Печалби:
- Възможност за обобщаване на данни за изпращане, телеметрия и OEE с AI и откриване на тесни места и аномалии
- Възможност за конструиране на логика за прогнозна поддръжка с данни за анализ на вибрации, температура и масло с поддръжка на AI
- Възможност за тестване на прогнозата за производство/поддръжка, произведена от AI с полева проверка и решението на оперативния мениджър
Без значение колко добър е планът на хартия, отчита се производството на полето: колко тона са били изкопани, с какво ниво, колко камиона са го превозили, колко интензивно е работило оборудването, колко гориво е изгорено. В модерен открит рудник багери, камиони, сондажи и булдозери произвеждат данни секунда по секунда; Системите за управление на автопарка (изпращане) записват местоположението, натоварването и състоянието на всяко превозно средство. Този океан от данни е съкровищница, която, когато се чете правилно, увеличава производството, намалява разходите и посочва тесните места. AI; Това е мощна помощ при обобщаване на оперативни данни, откриване на тенденция и аномалия (отклонение от очакваното), предвиждане и докладване за предсказуема поддръжка. Решенията за смяна, спирането на оборудването и производствените цели обаче принадлежат на оперативния мениджър; AI дава предупреждение, човекът взема решението.
Езикът на OEE и производствените данни
Често срещан начин за измерване на производствената ефективност е OEE (обща ефективност на оборудването). OEE е продукт на три компонента: наличност (работи ли оборудването), производителност (колко работи с проектна скорост) и качество (колко от производството е на целта). Ниското OEE на камиона може да се дължи на повреда, спиране или бавна работа; За да разберете кой е, трябва да изрежете данните правилно. AI е добър в разграждането на OEE компоненти и в отговора на въпроса „къде е загубата“; но точната причина, поради която смяната е отпаднала, се намира чрез потвърждение на полето.
Стъпка по стъпка: AI работи с данни за флота
- Анонимизирайте и идентифицирайте данните. Маска ID на превозни средства; Опишете колоните, времето и единиците.
- Направете резюме. Тонове, брой пътувания, време на работа/чакане/отказ на база смяна/ден. AI: обобщен код и таблица.
- Търсете тесни места. Ограничава ли товаренето, пренасянето или разтоварването? Къде се натрупва времето на опашка? AI: предлага анализ на напречното сечение.
- Маркирайте аномалията. Гориво, време на цикъл, натоварване, което се отклонява от очакванията. AI: предлага статистически праг или прост модел.
- Потвърдете с поле. Проверете всяка аномалия с екипа за експлоатация/поддръжка; Грешка в данните или реален проблем?
- Действие и преследване. Решението се взема от оперативния служител; AI изготвя последващия доклад.
Съвет: Аномалия не винаги е неизправност; през повечето време това е грешка на сензора, отклонение на времевия печат или пропуск в записа. Задайте въпроса „Трябва ли първо да подозирам данните или машината?“ с всяка аномалия.
Прогнозна поддръжка: концепция и граници
Има три поколения поддръжка: коригираща (ремонт при възникване на неизправност), превантивна (поддръжка по график) и предсказуема (предвидителна: предвиждане на повредата от знаци в данните). При предиктивната поддръжка се следят показатели като вибрации, температура, анализ на маслото (износващи се метали), ток и налягане; Отклонението от нормалното може да означава неизправност. AI е мощен в намирането на модели и аномалии в тези многовариантни данни. Но критичната точка е следната: една аномалия е предупреждение, а не диагноза. Решение за спиране на оборудването, замяна на части или продължаване на работа; Дава се след физическия преглед на екипа по поддръжката и одобрението на ръководителя на експлоатацията. И фалшивите положителни резултати (безполезно спиране) и фалшивите отрицателни резултати (пропуснат отказ) са скъпи; Хората управляват този баланс.
Стойността на предсказуемата поддръжка се крие в забелязването на повредата достатъчно рано, за да се превърне в планирано спиране: непланирана повреда спира производството по средата на смяната, докато предвидената повреда се подготвя за частите и поддръжката се извършва в рамките на планирания период. Това обаче работи само ако данните са надеждни. В мината сензорите работят при прах, вибрации и топлина; Дрейфът на калибрирането, разхлабената връзка и празнината при регистрация са често срещани. Следователно, първата стъпка от програмата за предсказуема поддръжка не е да се изгради модел, а да се осигури качество на данните. Преди да накарате AI да направи „прогноза за неуспех“, е необходимо да попитате колко надеждно са събрани тези данни; Дори и най-напредналият модел, изграден с лоши данни, е подвеждащ. Освен това не всяко оборудване е еднакво критично: повредата на един главен прекъсвач може да изключи цялата инсталация, докато повредата на резервна помпа може да бъде толерирана. Приоритизирането на предсказуемите усилия въз основа на критичността на оборудването насочва ограничените ресурси за поддръжка на правилното място.
три мини калъфа
Случай 1 — Скрито пречка. Производството в една мина е с 12% под целта. Началник смяната смята, че "камионите са малко". Те разполагат с AI, който обобщава данните за изпращане; Оказва се, че средно 28% от камионите чакат на опашката при багера. Проблемът не е в броя на камионите, а в скоростта на товарене на един багер. Опашката пада, когато се разгърне втори товарач. AI показа тясното място в числа; Екипът взе решение и потвърждение на терена.
Случай 2 — Аномалия в горивото. Изкуственият интелект отбелязва, че разходът на гориво на камион е бил с 18% по-висок в сравнение с подобните му през последните две седмици. Екипът по поддръжката проверява; установява, че въздушният филтър е запушен и двигателят се бори. При смяна на филтъра консумацията се нормализира. Тук AI даде ранно предупреждение; но физикалният преглед постави диагнозата (филтър). Ако изкуственият интелект беше казал „повреден двигател“ и двигателят беше съответно демонтиран, щеше да е както грешно, така и скъпо.
Случай 3 — Фалшив положителен резултат. AI вижда внезапен скок в данните за вибрациите на мелницата и предупреждава за „предстояща повреда“. Екипът по поддръжката се грижи за; установява, че отскачането се дължи на разхлабване на сензор, машината е непокътната. Ако предупреждението беше сляпо последвано и мелницата беше спряна, една производствена смяна щеше да бъде загубена напразно. Урок: при всяка аномалия първо поставяйте под въпрос качеството на данните/сензора; Предупреждението за AI е хипотеза.
Копируеми шаблони за подкана
ОБОБЩЕНИЕ НА ДАННИТЕ ЗА ФЛОТА "Роля: Вие сте помощник анализатор на минни операции. Обобщете следните данни за изпращане по смени: общи тонове, брой пътувания, средно време на цикъл, проценти работа/изчакване/отказ. Идентификационните номера на превозни средства са маскирани. Измествания на флагове, които изглеждат необичайни, но решете ЗАЩО; предложете кое допълнително напречно сечение да разгледате. Данни: [поставете]."
АНАЛИЗ НА ТЕСНОТО МЯСТО "Настройте анализ, за да откриете къде се натрупват времена на опашка/изчакване в цикъла товарене-транспортиране-разтоварване. Резултат: средно чакане и общо загубено време на всеки етап. Покажете дали затруднението е при товарача, при транспортиране или разтоварване; ПРЕПОРЪЧАЙТЕ окончателно решение, избройте възможните причини и посочете, че се изисква потвърждение на полето."
МАРКИРАНЕ НА АНОМАЛИЯ (ПОДДРЪЖКА) "По-долу е [вибрация/температура/гориво] времева поредица на част от оборудването. Маркирайте точките, които се отклоняват от нормалния диапазон и за всяка: (1) големината на отклонението, (2) възможността за възможна повреда на сензора/данните, (3) какво да търсите при физическа проверка. ДИАГНОСТИКА окончателна повреда. Данни: [поставете]."
ЧЕРНОВА НА ДОКЛАДА ЗА СМЕНАТА "Напишете проект на доклад за смяната от следните обобщени данни: произведени тонове, отклонение от целта, основни причини за загуба, маркирани аномалии и препоръчани последващи стъпки. Маркирайте решенията като „предмет на одобрение от оперативния служител". Данни: [поставете]."
Слаба подкана / Силна подкана
СЛАБА ПОДСКАЗКА: „Този камион ще се развали ли?“
СИЛНА ПОДСКАЗКА: „Роля: Вие сте помощник-аналитик за прогнозна поддръжка. Маркирайте точките в поредицата от вибрации и температури по-долу, които се отклоняват от нормалното, дайте големината на отклонението и РАЗГЛЕЖДАЙТЕ възможността за възможна повреда на сензора от действителния механичен знак. НЕ правете точна прогноза за повреда; посочете какво трябва да търси екипът по поддръжката по време на физическата проверка. Данни: [поставете].“
Сравнителна диаграма: сигнал за данни и решение
сигнал
AI изход
чието решение
проверка
Нисък OEE
Липсващ анализ на компонента
Оперативен мениджър
теренно наблюдение
Опашка/тясно място
където се натрупва
Началник смяна
Потвърждение на полето
Отклонение на горивото
знак за аномалия
екип за поддръжка
физически преглед
пръскане на вибрации
Предупреждение (не диагноза)
Поддръжка + експлоатация
Сензор + проверка
отчет за смяна
проект
Оперативен мениджър
Одобрение
Често срещани грешки
- Объркайте аномалия с определена неизправност. Повечето аномалии са грешки на сензора/данните; Първо потърсете данните.
- Искане AI да предскаже точно "ще се развали ли?" AI сигнали; изследването поставя диагнозата.
- Приемайки пречка от числена проверка. Усещането за "по-малко камиони" често се оказва погрешно.
- Заобикаляне на проблеми с времево клеймо/том. Пропуските в записите изкривяват OEE и отчитането на цикъла.
- Сляпо спазване на предупреждението и спиране на производството. Цената на фалшивия положителен резултат също е реална.
Внимание: Целта на предупредителната поддръжка е да се предотврати неизправност, но реагирането на всяко предупреждение чрез спиране на машината също причинява загуби. Решението принадлежи на лицето, което претегля тежестта на предупреждението, критичността на оборудването и констатацията от инспекцията.
В обобщение
Данните за флота и производството са съкровище, което увеличава производството, когато се чете правилно; AI се справя с това мощно при обобщаване, намиране на тесни места, маркиране на аномалии и предсказуема поддръжка. Загубите на OEE, времето на опашка и отклоненията на сензорите бързо стават видими с AI. Но аномалията е предупреждение, а не диагноза; Решенията за спиране и смяна на оборудването се вземат с потвърждение на място и одобрение от ръководителя на операциите. За всяка аномалия първо направете запитване за качеството на данните/сензора.
Задача за приложение
Използвайте шаблоните „Обобщени данни за автопарка“ и „Анализ на тесните места“ с вашите примерни (или вашите собствени анонимизирани) данни за изпращане, за да извлечете причините за загубата на смяна. След това приложете шаблона „Маркиране на аномалия“ към серията вибрации/гориво на част от оборудването и отбележете за всеки флаг дали е грешка в данните или реален проблем. Накрая, с „Чернова на отчет за смяна“, преведете констатациите в доклад и маркирайте решенията за оперативно одобрение.
контролен списък
- [] Маскирах и анонимизирах идентификационни номера на превозни средства/персонал.
- [ ] Проверих тясното място с данни за опашка/изчакване, а не чрез усещане.
- [ ] За всяка аномалия първо поставих под въпрос качеството на сензора/данните.
- [ ] Смятах, че предупреждението за AI не е диагноза, а знак, който трябва да бъде потвърден чрез изследване.
- [ ] Оставих решението за спиране/производство на оборудването на оперативния мениджър.
- [ ] Проверих клеймото за време и последователността на обема.