Lợi nhuận:
- Khả năng tóm tắt dữ liệu điều phối, đo từ xa và OEE bằng AI và phát hiện các tắc nghẽn và bất thường
- Khả năng xây dựng logic bảo trì dự đoán với dữ liệu phân tích độ rung, nhiệt độ và dầu với sự hỗ trợ của AI
- Khả năng kiểm tra dự đoán sản xuất/bảo trì do AI tạo ra bằng xác minh hiện trường và quyết định của người quản lý vận hành
Cho dù kế hoạch trên giấy tờ có tốt đến đâu, thì việc sản xuất trên hiện trường mới là điều quan trọng: đào được bao nhiêu tấn, ở cấp độ nào, bao nhiêu xe tải chở nó, thiết bị làm việc chăm chỉ như thế nào, đốt cháy bao nhiêu nhiên liệu. Trong một mỏ lộ thiên hiện đại, máy xúc, xe tải, máy khoan và máy ủi tạo ra dữ liệu theo từng giây; Hệ thống quản lý đội xe (điều độ) ghi lại vị trí, tải trọng và tình trạng của từng phương tiện. Đại dương dữ liệu này là một kho báu mà khi đọc chính xác sẽ giúp tăng sản lượng, giảm chi phí và chỉ ra những điểm nghẽn. AI; Đây là một công cụ hỗ trợ mạnh mẽ trong việc tóm tắt dữ liệu vận hành, phát hiện xu hướng và sự bất thường (độ lệch so với dự kiến), báo cáo và dự đoán bảo trì. Tuy nhiên, các quyết định về ca, dừng thiết bị và mục tiêu sản xuất thuộc về người quản lý vận hành; AI đưa ra cảnh báo, con người đưa ra quyết định.
Ngôn ngữ của OEE và dữ liệu sản xuất
Một cách phổ biến để đo lường hiệu suất sản xuất là OEE (Hiệu quả thiết bị tổng thể). OEE là sản phẩm của ba thành phần: tính sẵn có (thiết bị có đang hoạt động không), hiệu suất (mức độ hoạt động ở tốc độ thiết kế) và chất lượng (mức độ sản xuất đạt mục tiêu). OEE thấp của xe tải có thể do hỏng hóc, chết máy hoặc vận hành chậm; Để tìm ra cái nào đòi hỏi phải cắt dữ liệu một cách chính xác. AI rất giỏi trong việc chia nhỏ các thành phần OEE và trả lời câu hỏi “lỗ ở đâu”; nhưng lý do chính xác tại sao một ca bị bỏ được tìm thấy thông qua xác nhận trường.
Từng bước: AI làm việc với dữ liệu đội xe
- Ẩn danh và xác định dữ liệu. Che dấu ID xe; Mô tả các cột, dấu thời gian và đơn vị.
- Làm một bản tóm tắt. Tấn, số chuyến, thời gian làm việc/chờ đợi/hỏng hóc theo ca/ngày. AI: mã và bảng tóm tắt.
- Hãy tìm những điểm nghẽn. Nó có hạn chế việc tải, mang hoặc dỡ hàng không? Thời gian xếp hàng tích lũy ở đâu? AI: gợi ý phân tích cắt ngang.
- Đánh dấu sự bất thường. Nhiên liệu, thời gian chu kỳ, tải sai lệch so với mong đợi. AI: gợi ý ngưỡng thống kê hoặc mô hình đơn giản.
- Xác nhận với trường. Xác minh từng điểm bất thường với nhóm vận hành/bảo trì; Lỗi dữ liệu hay vấn đề thực sự?
- Hành động và theo đuổi. Quyết định được đưa ra bởi nhân viên điều hành; AI soạn thảo báo cáo tiếp theo.
Mẹo: Sự bất thường không phải lúc nào cũng là trục trặc; phần lớn là lỗi cảm biến, lệch dấu thời gian hoặc khoảng cách bản ghi. Đặt câu hỏi “Nên nghi ngờ dữ liệu hay máy trước?” với từng sự bất thường.
Bảo trì dự đoán: khái niệm và ranh giới
Có ba thế hệ bảo trì: khắc phục (sửa chữa khi xảy ra sự cố), phòng ngừa (bảo trì theo lịch trình) và dự đoán (dự đoán: thấy trước sự cố từ các dấu hiệu trong dữ liệu). Trong bảo trì dự đoán, các chỉ số như độ rung, nhiệt độ, phân tích dầu (kim loại mài mòn), dòng điện và áp suất đều được theo dõi; Sự sai lệch so với bình thường có thể chỉ ra sự cố. AI có khả năng tìm kiếm các mẫu và điểm bất thường trong dữ liệu đa biến này một cách hiệu quả. Nhưng điểm quan trọng là: sự bất thường là một cảnh báo, không phải là một chẩn đoán. Quyết định dừng thiết bị, thay thế linh kiện hoặc tiếp tục vận hành; Nó được đưa ra cùng với sự kiểm tra thể chất của đội bảo trì và sự chấp thuận của người quản lý vận hành. Kết quả dương tính giả (dừng vô ích) và âm tính giả (thất bại) đều tốn kém; Mọi người quản lý sự cân bằng này.
Giá trị của việc bảo trì dự đoán nằm ở việc phát hiện lỗi đủ sớm để biến nó thành kế hoạch ngừng hoạt động theo kế hoạch: một lỗi ngoài kế hoạch sẽ tạm dừng sản xuất giữa ca, trong khi các bộ phận lỗi được dự đoán sẽ được chuẩn bị và việc bảo trì được thực hiện trong khoảng thời gian đã lên kế hoạch. Tuy nhiên, điều này chỉ hoạt động nếu dữ liệu đáng tin cậy. Trong mỏ, các cảm biến hoạt động trong điều kiện bụi, rung và nhiệt; Trôi hiệu chuẩn, kết nối lỏng lẻo và khoảng cách đăng ký là phổ biến. Do đó, bước đầu tiên của chương trình bảo trì dự đoán không phải là xây dựng mô hình mà là đảm bảo chất lượng dữ liệu. Trước khi để AI đưa ra “dự đoán lỗi”, cần phải hỏi dữ liệu đó được thu thập đáng tin cậy đến mức nào; Ngay cả mô hình tiên tiến nhất được xây dựng bằng dữ liệu xấu cũng có thể gây hiểu lầm. Hơn nữa, không phải tất cả các thiết bị đều quan trọng như nhau: sự cố của một cầu dao chính có thể khiến toàn bộ nhà máy ngừng hoạt động, trong khi sự cố của máy bơm dự phòng có thể được chấp nhận. Ưu tiên nỗ lực dự đoán dựa trên mức độ quan trọng của thiết bị sẽ hướng các nguồn lực bảo trì hạn chế đến đúng nơi.
ba trường hợp nhỏ
Trường hợp 1 - Nút cổ chai ẩn. Sản lượng tại một mỏ thấp hơn 12% so với mục tiêu. Người giám sát ca cho rằng "có ít xe tải". Họ có AI tóm tắt dữ liệu điều phối; Hóa ra trung bình có 28% số xe tải đang xếp hàng chờ ở máy xúc. Vấn đề không phải là số lượng xe tải mà là tốc độ chất hàng của một chiếc máy xúc. Đuôi rơi xuống khi bộ nạp thứ hai được triển khai. AI cho thấy điểm nghẽn về số lượng; Nhóm đã đưa ra quyết định và xác nhận hiện trường.
Trường hợp 2 - Nhiên liệu bất thường. AI cảnh báo rằng mức tiêu thụ nhiên liệu của xe tải đã cao hơn 18% so với các xe cùng loại trong hai tuần qua. Đội bảo trì kiểm tra; thấy rằng bộ lọc không khí bị tắc và động cơ đang gặp khó khăn. Mức tiêu thụ trở lại bình thường khi bộ lọc được thay đổi. Ở đây AI đã đưa ra cảnh báo sớm; nhưng khám thực thể đã đưa ra chẩn đoán (bộ lọc). Nếu AI nói "động cơ bị lỗi" và động cơ đó đã được tháo dỡ theo đó thì vừa sai vừa tốn kém.
Trường hợp 3 - Dương tính giả. AI nhận thấy dữ liệu rung động của máy mài tăng đột ngột và cảnh báo về "sự cố sắp xảy ra". Đội bảo trì chăm sóc; thấy nảy là do lỏng cảm biến, máy nguyên vẹn. Nếu lời cảnh báo được tuân theo một cách mù quáng và nhà máy bị dừng hoạt động thì một ca sản xuất sẽ bị mất đi một cách vô ích. Bài học: với mọi điểm bất thường, trước tiên hãy đặt câu hỏi về chất lượng dữ liệu/cảm biến; Cảnh báo AI là một giả thuyết.
Mẫu lời nhắc có thể sao chép
TÓM TẮT DỮ LIỆU FLEET "Vai trò: Bạn là trợ lý phân tích hoạt động mỏ. Tóm tắt dữ liệu điều phối sau theo ca: tổng tấn, số chuyến đi, thời gian chu kỳ trung bình, tỷ lệ chạy/chờ/thất bại. ID phương tiện bị che. Sự thay đổi cờ có vẻ bất thường nhưng quyết định TẠI SAO; đề xuất mặt cắt bổ sung nào cần kiểm tra. Dữ liệu: [dán]."
PHÂN TÍCH TUYỆT VỜI "Thiết lập phân tích để tìm ra nơi tích lũy thời gian xếp hàng/chờ trong chu trình tải-vận chuyển-dỡ hàng. Đầu ra: thời gian chờ trung bình và tổng thời gian bị mất ở mỗi giai đoạn. Cho biết nút thắt cổ chai có ở bộ tải, trong khi vận chuyển hay dỡ hàng hay không; KHUYẾN NGHỊ giải pháp dứt khoát, liệt kê các nguyên nhân có thể xảy ra và chỉ ra xác nhận hiện trường là cần thiết."
ĐÁNH DẤU DẤU HIỆU BẤT THƯỜNG (BẢO DƯỠNG)"Dưới đây là chuỗi thời gian [rung/nhiệt độ/nhiên liệu] của một thiết bị. Đánh dấu các điểm sai lệch so với phạm vi bình thường và cho từng điểm: (1) độ lớn của sai lệch, (2) khả năng có thể xảy ra lỗi cảm biến/dữ liệu, (3) những điều cần tìm khi kiểm tra vật lý. CHẨN ĐOÁN lỗi xác định. Dữ liệu: [dán]."
BẢN DỰ THẢO BÁO CÁO SHIFT"Viết bản báo cáo ca làm việc dự thảo từ dữ liệu tóm tắt sau: số tấn được sản xuất, sai lệch so với mục tiêu, nguyên nhân chính gây ra tổn thất, những điểm bất thường được gắn cờ và các bước tiếp theo được đề xuất. Đánh dấu các quyết định 'phải được phê duyệt của nhân viên vận hành'. Dữ liệu: [dán]."
Dấu nhắc yếu / Dấu nhắc mạnh
NHẮC NHỞ YẾU: "Chiếc xe tải này sắp hỏng à?"
LƯU Ý MẠNH MẼ: "Vai trò: Bạn là trợ lý phân tích bảo trì dự đoán. Đánh dấu các điểm trong chuỗi rung động và nhiệt độ bên dưới khác với bình thường, đưa ra mức độ sai lệch và PHÂN BIỆT khả năng xảy ra lỗi cảm biến có thể xảy ra với dấu hiệu cơ học thực tế. KHÔNG đưa ra dự đoán chính xác về lỗi; hãy liệt kê thành từng mục mà nhóm bảo trì nên tìm kiếm trong quá trình kiểm tra vật lý. Dữ liệu: [dán]."
Biểu đồ so sánh: tín hiệu dữ liệu và quyết định
tín hiệu
Đầu ra AI
quyết định của ai
xác minh
OEE thấp
Thiếu phân tích thành phần
Người quản lý hoạt động
quan sát hiện trường
Xếp hàng/nghẽn cổ chai
nó tích tụ ở đâu
Người giám sát ca
Xác nhận trường
Độ lệch nhiên liệu
dấu hiệu bất thường
đội bảo trì
khám sức khỏe
giật gân rung
Cảnh báo (không phải chẩn đoán)
Bảo trì + vận hành
Cảm biến + kiểm tra
báo cáo ca làm việc
dự thảo
Người quản lý hoạt động
Phê duyệt
Những lỗi thường gặp
- Nhầm một sự bất thường với một sự cố rõ ràng. Hầu hết các điểm bất thường là lỗi cảm biến/dữ liệu; Truy vấn dữ liệu đầu tiên.
- Yêu cầu AI dự đoán chính xác "nó có bị hỏng không?" tín hiệu AI; khám sẽ đưa ra chẩn đoán.
- Giả sử nút thắt cổ chai từ xác minh số. Cảm giác “ít xe tải” hóa ra thường sai lầm.
- Bỏ qua các vấn đề về dấu thời gian/âm lượng. Ghi lại những khoảng trống làm biến dạng OEE và kế toán chu kỳ.
- Mù quáng tuân theo lời cảnh báo và ngừng sản xuất. Cái giá của một kết quả dương tính giả cũng là có thật.
Chú ý: Mục đích của bảo trì dự đoán là ngăn ngừa sự cố, tuy nhiên việc ứng phó với mọi cảnh báo bằng cách dừng máy cũng gây ra tổn thất. Quyết định thuộc về người cân nhắc mức độ nghiêm trọng của cảnh báo, mức độ nghiêm trọng của thiết bị và kết quả kiểm tra.
Tóm lại
Dữ liệu về đội tàu và sản xuất là một kho báu giúp tăng sản lượng khi được đọc chính xác; AI xử lý vấn đề này một cách hiệu quả trong việc tóm tắt, tìm kiếm nút thắt cổ chai, gắn cờ bất thường và bảo trì dự đoán. Tổn thất OEE, thời gian xếp hàng và độ lệch cảm biến nhanh chóng được hiển thị bằng AI. Nhưng sự bất thường này là một cảnh báo chứ không phải một chẩn đoán; Các quyết định dừng và thay đổi thiết bị được đưa ra với sự xác nhận của hiện trường và sự chấp thuận của người quản lý vận hành. Đối với mỗi điểm bất thường, trước tiên hãy truy vấn chất lượng dữ liệu/cảm biến.
Nhiệm vụ ứng dụng
Sử dụng các mẫu “Tóm tắt dữ liệu nhóm” và “Phân tích nút cổ chai” với dữ liệu điều phối mẫu của bạn (hoặc dữ liệu ẩn danh của riêng bạn) để rút ra lý do khiến ca bị mất. Sau đó, áp dụng mẫu "Đánh dấu bất thường" cho chuỗi rung động/nhiên liệu của một phần thiết bị và ghi chú cho mỗi cờ xem đó là lỗi dữ liệu hay sự cố thực sự. Cuối cùng, với “Dự thảo báo cáo ca”, chuyển các kết quả phát hiện thành báo cáo và đánh dấu các quyết định phê duyệt hoạt động.
danh sách kiểm tra
- [ ] Tôi đã che giấu và ẩn danh ID xe/nhân viên.
- [ ] Tôi đã xác minh nút thắt cổ chai bằng dữ liệu hàng đợi/chờ chứ không phải bằng cảm giác.
- [ ] Đối với mỗi điểm bất thường, trước tiên tôi đặt câu hỏi về chất lượng cảm biến/dữ liệu.
- [ ] Tôi coi cảnh báo AI không phải là một chẩn đoán mà là một dấu hiệu cần được xác nhận bằng cách kiểm tra.
- [ ] Tôi đã giao quyết định ngừng sản xuất/ngắt thiết bị cho người quản lý vận hành.
- [ ] Tôi đã kiểm tra tính nhất quán của dấu thời gian và âm lượng.