牢記這 10 個心得讓你成功導入預測分析不踩雷 !
掌握這些原則，能讓你順利推行專案
( 本文譯自 Plant Engineering ； 由 David Siegel, PhD 與 Mo Abuali, PhD 兩位企業 CTO 與 CEO 所撰寫 )
對於導入預測分析的見解 :
1. 如果正確有效地實施預測分析，可以節省大量成本，同時減少非計劃停機時間。
2. 從小地方著手可能是一個很好的方式來實施預測分析，如果它第一次無法起作用，那麼也會減少失敗的可能。
3. 適當的指導與培訓並且結合專業知識十分重要。
預測分析解決方案如果實施得當，可以顯著提高生產效率並為製造業者節省成本，同時降低廢品率、提高品質以及減少非計劃停機時間。然而，許多組織難以用系統性與深思熟慮的方式實施這些技術，導致試驗計畫無法推進，並且無法透過解決方案實現預期的投資回報。透過我們過去的成功案例和成功實行，我們想分享成功實施預測分析的 10 大技巧。
1. 獲得管理高層的認同
涉及預測分析的計劃，例如預知保養解決方案和預測品質解決方案，應該是長期計劃的一部分，因為完全拓展這些解決方案不是幾個月或短期的努力。需要有遠見和高層的支持，才能將解決方案從試驗階段，轉移到多個工廠進行更大規模施作的長期目標。
此外，重要的是要將這類型的解決方案視為能與時俱進的解決方案，並從試驗性計畫、推展、解決方案的支援、更新與維護，全面考慮部署解決方案的整個生命週期。
2. 選定高價值的應用案例
預測分析解決方案可以為組織提供重要價值，但必須根據案例評估各種用例。預知保養的案例將考慮機器或流程出現故障時的非計劃停機成本，以及這些問題發生的頻率。
對於預測品質的應用，人們會考慮該流程的廢品量、品質問題是否導致生產線停工，以及考慮每個流程/用例的廢品或生產線停工成本。根據節省潛力進行排名，並在最終選擇試驗性計畫時使用此列表作為指南。此外，根據您的內部能力以及與您合作的技術合作夥伴、供應商的過去工作及能力，考慮技術的可行性。
3. 建立試驗計畫並取得成功
最重要的是，可以在試驗計畫中展示解決方案的價值和初始潛力。
針對預知保養而言，這通常涉及選擇一組設備資產，其中一個可能在 6 個月內出現故障，而解決方案可以在試驗階段提供問題的早期檢測。
對於預測品質而言，每天都會發生報廢，但建議有一種方法可以在試驗之前量化報廢以及在試驗期間取得的成果。納入定義明確的成功標準後，管理層可以輕鬆審查試驗結果，並有明確的指標來判斷是否應該考慮在試驗之後拓展專案。
4. 在正確的時間與頻率下收集正確的數據
儘管機器學習和預測分析很棒，但它們並不是魔法。
必須在正確的時間以適當的採樣率收集高品質數據，且帶有與預知保養或預測品質的相關點位 ( tags ) ，這對於成功實施是非常重要的。
通常，建議在一組預期的操作條件下觸發數據收集。此外，應該列出給定所需的信號和採樣率（數據模型），並查看是否可以收集信號/標籤；採樣率等於或高於所需的採樣率。 這些數據要求也可以作為使用案例的因素，因為它將成為每個案例在技術可行性評估的一部分。
5. 挑選專為產業應用設計的預測分析軟體解決方案
坊間有許多預測分析解決方案提供商和供應商，重要的是要回顧他們以前的工作、歷史，以及是否有專注於在工業 / 製造領域的人。
理想情況下，為工業 / 製造市場開發解決方案的公司可能會擁有更適合這些應用的分析方法和儀表板。這可能會比從其他產業（醫療保健、社交媒體數據、財務數據）開始的分析供應商更受歡迎。因為這些解決方案可能需要更多的客製化及努力來實現在他們的工業/製造應用方式。
6. 在初期的試驗計畫時野心不要過大
對於實施任何新的技術而言，儘早取得成果很重要。而對預測分析來說，其中一項建議是 : 「不要對試驗計畫過於雄心勃勃」。
對於預知保養，從早期檢測機器健康問題開始，並在後續階段考慮診斷和故障預測能力是最可行的。對於預測品質，聚焦在少數產品系列可能是一種合理的方法，而不是監控所有產品配方的製程。
早期的成功將促成解決方案拓展為公司額外的資產 / 流程及功能，而額外的功能可以是初期試驗中未涵蓋的項目。
7. 在合宜之時結合專家領域的知識
機器學習非常強大，但由於各種原因，使用僅機器學習的解決方案通常不是最佳方法。 包括用於預處理、數據品質檢查、逐週期分割數據的領域知識，以及在某些情況下用於審查預測分析模型中使用的選定特徵 / 感測器的領域知識，可以大幅提高預測分析模型的準確性。
使用訓練數據來學習分析過程的所有面向通常是不可行的，將機器學習模型與領域知識相結合，通常更適合工業中的預測分析應用。
8. 為解決方案的使用者，提供適當的指導與訓練
對要使用這些軟體解決方案的維保、品管與操作人員來說，這項技術是全新知識。他們不僅需要信任該解決方案將會如何使他們的日常工作和職責受益，且還需要如何正確使用該解決方案的指導與培訓。
實作培訓課程與使用者回饋課程對於確保使用者感受到賦予自主權，並在日常工作中使用該解決方案、使用這些資訊來改善工廠製程與資產的維護、品質和營運是非常重要的。
9. 將試驗的成功宣傳出去
試驗計畫團隊中的關鍵成員需要戴上他們的行銷與銷售業務帽子，向最高管理層和整個組織宣傳試驗解決方案的成功。隨著曝光度和意識提高，討論進一步拓展解決方案將成為優先事項。
建立試驗計畫的成功是確保最終拓展解決方案的關鍵，而當解決方案能大規模拓展時，就是組織可以透過預測分析獲得最顯著的節省成本的時候。
例如，如果一個工廠有 500 台工業機器人，而預知保養試驗計畫正在監控 30 台機器人，那麼該解決方案可能會在試驗期間的六個月內預測並防止兩次故障。如果將此解決方案拓展到 500 台機器人，或許可以避免 30 次故障（如果避免一次故障為組織節省了 100,000 美元，那麼在不到一年的時間裡就可以節省 300 萬美元）。
10. 從小地方開始，即使失敗也不會有太大的損失，重要的是千萬別猶豫去著手進行
請銘記在心，等待一個完美的應用案例或解決方案是不切實際的。即使遵循這些提示，也不保證每個試驗計畫都會得到大規模實行和巨大成功。
重要的是不要只觀望等待，因為你的競爭對手也可能在這個主題上開展計劃，並且也視這項技術為他們的競爭優勢。建議你從小地方著手，如果試驗計劃不成功，也只是一個小失敗，但千萬別糾結猶豫在是否著手進行。
考慮到這 10 個技巧，我們希望更多的預測分析應用能夠為各類型的企業組織帶來大量的成本節省以及顯著的商業價值。
這幾年特別有感的是，建立大數據分析、機器學習等已經被台灣產業視為顯學，且是數位轉型的一個重要環節。由於國內許多大型製造業都已展開相關計畫，與業界相關的科勝能也感受到濃濃的較勁意味。
不過就如文章中這兩位 CEO 與 CTO 所建議的「剛開始野心不要大，但要選擇高價值的應用場域 ( 例如關鍵設備，一個無預警跳機可能就損失慘重 )。並且不要猶豫不前，因為其他競爭對手也想彎道超車。」
科勝科技與 AVEVA 致力幫協助台灣產業建立 AI 預知保養這項預測分析的應用，目前已在石油石化、電力產業取得豐碩成果。歡迎隨時找我們了解更多國內外在預知保養領域的應用案例或是 Demo 😎
我們的部落格搬家囉，未來更新都會在這裡。
官方網站 / FB紛絲專頁 / YouTube / 官方LINE帳號 /
科勝科技 Utitech 是您在系統整合與工廠數位轉型的專業夥伴 !
立即諮詢，若有任何問題，歡迎隨時來信至 ContactPerson@utitech.com.tw
