بهبود نرم‌افزار نگهداری و تعمیرات CMMS با هوش مصنوعی AI در PMworks
تقریبا به طور متوسط روزانه مدتی با هوش مصنوعی کار می کنم. برای فعالیت های مختلف کاری و شخصی استفاده های زیادی می شود. حسب تجربه چندین ماه کار روزانه با هوش مصنوعی و اپ های معمول در این زمینه به این نتیجه رسیدم که هوش مصنوعی فعلی برای فعالیت های تحلیلی و محاسباتی و گردآوری اطلاعات خوب و موثر است. ولی برای مواردی که مبتنی بر تجربه است قابلیت اطمینان پایین می آید.
هم چنین وقتی به حوزه درک و احساس انسانی ورود می کنیم نیز به شدت افت می کند. البته باید بهش حق بدهیم بخصوص انسانی که در ایران زندگی می کند با پیچیدگی‌ها و بحرانی های ساعتی مختلفی مواجه می شود که هوش مصنوعی کم می آورد که الان با چی روبرو است.
بگذریم شوخی جدیی بود ...
در نرم افزار نگهداری و تعمیرات Pmworks نسخه ابری داریم از هوش مصنوعی استفاده می کنیم که ابتدا حالات خرابی یک خانواده تجهیز را شناسایی و معرفی کند و گام بعدی اینکه فعالیت های نگهداری محور این تجهیز را پیشنهاد دهد به طوری که بتوان تناوب و زمان را نیز برایش تعریف کرد.
حالا بدنبال این هستیم که AI حسب حالات خرابی تعریف شده بیاید بهترین فعالیت ها نگهداری محور برای جلوگیری از وقوع حالات خرابی و علل وقوع آنها که خودش تعریف کرده است، را بدهد.
در گام بعدی دنبال این هستیم که AI از سوابق خرابی قبلی سازمان استفاده کند و حالات خرابی ممکنه را پیشنهاد و فعالیت های نگهداری محور برای تشخیص و جلوگیری از وقوع احتمالی علت خرابی در آینده را پیشنهاد بدهد.
این بخش کمی سخت است زیرا AI مواجه با تجربیات واحد فنی در تعمیرات تجهیزات می کند و نقش ثبت اطلاعات و استانداردسازی نحوه ثبت داده ها خیلی مهم و کلیدی می شود.
به طور کلی ما با دو نوع متغییر ذاتی و اکتسابی مواجه هستیم متغییرهای ذاتی تاثیر غیر مستقیم و کنترل نشده ای روی عوامل ما دارند که نمی توانیم روی آنها کار خاصی انجام بدهیم و یا اینکه هزینه و زمان زیادی نیاز دارند که به صرفه نیست. اما متغییر های اکتسابی قابلیت کنترل و پایش دارند اما این متغییرها روی هم دیگر اثر متقابل دارند و محاسبه این اثر به مبحث DOE طراحی آزمایشها بر می گردد که موضوع ما فعلا نیست.
اما وقتی با AI می خواهیم تجربه خرابی های یک تجهیز در محیط گرم و شرجی در جنوب کشور (متغییرهای ذاتی محیط کار) را با تجربه خرابی در شهر مثلا تبریز که با گرما و رطوبت کمتری مواجه است در میان بگذاریم نقش عوامل اکتسابی تجهیز تحت تاثیر عوامل محیطی قرار می گیرد و کار سخت می شود.
نهایت اینکه فعلا می توانیم روی پیشنهادات AI برای بهبود و سرعت کسب اطلاعات اکفتا کنیم. اما وقتی حجم سوابق ثبتی برای خانواده گروه تجهیز زیاد می شود تجربیات تیم فنی کم کم به AI منتقل می شود. می توانیم ازش بخواهیم به صورت مرتب حسب هر واقعه ای که بروی تجهیز اتفاق می افتد (اشاره به استاندارد ایزو ۱۴۲۲۴ که نحوه گردآوری داده ها را مبتنی بر وقایع تجهیز می داند) بخش حالات و علل خرابی و فعالیت های نگهداری محور (اشاره به دو فعالیت تشخیص حالت و علت خرابی و جلوگیری از وقوع علت خرابی که در دوره آموزش PM خیلی تاکید کردیم) را بازنگری کن.
عملا به شکل نظام‌مند به سمت حذف و کاهش خرابی و هزینه تعمیرات با نرم افزار PMworks پیش می رویم.
کاهش خرابی و هزینه تعمیرات با نرم افزار PMworks
نگهداری و تعميرات بهره ور فراگير TPM