Механизм искусственного интеллекта и аналитики помогает производителям принимать упреждающие меры на основе расширенного анализа данных для прогнозирования и предотвращения сбоев оборудования и оптимизации графиков технического обслуживания.

Обзор

Профилактическое обслуживание включает в себя периодическую проверку и ремонт машинного имущества до выхода из строя, что часто определяется сроком службы машины. Существует несколько стратегий обслуживания, которые считаются профилактическими, в том числе; стратегии, основанные на состоянии, времени, прогнозировании и риске.

Там, где надежность активов имеет решающее значение, реализация стратегий профилактического обслуживания оказывается более рентабельной и эффективной, чем корректирующее обслуживание. Реализация оптимизированных и прогностических стратегий, в частности, многократно увеличивает эти преимущества.

С помощью машинного обучения (ML) можно оптимизировать стратегии профилактического обслуживания, основанного на времени, состоянии и риске, а также внедрить и внедрить прогностические стратегии; Сокращение времени простоя, улучшение времени работы и гарантия того, что ничего не будет заменено преждевременно, чтобы вся система оставалась надежной и прибыльной в течение длительного времени. В частности, машинное обучение может помочь в;

  • Прогнозирование оставшегося срока полезного использования
  • Прогнозирование отказа в заданном временном окне
  • Пометка аномального поведения
  • Прогнозирование вероятности отказа с течением времени и,
  • Оптимизация графиков технического обслуживания

В партнерстве с производителем промышленных химикатов из Юго-Восточной Азии AI & Analytics Engine смог предсказать отказ в течение заданного периода времени, определив параметры состояния, которые привели к повторяющимся «застреваниям» оборудования, и предупредив инженеров о достаточном времени для устранения проблем. и уменьшить влияние на бизнес.

Стратегии обслуживания

Профилактическое обслуживание является критически важным процессом для любого промышленного предприятия и обеспечивает непрерывный автоматизированный мониторинг и своевременное обслуживание. Это предотвращает возможные простои и затраты, вызванные снижением производительности. Непрерывное диагностическое обслуживание также сокращает незапланированное реактивное или корректирующее обслуживание и снижает затраты, связанные с традиционным профилактическим обслуживанием. Традиционные процессы профилактического обслуживания часто выполняются вручную и требуют наихудших предположений о сроках службы оборудования — это приводит к неэффективности. Машинное обучение может помочь оптимизировать и автоматизировать некоторые из этих процессов, повышая их эффективность и результативность.

Испытание

Производительность продолжает расти благодаря современным машинам. Эти машины часто очень сложны и требуют значительных инвестиций. Инвестиции, оправданные их постоянной производительностью.

Заблаговременное знание того, когда актив выйдет из строя, позволит избежать незапланированных простоев и поломки активов. В среднем прогностическое обслуживание повышает производительность на 25 %, снижает количество поломок на 70 % и снижает затраты на техническое обслуживание на 25 %.

Это имело место в случае с производителем промышленных химикатов в Индонезии, которому нужно было решить операционную проблему, с которой они столкнулись: увеличение времени простоя их заводского оборудования, о котором они не предупреждали до отказа.

Цифры с завода показали, что время простоя неуклонно росло каждую неделю. Раньше время простоя машин было постоянным и в значительной степени управляемым. Недавно было обнаружено, что на 2 из 4 производственных линий время простоя увеличилось на 6%, что привело к снижению производительности и доходов.

Ручная проверка на заводе показала, что это произошло из-за слипания сырья в блоке смешивания и засорения подающего трубопровода. Однако у технических специалистов не было возможности исправить это «до факта», потому что соответствующие производственные параметры были настроены ранее и все находились в «утвержденном» рабочем диапазоне.

Для решения этой проблемы завод предоставил PI.EXCHANGE данные за 18 месяцев с датчиков, размещенных в различных точках производственной линии.

Решение

Линейные инженеры компании представили подробный обзор всего технологического процесса по стадиям, через которые проходит сырье, от начала процесса до конечного продукта.

Необработанные данные были предоставлены в формате CSV. Это было проглочено AI & Analytics Engine. Благодаря функции обработки данных подготовка данных требовала минимального вмешательства человека. Проблемы были решены с помощью решений в один клик, предоставленных рекомендациями на основе искусственного интеллекта. Был создан рецепт действий, выполняемых над набором данных, чтобы можно было выполнять повторение действий над входящими необработанными данными.

После того, как данные были очищены, The Engine проанализировал исторические параметры из данных производственной линии и определил особенности, которые представляют собой комбинацию условий, которые увеличивают вероятность отказа: Точная температура 3 (из более чем 15) сырья во время производства, объединенная с продолжительностью смешивания ингредиенты сливались и застревали в машине.

Исходя из этих функций, The Engine рекомендовал модель прогнозирования для предупреждения технического персонала о возможном простое с учетом условий.

На разработку прототипа модели ушло 2 часа. Результатом этого процесса стал автономный прототип, иллюстрирующий функциональность и ценность для бизнеса.

Затем модели были развернуты в производственных системах и интегрированы в программную среду завода с помощью вызова API. Это позволило внедрить интегрированную систему оповещения для технического персонала и получить представление о состоянии жизненного цикла модели, обеспечивая постоянное представление о том, подходит ли модель для поступающих данных.

Попробуйте сами с двухнедельной бесплатной пробной версией Engine!

Применимость в различных отраслях

Сегодня плохие стратегии технического обслуживания могут снизить общую производственную мощность фабрики или завода. Длительная и непрерывная работа капиталоемких активов обеспечивает конкурентное преимущество, равно как и эффективное и стратегическое техническое обслуживание.

  • Применение AI & Analytics Engine для помощи в обслуживании может помочь в следующих областях:
  • Поиск наиболее рентабельных периодов для обслуживания актива
  • Выявление возможного каскадного повреждения, при котором отказ одной части приводит к более широкому ущербу.
  • Обеспечивает логистическое преимущество, поэтому все запасные части можно заказать и доставить готовыми заблаговременно.
  • Оптимизация графика обслуживания

Прибыль от профилактического обслуживания увеличивается по сравнению с затратами на обслуживание. Чем выше цена, вызванная неудачей, тем больше выгоды. Если ремонт можно выполнить до выхода из строя, это дает возможность сократить незапланированные простои. Исследования показывают, что незапланированные простои ежегодно обходятся промышленным предприятиям примерно в 50 млрд долларов США.

Там, где надежность активов имеет решающее значение, внедрение мер по техническому обслуживанию на основе ИИ становится все более важным, включая следующие отрасли:

  • Производство
  • Строительство
  • Добыча
  • Нефтяной газ
  • Телекоммуникации
  • Мощность и энергия
  • Транспорт
  • Авиация

Чтобы узнать об использовании оптимизации цен с искусственным интеллектом, ознакомьтесь с этим примером использования!

Хотите понять, как The Engine может помочь вам и вашей отрасли? Закажите демонстрацию с нашей командой и узнайте, как вы можете реализовать стратегии профилактического обслуживания!

Первоначально опубликовано на https://www.pi.exchange.