Прибыль:
- Возможность суммировать данные диспетчеризации, телеметрии и OEE с помощью ИИ и обнаруживать узкие места и аномалии.
- Возможность построения логики прогнозируемого технического обслуживания с использованием данных анализа вибрации, температуры и масла с поддержкой искусственного интеллекта.
- Возможность протестировать прогноз производства/технического обслуживания, сделанный ИИ, с проверкой на месте и решением операционного менеджера.
Каким бы хорошим ни был план на бумаге, главное — это производительность на поле: сколько тонн было выкопано, на каком уровне, сколько грузовиков перевезли, насколько усердно работало оборудование, сколько топлива было сожжено. В современном карьере экскаваторы, грузовики, бурильщики и бульдозеры выдают данные каждую секунду; Системы управления автопарком (диспетчерская) фиксируют местонахождение, загрузку и состояние каждого транспортного средства. Этот океан данных — настоящая сокровищница, которая при правильном прочтении увеличивает производство, снижает затраты и указывает на узкие места. ИИ; Это мощный помощник в обобщении эксплуатационных данных, обнаружении тенденций и аномалий (отклонений от ожидаемых), прогнозировании профилактического обслуживания и составлении отчетов. Однако решения о смене, остановке оборудования и производственных целях принадлежат операционному менеджеру; ИИ предупреждает, человек принимает решение.
Язык OEE и производственных данных
Распространенным способом измерения производительности производства является OEE (общая эффективность оборудования). OEE — это продукт трех компонентов: доступность (работает ли оборудование), производительность (насколько оно работает с проектной скоростью) и качество (какая часть производства соответствует запланированному). Низкий показатель OEE грузовика может быть вызван поломкой, остановкой или медленной работой; Чтобы выяснить, какой именно, необходимо правильно обрезать данные. ИИ хорошо разбирает компоненты OEE и отвечает на вопрос «где потеря»; но точную причину пропуска смены можно определить путем подтверждения поля.
Шаг за шагом: работа ИИ с данными автопарка
- Анонимизировать и идентифицировать данные. Маскировать идентификаторы транспортных средств; Опишите столбцы, метку времени и единицы измерения.
- Сделайте резюме. Тонны, количество поездок, время работы/ожидания/отказов в смену/день. AI: сводный код и таблица.
- Ищите узкие места. Ограничивает ли это погрузку, переноску или разгрузку? Где накапливается время в очереди? AI: предлагает перекрестный анализ.
- Отметьте аномалию. Топливо, время цикла, нагрузка отклоняются от ожидаемых. AI: предлагает статистический порог или простую модель.
- Подтвердите с помощью поля. Проверьте каждую аномалию с командой эксплуатации/технического обслуживания; Ошибка данных или реальная проблема?
- Действие и стремление. Решение принимает оперативный сотрудник; МА составляет последующий отчет.
Совет: Аномалия не всегда является неисправностью; в большинстве случаев это ошибка датчика, дрейф метки времени или разрыв записи. Задайте вопрос: «Должен ли я сначала подозревать данные или машину?» с каждой аномалией.
Прогнозируемое обслуживание: концепция и границы
Существует три поколения технического обслуживания: корректирующее (ремонт при возникновении неисправности), профилактическое (техническое обслуживание по графику) и прогнозирующее (прогнозирующее: прогнозирование отказа по признакам в данных). При профилактическом обслуживании контролируются такие показатели, как вибрация, температура, анализ масла (металлы износа), ток и давление; Отклонение от нормы может указывать на неисправность. ИИ способен находить закономерности и аномалии в этих многомерных данных. Но критический момент заключается в следующем: аномалия – это предупреждение, а не диагноз. Решение об остановке оборудования, замене деталей или продолжении эксплуатации; Он проводится после физического осмотра бригады технического обслуживания и одобрения руководителя эксплуатации. Ложноположительные результаты (бесполезная остановка) и ложноотрицательные результаты (пропущенный сбой) обходятся дорого; Люди управляют этим балансом.
Ценность профилактического обслуживания заключается в обнаружении отказа на достаточно раннем этапе, чтобы превратить его в плановый останов: незапланированный отказ останавливает производство в середине смены, в то время как детали к прогнозируемому отказу подготавливаются, а техническое обслуживание выполняется в пределах запланированного окна. Однако это работает только в том случае, если данные надежны. В шахте датчики работают в условиях пыли, вибрации и тепла; Калибровочный дрейф, неплотное соединение и пропуск регистрации являются обычным явлением. Поэтому первым шагом программы профилактического обслуживания является не построение модели, а обеспечение качества данных. Прежде чем ИИ сделает «прогнозирование отказа», необходимо задаться вопросом, насколько надежно были собраны эти данные; Даже самая продвинутая модель, построенная на неверных данных, вводит в заблуждение. Более того, не все оборудование одинаково критично: выход из строя одного главного выключателя может привести к останову всей установки, тогда как отказ резервного насоса можно допустить. Приоритизация усилий по прогнозированию, основанная на критичности оборудования, направляет ограниченные ресурсы на обслуживание в нужное место.
три мини-кейса
Случай 1 — Скрытое узкое место. Добыча на одном из рудников ниже планового показателя на 12%. Начальник смены думает, что «грузовиков мало». У них есть ИИ, которые обобщают данные отправки; Получается, что в очереди к экскаватору ждут в среднем 28% грузовиков. Проблема не в количестве грузовиков, а в скорости погрузки одного экскаватора. Хвост опускается при развертывании второго погрузчика. ИИ показал узкое место в цифрах; Команда приняла решение и подтвердила его на поле.
Случай 2 — Аномалия топлива. AI отмечает, что за последние две недели расход топлива грузовика был на 18% выше, чем у его аналогов. Бригада технического обслуживания проверяет; обнаруживает, что воздушный фильтр забит и двигатель работает с трудом. При замене фильтра расход возвращается к норме. Здесь ИИ дал раннее предупреждение; но физикальное обследование поставило диагноз (фильтр). Если бы ИИ сказал «двигатель неисправен» и двигатель соответственно разобрали, это было бы и неправильно, и дорого.
Случай 3 — Ложное срабатывание. ИИ видит внезапный скачок в данных вибрации шлифовальной машины и предупреждает о «неминуемом отказе». Команда технического обслуживания присматривает за; обнаруживает, что отскок вызван ослаблением датчика, машина цела. Если бы этому предупреждению слепо последовали и завод остановили, одна производственная смена была бы потеряна напрасно. Урок: при каждой аномалии сначала проверяйте качество данных/датчиков; Предупреждение ИИ — это гипотеза.
Копируемые шаблоны подсказок
ОБЗОР ДАННЫХ О АВТОПАРКЕ «Роль: Вы — помощник аналитика по эксплуатации горных работ. Суммируйте следующие данные по отправке по сменам: общее количество тонн, количество рейсов, среднее время цикла, процент пробега/ожидания/отказов. Идентификаторы транспортных средств замаскированы. Отметьте сдвиги, которые кажутся ненормальными, но решают, ПОЧЕМУ; предложите, какое дополнительное поперечное сечение проверить. Данные: [вставить]».
АНАЛИЗ узких мест «Настройте анализ, чтобы определить, где накапливается время очереди/ожидания в цикле погрузки-транспортировки-разгрузки. Выходные данные: среднее время ожидания и общее время потерь на каждом этапе. Покажите, является ли узким местом погрузчик, транспортировка или разгрузка; РЕКОМЕНДУЙТЕ окончательное решение, перечислите возможные причины и укажите, что требуется подтверждение на месте».
МАРКИРОВКА АНОМАЛИИ (ТЕХНИЧЕСКОЕ ОБСЛУЖИВАНИЕ) «Ниже приведен временной ряд [вибрация/температура/топливо] для части оборудования. Отметьте точки, которые отклоняются от нормального диапазона, и для каждой: (1) величина отклонения, (2) возможность возможного сбоя датчика/данных, (3) на что следует обратить внимание при физическом осмотре. ДИАГНОСТИКА окончательная неисправность. Данные: [вставить]».
ПРОЕКТ ОТЧЕТА СМЕНЫ «Напишите проект отчета о смене, используя следующие сводные данные: произведенные тонны, отклонение от запланированного значения, основные причины потерь, отмеченные аномалии и рекомендуемые последующие действия. Отметьте решения как «подлежащие утверждению оперативным сотрудником». Данные: [вставить]».
Слабая подсказка / Сильная подсказка
СЛАБАЯ ПОДСКАЗКА: «Этот грузовик сломается?»
НАСТОЯЩАЯ ПОДСКАЗКА: «Роль: вы являетесь помощником аналитика по прогнозному техническому обслуживанию. Отметьте ниже точки в рядах вибрации и температуры, которые отклоняются от нормального, укажите величину отклонения и ОТЛИЧИТЕ возможность возможного отказа датчика от фактического механического признака. НЕ делайте точный прогноз неисправности; перечислите, на что группа технического обслуживания должна обратить внимание во время физического осмотра. Данные: [вставить]».
Сравнительная таблица: сигнал данных и решение
сигнал
AI-выход
чье решение
проверка
Низкая OEE
Отсутствует разбор компонентов
Операционный менеджер
полевое наблюдение
Очередь/узкое место
где он накапливается
Начальник смены
Подтверждение поля
Отклонение топлива
знак аномалии
команда технического обслуживания
медицинский осмотр
вибрация всплеск
Предупреждение (не диагноз)
Техническое обслуживание + эксплуатация
Датчик + осмотр
отчет о смене
проект
Операционный менеджер
Одобрение
Распространенные ошибки
- Принятие аномалии за явную неисправность. Большинство аномалий представляют собой ошибки датчиков/данных; Сначала запросите данные.
- Просить ИИ точно предсказать, «сломается ли он?» сигналы AI; обследование ставит диагноз.
- Предполагая наличие узкого места на основе числовой проверки. Ощущение «меньше грузовиков» часто оказывается ошибочным.
- Обход проблем с временной меткой/томом. Пробелы в записях искажают OEE и циклический учет.
- Слепо подчинившись предупреждению и остановив производство. Цена ложного срабатывания также реальна.
Внимание: Целью профилактического обслуживания является предотвращение неисправностей, однако реагирование на каждое предупреждение путем остановки машины также приводит к потерям. Решение принимает человек, который взвешивает серьезность предупреждения, критичность оборудования и результаты проверки.
В итоге
Данные о флоте и производстве — это настоящая сокровищница, которая увеличивает производительность при правильном прочтении; ИИ эффективно справляется с этой задачей при обобщении данных, обнаружении узких мест, обнаружении аномалий и профилактическом обслуживании. Потери OEE, время ожидания и отклонения датчиков быстро становятся видимыми с помощью ИИ. Но аномалия — это предупреждение, а не диагноз; Решения об остановке и смене оборудования принимаются после подтверждения на местах и одобрения руководителя эксплуатации. Для каждой аномалии сначала запросите качество данных/датчика.
Задача приложения
Используйте шаблоны «Сводка данных о парке» и «Анализ узких мест» с вашими выборочными (или вашими собственными анонимными) данными о диспетчеризации, чтобы выявить причины потери смены. Затем примените шаблон «Маркировка аномалий» к серии вибрации/топлива оборудования и отметьте для каждого флажка, является ли это ошибкой данных или реальной проблемой. Наконец, с помощью «Проекта отчета о смене» переведите выводы в отчет и отметьте решения для оперативного утверждения.
контрольный список
- [ ] Я замаскировал и анонимизировал идентификаторы транспортных средств/персонала.
- [ ] Я проверил узкое место с помощью данных об очереди/ожидании, а не на ощупь.
- [ ] Для каждой аномалии я сначала проверял качество датчика/данных.
- [ ] Предупреждение ИИ я посчитал не диагнозом, а признаком, подлежащим подтверждению при обследовании.
- [ ] Я оставил решение об остановке оборудования/производстве на усмотрение операционного менеджера.
- [ ] Я проверил временную метку и согласованность тома.