Zyski:
- Możliwość podsumowania danych wysyłkowych, telemetrycznych i OEE za pomocą sztucznej inteligencji oraz wykrywania wąskich gardeł i anomalii
- Możliwość tworzenia logiki konserwacji predykcyjnej na podstawie danych z analizy wibracji, temperatury i oleju przy wsparciu AI
- Możliwość przetestowania prognoz produkcji/konserwacji opracowanych przez sztuczną inteligencję z weryfikacją w terenie i decyzją kierownika operacyjnego
Nieważne, jak dobry jest plan na papierze, liczy się produkcja na polu: ile ton wykopano, w jakim stopniu, ile ciężarówek go przewiozło, jak ciężko pracował sprzęt, ile spalono paliwa. W nowoczesnej kopalni odkrywkowej koparki, ciężarówki, wiertarki i spycharki wytwarzają dane sekunda po sekundzie; Systemy zarządzania flotą (wysyłki) rejestrują lokalizację, obciążenie i stan każdego pojazdu. Ten ocean danych jest skarbnicą, która prawidłowo odczytana zwiększa produkcję, zmniejsza koszty i wskazuje wąskie gardła. sztuczna inteligencja; Jest to potężna pomoc w podsumowywaniu danych operacyjnych, wykrywaniu trendów i anomalii (odchyłek od oczekiwanych), przewidywaniu konserwacji predykcyjnej i raportowaniu. Jednakże decyzje dotyczące zmian, przestojów sprzętu i celów produkcyjnych należą do kierownika operacyjnego; Sztuczna inteligencja ostrzega, decyzję podejmuje człowiek.
Język OEE i danych produkcyjnych
Powszechnym sposobem pomiaru wydajności produkcji jest OEE (ogólna efektywność sprzętu). OEE to iloczyn trzech elementów: dostępności (czy sprzęt działa), wydajności (w jakim stopniu działa przy prędkości projektowej) i jakości (w jakim stopniu produkcja jest zgodna z założeniami). Niski OEE pojazdu ciężarowego może wynikać z awarii, zgaśnięcia lub powolnej pracy; Ustalenie, który to jest, wymaga prawidłowego wycięcia danych. AI dobrze radzi sobie z rozkładaniem komponentów OEE i odpowiadaniem na pytanie „gdzie jest strata”; ale dokładny powód porzucenia zmiany można znaleźć poprzez potwierdzenie w polu.
Krok po kroku: sztuczna inteligencja pracuje z danymi floty
- Anonimizuj i identyfikuj dane. Maskuj identyfikatory pojazdów; Opisz kolumny, znacznik czasu i jednostki.
- Zrób podsumowanie. Tony, liczba przejazdów, czas pracy/oczekiwania/awarii w trybie zmianowym/dziennym. AI: kod podsumowujący i tabela.
- Szukaj wąskich gardeł. Czy ogranicza załadunek, przenoszenie lub rozładunek? Gdzie kumulują się czasy kolejek? AI: sugeruje analizę przekrojową.
- Zaznacz anomalię. Paliwo, czas cyklu, obciążenie odbiegające od oczekiwań. AI: sugeruje próg statystyczny lub prosty model.
- Potwierdź za pomocą pola. Zweryfikuj każdą anomalię z zespołem operacyjnym/konserwacyjnym; Błąd danych czy prawdziwy problem?
- Akcja i pogoń. Decyzję podejmuje oficer operacyjny; AI sporządza raport uzupełniający.
Wskazówka: anomalia nie zawsze oznacza awarię; w większości przypadków jest to błąd czujnika, przesunięcie znacznika czasu lub przerwa w zapisie. Zadaj pytanie: „Czy powinienem najpierw podejrzewać dane, czy maszynę?” z każdą anomalią.
Konserwacja predykcyjna: koncepcja i granice
Wyróżnia się trzy generacje utrzymania ruchu: naprawczy (naprawa w przypadku wystąpienia awarii), zapobiegawczy (konserwacja zgodnie z harmonogramem) i predykcyjny (predykcyjny: przewidywanie awarii na podstawie znaków zapisanych w danych). W konserwacji predykcyjnej monitorowane są takie wskaźniki, jak wibracje, temperatura, analiza oleju (metale zużywające się), prąd i ciśnienie; Odchylenie od normy może wskazywać na awarię. Sztuczna inteligencja ma ogromną moc w znajdowaniu wzorców i anomalii w tych wielowymiarowych danych. Ale najważniejszy punkt jest następujący: anomalia jest ostrzeżeniem, a nie diagnozą. Decyzja o zatrzymaniu sprzętu, wymianie części lub kontynuowaniu pracy; Wydawana jest po fizycznym badaniu zespołu konserwacyjnego i zatwierdzeniu kierownika operacyjnego. Zarówno fałszywe alarmy (daremne zatrzymanie), jak i fałszywie negatywne (przeoczona awaria) są kosztowne; Ludzie zarządzają tą równowagą.
Wartość konserwacji predykcyjnej polega na wykrywaniu awarii na tyle wcześnie, aby przekształcić je w planowane przestoje: nieplanowana awaria wstrzymuje produkcję w połowie zmiany, podczas gdy części na przewidywaną awarię są przygotowywane, a konserwacja jest przeprowadzana w zaplanowanym oknie. Działa to jednak tylko wtedy, gdy dane są wiarygodne. W kopalni czujniki działają w warunkach zapylenia, wibracji i ciepła; Często występują dryft kalibracyjny, luźne połączenie i luka rejestracyjna. Dlatego pierwszym krokiem programu konserwacji predykcyjnej nie jest zbudowanie modelu, ale zapewnienie jakości danych. Zanim sztuczna inteligencja dokona „przewidywania awarii”, należy zadać sobie pytanie, na ile wiarygodnie zebrano te dane; Nawet najbardziej zaawansowany model zbudowany na błędnych danych wprowadza w błąd. Co więcej, nie wszystkie urządzenia są równie krytyczne: awaria pojedynczego wyłącznika głównego może spowodować wyłączenie całej instalacji, podczas gdy awaria pompy rezerwowej może być tolerowana. Nadanie priorytetu wysiłkom predykcyjnym opartym na krytyczności sprzętu kieruje ograniczone zasoby konserwacyjne we właściwe miejsce.
trzy mini etui
Przypadek 1 – Ukryte wąskie gardło. Produkcja w jednej kopalni jest o 12% niższa od docelowej. Kierownik zmiany uważa, że „jest mało ciężarówek”. Mają sztuczną inteligencję podsumowującą dane dotyczące wysyłki; Okazuje się, że średnio 28% ciężarówek czeka w kolejce do koparki. Problemem nie jest ilość ciężarówek, ale prędkość załadunku pojedynczej koparki. Ogon opada po wypuszczeniu drugiej ładowarki. AI pokazała wąskie gardło w liczbach; Zespół podjął decyzję i potwierdził ją w terenie.
Przypadek 2 — Anomalia paliwowa. Sztuczna inteligencja zauważa, że w ciągu ostatnich dwóch tygodni zużycie paliwa przez ciężarówkę było o 18% wyższe w porównaniu z innymi pojazdami. Zespół konserwacyjny sprawdza; stwierdza, że filtr powietrza jest zatkany i silnik walczy. Zużycie wraca do normy po wymianie filtra. Tutaj sztuczna inteligencja dała wczesne ostrzeżenie; ale badanie fizykalne postawiło diagnozę (filtr). Gdyby sztuczna inteligencja powiedziała „silnik uszkodzony” i silnik został odpowiednio zdemontowany, byłoby to zarówno błędne, jak i kosztowne.
Przypadek 3 – Fałszywie dodatni. Sztuczna inteligencja widzi nagły skok danych dotyczących wibracji szlifierki i ostrzega przed „nieuchronną awarią”. Zespół konserwacyjny opiekuje się; stwierdzi, że odbicie jest spowodowane poluzowaniem czujnika, maszyna jest nienaruszona. Gdyby ślepo zastosowano się do ostrzeżenia i zatrzymano młyn, jedna zmiana w produkcji zostałaby stracona na próżno. Lekcja: w przypadku każdej anomalii najpierw kwestionuj jakość danych/czujnika; Ostrzeżenie AI jest hipotezą.
Kopiowalne szablony podpowiedzi
PODSUMOWANIE DANYCH FLOTY"Rola: Jesteś asystentem analityka operacji w kopalni. Podsumuj następujące dane wysyłki według zmiany: łączna liczba ton, liczba przejazdów, średni czas cyklu, procenty pracy/oczekiwania/awarii. Identyfikatory pojazdów są maskowane. Oznacz zmiany, które wydają się nieprawidłowe, ale decydują DLACZEGO; zasugeruj, który dodatkowy przekrój poprzeczny należy sprawdzić. Dane: [wklej]."
ANALIZA WĄSKICH gardeł „Skonfiguruj analizę, aby dowiedzieć się, gdzie kumulują się czasy kolejki/oczekiwania w cyklu załadunku-transportu-rozładunku. Dane wyjściowe: średni czas oczekiwania i całkowity czas stracony na każdym etapie. Pokaż, czy wąskie gardło znajduje się przy ładowaczu, podczas transportu czy rozładunku; ZALECAJ ostateczne rozwiązanie, wypisz możliwe przyczyny i wskaż, że wymagane jest potwierdzenie w polu.
OZNACZANIE NIEPRAWIDŁOŚCI (KONSERWACJA) „Poniżej znajduje się szereg czasowy [wibracje/temperatura/paliwo] elementu wyposażenia. Zaznacz punkty odbiegające od normalnego zakresu i dla każdego z nich: (1) wielkość odchylenia, (2) możliwość możliwej awarii czujnika/danych, (3) na co należy zwrócić uwagę podczas kontroli fizycznej. DIAGNOZA wada ostateczna. Dane: [wklej].”
PROJEKT RAPORTU ZMIANY"Napisz projekt raportu ze zmiany na podstawie następujących danych zbiorczych: wyprodukowane tony, odchylenie od celu, główne przyczyny strat, oznaczone anomalie i zalecane dalsze kroki. Oznacz decyzje jako "podlegające zatwierdzeniu przez oficera operacyjnego". Dane: [wklej]."
Słaba zachęta/silna zachęta
SŁABY PODSUMOWANIE: „Czy ta ciężarówka się zepsuje?”
WAŻNA WSKAZÓWKA: „Rola: jesteś asystentem analityka ds. konserwacji predykcyjnej. Zaznacz poniższe punkty w szeregach wibracji i temperatur, które odbiegają od normy, podaj wielkość odchylenia i OCEŃ możliwość możliwej awarii czujnika od rzeczywistego znaku mechanicznego. NIE dokonuj dokładnego przewidywania awarii; wyszczególnij, czego zespół konserwacyjny powinien szukać podczas kontroli fizycznej. Dane: [wklej].”
Tabela porównawcza: sygnał danych i decyzja
sygnał
Wyjście AI
czyja decyzja
weryfikacja
Niskie OEE
Analiza brakującego komponentu
Menedżer operacyjny
obserwacja terenowa
Kolejka/wąskie gardło
gdzie się gromadzi
Kierownik zmiany
Potwierdzenie pola
Odchylenie paliwa
znak anomalii
zespół konserwacyjny
badanie fizykalne
plusk wibracji
Ostrzeżenie (nie diagnoza)
Konserwacja + eksploatacja
Czujnik + inspekcja
raport zmianowy
projekt
Menedżer operacyjny
Zatwierdzenie
Typowe błędy
- Mylenie anomalii z określoną awarią. Większość anomalii to błędy czujników/danych; Najpierw zapytaj o dane.
- Proszenie sztucznej inteligencji o dokładne przewidzenie „czy się zepsuje?” sygnały AI; badanie stawia diagnozę.
- Zakładając wąskie gardło na podstawie weryfikacji numerycznej. Poczucie „mniej ciężarówek” często okazuje się błędne.
- Pomijanie problemów ze znacznikiem czasu/woluminem. Luki w rekordach zniekształcają OEE i rachunkowość cykliczną.
- Ślepe słuchanie ostrzeżeń i wstrzymywanie produkcji. Koszt fałszywego alarmu jest również realny.
Uwaga: Celem konserwacji predykcyjnej jest zapobieganie awariom, jednak reakcja na każde ostrzeżenie poprzez zatrzymanie maszyny również powoduje straty. Decyzja należy do osoby, która rozważa wagę ostrzeżenia, krytyczność sprzętu i wyniki kontroli.
Podsumowując
Dane dotyczące floty i produkcji to skarbnica, która pod warunkiem prawidłowego odczytania zwiększa produkcję; Sztuczna inteligencja radzi sobie z tym skutecznie w zakresie podsumowań, wyszukiwania wąskich gardeł, oznaczania anomalii i konserwacji predykcyjnej. Straty OEE, czasy oczekiwania i odchylenia czujników są szybko widoczne dzięki sztucznej inteligencji. Ale anomalia jest ostrzeżeniem, a nie diagnozą; Decyzje o zatrzymaniu i przesunięciu sprzętu podejmowane są po potwierdzeniu w terenie i zatwierdzeniu kierownika operacyjnego. W przypadku każdej anomalii najpierw sprawdź jakość danych/czujnika.
Zadanie aplikacji
Użyj szablonów „Podsumowanie danych floty” i „Analiza wąskich gardeł” z próbnymi (lub własnymi anonimowymi) danymi wysyłkowymi, aby wyodrębnić przyczyny utraty zmiany. Następnie zastosuj szablon „Oznaczanie anomalii” do serii wibracji/paliwa elementu urządzenia i zanotuj dla każdej flagi, czy jest to błąd danych, czy rzeczywisty problem. Na koniec, za pomocą „Projektu raportu zmiany” przetłumacz ustalenia na raport i oznacz decyzje do zatwierdzenia operacyjnego.
lista kontrolna
- [ ] Zamaskowałem i zanonimizowałem identyfikatory pojazdów/personelu.
- [ ] Sprawdziłem wąskie gardło na podstawie danych dotyczących kolejki/oczekiwania, a nie na podstawie wyczucia.
- [ ] W przypadku każdej anomalii najpierw kwestionowałem jakość czujnika/danych.
- [ ] Uważałem ostrzeżenie AI nie za diagnozę, ale za znak, który należy potwierdzić badaniem.
- [ ] Decyzję o wyłączeniu sprzętu/produkcji pozostawiłem kierownikowi operacyjnemu.
- [ ] Sprawdziłem sygnaturę czasową i spójność woluminów.