Gains :
- Capacité à résumer les données de répartition, de télémétrie et d'OEE avec l'IA et à détecter les goulots d'étranglement et les anomalies
- Capacité à construire une logique de maintenance prédictive avec des données d'analyse de vibrations, de température et d'huile avec prise en charge de l'IA
- Capacité à tester la prédiction de production/maintenance produite par l'IA avec vérification sur le terrain et décision du responsable des opérations
Quelle que soit la qualité du plan sur papier, c'est la production sur le terrain qui compte : combien de tonnes ont été creusées, à quelle qualité, combien de camions l'ont transporté, à quel point l'équipement a travaillé, quelle quantité de carburant a été brûlée. Dans une mine à ciel ouvert moderne, les excavatrices, les camions, les foreuses et les bulldozers produisent des données seconde par seconde ; Les systèmes de gestion de flotte (répartition) enregistrent l'emplacement, la charge et l'état de chaque véhicule. Cet océan de données est un trésor qui, lorsqu’il est lu correctement, augmente la production, réduit les coûts et indique les goulots d’étranglement. IA ; Il s’agit d’une aide puissante pour résumer les données opérationnelles, la détection des tendances et des anomalies (écart par rapport aux attentes), la prévision de la maintenance prédictive et le reporting. Cependant, les décisions de quart de travail, les arrêts d'équipement et les objectifs de production appartiennent au directeur des opérations ; L'IA donne un avertissement, l'humain prend la décision.
Le langage du TRS et des données de production
Une façon courante de mesurer les performances de production est l’OEE (Overall Equipment Effectiveness). L'OEE est le produit de trois éléments : la disponibilité (l'équipement est-il opérationnel), les performances (dans quelle mesure fonctionne-t-il à la vitesse de conception) et la qualité (dans quelle mesure la production est conforme à l'objectif). Le faible OEE d'un camion peut provenir d'une panne, d'un calage ou d'un fonctionnement lent ; Pour déterminer de quoi il s’agit, il faut découper correctement les données. L’IA est efficace pour décomposer les composants OEE et répondre à la question « où est la perte » ; mais la raison exacte pour laquelle un quart de travail est abandonné est trouvée grâce à la confirmation sur le terrain.
Étape par étape : l'IA travaille avec les données de la flotte
- Anonymiser et identifier les données. Masquer les identifiants des véhicules ; Décrivez les colonnes, l'horodatage et les unités.
- Faites un résumé. Tonnes, nombre de déplacements, temps de travail/d'attente/d'échec par équipe/jour. AI : code récapitulatif et tableau.
- Recherchez les goulots d'étranglement. Est-ce que cela limite le chargement, le transport ou le déchargement ? Où s’accumulent les temps d’attente ? AI : suggère une analyse transversale.
- Marquez l'anomalie. Carburant, temps de cycle, charge s'écartant des attentes. AI : suggère un seuil statistique ou un modèle simple.
- Confirmez avec le champ. Vérifier chaque anomalie avec l'équipe opérations/maintenance; Erreur de données ou vrai problème ?
- Action et poursuite. La décision est prise par le responsable des opérations ; AI rédige le rapport de suivi.
Astuce : Une anomalie n’est pas toujours un dysfonctionnement ; la plupart du temps, il s'agit d'une erreur de capteur, d'une dérive d'horodatage ou d'un écart d'enregistrement. Posez la question « Dois-je d'abord soupçonner les données ou la machine ? » avec chaque anomalie.
Maintenance prédictive : concept et limite
Il existe trois générations de maintenance : corrective (réparation lorsqu'un dysfonctionnement survient), préventive (maintenance selon un planning) et prédictive (prédictive : prévoir la panne à partir des signes dans les données). En maintenance prédictive, des indicateurs tels que les vibrations, la température, l'analyse de l'huile (usure des métaux), le courant et la pression sont surveillés ; Un écart par rapport à la normale peut indiquer un dysfonctionnement. L’IA est puissante pour détecter des modèles et des anomalies dans ces données multivariées. Mais le point critique est le suivant : une anomalie est un avertissement et non un diagnostic. Décision d'arrêter l'équipement, de remplacer des pièces ou de poursuivre l'exploitation ; Elle est remise avec l'examen physique de l'équipe de maintenance et l'accord du responsable d'exploitation. Les faux positifs (arrêt inutile) et les faux négatifs (échec manqué) sont tous deux coûteux ; Les gens gèrent cet équilibre.
L'intérêt de la maintenance prédictive réside dans la détection des pannes suffisamment tôt pour les transformer en un arrêt planifié : une panne imprévue interrompt la production en cours de travail, tandis qu'une panne prévue est préparée et que la maintenance est effectuée dans une fenêtre planifiée. Toutefois, cela ne fonctionne que si les données sont fiables. Dans une mine, les capteurs fonctionnent sous la poussière, les vibrations et la chaleur ; Les dérives d’étalonnage, les connexions desserrées et les écarts d’enregistrement sont fréquents. Par conséquent, la première étape d’un programme de maintenance prédictive n’est pas de construire un modèle, mais d’assurer la qualité des données. Avant de demander à l’IA de faire une « prédiction d’échec », il est nécessaire de se demander dans quelle mesure les données ont été collectées de manière fiable ; Même le modèle le plus avancé construit avec de mauvaises données est trompeur. De plus, tous les équipements ne sont pas également critiques : la défaillance d’un seul disjoncteur principal peut arrêter l’ensemble de l’usine, tandis que la défaillance d’une pompe de secours peut être tolérée. La priorisation des efforts prédictifs en fonction de la criticité des équipements oriente les ressources de maintenance limitées vers le bon endroit.
trois mini-cases
Cas 1 — Goulot d’étranglement caché. La production dans une mine est inférieure de 12 % à l’objectif. Le chef d'équipe estime "qu'il y a peu de camions". Ils demandent à l'IA de résumer les données d'expédition ; Il s’avère qu’en moyenne 28 % des camions font la queue devant la pelle. Le problème n’est pas le nombre de camions, mais la vitesse de chargement d’une seule pelle. La queue s'abaisse lorsqu'un deuxième chargeur est déployé. L’IA a montré le goulot d’étranglement en chiffres ; L'équipe a pris la décision et la confirmation sur le terrain.
Cas 2 — Anomalie de carburant. AI signale que la consommation de carburant d'un camion a été 18 % plus élevée que celle de ses pairs au cours des deux dernières semaines. L'équipe de maintenance vérifie ; constate que le filtre à air est bouché et que le moteur a du mal. La consommation revient à la normale lorsque le filtre est changé. Ici, l’IA a donné une alerte précoce ; mais l'examen physique a permis de poser le diagnostic (filtre). Si l'IA avait dit "moteur défectueux" et que le moteur avait été démonté en conséquence, cela aurait été à la fois erroné et coûteux.
Cas 3 — Faux positif. L'IA détecte une augmentation soudaine des données de vibration d'un broyeur et avertit d'une « panne imminente ». L'équipe de maintenance s'occupe ; constate que le rebond est dû à un desserrage du capteur, la machine est intacte. Si l'avertissement avait été suivi aveuglément et que l'usine avait été arrêtée, une équipe de production aurait été perdue en vain. Leçon : à chaque anomalie, s'interroger d'abord sur la qualité des données/capteurs ; L’avertissement de l’IA est une hypothèse.
Modèles d'invite copiables
RÉSUMÉ DES DONNÉES DE LA FLOTTE "Rôle : Vous êtes analyste adjoint des opérations minières. Résumez les données de répartition suivantes par quart de travail : tonnes totales, nombre de déplacements, temps de cycle moyen, pourcentages d'exécution/d'attente/de panne.
ANALYSE DES GOUTTES D'ÉTRANGLEMENT "Établissez une analyse pour déterminer où les temps d'attente/d'attente s'accumulent dans le cycle de chargement-transport-déchargement. Résultat : attente moyenne et temps total perdu à chaque étape. Indiquez si le goulot d'étranglement se situe au niveau du chargeur, en cours de transport ou de déchargement ; RECOMMANDE une solution définitive, répertorie les causes possibles et indique qu'une confirmation sur le terrain est requise."
MARQUAGE D'ANOMALIE (MAINTENANCE)"Vous trouverez ci-dessous une série temporelle [vibration/température/carburant] d'un équipement. Marquez les points qui s'écartent de la plage normale et pour chacun : (1) l'ampleur de l'écart, (2) la possibilité d'une éventuelle défaillance du capteur/des données, (3) ce qu'il faut rechercher lors d'une inspection physique. DIAGNOSTIC du défaut définitif. Données : [coller]."
PROJET DE RAPPORT D'ÉQUIPEMENT « Rédigez un projet de rapport d'équipe à partir des données récapitulatives suivantes : tonnes produites, écart par rapport à l'objectif, principales causes de perte, anomalies signalées et étapes de suivi recommandées. Marquez les décisions « soumises à l'approbation du responsable des opérations ». Données : [coller]."
Invite faible/Invite forte
INVITE FAIBLE : « Est-ce que ce camion va tomber en panne ? »
INVITE FORTE : "Rôle : Vous êtes l'analyste adjoint de la maintenance prédictive. Marquez les points de la série de vibrations et de températures ci-dessous qui s'écartent de la normale, donnez l'ampleur de l'écart et DISCRIMINEZ la possibilité d'une éventuelle défaillance du capteur à partir du signe mécanique réel. NE faites PAS de prédiction exacte de la défaillance ; détaillez ce que l'équipe de maintenance doit rechercher lors de l'inspection physique. Données : [coller]."
Tableau comparatif : signal de données et décision
signaler
Sortie IA
dont la décision
vérification
Faible OEE
Analyse des composants manquants
Responsable des opérations
observation sur le terrain
File d'attente/goulot d'étranglement
où il s'accumule
Chef de quart
Confirmation du champ
Écart de carburant
signe d'anomalie
équipe d'entretien
examen physique
éclaboussure de vibrations
Avertissement (pas de diagnostic)
Entretien + exploitation
Capteur + inspection
rapport de quart de travail
brouillon
Responsable des opérations
Approbation
Erreurs courantes
- Confondre une anomalie avec un dysfonctionnement certain. La plupart des anomalies sont des erreurs de capteurs/données ; Interrogez d'abord les données.
- Demander à l'IA de prédire avec précision « va-t-elle tomber en panne ? » Signaux IA ; l’examen pose le diagnostic.
- En supposant le goulot d'étranglement de la vérification numérique. Le sentiment de « moins de camions » s’avère souvent erroné.
- Contournement des problèmes d’horodatage/volume. Les écarts d’enregistrement faussent le TRS et la comptabilité cyclique.
- Obéir aveuglément à l’avertissement et arrêter la production. Le coût d’un faux positif est également réel.
Attention : Le but de la maintenance prédictive est de prévenir les dysfonctionnements, mais répondre à chaque avertissement en arrêtant la machine entraîne également des pertes. La décision appartient à celui qui pèse ensemble la gravité de l'avertissement, la criticité de l'équipement et le constat de l'inspection.
En résumé
Les données de flotte et de production constituent un trésor qui augmente la production lorsqu'elles sont lues correctement ; L'IA gère cela de manière puissante en matière de synthèse, de recherche de goulots d'étranglement, de signalement d'anomalies et de maintenance prédictive. Les pertes OEE, les temps d’attente et les écarts des capteurs sont rapidement rendus visibles grâce à l’IA. Mais l’anomalie est un avertissement, pas un diagnostic ; Les décisions d'arrêt et de changement d'équipement sont prises avec confirmation sur le terrain et approbation du responsable des opérations. Pour chaque anomalie, interrogez d’abord la qualité des données/capteurs.
Tâche de candidature
Utilisez les modèles « Résumé des données de flotte » et « Analyse des goulots d'étranglement » avec votre échantillon (ou vos propres données de répartition anonymisées) pour extraire les raisons de la perte d'un quart de travail. Appliquez ensuite le modèle « Marquage d'anomalie » à la série vibration/carburant d'un équipement et notez pour chaque indicateur s'il s'agit d'une erreur de données ou d'un problème réel. Enfin, avec « Shift report draft », traduisez les résultats en un rapport et marquez les décisions pour approbation opérationnelle.
liste de contrôle
- [ ] J'ai masqué et anonymisé les identifiants des véhicules et du personnel.
- [ ] J'ai vérifié le goulot d'étranglement avec les données de file d'attente/d'attente, pas au ressenti.
- [ ] Pour chaque anomalie, je me suis d'abord interrogé sur la qualité capteur/données.
- [ ] J'ai considéré l'avertissement de l'IA non pas comme un diagnostic, mais comme un signe à confirmer par un examen.
- [ ] J'ai laissé la décision d'arrêt de l'équipement/de production au responsable des opérations.
- [ ] J'ai vérifié l'horodatage et la cohérence du volume.