Predictive Maintenance and Quality

22-23 października 2013 r.
Hotel Sofitel Grand Sopot
Predictive Maintenance and Quality
Jędrzej Traczykowski, IBM
© 2013 IBM Corporation
1
Konieczność przeciwdziałania awariom
Źródło: http://wyborcza.biz
Źródło: http://www.nto.pl
Źródło: http://wiadomości.onet.pl
Źródło: http://tvn24.pl
Źródło: http://www.money.pl
Czym jest Predictive Maintenance?
Dojrzałość systemów utrzymania
Predictive
Maintenance
Condition-based
Maintenance
Preventative
Maintenance
(zaplanowane cykliczne
prace utrzymaniowe)
Reactive
Maintenance
(naprawa maszyn i
urządzeń w reakcji na
usterki/awarie)
Źródło : Gartner
(prace utrzymaniowe
zlecane na podstawie
obserwacji wybranych
parametrów –
rozpatrywanych
pojedynczo)
(prace utrzymaniowe
zlecane na podstawie
obserwacji wielu
parametrów –
rozpatrywanych
łącznie)
Synergia z systemem monitorowania zasobów
System zarządzania zasobami
Dane historyczne
Monitorowanie działania
Predictive Maintenance
Działanie systemu PMQ
3
2
Analiza przyczyn
Budowa modeli
predykcyjnych
4
Wyświetlanie ostrzeżeń
i rekomendacji
Predictive
Maintenance
and Quality
1
Zbieranie i integracja danych
(strukturalnych
i niestrukturalnych)
5
Lepsze i szybsze decyzje
Praca
urzą
ądzeń
ń
Zarzą
ądzanie
procesem
Asset Maintenance
Zbieranie i integracja danych
Charakterystyka:
Zbieranie, integracja oraz analiza
informacji napływających z wielu źródeł
Podłączenie do czujników PLC,
systemów SCADA, baz danych, logów
utrzymaniowych i innych źródeł Big Data
Bezpośrednia integracja z systemami
zarządzania zasobami (np. Maximo)
Ładowanie danych w czasie
rzeczywistym
Zaawansowane techniki analityczne
Charakterystyka:
Przeprowadzanie analiz statystycznych
Wykrycie wzorców ukrytych w danych
Monitorowanie stanu urządzeń na podstawie
danych pomiarowych, danych z logów, danych
o awariach, danych o pogodzie
Budowa modeli predykcyjnych
Wykrywanie anomalii i zachowań
podejrzanych
Intuicyjny interfejs użytkownika (brak
konieczności kodowania)
Przeliczanie w czasie rzeczywistym
Budowa modeli predykcyjnych
1) Dane historyczne
Modele klasyfikacyjne
1) Cel:
Obliczenie prawdopodobieństwa awarii
maszyny/urządzenia
2) Algorytmy
Regresja Logistyczna
Sztuczne Sieci Neuronowe
Drzewa Decyzyjne
Drzewa decyzyjne – zrozumienie przyczyn usterek
Analiza przeżycia
1) Cel:
Obliczenie czasu bezawaryjnej pracy
maszyn i urządzeń
2) Algorytmy
Regresja Cox’a
Analiza anomalii
1) Cel:
Wyszukanie grup urządzeń cechujących
się nietypowymi zachowaniami
2) Algorytmy
Algorytm K-Średnich
Hierarchiczna Analiza Skupień
Sieci Kohonena
UWAGA! – Dane wejściowe pozbawione
informacji o awariach
Optymalne decyzje
Charakterystyka:
Łącznie wyników modeli predykcyjnych
Łączenie wyników modeli predykcyjnych z
wiedzą ekspercką
Budowa scenariuszy
Przeprowadzanie symulacji
“what-if”
Priorytetyzacja działań na podstawie
wybranego kryterium (maksymalizacja czasu
pracy lub minimalizacja kosztów)
Raportowanie
Charakterystyka:
Jednolita przestrzeń analityczna, Kokpity,
Raporty, Analizy, Zdarzenia, Wskaźniki,
Powiadomienia, Komentarze
Monitorowanie stanu bieżącego
i sprawne identyfikowanie obszarów
wymagających naszej uwagi
Drążenie w dół/górę/bok w celu zmiany
perspektywy przeglądanych informacji
Mechanizmy budowy prezentacji danych i
analiz w trybie ad-hoc
Mechanizmy monitorowania danych w
trybie rzeczywistym
Zintegrowany dostęp do analiz i raportów z
poziomu urządzeń mobilnych
Architektura rozwiązania
Planowanie
-wykorzystanie wyników do planowania
prac utrzymaniowych
IBM Maximo
Analiza
Asocjacji
Anomalie
Klasyfikacja
Prognozowanie
Dane finansowe
Modelowanie predykcyjne
- prawdopodobień
ństwo
i czas awarii
Dane z czujników
Dane o awariach
Dane
Predictive
Maintenance
Optymalizacja
-regułły optymalizacji
decyzji
Regułły biznesowe
-wykorzystanie wiedzy
eksperckiej
Dane o warunkach
atmosferycznych
Automatyzacja procesu
Dane o pracach
utrzymaniowych
-automatyczne uruchamianie
modeli predykcyjnych i
przekazanie wyników
ie
en
oż
dr
W
Obliczenie
i zapis scoringów
Dane o wydajnośści
ja
grac
Inte
Scoring w czasie
rzeczywistym
Działłanie
-przeprowadzanie
prac utrzymaniowych
Zlecenie pracy
Referencje
BMW
Israel Electric
DC Water
• Cel: Poprawa jakości
wyprodukowanych pojazdów
• Cel: Przewidywanie awarii sieci
przesyłowej
• Cel: Przewidywanie awarii sieci
wodociągowej
• Rozwią
ązanie: Modele
predykcyjne działające w czasie
rzeczywistym
• Rozwią
ązanie: Modele
predykcyjne przewidujące czas i
miejsce awarii
• Wyniki: Redukcja połączeń od
niezadowolonych klientów o
36%
• Wyniki: Redukcja defektów przy
produkcji cylindrów o 50% w 16
tygodni
• Wyniki: Redukcja kosztów
związanych z niespodziewanymi
awariami o 20%.
16
Wybrane cechy rozwiązania PMQ
Integracja z Maximo
Otwarta
architektura
Monitoring w czasie
rzeczywistym
System Raportowy
Zaawansowane modele
predykcyjne
Szybkie wdrożenie
i zwrot z inwestycji
Szybkie i trafne
podejmowanie
decyzji
Korzyści płynące z rozwiązania PMQ
Zmniejszenie liczby awarii i przestojów
Zrozumienie przyczyn usterek
Redukcja kosztów związanych z awariami
Obniżenie kosztów napraw
Wydłużenie cyklu życia poszczególnych aktywów
Wyższa jakość produktów
Zwiększona satysfakcja klientów
Zmniejszenie negatywnego wpływu na środowisko
W razie pytań, proszę o kontakt:
Jędrzej Traczykowski
Client Technical Professional
Advanced Analytics (SPSS)
Czech, Hungary, Poland, Slovakia & Baltics
Mobile: +48 723-70-3167 | Phone: +48 22-366-3167
E-mail: [email protected]
IBM Polska Sp. z o.o., ul. 1 Sierpnia 8 skr. poczt. 12, 02-134 Warszawa
NIP: 526-030-07-24, XIII Wydział Gospodarczy KRS, KRS 0000012941,
Kapitał Zakładowy: 38.953.600 PLN