18
Січ
Оптимизация предприятия на основе данных и искусственного интеллекта
Коментарі
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:
-
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.
