Automatisch problemen detecteren in de industrie

Hoog-gekwalificeerd personeel eerder en beter informeren van problemen zodat machines minder en korter stil staan

Een bedrijf dat in de industrie een monitoring dienst leverde, had al veel monitoring ingericht. Maar die monitoring uitlezen gebeurde op afstand door hoog-gekwalificeerd personeel. Maar dat was nog steeds een handmatig proces waar veel tijd in ging zitten, en waar fouten werden gemaakt. En doordat het een tijdrovend proces was, zagen ze pas veel later als er iets mis was met een systeem. Dat systeem was dan langer uit de roulatie voor herstel, en dat was weer erg duur voor het bedrijf dat afhankelijk was van dezemachines voor de productie.

Doordat we deze systemen aan Splunk konden koppelen, konden we de gegevens centraal verzamelen en uitlezen. Vervolgens konden we het detecteren als er problemen waren door een combinatie van scikit-learn en XGBoost. Met die gegevens konden we in een dashboard bepaalde systemen een fout laten weergeven, waarop hetzelfde hoog gekwalificeerde personeel actie kon ondernemen. 

Het resultaat was veel minder handmatig werk, snellere response, en daardoor minder downtijd van de systemen voor onderhoud.