MRO、ML和AI是Modex 2020的首要议题

现在有很多流言蜚语人工智能而且机器学习，因为供应链领导者在他们的组织内寻找杀手级应用程序。一个有希望的领域是需求规划。另一个是MRO，因为公司希望从预防性维护转向预测性维护。这个想法是，通过在电机、齿轮和其他关键部件上安装传感器，测量热量、电压输出和振动等条件，技术人员可以更好地预测设备可能发生故障的时间。如果它成功了，PM可能会成为历史。

那么我们说到哪了?这是我向塔吉特公司供应链工程总监菲尔·琼斯和Dollar Tree公司区域维护经理菲尔·吉尔克斯提出的问题之一国家供应链自动化中心．这个问题的框架是Jones放在一起的资产管理成熟度模型幻灯片，说明了从0级(生存模式)的MRO组织到4级(预测维护)的进展，在这里设备运行到故障并在问题发生时进行维修，在这里AI和ML被用于分析事件以预测未来问题的时间和计划维护。

根据Jones和Gilkes的说法，基于状态和预测性的维护是两个组织的目标，但实际上，这两个组织都处于0级之间，设备运行到故障，1级-基于日历的维护，基于时间的pm, 2级-基于使用的维护，其中pm基于运行时间或设备上的小时数。这两个组织都在研究实现基于状态的维护的第一步，也就是在机器上安装传感器来监测状态，但这两个组织都还没有实现，或者只是进行了试点。请记住，这是两个拥有配送中心网络和自动化经验的大型组织。

MRO行业要达到第4级-预测性维护的挑战之一将是数据。为了产生可靠和可操作的结果，AI和ML需要大量的数据。的生命周期性能服务高级副总裁John Sorensen指出，否则，风险在于维护系统“将开始标记一些实际上不是问题的问题”肉类．“你不希望技术人员和维护经理认为系统是狼来了。”

然后，一个渐进的维护团队从哪里开始呢?索伦森和MHS负责配送和配送的高级副总裁罗布·施密特(Rob Schmidt)都建议采用类似于任何新技术的爬、走、跑、冲刺的方法。

不要试图在设施中的每个电机和齿轮上安装传感器，这些设备可能超过1000个。相反，首先根据部件和设备对操作的重要性进行分类。对某些设备来说，运行到坏掉可能是合适的，特别是如果库存中有备件，而且设备很容易修复。有限数量的传感器可能适用于更关键的项目，如PLC。最后，广泛的传感器阵列可以开始批量收集重要的运行数据，可以部署在可靠性至关重要的关键任务项目上。与此同时，索伦森补充说，“你可能只需要200个传感器的数据集就可以开始这段旅程。”