Prípadová štúdia · Priemysel

Prediktívna údržba, ktorá každé ráno povie, čo sa pokazí

Pre medzinárodného automobilového výrobcu sme spojili roky dát o poruchách, opravách a senzoroch z piatich systémov. Údržbári dnes každé ráno dostanú prehľad zariadení s najvyšším rizikom poruchy a odporúčaný zásah ešte predtým, než sa linka zastaví.

KlientMedzinárodný automobilový výrobca
OblasťÚdržba montážnych liniek
Trvanie8 mesiacov
Tím6 špecialistov
54 mil.+spracovaných záznamov z prevádzky
5prepojených zdrojových systémov
9automatických denných reportov
7 dnípredikcia porúch dopredu

Výzva a riešenie

Výzva

Každá neplánovaná odstávka montážnej linky stojí výrobu čas aj peniaze. Údržba mala k dispozícii veľa dát, no boli roztrúsené v rôznych systémoch: záznamy o poruchách a opravách, preventívna údržba, alarmy z riadiacich systémov aj merania zo senzorov.

Chýbal spôsob, ako z nich včas zistiť, ktoré zariadenie sa pravdepodobne pokazí, a podľa toho plánovať zásahy.

Riešenie

Vyvinuli sme na mieru automatizovaný systém prediktívnej údržby v jazyku Python. Prepojili sme historické dáta od roku 2020 a nastavili ich každodenné spracovanie.

  • Integrácia a čistenie dát z 5 zdrojových systémov vrátane podnikového systému SAP a riadiaceho systému SCADA
  • Modely strojového učenia na predikciu porúch a dĺžky odstávok
  • Denný report v e-maile a dashboardy s upozorneniami pre technikov aj manažérov

Ako vyzerá každé ráno

Celý proces beží automaticky. Kým začne ranná zmena, majú technici prehľad toho, čomu sa majú venovať.

06:00

Dáta sú pripravené

Zo zdrojových systémov prídu nové záznamy za posledný deň.

06:00

Spracovanie a predikcia

Systém dáta vyčistí, prepočíta modely a vyhodnotí riziká.

07:00

Report v e-maile

Technici dostanú súhrn TOP rizík a odporúčané zásahy.

9 reportov v troch prístupoch

Každý report odpovedá na konkrétnu otázku údržby. Spolu dávajú pohľad do minulosti, na súčasný stav aj do budúcnosti.

Predikcia a trendy

Čo sa pravdepodobne pokazí?

  • Pravdepodobnosť poruchy zariadeniaRiziko poruchy na 7 dní dopredu vrátane odhadu dĺžky a priority odstávky.
  • Predikcia konkrétnej chybyKtorá chyba sa na danom zariadení a mieste pravdepodobne zopakuje.
  • Abnormálny vývoj teplôtVčasné odhalenie výkyvov a rastúcich teplôt zo senzorov strojov.

Štatistika a frekvencia

Kde sa poruchy opakujú?

  • Frekvencia a sezónnosť porúchKritické miesta, mesiace s najviac poruchami a odporúčané preventívne kroky.
  • Cyklickosť porúch a odstávokSpoľahlivosť zariadení cez ukazovatele MTBF a MTTR a objekty s opakovanými odstávkami.

Prehľad alarmov

Čo treba riešiť prednostne?

  • Frekvencia alarmovNajčastejšie alarmy podľa miesta, priority a typu, s grafmi a heatmapami.
  • Trvanie alarmovNajdlhšie trvajúce alarmy a odlíšenie varovaní od skutočných porúch.

Štyri alarmové reporty pokrývajú dva rôzne systémy, preto je reportov spolu deväť.

Príklad z praxe

Takto pracuje technik s reportmi pri manipulátore na montážnej linke:

  1. Predikcia: report upozorní na vysokú pravdepodobnosť poruchy manipulátora v nasledujúcom týždni.

  2. História: graf porúch, opráv a preventívnej údržby ukáže, ako spolu v minulosti súviseli.

  3. Konkrétna chyba: ďalší report predpovie, aký typ poruchy sa pravdepodobne objaví.

  4. Odporúčanie: systém navrhne skontrolovať zariadenie a vykonať preventívnu údržbu skôr, než sa linka zastaví.

Postup projektu

Od analýzy súčasného stavu po nasadenie v prostredí zákazníka.

Úvodná štúdia
Zber dát
Spracovanie a čistenie dát
Integrácia dát
Modelovanie
Vizualizácia výsledkov
Testovanie a nasadenie

Čo projekt priniesol

Menej neplánovaných odstávokPoruchy sa dajú odhaliť skôr, než zastavia výrobu.
Rýchlejšia identifikácia problémovOkamžitý prehľad kritických miest namiesto ručného hľadania v dátach.
Lepšie plánovanie údržbyZásahy a ľudí možno plánovať podľa skutočného rizika, nie podľa kalendára.
Jasný obraz o spoľahlivostiUkazovatele MTBF a MTTR a prehľad zariadení s opakovanými poruchami.

Použité technológie

PythonRandom ForestGradient BoostingCatBoostXGBoostLineárna a polynomiálna regresiaNeurónové sieteZhlukovaniePower BISharePointSAPSCADA

Chcete podobné riešenie?

Preberieme vaše dáta a ciele a navrhneme, ako postupovať. Prvým krokom je nezáväzná konzultácia.

Prebrať projekt