Dobički:
- Sposobnost povzemanja dispečerskih, telemetričnih in OEE podatkov z AI ter odkrivanje ozkih grl in nepravilnosti
- Sposobnost izdelave logike predvidenega vzdrževanja s podatki o analizi vibracij, temperature in olja s podporo AI
- Sposobnost testiranja napovedi proizvodnje/vzdrževanja, ki jo ustvari AI s preverjanjem na terenu in odločitvijo vodje operacij
Ne glede na to, kako dober je načrt na papirju, šteje proizvodnja na terenu: koliko ton je bilo izkopanih, v kakšnem stanju, koliko tovornjakov je to prepeljalo, kako močno je delovala oprema, koliko goriva je bilo porabljenega. V sodobnem odprtem kopu bagri, tovornjaki, vrtalniki in buldožerji proizvajajo podatke sekundo za sekundo; Sistemi za upravljanje voznega parka (dispečer) beležijo lokacijo, obremenitev in stanje vsakega vozila. Ta ocean podatkov je zakladnica, ki ob pravilnem branju poveča proizvodnjo, zmanjša stroške in nakaže ozka grla. AI; To je močan pripomoček pri povzemanju operativnih podatkov, odkrivanju trendov in anomalij (odstopanja od pričakovanega), predvidevanju predvidevanja vzdrževanja in poročanju. Vendar pa odločitve o premikih, zaustavitvah opreme in proizvodnih ciljih pripadajo vodji operacij; AI opozori, človek se odloči.
Jezik OEE in proizvodnih podatkov
Pogost način za merjenje proizvodne uspešnosti je OEE (Overall Equipment Effectiveness). OEE je produkt treh komponent: razpoložljivosti (ali oprema deluje), zmogljivosti (koliko deluje z načrtovano hitrostjo) in kakovosti (koliko proizvodnje je v skladu s ciljem). Nizka OEE tovornjaka je lahko posledica okvare, zastoja ali počasnega delovanja; Da bi ugotovili, kateri je, je treba podatke pravilno izrezati. Umetna inteligenca je dobra pri razgradnji OEE komponent in odgovoru na vprašanje, kje je izguba? toda natančen razlog, zakaj je premik opuščen, se najde s potrditvijo polja.
Korak za korakom: AI dela s podatki o voznem parku
- Anonimizirajte in identificirajte podatke. ID vozila z masko; Opišite stolpce, časovni žig in enote.
- Naredite povzetek. Tone, število voženj, čas dela/čakanja/odpovedi na osnovi izmene/dneva. AI: koda povzetka in tabela.
- Poiščite ozka grla. Ali omejuje nakladanje, prenašanje ali razkladanje? Kje se nabirajo čakalne vrste? AI: predlaga presečno analizo.
- Označite anomalijo. Gorivo, čas cikla, obremenitev odstopajo od pričakovanj. AI: predlaga statistični prag ali preprost model.
- Potrdite s poljem. Preverite vsako nepravilnost z ekipo za delovanje/vzdrževanje; Podatkovna napaka ali resnična težava?
- Akcija in zasledovanje. Odločitev sprejme operativni referent; AI pripravi osnutek nadaljnjega poročila.
Nasvet: anomalija ni vedno okvara; večino časa gre za napako senzorja, zamik časovnega žiga ali vrzel v zapisu. Zastavite vprašanje "Ali naj najprej posumim na podatke ali na stroj?" z vsako anomalijo.
Prediktivno vzdrževanje: koncept in meja
Obstajajo tri generacije vzdrževanja: korektivno (popravilo, ko pride do okvare), preventivno (vzdrževanje po urniku) in napovedno (prediktivno: predvidevanje okvare iz znakov v podatkih). Pri prediktivnem vzdrževanju se spremljajo indikatorji, kot so vibracije, temperatura, analiza olja (obrabne kovine), tok in tlak; Odstopanje od normale lahko pomeni okvaro. Umetna inteligenca je močna pri iskanju vzorcev in nepravilnosti v teh večvariantnih podatkih. Toda kritična točka je naslednja: anomalija je opozorilo, ne diagnoza. Odločitev o zaustavitvi opreme, zamenjavi delov ali nadaljevanju delovanja; Izda se s fizičnim pregledom vzdrževalne ekipe in odobritvijo vodje obratovanja. Lažni pozitivni rezultati (jalov postanek) in lažni negativi (zgrešena napaka) so dragi; Ljudje upravljajo to ravnovesje.
Vrednost predvidenega vzdrževanja je v dovolj zgodnjem odkrivanju okvare, da se spremeni v načrtovano zaustavitev: nenačrtovana okvara ustavi proizvodnjo med izmeno, medtem ko so deli za predvideno okvaro pripravljeni in vzdrževanje se izvaja v načrtovanem roku. Vendar to deluje le, če so podatki zanesljivi. V rudniku senzorji delujejo pod prahom, vibracijami in vročino; Zamik kalibracije, ohlapna povezava in registracijska vrzel so pogosti. Zato prvi korak programa napovednega vzdrževanja ni izdelava modela, temveč zagotavljanje kakovosti podatkov. Preden AI naredi "napoved neuspeha", se je treba vprašati, kako zanesljivo so bili ti podatki zbrani; Tudi najnaprednejši model, zgrajen s slabimi podatki, je zavajajoč. Poleg tega ni vsa oprema enako kritična: okvara enega glavnega odklopnika lahko zaustavi celotno elektrarno, medtem ko je okvara rezervne črpalke dopustna. Dajanje prednosti predvidevanju na podlagi kritičnosti opreme usmeri omejene vire vzdrževanja na pravo mesto.
trije mini kovčki
Primer 1 – Skrito ozko grlo. Proizvodnja v enem rudniku je 12 % pod načrtovano. Vodja izmene meni, da je "tovornjakov malo". Imajo AI, ki povzema podatke o odpremi; Izkazalo se je, da povprečno 28 % tovornjakov čaka v vrsti pri bagru. Problem ni število tovornjakov, ampak hitrost nakladanja enega bagra. Rep se spusti, ko se uporabi drugi nakladalnik. AI je ozko grlo pokazal v številkah; Ekipa je sprejela odločitev in potrditev na terenu.
Primer 2 – Anomalija goriva. Umetna inteligenca ugotavlja, da je bila poraba goriva tovornjaka v zadnjih dveh tednih za 18 % višja kot pri podobnih tovornjakih. Vzdrževalna ekipa preverja; ugotovi, da je zračni filter zamašen in se motor trudi. Po menjavi filtra se poraba normalizira. Tukaj je AI dal zgodnje opozorilo; vendar je fizični pregled postavil diagnozo (filter). Če bi AI rekel "motor v okvari" in bi bil motor ustrezno razstavljen, bi bilo to napačno in drago.
Primer 3 – Lažno pozitivno. Umetna inteligenca zazna nenaden skok v podatkih o vibracijah brusilnika in opozori na "neposredno okvaro". Vzdrževalna ekipa skrbi za; ugotovi, da je odboj posledica popuščanja senzorja, stroj je nepoškodovan. Če bi opozorilo slepo upoštevali in mlin ustavili, bi eno izmeno proizvodnje izgubili zaman. Nauk: pri vsaki anomaliji se najprej vprašajte o kakovosti podatkov/senzorja; Opozorilo AI je hipoteza.
Kopirane predloge pozivov
POVZETEK PODATKOV O VOZNEM FLOTU "Vloga: Ste pomočnik analitika rudarskih operacij. Povzemite naslednje podatke o odpremi po izmenah: skupne tone, število voženj, povprečni čas cikla, odstotki vožnje/čakanja/napake. ID-ji vozil so prikriti. Premiki zastavic, ki se zdijo neobičajni, vendar se odločite ZAKAJ; predlagajte, kateri dodatni presek je treba pregledati. Podatki: [prilepite]."
ANALIZA OZKIH GRL "Nastavite analizo, da ugotovite, kje se kopičijo čakalne vrste/čakalni časi v ciklu nakladanje-prevoz-razkladanje. Rezultat: povprečno čakanje in skupni izgubljeni čas na vsaki stopnji. Pokažite, ali je ozko grlo pri nakladalniku, pri transportu ali razkladanju; PRIPOROČITE dokončno rešitev, navedite možne vzroke in navedite, da je potrebna potrditev polja."
OZNAČEVANJE ANOMALIJE (VZDRŽEVANJE)"Spodaj je časovna vrsta [vibracije/temperatura/gorivo] dela opreme. Označite točke, ki odstopajo od običajnega obsega in za vsako: (1) velikost odstopanja, (2) možnost morebitne napake senzorja/podatkov, (3) kaj je treba iskati pri fizičnem pregledu. DIAGNOZA dokončna napaka. Podatki: [prilepite]."
OSNUTEK POROČILA O IZMENI "Napišite osnutek poročila o izmeni iz naslednjih povzetkov podatkov: proizvedene tone, odstopanje od cilja, glavni vzroki izgube, označene anomalije in priporočeni nadaljnji koraki. Označite odločitve 'predmet odobritve operativnega uradnika'. Podatki:[prilepi]."
Šibek poziv/močan poziv
ŠIBEK POZIV: "Ali se bo ta tovornjak pokvaril?"
MOČEN POZIV: "Vloga: Vi ste pomočnik analitika za predvidevanje vzdrževanja. Označite točke v nizu vibracij in temperatur spodaj, ki odstopajo od normale, navedite velikost odstopanja in RAZLIKUJTE možnost morebitne okvare senzorja od dejanskega mehanskega znaka. NE naredite natančne napovedi okvare; navedite, na kaj naj vzdrževalna ekipa pazi med fizičnim pregledom. Podatki: [prilepite]."
Primerjalna tabela: podatkovni signal in odločitev
signal
AI izhod
čigava odločitev
preverjanje
Nizek OEE
Manjkajoče razčlenjevanje komponente
Operativni vodja
terensko opazovanje
Čakalna vrsta/ozko grlo
kjer se kopiči
Nadzornik izmene
Potrditev polja
Odstopanje goriva
znak anomalije
vzdrževalna ekipa
fizični pregled
brizganje vibracij
Opozorilo (ne diagnoza)
Vzdrževanje + delovanje
Senzor + pregled
izmensko poročilo
osnutek
Operativni vodja
Odobritev
Pogoste napake
- Zamenjajte anomalijo za določeno okvaro. Večina nepravilnosti je napak senzorjev/podatkov; Najprej poizvedite podatke.
- Prositi AI, da natančno napove, "ali se bo pokvaril?" AI signali; pregled postavi diagnozo.
- Ob predpostavki ozkega grla iz numeričnega preverjanja. Občutek »manj tovornjakov« se pogosto izkaže za napačnega.
- Obhod težav s časovnim žigom/glasom. Vrzeli v zapisih izkrivljajo OEE in obračunavanje ciklov.
- Slepo upoštevanje opozorila in ustavitev proizvodnje. Tudi stroški lažno pozitivnega rezultata so resnični.
Pozor: Cilj prediktivnega vzdrževanja je preprečiti okvaro, vendar odziv na vsako opozorilo z zaustavitvijo stroja povzroči tudi izgube. Odločitev pripada osebi, ki pretehta resnost opozorila, kritičnost opreme in ugotovitev inšpekcije.
Če povzamem
Podatki o voznem parku in proizvodnji so zakladnica, ki ob pravilnem branju povečuje proizvodnjo; Umetna inteligenca to uspešno obravnava pri povzemanju, iskanju ozkih grl, označevanju nepravilnosti in predvidenem vzdrževanju. Izgube OEE, čakalne vrste in odstopanja senzorjev so z AI hitro vidni. Toda anomalija je opozorilo, ne diagnoza; Odločitve o zaustavitvi in prestavitvi opreme se sprejmejo s potrditvijo na terenu in odobritvijo vodje operacij. Za vsako anomalijo najprej povprašajte o kakovosti podatkov/senzorja.
Aplikacijska naloga
Uporabite predlogi »Povzetek podatkov o voznem parku« in »Analiza ozkih grl« s svojimi vzorčnimi (ali lastnimi anonimiziranimi) podatki o odpremi, da izluščite razloge za izgubo izmene. Nato uporabite predlogo »Označevanje anomalije« na del opreme za serijo vibracij/goriva in pri vsaki zastavici zabeležite, ali gre za podatkovno napako ali za resnično težavo. Nazadnje z "Osnutkom poročila o premiku" prevedite ugotovitve v poročilo in označite odločitve za operativno odobritev.
kontrolni seznam
- [ ] Zamaskiral sem in anonimiziral ID vozila/osebja.
- [ ] Ozko grlo sem preveril s podatki o čakalni vrsti/čakanju, ne na občutek.
- [ ] Za vsako anomalijo sem najprej podvomil o kakovosti senzorja/podatkov.
- [ ] Opozorilo AI se mi je zdelo ne diagnoza, ampak znak, ki ga je treba potrditi s pregledom.
- [ ] Odločitev o zaustavitvi opreme/proizvodnji sem prepustil vodji operacij.
- [ ] Preveril sem časovni žig in doslednost glasnosti.