Nyereség:
- Képes a küldési, telemetriai és OEE adatok összefoglalására mesterséges intelligencia segítségével, valamint a szűk keresztmetszetek és anomáliák észlelésére
- Képes prediktív karbantartási logika létrehozására rezgés-, hőmérséklet- és olajelemzési adatokkal AI támogatással
- Képes tesztelni az AI által készített termelési/karbantartási előrejelzést helyszíni ellenőrzéssel és az üzemeltetési vezető döntésével
Bármilyen jó is a terv papíron, a terepen a termelés számít: hány tonnát ástak, milyen fokozaton, hány kamion vitte, milyen keményen dolgoztak a berendezések, mennyi üzemanyagot égettek el. Egy modern külszíni aknában a kotrógépek, teherautók, fúrók és dózerek másodpercről másodpercre állítják elő az adatokat; A flottakezelő rendszerek (diszpécser) rögzítik az egyes járművek helyét, rakományát és állapotát. Az adatoknak ez az óceánja egy kincsesbánya, amely helyes olvasás esetén növeli a termelést, csökkenti a költségeket és jelzi a szűk keresztmetszeteket. AI; Ez egy hatékony segítség az üzemi adatok, a trendek és anomáliák (várttól való eltérés) felderítésében, a prediktív karbantartási előrejelzésben és jelentésekben. A műszakos döntések, a berendezések leállásai és a termelési célok azonban az operatív vezetőt illetik; Az AI figyelmeztet, az ember hozza meg a döntést.
Az OEE és a gyártási adatok nyelve
A termelési teljesítmény mérésének általános módja az OEE (Overall Equipment Effectiveness). Az OEE három összetevő terméke: rendelkezésre állás (működőképes-e a berendezés), teljesítmény (mennyit működik tervezési sebességgel) és minőség (a termelés mekkora része teljesíti a célt). A teherautó alacsony OEE-értéke meghibásodásból, elakadásból vagy lassú működésből eredhet; Annak kiderítéséhez, hogy melyikről van szó, helyesen kell vágni az adatokat. A mesterséges intelligencia jó az OEE összetevők lebontásában és a „hol a veszteség” kérdés megválaszolásában; de a műszak kiesésének pontos okát a helyszíni megerősítésen keresztül találjuk meg.
Lépésről lépésre: AI munka flottaadatokkal
- Az adatok anonimizálása és azonosítása. Maszk járműazonosítók; Ismertesse az oszlopokat, az időbélyeget és az egységeket.
- Készítsen összefoglalót. Tonna, utak száma, munka/várakozás/hibaidők műszak/nap alapon. AI: összefoglaló kód és táblázat.
- Keresse a szűk keresztmetszeteket. Korlátozza a berakodást, szállítást vagy kirakodást? Hol halmozódnak fel a soridők? AI: keresztmetszeti elemzést javasol.
- Jelölje meg az anomáliát. Üzemanyag, ciklusidő, elvárásoktól eltérő terhelés. AI: statisztikai küszöböt vagy egyszerű modellt javasol.
- Erősítse meg a mezővel. Ellenőrizze az egyes rendellenességeket az üzemeltetési/karbantartó csapattal; Adathiba vagy valós probléma?
- Cselekvés és üldözés. A döntést a műveleti tiszt hozza meg; Az AI elkészíti a nyomon követési jelentést.
Tipp: Az anomália nem mindig hibás működés; legtöbbször szenzorhiba, időbélyegeltérés vagy rekordhiba. Tegye fel a kérdést: "Először az adatokra vagy a gépre gyanakodjak?" minden anomáliával.
Prediktív karbantartás: koncepció és határ
A karbantartásnak három generációja van: korrekciós (javítás meghibásodás esetén), megelőző (karbantartás ütemezés szerint) és prediktív (prediktív: a meghibásodás előrejelzése az adatokban szereplő jelekből). Az előrejelző karbantartás során olyan mutatókat figyelnek meg, mint a rezgés, hőmérséklet, olajelemzés (kopó fémek), áram és nyomás; A normáltól való eltérés hibás működést jelezhet. Az AI hatékonyan képes megtalálni a mintákat és anomáliákat ezekben a többváltozós adatokban. De a kritikus pont a következő: az anomália figyelmeztetés, nem diagnózis. Döntés a berendezés leállításáról, alkatrészek cseréjéről vagy a működés folytatásáról; Ezt a karbantartó csoport fizikai vizsgálatával és az üzemeltetési vezető jóváhagyásával adják meg. A hamis pozitív (hiábavaló megállás) és a hamis negatív (elmulasztott hiba) egyaránt költséges; Az emberek kezelik ezt az egyensúlyt.
A prediktív karbantartás értéke abban rejlik, hogy elég korán észleli a hibát ahhoz, hogy tervezett leállássá váljon: a nem tervezett meghibásodás leállítja a termelést a műszak közepén, míg az előre jelzett meghibásodásra az alkatrészeket előkészítik, és a karbantartást a tervezett időszakon belül elvégzik. Ez azonban csak akkor működik, ha az adatok megbízhatóak. Egy bányában az érzékelők por, vibráció és hő hatására működnek; A kalibrációs eltolódás, a laza csatlakozás és a regisztrációs rés gyakori. Ezért a prediktív karbantartási program első lépése nem egy modell felépítése, hanem az adatminőség biztosítása. Mielőtt a mesterséges intelligencia „kudarc-előrejelzést” készítene, meg kell kérdezni, mennyire megbízhatóan gyűjtötték az adatokat; Még a rossz adatokkal felépített legfejlettebb modell is félrevezető. Ráadásul nem minden berendezés egyformán kritikus: egyetlen főmegszakító meghibásodása az egész üzemet leállíthatja, míg egy tartalék szivattyú meghibásodása elviselhető. A berendezések kritikusságán alapuló előrejelző erőfeszítések prioritása a korlátozott karbantartási erőforrásokat a megfelelő helyre irányítja.
három mini tok
1. eset – Rejtett szűk keresztmetszet. Az egyik bánya termelése 12%-kal elmarad a céltól. A műszakvezető szerint "kevés a kamion". Rendelkeznek az AI-összefoglaló feladási adatokkal; Kiderült, hogy a teherautók átlagosan 28%-a várakozik a sorban a kotrógépnél. A probléma nem a teherautók számával van, hanem egy-egy kotrógép rakodási sebességével. A farok leesik, amikor egy második rakodót telepítenek. Az AI számokban mutatta meg a szűk keresztmetszetet; A csapat meghozta a döntést és a helyszíni megerősítést.
2. eset – Üzemanyag-rendellenesség. A mesterséges intelligencia azt jelzi, hogy egy teherautó üzemanyag-fogyasztása 18%-kal volt magasabb, mint társaié az elmúlt két hétben. A karbantartó csapat ellenőrzi; úgy találja, hogy a légszűrő eltömődött, és a motor nehezen működik. A fogyasztás visszaáll a normál értékre a szűrőcsere után. Itt az AI korai figyelmeztetést adott; de fizikális vizsgálat állította fel a diagnózist (szűrő). Ha a mesterséges intelligencia azt mondta volna, hogy "motor hibás", és ennek megfelelően leszerelték volna a motort, az rossz és drága lett volna.
3. eset – Hamis pozitív. A mesterséges intelligencia hirtelen ugrást észlel a daráló vibrációs adataiban, és „közelgő meghibásodásra” figyelmeztet. A karbantartó csapat gondoskodik róla; megállapítja, hogy a pattanás az érzékelő kilazulása miatt van, a gép sértetlen. Ha vakon követték volna a figyelmeztetést, és leállították volna a malmot, hiába veszett volna el egy műszak a termelésből. Tanulság: minden anomáliánál először kérdőjelezze meg az adat/érzékelő minőségét; Az AI figyelmeztetés egy hipotézis.
Másolható prompt sablonok
FLOTTAADATOK ÖSSZEFOGLALÁSA"Szerep: Ön asszisztens bányaművelet-elemző. Foglalja össze a következő feladási adatokat műszakonként: teljes tonna, utak száma, átlagos ciklusidő, futás/várakozás/hiba százalékos aránya. A járműazonosítók el vannak takarva. A rendellenesnek tűnő, de a MIÉRT-t dönti el a zászlóváltások; javasolja, hogy melyik keresztmetszetet vizsgálja meg további].
SZŰKÖDÉSI ELEMZÉS "Állítson fel egy elemzést, hogy megtudja, hol halmozódnak fel a várakozási idők a berakodás-szállítás-kirakodás ciklusban. Kimenet: átlagos várakozási idő és teljes elvesztési idő minden szakaszban. Mutassa meg, hogy a szűk keresztmetszet a rakodónál van-e, szállítás vagy kirakodás közben; AJÁNLJON végleges megoldást, sorolja fel a lehetséges okokat, és jelezze, hogy szükséges a mező megerősítése."
JELÖLÉSI ANOMÁLIA (KARBANTARTÁS)"Az alábbiakban egy berendezés [rezgés/hőmérséklet/üzemanyag] idősora látható. Jelölje be azokat a pontokat, amelyek eltérnek a normál tartománytól, és mindegyiknél: (1) az eltérés nagysága, (2) az esetleges szenzor/adathiba lehetősége, (3) mire kell figyelni a fizikai ellenőrzés során. [DIAGNOZIS]..":ipastive fault.
VÁLTOZÁSI JELENTÉS TERVEZET"Írjon műszakjelentés tervezetet a következő összefoglaló adatokból: előállított tonna, eltérés a céltól, a veszteség fő okai, a megjelölt rendellenességek és a javasolt nyomon követési lépések. Jelölje meg a döntéseket "a műveleti tiszt jóváhagyásához szükséges". Adatok: [beillesztés]."
Gyenge felszólítás / Erős felszólítás
GYENGE PROMPT: "Ez a teherautó elromlik?"
ERŐS PROMPT: "Szerep: Ön az asszisztens prediktív karbantartási elemző. Jelölje meg a rezgés- és hőmérsékletsor alatti pontokat, amelyek eltérnek a normáltól, adja meg az eltérés nagyságát, és KÜLÖNBÖZZI az érzékelő esetleges meghibásodásának lehetőségét a tényleges mechanikai előjeltől. NE készítsen pontos előrejelzést a meghibásodásról; részletezze, mit kell keresnie a karbantartó csapatnak a fizikai ellenőrzés során.
Összehasonlító táblázat: adatjel és döntés
jelet
AI kimenet
akinek a döntése
ellenőrzése
Alacsony OEE
Hiányzó komponens elemzés
Műveleti vezető
terepi megfigyelés
Sor/szűk keresztmetszet
ahol felhalmozódik
Műszakfelügyelő
Mező megerősítése
Üzemanyag eltérés
anomália jele
karbantartó csapat
fizikális vizsgálat
rezgés fröccsenése
Figyelmeztetés (nem diagnózis)
Karbantartás + üzemeltetés
Érzékelő + ellenőrzés
műszakjelentés
tervezet
Műveleti vezető
Jóváhagyás
Gyakori hibák
- Az anomáliát egy határozott meghibásodásra tévesztjük. A legtöbb rendellenesség érzékelő/adat hiba; Először kérdezze le az adatokat.
- Megkérjük az AI-t, hogy pontosan jósolja meg, hogy "lebomlik-e?" AI jelek; vizsgálat állítja fel a diagnózist.
- Feltételezve a szűk keresztmetszetet a numerikus ellenőrzésből. A „kevesebb kamion” érzése gyakran tévesnek bizonyul.
- Az időbélyeggel/hangerővel kapcsolatos problémák megkerülése. A rekordhiányok torzítják az OEE és a ciklus elszámolását.
- Vakon engedelmeskedni a figyelmeztetésnek és leállítani a gyártást. A hamis pozitív ára is valós.
Figyelem: A megelőző karbantartás célja a meghibásodás megelőzése, de minden figyelmeztetésre a gép leállításával való reagálás is veszteséget okoz. A döntés azt a személyt illeti meg, aki mérlegeli a figyelmeztetés súlyosságát, a berendezés kritikusságát és az ellenőrzési eredményt.
Összefoglalva
A flotta- és termelési adatok kincsesbánya, amely helyes leolvasás esetén növeli a termelést; Az AI ezt hatékonyan kezeli az összegzés, a szűk keresztmetszetek feltárása, az anomáliák jelzése és az előrejelző karbantartás terén. Az AI segítségével gyorsan láthatóvá válnak az OEE veszteségek, a sorban állási idők és az érzékelő eltérései. De az anomália figyelmeztetés, nem diagnózis; A berendezés leállításával és műszakával kapcsolatos döntések helyszíni megerősítéssel és az üzemeltetési vezető jóváhagyásával születnek. Minden anomáliánál először lekérdezze az adat/érzékelő minőségét.
Pályázati feladat
Használja a „Flottaadat-összefoglaló” és a „Szűk keresztmetszetek elemzése” sablonokat a minta (vagy a saját névtelenített) feladási adataival, hogy kivonja a műszak elvesztésének okait. Ezután alkalmazza az „Anomália jelölés” sablont egy berendezés vibrációs/üzemanyag-sorozatára, és jegyezze fel minden jelzőhöz, hogy adathiba vagy valós probléma. Végül a "Shift report draft" segítségével fordítsa le a megállapításokat jelentésbe, és jelölje meg a döntéseket működési jóváhagyásra.
ellenőrző lista
- [ ] Maszkíroztam és anonimizáltam a jármű/személyi azonosítókat.
- [ ] A szűk keresztmetszetet queue/wait adatokkal igazoltam, nem tapintással.
- [ ] Minden anomáliánál először megkérdőjeleztem az érzékelő/adatminőséget.
- [ ] Az AI-figyelmeztetést nem diagnózisnak, hanem vizsgálattal megerősítendő jelnek tekintettem.
- [ ] A berendezések leállításáról/gyártásáról szóló döntést az üzemeltetési vezetőre bíztam.
- [ ] Ellenőriztem az időbélyeg és a hangerő konzisztenciáját.