生成式 AI 在资产生命周期管理中的优势

生成式 AI 正在推动资产生命周期管理的快速改进，在以往AI增强功能的基础上，为提高运营效率开辟了新的可能性。

在过去的几年里，人工智能(AI)一直在推动预测性维护取得令人难以置信的进步，实现更智能的实时监控并提高资产的正常运行时间和效率。随着生成式 AI 的出现，资产生命周期管理(ALM)的更多领域正在取得飞跃，并解锁了更多选项，以最大限度地降低维护成本、优化物理资产，并有助于实现可持续性和能源成本目标，即使对于直到最近还被认为是优化的系统也是如此。

AI在ALM流程中的发展

企业已经进入了AI的兴奋期。许多企业几乎收集了资产各个方面的数据：来自设施的运行数据;电力和其他公用事业的资源数据;用于跟踪年龄、状况和维护历史的资产数据;以及工厂机器的更换部件。他们已将各种数据库和指标整合到一个仪表板下，清理异常值或错误的数据，标记数据，甚至开始根据其特定需求调整或训练 AI 模型。

收集这些数据并利用 AI 驱动的洞察非常重要，并且已经产生了真正的影响，为一些企业提供了优势，帮助他们在竞争中脱颖而出。

例如，计算机视觉(机器学习有助于识别和理解人和物体)帮助福特汽车公司将装配线上的缺陷从每月40个减少到零。零缺陷系统甚至有助于推动设计改进。

在另一个示例中，计算机视觉正在分析来自无人机和其他来源的照片，以帮助优化丹麦大贝尔特大桥的维护工作，预计该桥的使用寿命将延长100年。

在某些方面，生成式 AI延续了技术优化的趋势，但在其他方面，它是又一次向前迈进。除了分析、提取、预测等功能外，生成式AI本质上还能进行创造，这使企业能够更进一步，解决 ALM 的特定新用例。在上面的示例中，生成式AI将帮助客户超越对象识别阶段，并与整个企业中的人员进行更复杂的沟通。

利用来自生成式AI的数据缩小技能差距

生成式 AI的一个基本优势是它可以帮助弥合许多企业在当今竞争环境中面临的技能差距。例如，对话式聊天模型不需要现场技术人员为他们在任何时候可能面临的各种问题做好准备，而是帮助在正确的时间快速显示正确的信息。

遇到问题时，现场技术人员可以使用自然语言来了解有关特定类型的资产或最近的资产故障的更多信息。员工可以一次输入一个数据，让AI进行繁重的分析，这可能包括要求技术人员提供更多数据，以帮助通过快速分析找到问题的根本原因。

当正在运行ALM时，生成式 AI可处于“幕后”状态。生成式AI驱动的许多见解都依赖于时间序列预测模型，这些模型可以分析有关资产如何随时间变化的历史数据，识别异常情况并预测给定资产的预期结果。这些AI生成的预测还可以帮助企业避免代价高昂且不必要的停工。

以类似的方式，生成式 AI 可以帮助加快完成故障模式影响分析(FMEA)。当资产故障发生时，尤其是在制造业等环境中，企业必须尽可能准备好必要的零件和专业知识。否则，意外故障可能会导致停机和金钱等巨大成本。因此，不仅要快速查明资产故障的原因，还要进行必要的更改以避免重复，这一点至关重要。完成分步FMEA可识别所有可能的失败原因非常耗时。

生成式 AI 可以通过多种方式简化流程。例如，虚拟助手可以比单个(或一组)员工更快地提供所有可能的故障原因，然后帮助缩小最可能的故障来源，并有助于更及时地找到解决方案。此用例已经通过软件产品实施，这些产品为企业提供了充满特定于资产的故障详细信息和缓解活动的库，以便他们能够主动规划以预测故障，并避免或快速修复故障。

研究还表明，在资产可靠性策略库上训练AI模型可以生成大量关键内容来构建 FMEA。未来，生成式AI将能够编译这些内容，并为组织提供有关何时以及如何维护其资产以避免这些故障的自定义建议。

生成式 AI 还可以帮助缓解数据挑战。对于许多组织来说，推进AI的一个关键挑战是他们担心自己的数据质量，他们不想创造一种“垃圾进，垃圾出 ”的情况。

生成式 AI 可以通过多种方式提供帮助。例如，将生成式 AI 叠加在其他诊断AI工具之上，有助于提高ALM问题发生时分配的“故障代码”的准确性。这些代码通常缺失或不正确，但现在的工具可以通过对相关工单的长短描述进行模型训练，自动生成故障代码建议。

生成式AI应用的下一步是什么?

随着技术的发展速度比以往任何时候都快，企业不能满足于AI的已有进展。生成式 AI 正在增强员工技能，颠覆人才格局，缩短复杂诊断所需的时间，并帮助从更少的数据中提取更多见解。企业仍有机会 “抢占先机”。

无论企业是希望改善决策制定、资产绩效、劳动力生产力还是以上所有方面，都有办法利用生成式 AI。首先，找出当前流程中的差距。其次，确定需要哪些数据，联系合适的同事和专家，并开始收集可用的数据。

想象一下生成式 AI 如何帮助填补剩余的空白。我们已经在第一波 AI 应用浪潮中看到了这种情况，现在是推进第二波浪潮的时候了。