Dobici:
- Sposobnost sažimanja otpremnih, telemetrijskih i OEE podataka pomoću AI i otkrivanja uskih grla i anomalija
- Sposobnost konstruiranja logike prediktivnog održavanja s podacima o vibracijama, temperaturi i analizi ulja uz podršku umjetne inteligencije
- Sposobnost testiranja predviđanja proizvodnje/održavanja koje proizvodi umjetna inteligencija s terenskom provjerom i odlukom upravitelja operacija
Bez obzira na to koliko je plan dobar na papiru, proizvodnja na terenu je ono što se računa: koliko je tona iskopano, u kojem stupnju, koliko je kamiona prevezlo, koliko je teško oprema radila, koliko je goriva izgorjelo. U modernom otvorenom kopu, bageri, kamioni, bušilice i dozeri proizvode podatke sekundu po sekundu; Sustavi za upravljanje voznim parkom (dispeč) bilježe lokaciju, opterećenje i status svakog vozila. Ovaj ocean podataka je riznica koja, kada se ispravno čita, povećava proizvodnju, smanjuje troškove i ukazuje na uska grla. AI; Ovo je moćna pomoć u sažimanju operativnih podataka, otkrivanju trendova i anomalija (odstupanja od očekivanog), predviđanju i izvješćivanju o održavanju. Međutim, odluke o smjenama, prekidima rada opreme i ciljevima proizvodnje pripadaju upravitelju operacija; AI daje upozorenje, čovjek donosi odluku.
Jezik OEE i podataka o proizvodnji
Uobičajeni način mjerenja učinka proizvodnje je OEE (Overall Equipment Effectiveness). OEE je proizvod tri komponente: dostupnosti (je li oprema operativna), performansi (koliko radi projektiranom brzinom) i kvalitete (koliki je dio proizvodnje prema cilju). Nizak OEE kamiona može nastati zbog kvara, zastoja ili sporog rada; Da biste saznali koji je to, potrebno je pravilno izrezati podatke. AI je dobra u razgradnji OEE komponenti i odgovaranju na pitanje "gdje je gubitak"; ali točan razlog zašto je pomak ispušten nalazi se kroz potvrdu polja.
Korak po korak: AI radi s podacima o voznom parku
- Anonimizirajte i identificirajte podatke. Maske ID vozila; Opišite stupce, vremensku oznaku i jedinice.
- Napravite sažetak. Tone, broj putovanja, vrijeme rada/čekanja/kvarova na bazi smjena/dan. AI: zbirni kod i tablica.
- Potražite uska grla. Ograničava li utovar, nošenje ili istovar? Gdje se skuplja vrijeme čekanja? AI: predlaže analizu presjeka.
- Označite anomaliju. Gorivo, vrijeme ciklusa, opterećenje odstupaju od očekivanja. AI: predlaže statistički prag ili jednostavan model.
- Potvrdite poljem. Provjerite svaku anomaliju s operativnim timom/timom za održavanje; Greška u podacima ili pravi problem?
- Akcija i potraga. Odluku donosi operativni službenik; AI izrađuje naknadno izvješće.
Savjet: Anomalija nije uvijek kvar; većinu vremena radi se o pogrešci senzora, pomaku vremenske oznake ili razmaku u zapisu. Postavite pitanje "Trebam li prvo posumnjati u podatke ili u stroj?" sa svakom anomalijom.
Prediktivno održavanje: koncept i granice
Postoje tri generacije održavanja: korektivni (popravak kada dođe do kvara), preventivni (održavanje prema rasporedu) i prediktivni (prediktivni: predviđanje kvara prema znakovima u podacima). U prediktivnom održavanju prate se pokazatelji kao što su vibracije, temperatura, analiza ulja (habajući metali), struja i tlak; Odstupanje od normale može ukazivati na kvar. AI je moćna u pronalaženju obrazaca i anomalija u tim multivarijatnim podacima. Ali kritična točka je sljedeća: anomalija je upozorenje, a ne dijagnoza. Odluka o zaustavljanju opreme, zamjeni dijelova ili nastavku rada; Daje se uz fizički pregled tima za održavanje i odobrenje voditelja rada. Lažno pozitivni rezultati (uzaludno zaustavljanje) i lažno negativni rezultati (propušteni neuspjeh) skupi su; Ljudi upravljaju ovom ravnotežom.
Vrijednost prediktivnog održavanja leži u uočavanju kvara dovoljno rano da se pretvori u planirano zaustavljanje: neplanirani kvar zaustavlja proizvodnju usred smjene, dok se za predviđeni kvar dijelovi pripremaju i održavanje se izvodi unutar planiranog perioda. Međutim, to funkcionira samo ako su podaci pouzdani. U rudniku senzori rade pod prašinom, vibracijama i toplinom; Kalibracijski pomak, labav spoj i praznina u registraciji su uobičajeni. Stoga prvi korak programa prediktivnog održavanja nije izgradnja modela, već osiguranje kvalitete podataka. Prije nego što umjetna inteligencija napravi "predviđanje neuspjeha", potrebno je zapitati se koliko su pouzdano ti podaci prikupljeni; Čak i najnapredniji model izgrađen s lošim podacima dovodi u zabludu. Štoviše, nije sva oprema jednako kritična: kvar jednog glavnog prekidača može isključiti cijelo postrojenje, dok se kvar pomoćne pumpe može tolerirati. Davanje prioriteta prediktivnim naporima na temelju kritičnosti opreme usmjerava ograničene resurse održavanja na pravo mjesto.
tri mini kućišta
Slučaj 1 — Skriveno usko grlo. Proizvodnja u jednom rudniku je 12% ispod cilja. Voditelj smjene smatra "malo je kamiona". Imaju AI sažimanje podataka o otpremi; Ispada da u prosjeku 28% kamiona čeka u redu na bageru. Nije problem broj kamiona, već brzina utovara jednog bagera. Rep se spušta kada se aktivira drugi utovarivač. AI je pokazao usko grlo u brojkama; Tim je donio odluku i terensku potvrdu.
Slučaj 2 — Anomalija goriva. AI označava da je potrošnja goriva kamiona bila 18% veća od ostalih u posljednja dva tjedna. Tim za održavanje provjerava; ustanovi da je filtar zraka začepljen i da se motor muči. Promjenom filtra potrošnja se vraća u normalu. Ovdje je AI dao rano upozorenje; ali fizičkim pregledom postavljena je dijagnoza (filter). Da je umjetna inteligencija rekla "motor neispravan" i da je motor u skladu s tim rastavljen, bilo bi pogrešno i skupo.
Slučaj 3 — Lažno pozitivno. AI vidi iznenadni skok u podacima o vibracijama brusilice i upozorava na "neposredan kvar". Tim za održavanje brine o; utvrdi da je odskakanje posljedica labavljenja senzora, stroj je netaknut. Da se upozorenje slijepo držalo i mlin zaustavio, jedna smjena proizvodnje bila bi uzalud izgubljena. Lekcija: kod svake anomalije prvo preispitajte kvalitetu podataka/senzora; AI upozorenje je hipoteza.
Predlošci upita koji se mogu kopirati
SAŽETAK PODATAKA O FLOTI "Uloga: Vi ste pomoćni analitičar rudarskih operacija. Sažmite sljedeće podatke o otpremi po smjeni: ukupne tone, broj putovanja, prosječno vrijeme ciklusa, postotak rada/čekanja/kvar. ID-ovi vozila su maskirani. Pomaci zastavica koji se čine nenormalnim, ali odlučite ZAŠTO; predložite koji dodatni presjek ispitati. Podaci: [zalijepite]."
ANALIZA USKOG GRLA "Postavite analizu kako biste pronašli gdje se akumulira vrijeme čekanja u redu čekanja u ciklusu utovar-prijevoz-istovar. Izlaz: prosječno vrijeme čekanja i ukupno izgubljeno vrijeme u svakoj fazi. Pokažite je li usko grlo na utovarivaču, u transportu ili istovaru; PREPORUČITE konačno rješenje, navedite moguće uzroke i naznačite da je potrebna potvrda polja."
OZNAČAVANJE ANOMALIJE (ODRŽAVANJE)"Ispod je vremenski niz [vibracija/temperatura/gorivo] za dio opreme. Označite točke koje odstupaju od normalnog raspona i za svaku: (1) veličinu odstupanja, (2) mogućnost mogućeg kvara senzora/podataka, (3) što tražiti u fizičkom pregledu. DIJAGNOZA definitivan kvar. Podaci: [zalijepi]."
NACRT IZVJEŠĆA O SMJENI"Napišite nacrt izvješća o smjeni od sljedećih sažetih podataka: proizvedene tone, odstupanje od cilja, glavni uzroci gubitka, označene anomalije i preporučeni daljnji koraci. Označite odluke 'podložne odobrenju operativnog službenika'. Podaci:[zalijepi]."
Slab upit / Jak upit
SLABA UPOTREBA: "Hoće li se ovaj kamion pokvariti?"
SNAŽNA UPOTREBA: "Uloga: Vi ste pomoćni analitičar za predviđanje održavanja. Označite točke u serijama vibracija i temperatura ispod koje odstupaju od normale, navedite veličinu odstupanja i RAZLIKUJTE mogućnost mogućeg kvara senzora od stvarnog mehaničkog znaka. NEMOJTE praviti točno predviđanje kvara; navedite što bi tim za održavanje trebao tražiti tijekom fizičkog pregleda. Podaci: [zalijepite]."
Usporedna tablica: podatkovni signal i odluka
signal
AI izlaz
čija odluka
provjera
Nizak OEE
Nedostaje raščlanjivanje komponente
Voditelj operacija
terensko promatranje
Red/usko grlo
gdje se nakuplja
Nadzornik smjene
Potvrda polja
Odstupanje goriva
znak anomalije
tim za održavanje
fizički pregled
prskanje vibracija
Upozorenje (nije dijagnoza)
Održavanje + rad
Senzor + pregled
izvješće o smjeni
nacrt
Voditelj operacija
Odobrenje
Uobičajene greške
- Miješajući anomaliju s definitivnim kvarom. Većina anomalija su pogreške senzora/podataka; Prvo upitajte podatke.
- Tražiti od umjetne inteligencije da točno predvidi "hoće li se pokvariti?" AI signali; pregled postavlja dijagnozu.
- Pretpostavka uskog grla iz numeričke provjere. Osjećaj "manje kamiona" često se pokaže pogrešnim.
- Zaobilaženje problema s vremenskom oznakom/volumenom. Rupe u evidenciji iskrivljuju OEE i računovodstvo ciklusa.
- Slijepo slušanje upozorenja i zaustavljanje proizvodnje. Trošak lažno pozitivnog je također stvaran.
Pažnja: Cilj prediktivnog održavanja je spriječiti kvar, ali reagiranje na svako upozorenje zaustavljanjem stroja također uzrokuje gubitke. Odluka pripada osobi koja zajedno odvagne ozbiljnost upozorenja, kritičnost opreme i nalaz inspekcije.
Ukratko
Podaci o voznom parku i proizvodnji su riznica koja povećava proizvodnju kada se pravilno čita; AI to snažno rješava u sažimanju, pronalaženju uskih grla, označavanju anomalija i prediktivnom održavanju. OEE gubici, vrijeme čekanja i odstupanja senzora brzo postaju vidljivi pomoću AI. Ali anomalija je upozorenje, a ne dijagnoza; Odluke o zaustavljanju i smjeni opreme donose se uz potvrdu na terenu i odobrenje voditelja operacija. Za svaku anomaliju prvo postavite upit o kvaliteti podataka/senzora.
Zadatak aplikacije
Upotrijebite predloške "Sažetak podataka o voznom parku" i "Analiza uskog grla" sa svojim uzorkom (ili vlastitim anonimiziranim) podacima o otpremi kako biste izdvojili razloge gubitka smjene. Zatim primijenite predložak "Označavanje anomalije" na seriju vibracija/goriva dijela opreme i zabilježite za svaku oznaku radi li se o pogrešci podataka ili stvarnom problemu. Na kraju, uz "Nacrt izvješća o smjeni", prevedite nalaze u izvješće i označite odluke za operativno odobrenje.
popis za provjeru
- [ ] Maskirao sam i anonimizirao ID vozila/osoblja.
- [ ] Provjerio sam usko grlo s podacima o redu čekanja, a ne na opip.
- [ ] Za svaku sam anomaliju prvo ispitao kvalitetu senzora/podataka.
- [ ] Smatrao sam da AI upozorenje nije dijagnoza, već znak koji treba potvrditi pregledom.
- [ ] Prepustio sam odluku o zatvaranju opreme/proizvodnji upravitelju operacija.
- [ ] Provjerio sam vremensku oznaku i dosljednost volumena.