تولید، داده‌های ناوگان/تجهیزات و تعمیر و نگهداری پیش‌بینی‌کننده

سود:

• امکان جمع بندی داده های ارسال، تله متری و OEE با هوش مصنوعی و تشخیص تنگناها و ناهنجاری ها
• توانایی ساخت منطق تعمیر و نگهداری پیش بینی با داده های تحلیل لرزش، دما و روغن با پشتیبانی هوش مصنوعی
• امکان تست پیش بینی تولید/نگهداری تولید شده توسط هوش مصنوعی با تایید میدانی و تصمیم مدیر عملیات

مهم نیست این طرح روی کاغذ چقدر خوب است، این تولید در میدان است که مهم است: چند تن حفر شد، در چه درجه ای، چند کامیون آن را حمل کردند، تجهیزات چقدر کار کرد، چقدر سوخت سوزانده شد. در یک گودال روباز مدرن، بیل مکانیکی، کامیون ها، حفاری ها و بولدوزرها ثانیه به ثانیه داده تولید می کنند. سیستم های مدیریت ناوگان ( اعزام ) موقعیت، بار و وضعیت هر وسیله نقلیه را ثبت می کند. این اقیانوس از داده ها گنجینه ای است که اگر درست خوانده شود، تولید را افزایش می دهد، هزینه ها را کاهش می دهد و نشان دهنده تنگناهاست. هوش مصنوعی این یک کمک قدرتمند در جمع بندی داده های عملیاتی، روند و تشخیص ناهنجاری (انحراف از مورد انتظار)، پیش بینی تعمیر و نگهداری پیش بینی و گزارش است. با این حال، تصمیمات شیفت، توقف تجهیزات و اهداف تولید متعلق به مدیر عملیات است. هوش مصنوعی یک هشدار می دهد، انسان تصمیم می گیرد.

زبان OEE و داده های تولید

یک روش معمول برای اندازه گیری عملکرد تولید OEE (اثربخشی کلی تجهیزات) است. OEE محصول سه جزء است: در دسترس بودن (آیا تجهیزات عملیاتی است)، عملکرد (میزان عملکرد آن در سرعت طراحی) و کیفیت (چه مقدار از تولید در هدف است). OEE کم کامیون ممکن است به دلیل خرابی، توقف یا عملکرد کند باشد. تشخیص اینکه کدام یک است نیاز به برش داده ها به درستی دارد. هوش مصنوعی در تجزیه مؤلفه‌های OEE و پاسخ دادن به سؤال «ضایعات کجاست» خوب است. اما دلیل دقیق حذف یک شیفت از طریق تأیید میدانی پیدا می شود.

گام به گام: هوش مصنوعی با داده های ناوگان کار می کند

1. داده ها را ناشناس و شناسایی کنید. شناسه وسایل نقلیه را بپوشانید. ستون ها، مهر زمانی و واحدها را شرح دهید.
2. خلاصه بسازید تن، تعداد سفر، زمان کار/انتظار/شکست بر اساس شیفت/روز. هوش مصنوعی: کد خلاصه و جدول.
3. به دنبال تنگناها باشید. آیا بارگیری، حمل یا تخلیه را محدود می کند؟ زمان های صف کجا جمع می شوند؟ هوش مصنوعی: تحلیل مقطعی را پیشنهاد می کند.
4. ناهنجاری را علامت بزنید. سوخت، زمان چرخه، بار انحراف از انتظارات. هوش مصنوعی: آستانه آماری یا مدل ساده را پیشنهاد می کند.
5. با فیلد تایید کنید هر ناهنجاری را با تیم عملیات/تعمیر و نگهداری بررسی کنید. خطای داده یا مشکل واقعی؟
6. اقدام و تعقیب. تصمیم توسط افسر عملیات گرفته می شود. هوش مصنوعی گزارش پیگیری را تهیه می کند.

نکته: یک ناهنجاری همیشه یک نقص نیست. بیشتر اوقات خطای سنسور، جابجایی مهر زمان یا شکاف رکورد است. این سوال را بپرسید "آیا ابتدا باید به داده ها مشکوک باشم یا ماشین؟" با هر ناهنجاری

نگهداری پیشگو: مفهوم و مرز

سه نسل نگهداری وجود دارد: اصلاحی (تعمیر در صورت بروز نقص)، پیشگیرانه (نگهداری طبق برنامه) و پیش بینی (پیش بینی: پیش بینی خرابی از علائم موجود در داده ها). در تعمیر و نگهداری پیش بینی، شاخص هایی مانند ارتعاش، دما، آنالیز روغن (ساییدگی فلزات)، جریان و فشار کنترل می شوند. انحراف از نرمال ممکن است نشان دهنده یک نقص باشد. هوش مصنوعی در یافتن الگوها و ناهنجاری ها در این داده های چند متغیره قدرتمند است. اما نکته مهم این است: ناهنجاری یک هشدار است، نه یک تشخیص. تصمیم برای توقف تجهیزات، تعویض قطعات یا ادامه کار؛ با معاینه فیزیکی تیم تعمیر و نگهداری و تایید مدیر عملیات داده می شود. مثبت کاذب (توقف بیهوده) و منفی کاذب (شکست از دست رفته) هر دو پرهزینه هستند. مردم این تعادل را مدیریت می کنند.

ارزش تعمیر و نگهداری پیش‌بینی‌شده در تشخیص زودهنگام خرابی است تا آن را به یک خاموشی برنامه‌ریزی‌شده تبدیل کند: یک خرابی برنامه‌ریزی نشده تولید را در اواسط شیفت متوقف می‌کند، در حالی که قطعات خرابی پیش‌بینی‌شده برای آن آماده می‌شوند و تعمیر و نگهداری در یک پنجره برنامه‌ریزی‌شده انجام می‌شود. با این حال، این تنها در صورتی کار می کند که داده ها قابل اعتماد باشند. در یک معدن، سنسورها تحت گرد و غبار، لرزش و گرما کار می کنند. دریفت کالیبراسیون، اتصال شل و شکاف ثبتی رایج هستند. بنابراین، اولین گام یک برنامه تعمیر و نگهداری پیش بینی، ساخت یک مدل نیست، بلکه اطمینان از کیفیت داده ها است. قبل از اینکه هوش مصنوعی یک «پیش‌بینی شکست» انجام دهد، لازم است بپرسیم که این داده‌ها چقدر قابل اعتماد جمع‌آوری شده‌اند. حتی پیشرفته ترین مدل ساخته شده با داده های بد نیز گمراه کننده است. علاوه بر این، همه تجهیزات به یک اندازه مهم نیستند: خرابی یک قطع کننده اصلی می تواند کل کارخانه را خاموش کند، در حالی که خرابی یک پمپ پشتیبان قابل تحمل است. اولویت دادن به تلاش های پیش بینی بر اساس اهمیت تجهیزات، منابع محدود تعمیر و نگهداری را به مکان مناسب هدایت می کند.

سه کیف کوچک

مورد 1 - گلوگاه پنهان. تولید در یک معدن 12 درصد کمتر از هدف است. ناظر شیفت فکر می کند "کامیون کم است". آنها داده های ارسال خلاصه AI را دارند. معلوم می شود که به طور متوسط ​​28 درصد از کامیون ها در صف بیل مکانیکی منتظر هستند. مشکل تعداد کامیون ها نیست، بلکه سرعت بارگیری یک بیل مکانیکی است. هنگامی که یک لودر دوم مستقر می شود، دم می افتد. هوش مصنوعی گلوگاه را در اعداد نشان داد. تیم تصمیم گیری و تایید میدانی را گرفت.

مورد 2 - ناهنجاری سوخت. هوش مصنوعی نشان می دهد که مصرف سوخت یک کامیون در دو هفته گذشته 18 درصد بیشتر از همتایان خود بوده است. تیم تعمیر و نگهداری چک می کند؛ متوجه می شود که فیلتر هوا مسدود شده و موتور دچار مشکل شده است. با تعویض فیلتر مصرف به حالت عادی برمی گردد. در اینجا هوش مصنوعی هشدار اولیه داد. اما معاینه فیزیکی تشخیص را انجام داد (فیلتر). اگر هوش مصنوعی گفته بود "موتور معیوب" و موتور بر اساس آن برچیده می شد، هم اشتباه و هم گران بود.

مورد 3 - مثبت کاذب. هوش مصنوعی یک جهش ناگهانی در داده‌های ارتعاشی آسیاب می‌بیند و درباره «شکست قریب‌الوقوع» هشدار می‌دهد. تیم تعمیر و نگهداری مراقبت می کند؛ متوجه می شود که جهش به دلیل شل شدن سنسور است، دستگاه دست نخورده است. اگر این هشدار کورکورانه رعایت می شد و کارخانه متوقف می شد، یک شیفت تولید بیهوده از دست می رفت. درس: با هر ناهنجاری، ابتدا کیفیت داده/حسگر را زیر سوال ببرید. هشدار هوش مصنوعی یک فرضیه است.

الگوهای درخواستی قابل کپی

خلاصه داده‌های ناوگان"نقش: شما دستیار تحلیلگر عملیات معدن هستید. داده‌های ارسال زیر را بر اساس شیفت خلاصه کنید: کل تن، تعداد سفرها، میانگین زمان چرخه، درصد اجرا/انتظار/شکست. شناسه‌های خودرو پوشانده شده‌اند. تغییر پرچم‌هایی که غیرعادی به نظر می‌رسند اما تصمیم می‌گیرید که چرا، کدام داده‌های اضافی را برای بررسی پیشنهاد دهید."

تجزیه و تحلیل BOTTLENECK "تجزیه و تحلیلی را برای یافتن مکان‌هایی که زمان‌های صف/انتظار در چرخه بار-حمل و نقل-تخلیه انباشته می‌شوند تنظیم کنید. خروجی: میانگین انتظار و کل زمان از دست رفته در هر مرحله. نشان دهید که گلوگاه در بارگیر، در حمل و نقل یا تخلیه است؛ راه‌حل قطعی را توصیه کنید، دلایل احتمالی را فهرست کنید، و تأیید میدانی مورد نیاز را نشان دهید."

علامت گذاری ناهنجاری (نگهداری)"در زیر یک سری زمانی [ارتعاش/دما/سوخت] از یک قطعه تجهیزات آمده است. نقاطی را که از محدوده نرمال انحراف دارند و برای هر کدام علامت گذاری کنید: (1) بزرگی انحراف، (2) احتمال خرابی سنسور/داده، (3) در بازرسی قطعی داده‌ها.

پیش نویس گزارش SHIFT"یک پیش نویس گزارش شیفت را از داده های خلاصه زیر بنویسید: تن تولید شده، انحراف از هدف، علل عمده تلفات، ناهنجاری های علامت گذاری شده، و مراحل پیگیری توصیه شده. تصمیمات را به "مورد تایید افسر عملیات" علامت گذاری کنید. داده ها: [چسباندن]."

اعلان ضعیف / اعلان قوی

پیام ضعیف: "آیا این کامیون خراب می شود؟"

هشدار قوی: "نقش: شما دستیار تحلیلگر تعمیر و نگهداری پیش‌بینی‌کننده هستید. نقاطی را در سری لرزش و دما در زیر علامت‌گذاری کنید که از حالت عادی منحرف می‌شوند، میزان انحراف را مشخص کنید، و احتمال خرابی سنسور را از علامت مکانیکی واقعی متمایز کنید. پیش‌بینی دقیق خرابی انجام ندهید.

نمودار مقایسه: سیگنال داده و تصمیم

سیگنال

خروجی هوش مصنوعی

تصمیم او

تایید

OEE کم

تجزیه جزء وجود ندارد

مدیر عملیات

مشاهده میدانی

صف/ گلوگاه

جایی که انباشته می شود

سرپرست شیفت

تایید میدانی

انحراف سوخت

علامت ناهنجاری

تیم تعمیر و نگهداری

معاینه فیزیکی

پاشش ارتعاش

هشدار (نه تشخیص)

نگهداری + عملیات

سنسور + بازرسی

گزارش شیفت

پیش نویس

مدیر عملیات

تایید

اشتباهات رایج

• اشتباه گرفتن یک ناهنجاری با یک نقص قطعی. بیشتر ناهنجاری ها خطاهای حسگر/داده هستند. ابتدا داده ها را پرس و جو کنید.
• درخواست از هوش مصنوعی برای پیش بینی دقیق "آیا خراب می شود؟" سیگنال های هوش مصنوعی؛ معاینه تشخیص را می دهد
• با فرض گلوگاه از تأیید عددی. احساس "کمتر کامیون" اغلب اشتباه است.
• دور زدن مسائل مربوط به مهر زمانی/حجم. شکاف های ثبتی حسابداری OEE و چرخه را مخدوش می کند.
• اطاعت کورکورانه از هشدار و توقف تولید. هزینه مثبت کاذب نیز واقعی است.

توجه: هدف از تعمیر و نگهداری پیش بینی شده جلوگیری از خرابی است، اما پاسخ به هر هشدار با توقف دستگاه نیز باعث تلفات می شود. تصمیم به شخصی تعلق دارد که شدت هشدار، بحرانی بودن تجهیزات و یافته های بازرسی را با هم می سنجد.

به طور خلاصه

داده‌های ناوگان و تولید گنجینه‌ای است که با خواندن صحیح، تولید را افزایش می‌دهد. هوش مصنوعی در خلاصه‌سازی، یافتن گلوگاه، پرچم‌گذاری ناهنجاری‌ها و نگهداری پیش‌بینی‌کننده این کار را قدرتمندانه انجام می‌دهد. تلفات OEE، زمان های صف و انحراف حسگر به سرعت با هوش مصنوعی قابل مشاهده هستند. اما ناهنجاری یک هشدار است، نه یک تشخیص. تصمیمات توقف و شیفت تجهیزات با تایید میدانی و تایید مدیر عملیات گرفته می شود. برای هر ناهنجاری، ابتدا کیفیت داده/حسگر را پرس و جو کنید.

وظیفه کاربردی

از الگوهای «خلاصه داده‌های ناوگان» و «تجزیه و تحلیل گلوگاه» با داده‌های ارسال نمونه (یا ناشناس خودتان) برای استخراج دلایل از دست رفتن تغییر استفاده کنید. سپس الگوی «علامت‌گذاری ناهنجاری» را روی سری لرزش/سوخت تجهیزات اعمال کنید و برای هر پرچم یادداشت کنید که آیا خطای داده است یا یک مشکل واقعی. در نهایت، با "پیش نویس گزارش شیفت"، یافته ها را به یک گزارش تبدیل کنید و تصمیمات را برای تایید عملیاتی علامت گذاری کنید.

چک لیست

• [ ] شناسه خودرو/پرسنل را پوشانده و ناشناس کردم.
• [ ] من گلوگاه را با داده های صف/انتظار تأیید کردم، نه با احساس.
• [ ] برای هر ناهنجاری، ابتدا کیفیت سنسور/داده را زیر سوال بردم.
• [ ] من هشدار هوش مصنوعی را نه یک تشخیص، بلکه نشانه ای می دانستم که باید با معاینه تایید شود.
• [ ] من تصمیم خاموش کردن/تولید تجهیزات را به مدیر عملیات واگذار کردم.
• [ ] من مهر زمانی و ثبات حجم را بررسی کردم.