Asset Performance Webinar: Des vagues d'informations, des données à l'IA, pour optimiser les opérations

Les exemples qui seront expliqués au cours de cette présentation sont les suivants :

Compréhension du contexte du mode de défaillance

Identifier les points de défaillance communs et les voies de défaillance pour les nouveaux actifs afin d'améliorer la maintenance prédictive et les programmes de fiabilité.

Les défis à relever sont les suivants :

• L'analyse des modes de défaillance et de leurs effets fournit des informations clés dans ce domaine. 
• Cependant, les données AMDE ne sont pas disponibles pour de nombreux types d'actifs et leur acquisition peut prendre du temps.

Avantages :

• Réduction du délai de valorisation des catégories d'actifs pour lesquelles nous avons moins d'expérience
• Evaluation plus précise des défaillances et plans de maintenance préventive
• Création automatisée de stratégies de maintenance pour les nouveaux actifs et clients

Intelligence des ordres de travail

Identifiez et corrigez automatiquement les codes de défaillance inexacts dans les ordres de travail de la gestion des actifs.

Les défis à relever sont les suivants :

• Comprendre pourquoi un ordre de travail a été créé est essentiel pour trouver des modèles et optimiser les opérations
• La collecte d'informations sur les modes de défaillance dans les ordres de travail est généralement manuelle et très sujette aux erreurs.
• Les clients ne collectent souvent pas de données pour toutes leurs classes d'actifs et cela peut prendre beaucoup de temps pour constituer un historique adéquat de données sur les défaillances.

Avantages :

• Réduction considérable des efforts requis pour saisir et maintenir des données précises sur les codes de défaillance
• Meilleure compréhension des schémas de défaillance et des pièces potentiellement problématiques
• Approbation automatique des ordres de travail typiques permettant aux techniciens de se concentrer sur la résolution des problèmes.

Estimation des émissions de gaz à effet de serre (Scope 3)
Comprenez votre empreinte carbone en exploitant la puissance de l'IA générative pour obtenir des estimations plus précises des émissions Scope 3.

Les défis à relever sont les suivants :

• Les entreprises font des estimations de leurs émissions Scope 3 sur la base des données partagées par leurs partenaires commerciaux
• De nombreux fournisseurs ne mesurent pas leurs émissions ou, s'ils le font, peuvent ne pas être ouverts au partage en raison de considérations contractuelles ou de propriété intellectuelle
• Bien qu'il existe des conseils sur les formats de déclaration normalisés du GHG Protocol, il existe une variance significative dans les métriques et les calculs que les entreprises utilisent
• La collecte des données et le calcul des métriques nécessitent des ressources importantes, ce qui requiert une expertise spécialisée.

Avantages :

• Estimations beaucoup plus précises de leurs émissions réelles du champ d'application 3
• Déclaration du champ d'application 3 traçable et vérifiable 
• Réduction considérable des efforts et de l'expertise nécessaires pour répondre aux exigences commerciales et réglementaires

La conférence Asset Performance 2023 a eu lieu les 25 et 26 octobre 2023.

Nous sommes heureux de vous offrir la possibilité de revoir en ligne les sessions de la conférence et les nouveaux webinaires, ainsi que les enregistrements des éditions précédentes. Connectez-vous ici.

Vous n'avez pas pu assister à la conférence ? Vous pouvez toujours vous inscrire et regarder les enregistrements des sessions.

Le paiement est possible après réception de la facture ou par carte de crédit.

Après votre inscription, vous recevrez un lien et les détails de connexion à la plateforme en ligne.