ઉત્પાદન, ફ્લીટ/ઇક્વિપમેન્ટ ડેટા અને અનુમાનિત જાળવણી

નફો:

• AI સાથે ડિસ્પેચ, ટેલિમેટ્રી અને OEE ડેટાનો સારાંશ આપવાની અને અડચણો અને વિસંગતતાઓ શોધવાની ક્ષમતા
• AI સપોર્ટ સાથે કંપન, તાપમાન અને તેલ વિશ્લેષણ ડેટા સાથે અનુમાનિત જાળવણી તર્ક રચવાની ક્ષમતા
• ફિલ્ડ વેરિફિકેશન અને ઓપરેશન મેનેજરના નિર્ણય સાથે AI દ્વારા ઉત્પાદિત ઉત્પાદન/જાળવણી અનુમાનને ચકાસવાની ક્ષમતા

યોજના કાગળ પર કેટલી સારી છે તે મહત્વનું નથી, તે ક્ષેત્ર પરનું ઉત્પાદન છે જે ગણાય છે: કેટલા ટન ખોદવામાં આવ્યા હતા, કયા ગ્રેડ પર, કેટલી ટ્રકોએ તેને વહન કર્યું, સાધનોએ કેટલી મહેનત કરી, કેટલું બળતણ બાળ્યું. આધુનિક ખુલ્લા ખાડામાં, ઉત્ખનકો, ટ્રક, ડ્રિલર્સ અને ડોઝર્સ સેકન્ડ બાય સેકન્ડ ડેટા ઉત્પન્ન કરે છે; ફ્લીટ મેનેજમેન્ટ સિસ્ટમ્સ (રવાનગી) દરેક વાહનનું સ્થાન, લોડ અને સ્થિતિ રેકોર્ડ કરે છે. ડેટાનો આ મહાસાગર એક ખજાનો છે જે યોગ્ય રીતે વાંચવાથી ઉત્પાદન વધે છે, ખર્ચમાં ઘટાડો થાય છે અને અડચણો સૂચવે છે. AI; ઓપરેશનલ ડેટા, વલણ અને વિસંગતતા (અપેક્ષિતથી વિચલન) શોધ, અનુમાનિત જાળવણીની આગાહી અને રિપોર્ટિંગનો સારાંશ આપવામાં આ એક શક્તિશાળી સહાય છે. જો કે, શિફ્ટ નિર્ણયો, સાધનસામગ્રી બંધ અને ઉત્પાદન લક્ષ્યો ઓપરેશન મેનેજરના છે; AI ચેતવણી આપે છે, માનવ નિર્ણય લે છે.

OEE અને ઉત્પાદન ડેટાની ભાષા

ઉત્પાદન કામગીરીને માપવાની એક સામાન્ય રીત OEE (એકંદર સાધનોની અસરકારકતા) છે. OEE એ ત્રણ ઘટકોનું ઉત્પાદન છે: પ્રાપ્યતા (સાધન કાર્યરત છે), પ્રદર્શન (તે ડિઝાઇનની ઝડપે કેટલું કાર્ય કરે છે), અને ગુણવત્તા (કેટલું ઉત્પાદન લક્ષ્ય પર છે). ટ્રકનું ઓછું OEE ભંગાણ, સ્ટોલિંગ અથવા ધીમી કામગીરીથી આવી શકે છે; તે કયું છે તે શોધવા માટે ડેટાને યોગ્ય રીતે કાપવાની જરૂર છે. AI OEE ઘટકોને તોડવામાં અને "ખોટ ક્યાં છે" પ્રશ્નનો જવાબ આપવામાં સારી છે; પરંતુ શા માટે પાળી છોડવામાં આવી છે તેનું ચોક્કસ કારણ ફીલ્ડ કન્ફર્મેશન દ્વારા જાણવા મળે છે.

સ્ટેપ બાય સ્ટેપ: ફ્લીટ ડેટા સાથે AI કાર્ય

1. અનામી અને ડેટા ઓળખો. માસ્ક વાહન IDs; કૉલમ, ટાઇમસ્ટેમ્પ અને એકમોનું વર્ણન કરો.
2. સારાંશ બનાવો. ટન, ટ્રિપ્સની સંખ્યા, શિફ્ટ/દિવસના આધારે કામ/પ્રતીક્ષા/નિષ્ફળતાનો સમય. AI: સારાંશ કોડ અને ટેબલ.
3. અડચણો માટે જુઓ. શું તે લોડિંગ, વહન અથવા અનલોડિંગને મર્યાદિત કરે છે? કતારના સમય ક્યાં એકઠા થાય છે? AI: ક્રોસ-વિભાગીય વિશ્લેષણ સૂચવે છે.
4. વિસંગતતાને ચિહ્નિત કરો. ઇંધણ, ચક્ર સમય, લોડ અપેક્ષાઓથી વિચલિત થાય છે. AI: આંકડાકીય થ્રેશોલ્ડ અથવા સરળ મોડેલ સૂચવે છે.
5. ક્ષેત્ર સાથે પુષ્ટિ કરો. કામગીરી/જાળવણી ટીમ સાથે દરેક વિસંગતતા ચકાસો; ડેટા ભૂલ અથવા વાસ્તવિક સમસ્યા?
6. ક્રિયા અને ધંધો. નિર્ણય કામગીરી અધિકારી દ્વારા લેવામાં આવે છે; AI ફોલો-અપ રિપોર્ટનો મુસદ્દો તૈયાર કરે છે.

ટીપ: વિસંગતતા હંમેશા ખામી નથી હોતી; મોટેભાગે તે સેન્સર ભૂલ, ટાઇમસ્ટેમ્પ ડ્રિફ્ટ અથવા રેકોર્ડ ગેપ હોય છે. પ્રશ્ન પૂછો "શું મારે પહેલા ડેટા અથવા મશીન પર શંકા કરવી જોઈએ?" દરેક વિસંગતતા સાથે.

અનુમાનિત જાળવણી: ખ્યાલ અને સીમા

જાળવણીની ત્રણ પેઢીઓ છે: સુધારાત્મક (જ્યારે કોઈ ખામી સર્જાય ત્યારે સમારકામ), નિવારક (શેડ્યુલ મુજબ જાળવણી) અને આગાહી (આગાહી: ડેટામાંના ચિહ્નોમાંથી નિષ્ફળતાની આગાહી). અનુમાનિત જાળવણીમાં, કંપન, તાપમાન, તેલ વિશ્લેષણ (ધાતુઓ પહેરવા), વર્તમાન અને દબાણ જેવા સૂચકોનું નિરીક્ષણ કરવામાં આવે છે; સામાન્યથી વિચલન એ ખામીને સૂચવી શકે છે. AI આ બહુવિધ ડેટામાં પેટર્ન અને વિસંગતતાઓ શોધવામાં શક્તિશાળી છે. પરંતુ નિર્ણાયક મુદ્દો આ છે: વિસંગતતા એ ચેતવણી છે, નિદાન નથી. સાધનસામગ્રી રોકવા, ભાગો બદલવા અથવા કામગીરી ચાલુ રાખવાનો નિર્ણય; તે જાળવણી ટીમની શારીરિક તપાસ અને ઓપરેશન મેનેજરની મંજૂરી સાથે આપવામાં આવે છે. ખોટા હકારાત્મક (નિરર્થક સ્ટોપ) અને ખોટા નકારાત્મક (ચૂકી ગયેલ નિષ્ફળતા) બંને ખર્ચાળ છે; લોકો આ સંતુલનનું સંચાલન કરે છે.

અનુમાનિત જાળવણીનું મૂલ્ય તેને આયોજિત શટડાઉનમાં ફેરવવા માટે વહેલી તકે નિષ્ફળતા જોવામાં રહેલું છે: બિનઆયોજિત નિષ્ફળતા ઉત્પાદનની મધ્ય-પાળીને અટકાવે છે, જ્યારે અનુમાનિત નિષ્ફળતાના ભાગો તૈયાર કરવામાં આવે છે અને આયોજિત વિંડોમાં જાળવણી કરવામાં આવે છે. જો કે, આ ફક્ત ત્યારે જ કાર્ય કરે છે જો ડેટા વિશ્વસનીય હોય. ખાણમાં, સેન્સર ધૂળ, કંપન અને ગરમી હેઠળ કાર્ય કરે છે; કેલિબ્રેશન ડ્રિફ્ટ, લૂઝ કનેક્શન અને રજીસ્ટ્રેશન ગેપ સામાન્ય છે. તેથી, અનુમાનિત જાળવણી કાર્યક્રમનું પ્રથમ પગલું એ મોડેલ બનાવવાનું નથી, પરંતુ ડેટાની ગુણવત્તાને સુનિશ્ચિત કરવાનું છે. AI એ "નિષ્ફળતાની આગાહી" કરતા પહેલા, તે પૂછવું જરૂરી છે કે તે ડેટા કેટલી વિશ્વસનીય રીતે એકત્રિત કરવામાં આવ્યો છે; ખરાબ ડેટા સાથે બનેલ સૌથી અદ્યતન મોડલ પણ ભ્રામક છે. તદુપરાંત, તમામ સાધનો સમાન રીતે જટિલ નથી: એક મુખ્ય બ્રેકરની નિષ્ફળતા સમગ્ર પ્લાન્ટને બંધ કરી શકે છે, જ્યારે બેકઅપ પંપની નિષ્ફળતાને સહન કરી શકાય છે. સાધનસામગ્રીની નિર્ણાયકતાના આધારે અનુમાનિત પ્રયત્નોને પ્રાધાન્ય આપવું મર્યાદિત જાળવણી સંસાધનોને યોગ્ય સ્થાને દિશામાન કરે છે.

ત્રણ નાના કેસો

કેસ 1 - છુપાયેલ અડચણ. એક ખાણમાં ઉત્પાદન લક્ષ્ય કરતાં 12% ઓછું છે. શિફ્ટ સુપરવાઈઝર વિચારે છે કે "ત્યાં થોડા ટ્રક છે". તેમની પાસે એઆઈનો સારાંશ ડિસ્પેચ ડેટા છે; તે તારણ આપે છે કે સરેરાશ 28% ટ્રક ઉત્ખનનકાર પર કતારમાં રાહ જોઈ રહી છે. સમસ્યા ટ્રકની સંખ્યાની નથી, પરંતુ એક જ ઉત્ખનનની લોડિંગ ઝડપની છે. જ્યારે બીજું લોડર ગોઠવવામાં આવે છે ત્યારે પૂંછડી ઘટી જાય છે. AI એ સંખ્યાઓમાં અડચણ દર્શાવી; ટીમે નિર્ણય લીધો અને ફિલ્ડ કન્ફર્મેશન કર્યું.

કેસ 2 - બળતણની વિસંગતતા. AI ફ્લેગ કરે છે કે છેલ્લા બે અઠવાડિયામાં ટ્રકનો ઇંધણ વપરાશ તેના સાથીદારો કરતાં 18% વધુ છે. જાળવણી ટીમ તપાસ કરે છે; શોધે છે કે એર ફિલ્ટર ભરાયેલું છે અને એન્જિન સંઘર્ષ કરી રહ્યું છે. જ્યારે ફિલ્ટર બદલાય છે ત્યારે વપરાશ સામાન્ય થઈ જાય છે. અહીં AI એ પ્રારંભિક ચેતવણી આપી હતી; પરંતુ શારીરિક તપાસથી નિદાન (ફિલ્ટર) થયું. જો AI એ "એન્જિન ખામીયુક્ત" કહ્યું હોત અને તે મુજબ એન્જિનને તોડી પાડવામાં આવ્યું હોત, તો તે ખોટું અને ખર્ચાળ બંને હોત.

કેસ 3 - ખોટા હકારાત્મક. AI ગ્રાઇન્ડરનાં વાઇબ્રેશન ડેટામાં અચાનક જમ્પ જુએ છે અને "નિકટવર્તી નિષ્ફળતા" ની ચેતવણી આપે છે. જાળવણી ટીમ તેની સંભાળ રાખે છે; શોધે છે કે બાઉન્સ સેન્સર ઢીલું થવાને કારણે છે, મશીન અકબંધ છે. જો ચેતવણીનું આંધળું પાલન કરવામાં આવ્યું હોત અને મિલ બંધ કરવામાં આવી હોત, તો ઉત્પાદનની એક પાળી નિરર્થક રીતે ખોવાઈ ગઈ હોત. પાઠ: દરેક વિસંગતતા સાથે, પ્રથમ ડેટા/સેન્સરની ગુણવત્તા પર પ્રશ્ન કરો; AI ચેતવણી એ એક પૂર્વધારણા છે.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

ફ્લીટ ડેટાનો સારાંશ "ભૂમિકા: તમે સહાયક ખાણ કામગીરી વિશ્લેષક છો. શિફ્ટ દ્વારા નીચેના ડિસ્પેચ ડેટાનો સારાંશ આપો: કુલ ટન, ટ્રિપ્સની સંખ્યા, સરેરાશ સાયકલ સમય, રન/પ્રતીક્ષા/નિષ્ફળતાની ટકાવારી. વાહન ID ને માસ્ક કરવામાં આવે છે. ફ્લેગ શિફ્ટ્સ જે અસામાન્ય લાગે છે પરંતુ શા માટે વધારાના વિભાગ નક્કી કરે છે: Dapa.

બોટલનેક વિશ્લેષણ "લોડ-ટ્રાન્સપોર્ટ-અનલોડ ચક્રમાં કતાર/પ્રતીક્ષાના સમય ક્યાં એકઠા થાય છે તે શોધવા માટે વિશ્લેષણ સેટ કરો. આઉટપુટ: સરેરાશ રાહ અને દરેક તબક્કે કુલ ખોવાયેલો સમય. બતાવો કે શું અડચણ લોડર પર છે, પરિવહનમાં કે અનલોડિંગમાં; ચોક્કસ ઉકેલની ભલામણ કરો, ફિલ્ડની પુષ્ટિ કરો અને સંભવિત કારણો સૂચિત કરો."

માર્કિંગ અસંગતતા (જાળવણી)"નીચે સાધનોના ભાગની [કંપન/તાપમાન/બળતણ] સમય શ્રેણી છે. સામાન્ય શ્રેણીમાંથી વિચલિત થતા બિંદુઓને ચિહ્નિત કરો અને દરેક માટે: (1) વિચલનની તીવ્રતા, (2) સંભવિત સેન્સર/ડેટા નિષ્ફળતાની સંભાવના, (3) ભૌતિક તપાસમાં શું જોવા માટે. ફોલ્ટ ડેટા: [પેસ્ટ]."

SHIFT REPORT DRAFT"Write a draft shift report from the following summary data: tons produced, deviation from target, major causes of loss, anomalies flagged, and recommended follow-up steps. Mark decisions 'subject to operations officer approval'. Data:[paste]."

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: "શું આ ટ્રક તૂટી જશે?"

સ્ટ્રોંગ પ્રોમ્પ્ટ: "ભૂમિકા: તમે સહાયક અનુમાનિત જાળવણી વિશ્લેષક છો. સામાન્યથી વિચલિત થતા વાઇબ્રેશન અને તાપમાન શ્રેણીમાંના બિંદુઓને ચિહ્નિત કરો, વિચલનની તીવ્રતા આપો, અને વાસ્તવિક યાંત્રિક ચિહ્નથી સંભવિત સેન્સરની નિષ્ફળતાની સંભાવનાને ભેદ પાડો. નિષ્ફળતા માટે મુખ્ય ટીમ શું દેખાવી જોઈએ તે ચોક્કસ બનાવશો નહીં; તે સમય દરમિયાન મુખ્ય ટીમની નિષ્ફળતાની સ્પષ્ટતા કરો. નિરીક્ષણ ડેટા: [પેસ્ટ કરો]."

સરખામણી ચાર્ટ: ડેટા સિગ્નલ અને નિર્ણય

સંકેત

AI આઉટપુટ

જેનો નિર્ણય

ચકાસણી

ઓછી OEE

ઘટક પાર્સિંગ ખૂટે છે

ઓપરેશન મેનેજર

ક્ષેત્ર અવલોકન

કતાર / અડચણ

જ્યાં તે એકઠા થાય છે

શિફ્ટ સુપરવાઇઝર

ક્ષેત્ર પુષ્ટિ

બળતણ વિચલન

વિસંગતતાની નિશાની

જાળવણી ટીમ

શારીરિક તપાસ

વાઇબ્રેશન સ્પ્લેશ

ચેતવણી (નિદાન નથી)

જાળવણી + કામગીરી

સેન્સર + નિરીક્ષણ

રિપોર્ટ પાળી

ડ્રાફ્ટ

ઓપરેશન મેનેજર

મંજૂરી

સામાન્ય ભૂલો

• ચોક્કસ ખામી માટે વિસંગતતાની ભૂલ કરવી. મોટાભાગની વિસંગતતાઓ સેન્સર/ડેટાની ભૂલો છે; પહેલા ડેટાની ક્વેરી કરો.
• AI ને ચોક્કસ આગાહી કરવા માટે પૂછવું "શું તે તૂટી જશે?" AI સંકેતો; પરીક્ષા નિદાન કરે છે.
• સંખ્યાત્મક ચકાસણીમાંથી અડચણ ધારી રહ્યા છીએ. "ઓછી ટ્રક" ની લાગણી ઘણીવાર ખોટી હોય છે.
• ટાઇમસ્ટેમ્પ/વોલ્યુમ સમસ્યાઓને બાયપાસ કરીને. રેકોર્ડ ગેપ OEE અને સાયકલ એકાઉન્ટિંગને વિકૃત કરે છે.
• આંધળાપણે ચેતવણીનું પાલન કરવું અને ઉત્પાદન બંધ કરવું. ખોટા હકારાત્મકની કિંમત પણ વાસ્તવિક છે.

ધ્યાન આપો: અનુમાનિત જાળવણીનો ઉદ્દેશ્ય ખામીને રોકવાનો છે, પરંતુ મશીનને બંધ કરીને દરેક ચેતવણીનો જવાબ આપવાથી પણ નુકસાન થાય છે. નિર્ણય તે વ્યક્તિનો છે જે ચેતવણીની ગંભીરતા, સાધનોની જટિલતા અને નિરીક્ષણ શોધને એકસાથે વજન આપે છે.

સારાંશમાં

ફ્લીટ અને ઉત્પાદન ડેટા એ ખજાનો છે જે યોગ્ય રીતે વાંચવા પર ઉત્પાદનમાં વધારો કરે છે; AI સારાંશ, અડચણ શોધવા, વિસંગતતા ફ્લેગિંગ અને અનુમાનિત જાળવણીમાં આને શક્તિશાળી રીતે સંભાળે છે. OEE નુકસાન, કતારમાં સમય અને સેન્સર વિચલનો AI સાથે ઝડપથી દૃશ્યમાન થાય છે. પરંતુ વિસંગતતા એ ચેતવણી છે, નિદાન નથી; ઇક્વિપમેન્ટ સ્ટોપ અને શિફ્ટના નિર્ણયો ફિલ્ડ કન્ફર્મેશન અને ઓપરેશન મેનેજરની મંજૂરી સાથે લેવામાં આવે છે. દરેક વિસંગતતા માટે, પહેલા ડેટા/સેન્સરની ગુણવત્તાની ક્વેરી કરો.

એપ્લિકેશન કાર્ય

પાળી ખોવાઈ જવાના કારણોને બહાર કાઢવા માટે તમારા નમૂના (અથવા તમારા પોતાના અનામી) ડિસ્પેચ ડેટા સાથે "ફ્લીટ ડેટા સારાંશ" અને "બોટલનેક વિશ્લેષણ" નમૂનાઓનો ઉપયોગ કરો. પછી સાધનસામગ્રીના વાઇબ્રેશન/ફ્યુઅલ સિરીઝના ભાગ પર "એનોમલી માર્કિંગ" ટેમ્પલેટ લાગુ કરો અને દરેક ફ્લેગ માટે નોંધ કરો કે તે ડેટાની ભૂલ છે કે વાસ્તવિક સમસ્યા છે. અંતે, "શિફ્ટ રિપોર્ટ ડ્રાફ્ટ" સાથે, તારણોને રિપોર્ટમાં અનુવાદિત કરો અને ઓપરેશનલ મંજૂરી માટે નિર્ણયોને ચિહ્નિત કરો.

ચેકલિસ્ટ

• [ ] મેં વાહન/કર્મચારી ID ને માસ્ક અને અનામી રાખ્યા છે.
• [ ] મેં કતાર/પ્રતીક્ષાના ડેટા સાથે અડચણની ચકાસણી કરી, લાગણી દ્વારા નહીં.
• દરેક વિસંગતતા માટે, મેં પ્રથમ સેન્સર/ડેટા ગુણવત્તા પર પ્રશ્ન કર્યો.
• [ ] મેં AI ચેતવણીને નિદાન નહીં, પરંતુ પરીક્ષા દ્વારા પુષ્ટિ કરવા માટેની નિશાની માની.
• [ ] મેં સાધનો બંધ/ઉત્પાદનનો નિર્ણય ઓપરેશન મેનેજર પર છોડી દીધો.
• [ ] મેં ટાઇમસ્ટેમ્પ અને વોલ્યુમ સુસંગતતા તપાસી.