به تولید واقعی بد تعمیم مییابد. مطالعهای روی مجموعهای از ماشینهای مستقر در میدان نشان داد یک آشکارساز بدوننظارت پرکاربرد روی سیگنالهای تولید واقعی به امتیاز F1 نزدیک ۰٫۱۲ فرو میافتد؛ نه یک افت حاشیهای، بلکه مدلی که بیشتر اوقات اشتباه میکند تا درست. سازوکارش هم رازآلود نیست. آشکارسازهای بدوننظارت یاد میگیرند «عادی» چه شکلی است، و در یک کارخانه عادی یک چیز نیست: با محصول، با دمای محیط، با فرسایش ابزار و با اینکه کدام اپراتور ماشین را تنظیم کرده تغییر میکند. آشکارسازی که روی برشی باریک از عادی آموزش دیده، باقی عادی را ناهنجار گزارش میکند و تیم نگهداشت ظرف دو هفته یاد میگیرد نادیدهاش بگیرد.
این ما را به شکست دوم میرساند که سازمانی و کشندهتر است. هشداری که صاحب ندارد نویز است. اگر سامانه به برنامهریز بگوید دمای یاتاقان در خط چهار روند عجیبی دارد، پرسش مفید این است که آن فرد این هفته چه کار متفاوتی باید بکند — و اگر پاسخ این باشد که «دستور کاری صادر کند که با بیست دستور کار دیگر در برنامهای که تولید تعیین کرده رقابت میکند»، هیچ چیز تغییر نمیکند و هشدار بیسروصدا به چیزی بدل میشود که آدمها بدون خواندن میبندند. برنامههایی که مقیاس میگیرند تقریبا همیشه همزمان فرایندی را هم تغییر دادهاند: یک بازه ثابت برای کار مبتنی بر وضعیت، آستانهای توافقشده که در آن ماشین از برنامه خارج میشود، و کسی که کارش دستهبندی هشدارهاست.
سوم اینکه اقتصاد ماجرا معمولا وارونه استدلال میشود. پرونده تجاری روی خرابی فاجعهبار اجتنابشده بنا میشود که نادر است، انتساب آن دشوار است و اثبات اینکه شما جلویش را گرفتهاید ناممکن. ارزشی که واقعا انباشته میشود کسلکنندهتر است: مداخلات برنامهریزیشده غیرضروری کمتر، بازههای طولانیتر روی ماشینهایی که معلوم میشود سالماند، سفارش قطعه پیش از توقف ماشین به جای هنگام آن. نظرسنجیهای مدیران نگهداشت مدام نشان میدهند بیشتر کارخانهها هنوز عمدتا نگهداشت واکنشی یا تقویمی دارند، یعنی مقایسه واقعبینانه برای نخستین استقرار نه در برابر یک برنامه پیشبینانه خوباجراشده، بلکه در برابر یک تقویم است — و در برابر یک تقویم، بهبودهای متعادل هم آسان پیدا میشوند و هم آسان اندازهگیری.
چهارم، بنیان داده تقریبا همیشه دستکم گرفته میشود. پایلوت را میتوان با مهندسی و یک لپتاپ تغذیه کرد. سیصد ماشین را نمیتوان. در آن نقطه به جانمایی یکسان حسگر، فهرست داراییای که با واقعیت بخواند، طرح نامگذاریای که از یک بازسازمانی کارخانه جان سالم به در ببرد، و جایی برای گذاشتن داده نیاز دارید که تحلیل بتواند به آن برسد. سایتهایی که از راه یک تاریخنگار داده کارآمد، یک فضای نام یکپارچه یا یک مدل اطلاعاتی OPC UA به نگهداشت پیشبینانه میرسند معمولا مقیاس میگیرند؛ سایتهایی که از راه یک پایلوت میرسند و بعد به فکر یکپارچهسازی میافتند معمولا نه.
هشدار عمومیتری هم هست که ارزش جدی گرفتن دارد. تحلیلگران انتظار دارند سهم قابلتوجهی از پروژههای بلندپروازانه اتوماسیون مبتنی بر هوش مصنوعی پیش از رسیدن به تولید رها شوند، به دلیل ارزش نامشخص و هزینه، نه شکست فنی. نگهداشت پیشبینانه از این قاعده مستثنا نیست، و پروژههایی که از این صافی رد میشوند معمولا همانهاییاند که دامنهشان به قدر کافی باریک بوده که بتوان صادقانه ارزیابیشان کرد.
همه اینها برای نخستین استقرار چه پیشنهادی دارد. ماشینها را بر اساس پیامد انتخاب کنید نه بر اساس جذابیت — همانهایی که خرابیشان خط را متوقف میکند، نه آنهایی که جالبترین ارتعاش را دارند. به جای نمونهبرداری، یک رده کامل از ماشینها را حسگرگذاری کنید، چون ارزش مقایسه میان داراییهای یکسان از ارزش عمق روی یکی بیشتر است. پیش از نوشتن هر مدلی، تصمیمی را که قرار است سامانه تغییرش دهد و کسی را که آن تصمیم را میگیرد مکتوب کنید. شاخصی ساده و قابل توضیح که تکنسین به آن اعتماد کند را بر شاخصی پیچیده که به آن اعتماد نمیکند ترجیح دهید. و عدد کسلکننده را اندازه بگیرید — شمار مداخلات، زمان تدارک قطعه، ساعت توقف برنامهریزینشده — چون همان عددی است که یک سال بعد هنوز قابل دفاع خواهد بود.
حسگرها مدتی است عامل محدودکننده نیستند. قطعات ارتعاشی MEMS امروزی به کف نویز و پهنای باندی میرسند که یک دهه پیش تجهیزات آزمایشگاهی بود و چند تای آنها اکنون پردازش را روی همان دای انجام میدهند. قید ماجرا این است که با خروجی چه میشود، و آن مسئلهای فناورانه نیست.