fbpx

Оптимизация предприятия на основе данных и искусственного интеллекта

Данную тему поднимал в своей презентации менеджер по технологиям Питер Босманс (Peter Bosmans) и Педро Дурлингер (Pedro Durlinger) из Sitech Services, которая имеет десятилетний опыт технического обслуживания 30+ заводов и более 5 лет опыта работы с Индустрией 4.0.

Питер Босманс знакомит с основными ежедневными задачами их клиентов (см. рис. 1) и в тоже время говорит про преимущества, которые обусловлены искусственным интеллектом, такие как:

  • Уменьшение затрат на техническое обслуживание на (15-50)%;
  • Снижение эксплуатационных расходов на (10-20)%;
  • Повышение производительности и ОEE до 15%.

Рисунок 1. Ежедневные задачи для клиентов Sitech Services

Также довольно детально описывает методологию (см. рис. 2), которая состоит из:
  • Связь информации, событий и телеметрии;
  • Очистка данных;
  • Очистка по событию;
  • Очистка на основе дисперсии;
  • Особенности и взаимодействия;
  • Моделирование, более крупный поиск по сетке;
  • Проверка модели;
  • Выбор модели;
  • Развертывание моделей: контейнеры функций Azure.

Рисунок 2. Методология UltraGrid

 

Как примеры, Питер Босманс показывает два кейса по техническому обслуживанию:
  1. Профилактическое техническое обслуживание (Predictive maintenance) электродвигателя, где в одной из обмоток электродвигателя обнаружена проблема ещё до выхода оборудования из строя.

    Рисунок 3. Профилактическое техническое обслуживание на базе электродвигателя

    Предупредительное техническое обслуживание (Prescriptive maintenance) теплообменника (ТО), в котором после очистки ТО видно изменение его поведения. Именно по изменению соотношения между давлением и расходом можно определить, что ТО неисправен.

    Рисунок 4. Предупредительное техническое обслуживание на базе ТО

     

Питер Босманс заметил, что перед традиционной очисткой ТО поток уменьшился, а давление повысилось. В то время, как после очищения мы получили больший поток и меньшую разность давления на ТО.

Если увеличивать давление/поток над ТО в течение определенного периода (даже выше запроектированных пределов), то работа ТО становится более эффективной, поскольку при меньшей разности давлений возможен больший поток.

Рисунок 7. Массив данных по ТО в период с 06.2019 по 06.2021

Таким образом, можно сделать вывод о том, что гипотеза, основанная именно на анализе данных, подтверждена, и традиционная очистка ТО больше не требуется. В результате ежегодная экономия составляет 10 тыс. евро на теплообмен.
В подтверждении Питер Босманс приводит бизнес-кейс, где показывает следующие значения:
  • Средние расходы на восстановление ТО, включая человеко-час (на ТО, каждые 3 года): 20 000 евро;
  • Производственные потери на материалы (на ТО за 3 года): 18 000 евро;
  • Производственные потери на человеко-часов (на ТО за 3 года): 3 500 евро.
Общая средняя стоимость очистки составляет около 41500 евро за ТО на 3 года.
Теперь эта очистка заменена решением для мониторинга анализа данных. Стоимость: 3500 евро за ТО в год.

Комментарий Максима Тютюнника

Peter Bosmans из Sitech Services поднимает актуальные проблемы заказчиков, характерные и для отечественных предприятий – простои, необработанные данные, потеря квалифицированного персонала из технической службы вследствие большого числа не творческих работ. В описанных примерах использования ИИ – анализ тока электродвигателя и увеличение интервала мойки теплообменника впечатляет объем переработанных данных. Повышение потока в любом пластинчатом теплообменнике действительно снижает отложения, но вызывает вопросы к правильности выбора теплообменника для конкретного приложения.
В любом случае, применение ИИ в промышленности, для обработки массивов данных, уже вышло на уровень проверенной и доступной технологии.
Автор статті Олена Некрашевич.
 
Михайло Федак
Нет Комментариев

Sorry, the comment form is closed at this time.