이득:
- AI를 통해 파견, 원격 측정 및 OEE 데이터를 요약하고 병목 현상 및 이상 현상을 감지하는 기능
- AI 지원을 통해 진동, 온도, 오일 분석 데이터를 활용한 예측 유지보수 로직 구축 가능
- AI가 산출한 생산/유지보수 예측을 현장 검증 및 운영 관리자의 결정으로 테스트할 수 있는 능력
서류상으로 아무리 좋은 계획이라도 중요한 것은 굴착된 톤 수, 등급, 운반 트럭 수, 장비 작동 강도, 연료 소비량 등 현장에서의 생산량입니다. 현대식 노천 채굴장에서는 굴삭기, 트럭, 드릴러 및 도저가 초 단위로 데이터를 생성합니다. 차량 관리 시스템(배차)은 각 차량의 위치, 적재 및 상태를 기록합니다. 이 데이터의 바다는 올바르게 읽을 경우 생산량을 늘리고 비용을 절감하며 병목 현상을 나타내는 보물 창고입니다. 일체 포함; 이는 운영 데이터, 추세 및 이상(예상과의 편차) 감지, 예측 유지 관리 예측 및 보고를 요약하는 데 강력한 도움이 됩니다. 그러나 교대근무 결정, 장비 중단 및 생산 목표는 운영 관리자에게 속합니다. AI가 경고하면 인간이 결정을 내린다.
OEE 및 생산 데이터의 언어
생산 성능을 측정하는 일반적인 방법은 OEE(전체 장비 효율성)입니다. OEE는 가용성(장비 작동 여부), 성능(설계 속도에서 얼마나 작동하는지), 품질(생산량이 목표에 얼마나 되는지)의 세 가지 구성 요소로 구성된 제품입니다. 트럭의 낮은 OEE는 고장, 정지 또는 느린 작동으로 인해 발생할 수 있습니다. 어느 것인지 알아내려면 데이터를 올바르게 잘라야 합니다. AI는 OEE 구성요소를 분해하고 "손실이 어디에 있는가"라는 질문에 답하는 데 능숙합니다. 단, 교대조가 누락되는 정확한 이유는 현장 확인을 통해 알아냅니다.
단계별: 차량 데이터를 사용한 AI 작업
- 데이터를 익명화하고 식별합니다. 차량 ID를 마스크합니다. 열, 타임스탬프, 단위를 설명합니다.
- 요약을 작성하세요. 톤, 이동 횟수, 교대/일별 작업/대기/실패 시간. AI: 요약 코드 및 표.
- 병목 현상을 찾으십시오. 적재, 운반 또는 하역을 제한합니까? 대기열 시간은 어디에 누적되나요? AI: 단면 분석을 제안합니다.
- 이상 징후를 표시하십시오. 연료, 사이클 시간, 부하가 예상과 다릅니다. AI: 통계적 임계값 또는 간단한 모델을 제안합니다.
- 필드로 확인하세요. 운영/유지보수 팀과 함께 각 이상 현상을 확인합니다. 데이터 오류인가요 아니면 실제 문제인가요?
- 행동과 추구. 결정은 운영 담당자가 내립니다. AI는 후속 보고서 초안을 작성합니다.
팁: 이상이 항상 오작동인 것은 아닙니다. 대부분의 경우 센서 오류, 타임스탬프 드리프트 또는 기록 격차입니다. "데이터를 먼저 의심해야 할까요, 아니면 기계를 먼저 의심해야 할까요?"라는 질문을 던져보세요. 각 변칙과 함께.
예측 유지 관리: 개념 및 경계
유지 관리에는 수정(오작동 발생 시 수리), 예방(일정에 따른 유지 관리), 예측(예측: 데이터의 징후를 통해 오류를 예측)의 세 가지 세대가 있습니다. 예측 유지 관리에서는 진동, 온도, 오일 분석(금속 마모), 전류 및 압력과 같은 지표가 모니터링됩니다. 정상에서 벗어나면 오작동이 발생할 수 있습니다. AI는 이러한 다변량 데이터에서 패턴과 이상 징후를 찾는 데 강력합니다. 그러나 중요한 점은 이상 징후가 진단이 아니라 경고라는 것입니다. 장비 정지, 부품 교체 또는 운전 계속 결정 유지보수팀의 신체검사와 운영관리자의 승인을 거쳐 실시됩니다. 거짓 긍정(무익한 중지)과 거짓 부정(실패 실패)은 모두 비용이 많이 듭니다. 사람들은 이 균형을 관리합니다.
예측 유지 관리의 가치는 계획된 가동 중단으로 전환할 수 있을 만큼 조기에 오류를 발견하는 데 있습니다. 즉, 계획되지 않은 오류가 발생하면 생산이 중간에 중단되고, 예상되는 오류 부품은 준비되고 유지 관리는 계획된 창 내에서 수행됩니다. 그러나 이는 데이터가 신뢰할 수 있는 경우에만 작동합니다. 광산에서는 센서가 먼지, 진동, 열 속에서 작동합니다. 보정 드리프트, 느슨한 연결 및 등록 간격이 일반적입니다. 따라서 예측 유지 관리 프로그램의 첫 번째 단계는 모델을 구축하는 것이 아니라 데이터 품질을 보장하는 것입니다. AI가 '실패 예측'을 하게 하기 전에 해당 데이터가 얼마나 안정적으로 수집되었는지 물어볼 필요가 있습니다. 잘못된 데이터로 구축된 가장 진보된 모델이라도 오해의 소지가 있습니다. 더욱이 모든 장비가 똑같이 중요한 것은 아닙니다. 단일 주 차단기의 고장으로 인해 전체 공장이 정지될 수 있지만 백업 펌프의 고장은 허용될 수 있습니다. 장비 중요도를 기반으로 예측 노력의 우선순위를 지정하면 제한된 유지 관리 리소스가 올바른 위치에 배치됩니다.
세 개의 미니 케이스
사례 1 — 숨겨진 병목 현상. 한 광산의 생산량은 목표보다 12% 낮습니다. 교대 감독은 "트럭이 적다"고 생각한다. AI는 파견 데이터를 요약합니다. 평균 28%의 트럭이 굴착기 앞에 줄을 서서 기다리고 있는 것으로 나타났습니다. 문제는 트럭 수가 아니라 굴착기 한 대의 적재 속도입니다. 두 번째 로더가 배치되면 꼬리가 떨어집니다. AI는 병목 현상을 숫자로 보여주었습니다. 팀에서 결정을 내리고 현장 확인을 했습니다.
사례 2 - 연료 이상. AI는 트럭의 연료 소비가 지난 2주 동안 동급 트럭보다 18% 더 높았다고 표시합니다. 유지 관리 팀이 확인합니다. 에어 필터가 막혀 엔진이 제대로 작동하지 않는 것을 발견했습니다. 필터를 교체하면 소비가 정상으로 돌아옵니다. 여기서 AI는 조기 경고를 했습니다. 그러나 신체검사를 통해 진단(필터링)이 이루어졌습니다. AI가 "엔진 결함"이라고 말하고 그에 따라 엔진을 분해했다면 그것은 잘못된 일이자 비용이 많이 들었을 것입니다.
사례 3 - 거짓 긍정. AI는 그라인더의 진동 데이터가 갑자기 증가하는 것을 보고 "임박한 고장"을 경고합니다. 유지 관리 팀이 관리합니다. 바운스가 센서 느슨해짐으로 인해 발생했음을 발견하면 기계는 손상되지 않습니다. 경고를 맹목적으로 따르고 공장을 중단했다면 한 번의 생산 교대도 헛되이 손실되었을 것입니다. 교훈: 모든 이상 현상이 발생할 때마다 먼저 데이터/센서 품질에 의문을 제기합니다. AI 경고는 가설이다.
복사 가능한 프롬프트 템플릿
함대 데이터 요약"역할: 당신은 보조 광산 운영 분석가입니다. 총 톤수, 이동 횟수, 평균 주기 시간, 실행/대기/실패율 등 교대별로 파견 데이터를 요약합니다. 차량 ID는 가려져 있습니다. 비정상적으로 보이지만 이유를 결정하는 플래그 교대, 조사할 추가 단면을 제안합니다. 데이터: [붙여넣기]."
병목 현상 분석 "로드-전송-언로드 주기에서 대기열/대기 시간이 누적되는 위치를 찾기 위한 분석을 설정합니다. 출력: 각 단계의 평균 대기 및 총 손실 시간. 병목 현상이 로더에 있는지, 전송 중인지 또는 언로드 중인지 표시합니다. 최종 솔루션을 권장하고, 가능한 원인을 나열하고, 현장 확인이 필요함을 나타냅니다."
이상 표시(유지 관리)"다음은 장비의 [진동/온도/연료] 시계열입니다. 정상 범위에서 벗어나는 지점을 각각 표시합니다. (1) 편차의 크기, (2) 가능한 센서/데이터 오류 가능성, (3) 물리적 검사에서 찾아야 할 사항. 진단 확실한 결함. 데이터: [붙여넣기]."
교대 보고서 초안 "생산 톤, 목표와의 편차, 주요 손실 원인, 이상 징후 표시 및 권장 후속 단계 등의 요약 데이터를 토대로 교대 보고서 초안을 작성합니다. 결정은 '운영 책임자 승인 대상'으로 표시합니다. 데이터:[붙여넣기]."
약한 프롬프트 / 강한 프롬프트
약한 프롬프트: "이 트럭이 고장나나요?"
강력한 프롬프트: "역할: 당신은 보조 예측 유지 관리 분석가입니다. 아래의 진동 및 온도 계열에서 정상에서 벗어난 지점을 표시하고, 편차의 크기를 제공하고, 실제 기계 신호에서 가능한 센서 오류 가능성을 식별합니다. 오류를 정확하게 예측하지 말고 유지 관리 팀이 물리적 검사 중에 찾아야 할 항목을 항목별로 작성하세요. 데이터: [붙여넣기]."
비교 차트: 데이터 신호 및 결정
신호
AI 출력
누구의 결정
확인
낮은 OEE
누락된 구성 요소 구문 분석
운영 관리자
현장 관찰
대기열/병목 현상
그것이 쌓이는 곳에
교대 감독
현장확인
연료 편차
이상징후
유지관리팀
신체검사
진동 스플래시
경고(진단 아님)
유지보수 + 운영
센서 + 검사
교대 보고서
초안
운영 관리자
승인
일반적인 실수
- 이상 현상을 확실한 오작동으로 착각합니다. 대부분의 이상 현상은 센서/데이터 오류입니다. 먼저 데이터를 쿼리하세요.
- AI에게 "고장날까?" 정확하게 예측하라고 요구 AI 신호; 검사를 통해 진단이 이루어집니다.
- 수치 검증에서 병목 현상을 가정합니다. "트럭이 적다"는 느낌은 종종 잘못된 것으로 판명됩니다.
- 타임스탬프/볼륨 문제 우회. 기록 격차로 인해 OEE 및 주기 계산이 왜곡됩니다.
- 경고에 맹목적으로 순종하고 생산을 중단합니다. 거짓 긍정으로 인한 비용도 현실입니다.
주의: 예측 유지 관리의 목적은 오작동을 방지하는 것입니다. 그러나 기계를 정지하여 모든 경고에 대응하는 것도 손실을 초래합니다. 결정은 경고의 심각성, 장비의 중요성 및 검사 결과를 함께 고려하는 사람에게 있습니다.
요약하면
함대 및 생산 데이터는 올바르게 읽을 경우 생산량을 증가시키는 보물창고입니다. AI는 요약, 병목 현상 발견, 이상 징후 표시, 예측 유지 관리 등에서 이를 강력하게 처리합니다. OEE 손실, 대기 시간 및 센서 편차는 AI를 통해 빠르게 가시화됩니다. 그러나 이상 현상은 진단이 아니라 경고입니다. 장비 정지 및 교대 결정은 현장 확인 및 운영 관리자의 승인을 거쳐 이루어집니다. 각 이상 징후에 대해 먼저 데이터/센서 품질을 쿼리합니다.
응용과제
샘플(또는 익명화된 자체) 파견 데이터와 함께 "차량 데이터 요약" 및 "병목 현상 분석" 템플릿을 사용하여 교대 근무가 손실된 이유를 추출합니다. 그런 다음 "이상 표시" 템플릿을 장비의 진동/연료 계열에 적용하고 각 플래그에 대해 데이터 오류인지 실제 문제인지 기록합니다. 마지막으로 "교대 보고서 초안"을 사용하여 결과를 보고서로 변환하고 운영 승인을 위한 결정을 표시합니다.
체크리스트
- [ ] 차량/직원 ID를 마스킹하고 익명화했습니다.
- [ ] 느낌으로 확인하지 않고 큐/대기 데이터로 병목 현상을 확인했습니다.
- [ ] 각 이상 현상에 대해 먼저 센서/데이터 품질에 의문을 제기했습니다.
- [ ] AI 경고는 진단이 아닌 검사를 통해 확인해야 할 신호라고 생각했습니다.
- [ ] 장비 가동 중단/생산 결정을 운영 관리자에게 맡겼습니다.
- [ ] 타임스탬프와 볼륨 일관성을 확인했습니다.