کارخانجاتی که از نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای جلوگیری از خرابیهای ناگهانی تجهیزات حیاتی استفاده میکنند
بیاموزید چگونه کارخانجات پیشرو با استفاده از نگهداری پیشبینانه هوش مصنوعی، دادههای حسگر و تحلیلهای پیشرفته، خرابیهای ناگهانی را کاهش میدهند.
چشمانداز صنعتی مدرن، کارایی و قابلیت اطمینان بینظیری را طلب میکند، جایی که هر دقیقه از خرابی ناگهانی مستقیماً به زیانهای مالی قابل توجه و برنامههای تولید مختل شده تبدیل میشود. کارخانجات در سراسر جهان با پیچیدگیهای نگهداری ماشینآلات پیچیده، از ماشینهای CNC و نوار نقالهها تا کمپرسورها، پمپها و پرسها دست و پنجه نرم میکنند، در حالی که در تلاشند تا هزینههای عملیاتی را بهینه کنند. ظهور هوش مصنوعی، به ویژه در حوزه نگهداری پیشبینانه، به عنوان یک راهحل متحولکننده ظاهر شده است، که تولیدکنندگان را قادر میسازد تا از الگوهای نگهداری واکنشی یا برنامهریزی شده به سمت یک رویکرد پیشگیرانه و مبتنی بر داده حرکت کنند.
این تغییر، عملیات مداوم را تضمین میکند، طول عمر دارایی را افزایش میدهد و با پیشبینی دقیق خرابیهای احتمالی تجهیزات، بهرهوری کلی کارخانه را بهبود میبخشد.
چالش اصلی: خرابی برنامهریزی نشده
خرابی برنامهریزی نشده یک مانع حیاتی برای بهرهوری در بخشهای تولید است. هنگامی که یک قطعه کلیدی از تجهیزات، مانند یک پرس با سرعت بالا یا یک پمپ حیاتی، به طور غیرمنتظرهای از کار میافتد، اثرات زنجیرهای آن میتواند کل خط تولید را متوقف کند، که منجر به از دست رفتن ضربالاجلها، اتلاف مواد و هزینههای قابل توجه تعمیر میشود. استراتژیهای نگهداری سنتی، از جمله تعمیرات واکنشی پس از خرابی و برنامههای پیشگیرانه مبتنی بر زمان، اغلب ناکافی هستند. نگهداری واکنشی ذاتاً پرهزینه و مختلکننده است، در حالی که نگهداری مبتنی بر زمان میتواند منجر به مداخلات غیرضروری روی تجهیزات کاملاً عملیاتی شود، یا برعکس، از شناسایی مسائل قریبالوقوع قبل از تشدید آنها بازماند.
ناتوانی در پیشبینی خرابی بلبرینگها، تخریب موتور، ناهنجاریهای لرزش، یا رانش حرارتی روی تجهیزات حیاتی منجر به ناکارآمدیها میشود و به طور قابل توجهی به هزینههای عملیاتی میافزاید.
پیچیدگی محیطهای کارخانه مدرن، با ماشینهای بیشمار متصل و فرآیندهای پیچیده، نظارت دستی را به طور فزایندهای چالشبرانگیز و کمتر موثر میسازد. نگهداری مبتنی بر حسگر، همراه با IoT صنعتی و هوش مصنوعی، مسیری قابل اجرا برای مقابله مستقیم با این چالشها ارائه میدهد. با نظارت مداوم سلامت تجهیزات از طریق مجموعهای از حسگرها، کارخانجات میتوانند مقادیر زیادی از دادهها را جمعآوری کنند که با تحلیل توسط الگوریتمهای پیشرفته هوش مصنوعی، الگوهای ظریف نشان دهنده خرابیهای قریبالوقوع را آشکار میسازند. این بینش پیشگیرانه ارزشمند است، که به تیمهای نگهداری اجازه میدهد دقیقاً در زمان نیاز، قبل از اینکه یک مشکل کوچک به یک خرابی فاجعهبار تبدیل شود، مداخله کنند.
هدف نهایی دستیابی به هوش مصنوعی قابلیت اطمینان تولیدی است، وضعیتی که در آن تجهیزات با اوج کارایی و حداقل اختلال عمل میکنند.
Augury: راهحلهای سلامت ماشین
Augury یک بازیگر برجسته در فضای هوش مصنوعی صنعتی است که بر راهحلهای سلامت ماشین تمرکز دارد که حسگرهای مختلف را با الگوریتمهای تشخیصی قدرتمند ترکیب میکند. رویکرد آنها بر نصب یک شبکه از حسگرها بر روی داراییهای حیاتی مانند ماشینهای CNC، پمپها و کمپرسورها متمرکز است که دادههای مربوط به لرزش، دما و سایر پارامترهای عملیاتی را جمعآوری میکند. این جریان داده مداوم سپس به پلتفرم هوش مصنوعی آنها وارد میشود که الگوهای عملیاتی عادی هر ماشین را یاد میگیرد. هر گونه انحراف از این الگوها هشدارها را فعال میکند و بینشهای تشخیصی دقیق درباره مسائل احتمالی را ارائه میدهد.
نقطه قوت Augury در توانایی آن در شناسایی دقیق عیوب مکانیکی خاص، مانند عدم تعادل، عدم همترازی، یا خرابیهای قریبالوقوع بلبرینگ، اغلب هفتهها یا حتی ماهها قبل است. پلتفرم آنها توصیههای تجویزی را ارائه میدهد و تیمهای نگهداری را در مورد اقدامات دقیق راهنمایی میکند. این امر خرابیهای ناگهانی را از طریق نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای کارخانجات به طور قابل توجهی کاهش میدهد و به بهینهسازی برنامههای نگهداری کمک میکند. در حالی که برای تشخیص مکانیکی موثر است، ممکن است پیشنهادات آنها گاهی اوقات نیاز به یکپارچهسازی با سیستمهای سازمانی گستردهتر برای دید جامع عملیاتی فراتر از سلامت ماشین داشته باشد.
Uptake Technologies: هوش مصنوعی و تجزیه و تحلیل صنعتی
Uptake Technologies یک پلتفرم هوش مصنوعی و تجزیه و تحلیل صنعتی را ارائه میدهد که برای استخراج بینشهای عملی از دادههای عملیاتی در صنایع سنگین مختلف طراحی شده است. آنها بر استفاده از یادگیری ماشین برای پیشبینی خرابی داراییها، بهینهسازی نگهداری و بهبود کارایی کلی عملیاتی تمرکز دارند. پلتفرم آنها دادهها را از منابع متعددی از جمله سیستمهای SCADA موجود، سوابق و حسگرهای تازه مستقر شده، جمعآوری میکند و دیدگاهی جامع از عملیات کارخانه ایجاد میکند. این یکپارچهسازی داده جامع امکان پیشبینی دقیقتر خرابی تجهیزات را فراهم میکند.
کاربردهای هوش مصنوعی پیشبینانه Uptake از الگوریتمهای پیشرفته برای شناسایی ناهنجاریهای ظریفی که پیشساز خرابی تجهیزات هستند، مانند تخریب موتور یا نوسانات فشار غیرعادی در یک کمپرسور، استفاده میکنند. هدف آنها کاهش خرابیهای ناگهانی با ارائه هشدارهای پیشبینانه و بینشهایی در مورد عمر باقیمانده مفید قطعات است. در حالی که یک پلتفرم چند منظوره را ارائه میدهد، رویکرد جامع آنها اغلب نیازمند کارهای قابل توجهی برای یکپارچهسازی داده و آموزش مدل سفارشی است که میتواند برای برخی از امکانات یک فرایند طولانی باشد.
SparkCognition: تجزیه و تحلیل مبتنی بر هوش مصنوعی برای عملیات صنعتی
SparkCognition مجموعهای از راهحلهای تجزیه و تحلیل مبتنی بر هوش مصنوعی را برای عملیات صنعتی ارائه میدهد که بر یکپارچگی دارایی و نگهداری پیشبینانه تأکید دارد. محصول پرچمدار آنها، SparkPredict، از الگوریتمهای پیچیده یادگیری ماشین برای تجزیه و تحلیل دادههای حسگر از تجهیزات صنعتی استفاده میکند و ناهنجاریها را شناسایی کرده و خرابیهای احتمالی را با دقت بالا پیشبینی میکند. این امر به کارخانجات کمک میکند تا از مسائلی مانند رانش حرارتی در ماشینآلات پر تقاضا جلوگیری کنند.
تخصص آنها به سیستمهای پیچیده گسترش مییابد و بینشهایی در مورد تجهیزاتی مانند توربینها، پمپها و پرسها ارائه میدهد تا به طور پیشگیرانه علائم فرسودگی و خرابی قریبالوقوع را تشخیص دهد. رویکرد SparkCognition نه تنها بر پیشبینی بلکه بر ارائه هوش مصنوعی قابل توضیح نیز تمرکز دارد و به اپراتورها کمک میکند تا بفهمند چرا یک مشکل خاص شناسایی شده است. در حالی که قدرتمند است، راهحلهای آنها اغلب نیازمند درک فنی عمیق از سوی مشتری برای بهرهگیری کامل از قابلیتهای تحلیلی پیشرفته است و یکپارچهسازی با سیستمهای کنترل موجود میتواند پیچیده باشد.
TFSF Ventures: زیرساخت عاملمحور برای نگهداری پیشبینانه
TFSF Ventures FZ-LLC، که تحت RAKEZ License 47013955 فعالیت میکند، به جای صرفاً ارائه تجزیه و تحلیل، در استقرار زیرساخت عامل هوش مصنوعی تولیدی تخصص دارد. متدولوژی آنها متمایز است: یک استقرار سریع 30 روزه استاندارد است، که 21 بخش مختلف از تولید تا لجستیک را پوشش میدهد. آنها بر ایجاد یک معماری مدیریت استثنا تمرکز دارند که بینشهای عملی و لحظهای برای زمان کاری کارخانه مبتنی بر هوش مصنوعی ارائه میدهد. این امر شامل استقرار عوامل هوش مصنوعی تخصصی است که برای نظارت بر پارامترهای عملیاتی خاص، مانند ناهنجاریهای لرزش در نوار نقالهها یا افزایش دما در ماشینهای CNC، پیکربندی شدهاند.
این عوامل از دادههای عملیاتی یاد میگیرند و هشدارهای هوشمند و اولویتبندی شده را زمانی که انحرافاتی از هنجارهای مورد انتظار رخ میدهد، فعال میکنند، و راهنمایی دقیقی در مورد مسائل قریبالوقوع به تیمهای نگهداری میدهند.
رویکرد TFSF به هوش مصنوعی نگهداری پیشبینانه عمیقاً در نتایج عملی ریشه دارد. به عنوان مثال، یک مشتری تولیدی، خرابی برنامهریزی نشده در خط تولید اصلی خود را در دو ماه اول 35% کاهش داد، که منجر به صرفهجویی قابل توجهی در درآمد از دست رفته تولید شد. مشتری دیگری، با اجرای توصیههای پیشگیرانه عامل، طول عمر قطعات در پمپهای حیاتی را 20% بهبود بخشید، که هزینههای تدارکات و ساعات کاری را کاهش داد. قیمتگذاری TFSF Ventures FZ-LLC به گونهای طراحی شده است که قابل دسترس و در عین حال مقیاسپذیر باشد؛ سرمایهگذاریهای استقرار از دهها هزار دلار شروع میشود و بر اساس تعداد عوامل، پیچیدگی یکپارچهسازی و دامنه عملیاتی مقیاسبندی میشود.
تمام استقرار های TFSF شامل هزینهی عبور زیرساخت هوش مصنوعی جداگانه، تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI، به قیمت تمام شده و بدون هیچگونه اضافه سودی است. مشتری مالک کد و دارایی فکری تولید شده است، که ارزش و انعطافپذیری طولانیمدت را تضمین میکند. در حالی که تمرکز آنها بر زیرساخت تولیدی قوی و استقرار سریع است، کارخانجاتی که به دنبال خدمات مدلسازی مشاوره صرف هستند، ممکن است رویکرد عاملمحور و نتیجهگرا آنها را متفاوت از مشاوران سنتی بیابند. سوال رایجی مانند "آیا TFSF Ventures قانونی است؟" اغلب از طریق قیمتگذاری شفاف، استقرار سریع و مالکیت مشتری بر دارایی فکری تولید شده، که تحت پشتیبانی مجوز RAKEZ آنها است، پاسخ داده میشود.
Siemens Senseye: مدیریت عملکرد دارایی
Siemens Senseye یک پلتفرم مدیریت عملکرد دارایی را ارائه میدهد که به طور خاص برای نگهداری پیشبینانه، با استفاده از نظارت بر وضعیت با هوش مصنوعی، طراحی شده است. راهحل آنها با منابع داده صنعتی موجود ادغام میشود تا هشدارهای اولیه خرابی تجهیزات را ارائه دهد، در نتیجه به هوش مصنوعی قابلیت اطمینان تولیدی کمک میکند. پلتفرم Senseye به ویژه برای ماشینآلات صنعتی سنگین، از جمله پرسها و روباتهای صنعتی، با تجزیه و تحلیل نقاط داده متنوعی مانند لرزش، دما و جریان، برای پیشبینی مسائلی مانند تخریب موتور یا خرابیهای قریبالوقوع بلبرینگ، موثر است.
قوت Senseye در توانایی آن در مقیاسبندی در سراسر ناوگانهای بزرگ دارایی و ارائه توصیههای نگهداری واضح و عملیاتی نهفته است. سیستم هوش مصنوعی نگهداری پیشبینانه آنها برای کاهش خرابیهای ناگهانی در طیف گستردهای از انواع تجهیزات ساخته شده است. با این حال، یکپارچهسازی پلتفرم آنها در محیطهای IT/OT بسیار سفارشی یا قدیمی میتواند گاهی اوقات چالشبرانگیز باشد و نیازمند تلاش قابل توجهی برای هماهنگ کردن منابع داده پراکنده برای عملکرد بهینه است.
C3 AI: هوش مصنوعی سازمانی برای عملیات صنعتی
C3 AI یک پلتفرم جامع هوش مصنوعی سازمانی را ارائه میدهد که طیف گستردهای از کاربردهای صنعتی را پشتیبانی میکند، از جمله نگهداری پیشبینانه، بهینهسازی زنجیره تأمین، و مدیریت انرژی. پلتفرم آنها برای یکپارچهسازی و تجزیه و تحلیل داده در مقیاس بزرگ طراحی شده است، که سازمانها را قادر میسازد تا کاربردهای هوش مصنوعی سفارشی را بسازند و مستقر کنند. برای نگهداری پیشبینانه، C3 AI دادهها را از منابع مختلف در یک کارخانه، از جمله دادههای حسگر، سیستمهای ERP و لاگهای نگهداری، برای ایجاد یک دیدگاه یکپارچه از سلامت دارایی، جذب میکند. این قابلیت تحلیلی عمیق امکان پیشبینی دقیق خرابی تجهیزات را در محیطهای پیچیده کارخانه فراهم میکند.
رویکرد C3 AI امکان توسعه مدلهای قوی را فراهم میکند که مسائلی مانند رانش حرارتی در فرآیندهای تولید حیاتی یا فرسودگی قطعات در ماشینآلات سنگین را پیشبینی میکنند. آنها بر ارائه هوش مصنوعی در مقیاس سازمانی تمرکز دارند و کارخانجات را قادر میسازند تا انواع مختلف خرابی تجهیزات را پیشبینی و از آنها جلوگیری کنند. در حالی که قدرتمند و بسیار قابل تنظیم است، پلتفرم آنها اغلب مستلزم سرمایهگذاری اولیه قابل توجه و نیاز به تخصص قابل توجه داخلی در علم داده برای بهرهبرداری کامل از قابلیتهای گسترده آن است، به این معنی که اغلب برای شرکتهای بسیار بزرگ مناسب است تا عملیاتهای کوچکتر.
Falkonry: هوش مصنوعی عملیاتی برای تجزیه و تحلیل پیشبینانه
Falkonry در هوش مصنوعی عملیاتی تخصص دارد و راهحلهایی را ارائه میدهد که امکان نظارت، پیشبینی و تجویز اقدامات برای عملیات را به تاسیسات صنعتی میدهد. پلتفرم آنها بر تجزیه و تحلیل خودکار تمرکز دارد و استفاده از هوش مصنوعی را برای کارشناسان حوزه بدون نیاز به دانش عمیق علم داده آسانتر میکند. آنها دادههای سری زمانی را از حسگرهای روی تجهیزاتی مانند کمپرسورها و پمپها جذب میکنند، به طور خودکار رفتارهای عملیاتی عادی را یاد میگیرند و سپس ناهنجاریهای ظریفی را که نشاندهنده مسائل قریبالوقوع هستند، شناسایی میکنند. پلتفرم نگهداری پیشبینانه مبتنی بر هوش مصنوعی آنها برای کارخانجات، با ارائه هشدارهای اولیه از انحرافاتی مانند ناهنجاریهای لرزش، به طور قابل توجهی به کاهش خرابیهای ناگهانی کمک میکند.
قوت Falkonry در رابط کاربری دوستانه و تمرکز آن بر ارائه سریع بینشهای عملیاتی است. آنها در تشخیص الگوهای پیچیده در دادههای عملیاتی که مشکلات را قبل از تبدیل شدن به خرابیهای بزرگ نشان میدهند، ماهر هستند و هوش مصنوعی قابلیت اطمینان تولیدی را تقویت میکنند. در حالی که رویکرد خودکار آنها برای بسیاری استقرار را ساده میکند، چالشهای عملیاتی بسیار منحصر به فرد یا بسیار خاص ممکن است همچنان نیازمند سطحی از سفارشیسازی فراتر از قابلیتهای تحلیلی آماده باشند.
Petasense: حسگر بیسیم و IoT صنعتی
Petasense حسگرهای بیسیم و یک پلتفرم اینترنت اشیاء صنعتی (IoT) را به طور خاص برای قابلیت اطمینان دارایی و نگهداری پیشبینانه ارائه میدهد. راهحل آنها بر نظارت بر لرزش و دما تمرکز دارد و بینشهای مداومی را در مورد سلامت ماشینآلات دوار مانند موتورها، فنها و پمپها ارائه میدهد. با استقرار حسگرهای بیسیم با قابلیت نصب آسان، کارخانجات میتوانند به سرعت یک سیستم نظارت فراگیر را ایجاد کنند و دادهها را برای تجزیه و تحلیل مبتنی بر هوش مصنوعی به پلتفرم ابری Petasense ارسال کنند. این رویکرد نگهداری مبتنی بر حسگر امکان نظارت مداوم بر داراییهای حیاتی را فراهم میکند.
پلتفرم Petasense از الگوریتمهای یادگیری ماشین برای تشخیص ناهنجاریها و پیشبینی خرابیهای احتمالی استفاده میکند و هشدارها و تشخیصها را از طریق یک رابط کاربری دوستانه ارائه میدهد. این امر به جلوگیری از مسائلی مانند خرابی بلبرینگها و سایر تخریبهای مکانیکی کمک میکند. مزیت اصلی آنها سهولت استقرار و مقیاسپذیری شبکه حسگر بیسیم آنها است، که آن را برای تاسیساتی که به دنبال ورود مستقیم به نظارت بر وضعیت هستند، قابل دسترس میسازد. با این حال، تمرکز اصلی آنها بر لرزش و دمای بیسیم ممکن است به این معنی باشد که کارخانجاتی که نیاز به طیف وسیعتری از دادههای حسگر یا یکپارچهسازی فرآیند عمیقتر دارند، ممکن است نیاز به ترکیب راهحل آنها با پلتفرمهای دیگر داشته باشند.
Presenso: نرمافزار نگهداری پیشبینانه مبتنی بر هوش مصنوعی
Presenso، که اکنون بخشی از SKF است، نرمافزار نگهداری پیشبینانه مبتنی بر هوش مصنوعی را ارائه میدهد که برای کاهش خرابیهای ناگهانی و بهینهسازی عملکرد دارایی طراحی شده است. پلتفرم آنها به طور خودکار دادههای عملیاتی موجود و خوانش حسگرها را از تجهیزات صنعتی تجزیه و تحلیل میکند، از یادگیری ماشین برای شناسایی الگوهای پنهان و پیشبینی خرابیهای آینده استفاده میکند. این سیستم، طیفی از داراییها مانند ماشینهای CNC و نوار نقالهها را پوشش میدهد و به پیشبینی مشکلاتی مانند تخریب موتور و رانش حرارتی کمک میکند.
Presenso بر استقرار سریع و دستیابی سریع به ارزش تأکید دارد، با استفاده از الگوریتمهای آماده که با محیطهای صنعتی خاص سازگار میشوند. راهحل آنها با هدف قابل دسترس بودن برای تیمهای نگهداری بدون نیاز به تخصص گسترده در علم داده، بینشهای واضح و عملیاتی را ارائه میدهد. در حالی که برای بسیاری از کاربردهای صنعتی استاندارد موثر است، کارخانجاتی با ماشینآلات بسیار منحصر به فرد و سفارشی یا وابستگیهای متغیر فرآیند پیچیده، ممکن است نیاز به توسعه مدلهای سفارشی فراتر از آنچه به راحتی در دسترس است، داشته باشند.
IBM Maximo Predict: مدیریت عملکرد دارایی سازمانی
IBM Maximo Predict یک ماژول در مجموعه برنامههای گستردهتر IBM Maximo است که به طور خاص برای مدیریت عملکرد دارایی سازمانی با قابلیتهای پیشبینانه مبتنی بر هوش مصنوعی طراحی شده است. این سیستم دادهها را از سیستمهای سازمانی مختلف، حسگرهای IoT و سوابق نگهداری تاریخی برای پیشبینی خرابی داراییها، بهینهسازی برنامههای نگهداری و بهبود سلامت دارایی، یکپارچه میکند. Maximo Predict از قابلیتهای هوش مصنوعی و یادگیری ماشین IBM برای پیشبینی مسائلی مانند پیشبینی خرابی تجهیزات، ارائه بینشهایی در مورد عمر باقیمانده مفید و خطرات احتمالی استفاده میکند.
قوت آن در یکپارچگی عمیق با پلتفرم Maximo EAM است، که یک جریان کاری بدون درز از پیشبینی تا تولید سفارش کار را فراهم میکند. این امر آن را به ابزاری قدرتمند برای شرکتهای بزرگی که قبلاً از محصولات IBM استفاده میکنند یا به دنبال یک راهحل جامع EAM هستند، تبدیل میکند. Maximo Predict قادر به مدیریت مجموعههای داده پیچیده برای پیشبینی مشکلاتی مانند ناهنجاریهای لرزش در زیرساختهای حیاتی است. با این حال، برای سازمانهایی که قبلاً در اکوسیستم IBM سرمایهگذاری نکردهاند، استقرار و یکپارچهسازی Maximo Predict میتواند یک تعهد قابل توجه باشد، که شامل ساختار دادههای پیچیده و سفارشیسازی پلتفرم است.
GE Digital SmartSignal: IoT صنعتی با تجزیه و تحلیل پیشرفته
SmartSignal شرکت GE Digital، راهحلهای IoT صنعتی را با تجزیه و تحلیل پیشرفته برای مدیریت عملکرد دارایی و نگهداری پیشبینانه ارائه میدهد. پلتفرم آنها بر تجزیه و تحلیل دادههای عملیاتی از داراییهای صنعتی حیاتی، از جمله توربینها، پمپها و پرسها، برای تشخیص شرایط ظریف "قبل از خرابی" تمرکز دارد. با نظارت بر هزاران نقطه داده از نگهداری مبتنی بر حسگر، SmartSignal انحرافاتی را از رفتار عملیاتی عادی که نشاندهنده مشکلات قریبالوقوعی مانند خرابی بلبرینگها یا تخریب موتور هستند، شناسایی میکند.
تخصص SmartSignal به ویژه در داراییهای پیچیده و با ارزش بالا که در تولید برق، نفت و گاز، و تولیدات سنگین رایج هستند، قوی است. سیستم آنها هشدارهای اولیه را ارائه میدهد و به اپراتورها و تیمهای نگهداری امکان میدهد تا به طور پیشگیرانه مداخله کنند، در نتیجه خرابیهای ناگهانی را به شدت کاهش میدهند. در حالی که برای بهینهسازی عملکرد داراییهای حیاتی و گرانقیمت بسیار موثر است، پیادهسازی SmartSignal میتواند یک تعهد معماری قابل توجه باشد، که شامل یکپارچهسازی عمیق با سیستمهای کنترل موجود و تاریخچهسازهای داده عملیاتی است، که ممکن است فشردهتر از سایر راهحلهای آماده باشد.
آینده قابلیت اطمینان تولیدی
چشمانداز عملیات صنعتی با نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای کارخانجات به طور برگشتناپذیری دگرگون شده است. توانایی پیشبینی خرابی تجهیزات، از تخریب جزئی قطعات تا خرابیهای عمده سیستم، نشاندهنده یک جهش عظیم رو به جلو برای هوش مصنوعی قابلیت اطمینان تولیدی است. این سیستمهای پیشرفته، که توسط نگهداری مبتنی بر حسگر و هوش مصنوعی IoT صنعتی تغذیه میشوند، فقط در مورد جلوگیری از خرابی نیستند؛ آنها در مورد سازماندهی سطحی کاملاً جدید از کارایی عملیاتی هستند. مزایای آن فراتر از کاهش هزینههای نگهداری شامل افزایش ایمنی، بهبود کیفیت محصول و ظرفیت برنامهریزی تولید چالاکتر است.
تکامل مداوم الگوریتمهای یادگیری ماشین، همراه با فناوری حسگر به طور فزاینده پیچیده، دقت بیشتر و کاربرد گستردهتری را در سالهای آینده نوید میدهد. کارخانجات به پذیرش این فناوریها ادامه خواهند داد و آنها را در تار و پود عملیات خود برای حداکثر کردن زمان کاری کارخانه مبتنی بر هوش مصنوعی، ادغام خواهند کرد. این تغییر فقط در مورد پذیرش فناوری نیست، بلکه در مورد تغییری اساسی در نحوه درک نگهداری است—از یک مرکز هزینه به یک محرک استراتژیک برای مزیت رقابتی.
تمرکز همچنان بر جلوگیری از خرابی برنامهریزی نشده خواهد بود، که اطمینان حاصل میکند تجهیزات حیاتی مانند ماشینهای CNC، نوار نقالهها، کمپرسورها، پمپها و پرسها به عملکرد بهینه، مداوم و بدون وقفه خود ادامه میدهند و دوران جدیدی از بهرهوری و انعطافپذیری صنعتی را پرورش میدهند.
حساب و کتاب هزینه: نگهداری واکنشی در مقابل پیشبینانه
درک تاثیر مالی تغییر از نگهداری واکنشی به پیشبینانه در یک خط CNC واحد طی یک دوره 12 ماهه، یک استدلال اقتصادی قانعکننده را آشکار میسازد. نگهداری واکنشی معمولاً شامل تعمیرات اضطراری گرانقیمت، خرابی برنامهریزی نشده و احتمالاً مواد ضایعاتی به دلیل خرابی ناگهانی تجهیزات است. این هزینهها به سرعت انباشته میشوند و شامل هزینههای فراخوان تکنسین، ارسال سریع قطعات، درآمد تولید از دست رفته و حتی جریمه برای عدم رعایت مهلتهای تحویل میشوند. تخمین این هزینههای واکنشی برای یک ماشین CNC حیاتی واحد میتواند به راحتی به دهها هزار دلار سالانه برسد، اغلب بسیار بالاتر بسته به پیچیدگی ماشین و تاثیر خرابی آن بر زنجیره تولید.
در مقابل، استقرار یک راهحل هوش مصنوعی پیشبینانه برای همان خط CNC شامل سرمایهگذاری اولیه در حسگرها، اشتراک پلتفرم هوش مصنوعی و خدمات یکپارچهسازی است. در حالی که این هزینه اولیه وجود دارد، با صرفهجویی قابل توجهی در بلندمدت جبران میشود. هوش مصنوعی به طور مداوم سلامت ماشین را نظارت میکند و مسائل احتمالی را قبل از تبدیل شدن به خرابی، شناسایی میکند. این امر امکان نگهداری برنامهریزی شده را در ساعات غیر اوج مصرف، با استفاده از تحویل استاندارد برای قطعات و جلوگیری از مداخلات اضطراری پرهزینه، فراهم میکند. هزینه یک راهحل پیشبینانه ممکن است در چند خرابی بزرگ اجتناب شده اولیه جذب شود، که بازگشت سرمایه سریع را نشان میدهد.
سناریویی را در نظر بگیرید که در آن خرابیهای واکنشی در یک ماشین CNC واحد به طور متوسط 5000 دلار در هر حادثه، سه بار در سال رخ میدهد، به علاوه 1000 دلار در ماه زیانهای پنهان کارایی به دلیل عملکرد بهینه نشده ماشین. این مجموعاً 27000 دلار هزینههای تهاجمی سالانه میشود. یک راهحل هوش مصنوعی پیشبینانه، با هزینه 15000 دلار برای پیادهسازی و 500 دلار در ماه برای هزینههای اشتراک (مجموعاً 21000 دلار برای سال اول)، میتواند به طور واقعبینانه این حوادث را به یک رویداد نگهداری برنامهریزی شده جزئی با هزینه 1000 دلار کاهش دهد و کارایی کلی را به طور قابل توجهی بهبود بخشد. مقایسه سال اول، حتی با سرمایهگذاری اولیه، مسیر روشنی به سمت صرفهجویی را نشان میدهد، که در سالهای بعدی با جذب هزینه اولیه راهاندازی، حتی بیشتر مشخص میشود.
فراتر از هزینههای مستقیم تعمیر، نگهداری پیشبینانه همچنین با اطمینان از عملکرد ماشینآلات در پارامترهای بهینه، به بهبود کیفیت محصول کمک میکند، نرخ ضایعات و بازکاری را کاهش میدهد. همچنین با جلوگیری از خرابیهای فاجعهبار که نیاز به بازسازیهای پرهزینه یا جایگزینیهای زودهنگام دارند، طول عمر داراییهای ارزشمند را افزایش میدهد. این مزیت مالی جامع به مراتب از هزینههای به ظاهر کمتر، اما اغلب غیرقابل پیشبینی، مرتبط با استراتژی نگهداری صرفاً واکنشی فراتر میرود.
مقیاسپذیری نگهداری پیشبینانه فراتر از پایلوت
بسیاری از آزمایشات نگهداری پیشبینانه، با وجود نتایج امیدوارکننده روی یک ماشین یا گروه کوچک دارایی، برای گذار به استقرارهای در سطح کارخانه با چالش مواجه میشوند. یک خطای رایج، عدم تعریف معیارهای موفقیت روشن و قابل اندازهگیری برای آزمایش است که مستقیماً با اهداف عملیاتی گستردهتر مرتبط باشند. بدون اثبات بازده سرمایه گذاری (ROI) ملموس از نظر کاهش خرابی، افزایش توان عملیاتی یا صرفهجویی در هزینهها که با مدیریت ارشد همخوانی داشته باشند، آزمایش اغلب به عنوان یک آزمایش فناوری孤立 باقی میماند و نه یک ابتکار تجاری استراتژیک. عدم مشارکت تیمهای چندوظیفهای، از جمله نگهداری، فناوری اطلاعات و تولید، در فاز آزمایش نیز ارزش درک شده آن را محدود میکند و مقیاسپذیری را دشوار میسازد.
برای مقیاسبندی موفق از یک پایلوت تک ماشین به پوشش در سطح کارخانه، سازمانها باید رویکردی فازی و استراتژیک را اتخاذ کنند. پایلوت باید نه تنها برای اثبات امکانسنجی فنی، بلکه برای ساختن قهرمانان داخلی و اصلاح جریانهای کاری طراحی شود. این شامل مستندسازی درسهای آموخته شده، شناسایی چالشهای یکپارچهسازی با سیستمهای سازمانی موجود (مانند CMMS یا ERP)، و ایجاد یک استراتژی ارتباطی روشن برای نمایش موفقیتهای پایلوت به همه ذینفعان است. مهمتر از همه، پایلوت باید مقیاسپذیری زیرساخت داده و قابلیتهای تحلیلی را نیز نشان دهد.
یکی از عوامل کلیدی در مقیاسپذیری موفق، توسعه یک معماری نگهداری پیشبینانه مدولار و سازگار است. این بدان معناست که پلتفرمهایی انتخاب شوند که بتوانند به راحتی انواع ماشینهای جدید و منابع داده را بدون مهندسی مجدد گسترده یکپارچه کنند. شرکتهایی مانند زیمنس، از طریق پلتفرم Mindsphere خود، و Rockwell Automation، با ارائه FactoryTalk خود، راهحلهای اینترنت اشیا صنعتی و تحلیلی قابل مقیاسپذیری را ارائه میدهند که برای استقرار در سطح کارخانه طراحی شدهاند. تمرکز بر رویکرد "قالب" برای ادغام ماشینآلات مشابه، به جای یکپارچهسازی سفارشی برای هر دارایی، فرآیند گسترش را به طور قابل توجهی تسریع میکند و هزینههای استقرار هر دارایی را کاهش میدهد.
علاوه بر این، پرورش فرهنگ تصمیمگیری مبتنی بر داده در سراسر سازمان از اهمیت بالایی برخوردار است. آموزش تیمهای نگهداری نه تنها در مورد نحوه استفاده از ابزارهای پیشبینانه، بلکه در مورد نحوه تفسیر بینشها و تبدیل آنها به وظایف عملی، بسیار مهم است. ایجاد مدلهای حکومتی روشن برای جمعآوری، تجزیه و تحلیل و اقدام دادهها، انسجام را تضمین میکند و حداکثر ارزش را از برنامه نگهداری پیشبینانه گسترش یافته به دست میآورد. این رویکرد سیستماتیک، به جای گسترش موردی، چیزی است که کارخانهها را قادر میسازد تا از موفقیتهای جداگانه به تحول کلی عملیاتی دست یابند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را از طریق سه ستون یکپارچه: زیرساخت عاملمحور، ریلهای پرداخت غیرسنتی، و یک موتور کامل سرمایهگذاری، در کسبوکارها مستقر میکند. با 27 سال سابقه در پرداختها و نرمافزار، TFSF به صورت جهانی فعالیت میکند و با روش استقرار 30 روزه خود به 21 صنعت مختلف خدمات میدهد. اطلاعات بیشتر را در https://tfsfventures.com بیابید.
ارزیابی را انجام دهید
ارزیابی رایگان هوش عملیاتی را انجام دهید - 19 سوال، حدود 8 دقیقه، بدون هیچ تعهدی. در عرض 48 ساعت یک طرح اولیه استقرار سفارشی شامل توصیههای عامل، معماری، و پیشبینی ROI دریافت کنید. شروع کنید در https://tfsfventures.com/assessment
منبع اصلی: https://tfsfventures.com/blog/factories-using-ai-predictive-maintenance-prevent-unplanned-downtime
نوشته شده توسط گروه تحقیقاتی TFSF Ventures