Прибуток:
- Можливість підсумовувати диспетчерські, телеметричні та OEE дані за допомогою ШІ та виявляти вузькі місця та аномалії
- Можливість будувати логіку прогнозованого технічного обслуговування з даними аналізу вібрації, температури та масла з підтримкою AI
- Можливість тестувати прогноз виробництва/обслуговування, створений штучним інтелектом, з перевіркою на місці та рішенням операційного менеджера
Незалежно від того, наскільки гарним був план на папері, враховується видобуток на родовищі: скільки тонн було викопано, з яким ступенем, скільки вантажівок його перевезло, наскільки важко працювало обладнання, скільки палива було спалено. У сучасному кар’єрі екскаватори, вантажівки, бурильники та бульдозери видають дані секунду за секундою; Системи управління автопарком (диспетчерська) записують місцезнаходження, завантаженість і стан кожного автомобіля. Цей океан даних є скарбницею, яка при правильному читанні збільшує виробництво, знижує витрати та вказує на вузькі місця. ШІ; Це потужна допомога в узагальненні робочих даних, виявленні тенденцій і аномалій (відхилення від очікуваного), прогнозуванні прогнозного технічного обслуговування та звітності. Однак рішення про зміни, зупинки обладнання та виробничі цілі належать керівнику операцій; ШІ попереджає, а людина приймає рішення.
Мова OEE та виробничих даних
Поширеним способом вимірювання продуктивності виробництва є OEE (Загальна ефективність обладнання). OEE є продуктом трьох компонентів: доступності (чи обладнання працює), продуктивності (наскільки воно працює з проектною швидкістю) і якості (наскільки виробництво відповідає плану). Низький OEE вантажівки може виникнути через поломку, зупинку або повільну роботу; Щоб визначити, який це, потрібно правильно вирізати дані. ШІ добре розбирає компоненти OEE і відповідає на запитання «де втрата»; але точну причину, чому зсув скидається, можна знайти через підтвердження поля.
Крок за кроком: AI працює з даними автопарку
- Знеособлення та ідентифікація даних. Маска ID автомобіля; Опишіть стовпці, позначку часу та одиниці вимірювання.
- Зробіть конспект. Тонни, кількість поїздок, час роботи/очікування/відмов в зміну/добу. ШІ: зведений код і табл.
- Шукайте вузькі місця. Чи обмежує він завантаження, перенесення або розвантаження? Де накопичується час у черзі? AI: пропонує міжсекційний аналіз.
- Позначте аномалію. Паливо, час циклу, навантаження відхиляються від очікувань. ШІ: пропонує статистичний поріг або просту модель.
- Підтвердьте полем. Перевірте кожну аномалію з командою з експлуатації/обслуговування; Помилка даних чи справжня проблема?
- Дія та переслідування. Рішення приймає оперативний офіцер; AI складає проект звіту про подальші дії.
Порада: аномалія не завжди є несправністю; у більшості випадків це помилка датчика, дрейф часової позначки або розрив запису. Поставте запитання: «Спочатку підозрювати дані чи машину?» з кожною аномалією.
Прогнозне обслуговування: поняття та межі
Існує три покоління технічного обслуговування: коригуюче (ремонт при виникненні несправності), превентивне (технічне обслуговування за графіком) і прогнозне (прогнозне: передбачення збою за ознаками в даних). При профілактичному обслуговуванні контролюються такі показники, як вібрація, температура, аналіз масла (металів зносу), струм і тиск; Відхилення від норми може свідчити про несправність. Штучний інтелект є потужним у пошуку закономірностей і аномалій у цих багатовимірних даних. Але головне: аномалія — це попередження, а не діагноз. Рішення зупинити обладнання, замінити частини або продовжити роботу; Він надається після фізичного огляду команди технічного обслуговування та схвалення керівника експлуатації. Помилкові спрацьовування (марна зупинка) і помилкові негативи (пропущена помилка) коштують дорого; Люди керують цим балансом.
Цінність прогностичного технічного обслуговування полягає в тому, щоб виявити несправність досить рано, щоб перетворити її на заплановану зупинку: незапланована несправність призупиняє виробництво в середині зміни, тоді як передбачувані несправні деталі готуються і технічне обслуговування виконується в межах запланованого періоду. Однак це працює, лише якщо дані надійні. У шахті датчики працюють під впливом пилу, вібрації та тепла; Зміщення калібрування, слабке з’єднання та проміжок реєстрації є звичайними. Тому першим кроком програми прогнозного обслуговування є не створення моделі, а забезпечення якості даних. Перш ніж змусити штучний інтелект зробити «прогноз невдачі», необхідно запитати, наскільки надійно ці дані були зібрані; Навіть найдосконаліша модель, побудована з поганими даними, вводить в оману. Крім того, не все обладнання є однаково критичним: вихід з ладу одного головного вимикача може призвести до зупинки всієї установки, тоді як вихід з ладу резервного насоса можна допустити. Пріоритезація прогнозних зусиль на основі критичності обладнання спрямовує обмежені ресурси обслуговування в потрібне місце.
три міні-чохла
Випадок 1 — Приховане вузьке місце. Видобуток на одній шахті на 12% нижче запланованого. Начальник зміни вважає, що «вантажівок мало». Вони мають AI підсумовувати дані про відправлення; Виходить, що в середньому 28% вантажівок стоять у черзі до екскаватора. Проблема не в кількості вантажівок, а в швидкості завантаження одного екскаватора. Хвіст опускається, коли розгортається другий навантажувач. AI показав вузьке місце в цифрах; Команда прийняла рішення та підтвердження на полі.
Випадок 2 — Аномалія палива. ШІ зазначає, що за останні два тижні вантажівка споживала паливо на 18% вище, ніж у аналогів. Команда технічного обслуговування перевіряє; виявляє, що повітряний фільтр засмічений і двигун бореться. Споживання нормалізується після заміни фільтра. Тут ШІ дав раннє попередження; але фізикальне обстеження поставило діагноз (фільтр). Якби штучний інтелект сказав «двигун несправний» і двигун був відповідно демонтований, це було б неправильно і дорого.
Випадок 3 — Хибний результат. ШІ бачить раптовий стрибок даних про вібрацію шліфувальної машини та попереджає про «неминучу несправність». Команда технічного обслуговування доглядає; виявляє, що відскок спричинений ослабленням датчика, машина ціла. Якби попередження сліпо дотримувались і завод зупинили, одна зміна виробництва була б втрачена даремно. Урок: при кожній аномалії спочатку ставте під сумнів якість даних/датчика; Попередження ШІ є гіпотезою.
Шаблони підказок, які можна копіювати
РЕЗЮМЕ ДАНИХ АВТОПАРКУ "Роль: ви помічник аналітика шахтних робіт. Узагальніть наступні дані про відвантаження за змінами: загальна кількість тонн, кількість рейсів, середній час циклу, відсоток роботи/очікування/відмов. Ідентифікатори транспортних засобів замасковані. Зміщення прапорців, які здаються ненормальними, але вирішуйте ЧОМУ; запропонуйте, який додатковий поперечний переріз перевірити. Дані: [вставити]."
АНАЛІЗ ВУЗЬКИХ МІСЦЬ «Налаштуйте аналіз, щоб знайти, де накопичується час черги/очікування в циклі завантаження-транспортування-розвантаження. Результат: середній час очікування та загальна втрата часу на кожному етапі. Показати, чи є вузьке місце на навантажувачі, під час транспортування чи розвантаження; РЕКОМЕНДУЄТЕ остаточне рішення, перерахуйте можливі причини та вкажіть, що потрібне підтвердження поля».
МАРКУВАННЯ НЕПРАВИЛЬНОСТІ (ТЕХНІЧНЕ ОБСЛУГОВУВАННЯ) "Нижче наведено часовий ряд [вібрації/температури/палива] частини обладнання. Позначте точки, які відхиляються від нормального діапазону, і для кожної: (1) величину відхилення, (2) можливість можливого збою датчика/даних, (3) на що слід звернути увагу під час фізичної перевірки. ДІАГНОСТИКА остаточна несправність. Дані: [вставити]."
ПРОЕКТ ЗВІТУ ЗМІНИ "Напишіть проект звіту про зміну з наступних підсумкових даних: вироблені тонни, відхилення від цілі, основні причини втрат, позначені аномалії та рекомендовані подальші кроки. Позначте рішення як "підлягають схваленню керівника операцій". Дані: [вставити]."
Слабка підказка / Сильна підказка
СЛАБКА ПІДКАЗКА: «Ця вантажівка зламається?»
ВАЖЛИВА ПІДКАЗКА: «Роль: ви помічник аналітика з прогнозованого технічного обслуговування. Позначте точки в серії вібрації та температури нижче, які відхиляються від норми, вкажіть величину відхилення та ВІДДРІЖНІТЬ можливість можливої несправності датчика від фактичної механічної ознаки. НЕ робіть точного прогнозу несправності; укажіть, на що команда технічного обслуговування повинна звернути увагу під час фізичного огляду. Дані: [вставити]».
Порівняльна діаграма: сигнал даних і рішення
сигнал
AI вихід
чиє рішення
перевірка
Низький OEE
Відсутній аналіз компонента
Операційний менеджер
польове спостереження
Черга/вузьке місце
де він накопичується
Начальник зміни
Підтвердження поля
Відхилення палива
знак аномалії
бригада технічного обслуговування
фізичне обстеження
сплеск вібрації
Попередження (не діагноз)
Технічне обслуговування + експлуатація
Датчик + перевірка
змінний звіт
проект
Операційний менеджер
Затвердження
Поширені помилки
- Прийнявши аномалію за певну несправність. Більшість аномалій є помилками датчиків/даних; Спочатку запитайте дані.
- Попросити штучний інтелект точно передбачити, «чи зламається він?» сигнали ШІ; обстеження ставить діагноз.
- Припускаючи вузьке місце з чисельної перевірки. Відчуття «менше вантажівок» часто виявляється помилковим.
- Обхід проблем із міткою часу/томом. Прогалини в записах спотворюють OEE та облік циклу.
- Сліпо виконувати попередження та зупиняти виробництво. Вартість помилкового спрацьовування також є реальною.
Увага: метою профілактичного обслуговування є запобігання несправності, але реагування на кожне попередження зупинкою машини також спричиняє збитки. Рішення приймає особа, яка зважує серйозність попередження, критичність обладнання та результати перевірки.
Підсумовуючи
Дані про автопарк і виробництво – це скарбниця, яка збільшує продуктивність, якщо їх правильно читати; Штучний інтелект ефективно впорається з цим під час узагальнення, пошуку вузьких місць, позначення аномалій і прогнозованого обслуговування. Втрати OEE, час очікування в черзі та відхилення датчиків швидко стають видимими за допомогою ШІ. Але аномалія є попередженням, а не діагнозом; Рішення про зупинку та зміну обладнання приймаються після підтвердження на місці та затвердження керівника операцій. Для кожної аномалії спочатку запитайте дані/якість датчика.
Аплікаційне завдання
Використовуйте шаблони «Підсумок даних про автопарк» і «Аналіз вузьких місць» зі своїми зразками (або власними анонімними) даними відправлення, щоб визначити причини втрати зміни. Потім застосуйте шаблон «Позначення аномалії» до серії вібрації/палива частини обладнання та відзначте для кожного прапора, чи це помилка даних чи справжня проблема. Нарешті, за допомогою «Чернетки звіту про зміну» переведіть результати у звіт і позначте рішення для оперативного затвердження.
контрольний список
- [ ] Я замаскував і анонімізував ідентифікатори транспортних засобів/персоналу.
- [ ] Я перевірив вузьке місце за допомогою даних черги/очікування, а не на дотик.
- [ ] Для кожної аномалії я спочатку поставив під сумнів якість датчика/даних.
- [ ] Я вважав попередження AI не діагнозом, а ознакою, яку необхідно підтвердити обстеженням.
- [ ] Я залишив рішення про зупинку обладнання/виробництво операційному менеджеру.
- [ ] Я перевірив узгодженість мітки часу та обсягу.