مطالعه موردی: کاهش زمان از طریق پیشرفته شردول در تولید نساجی

گزارش تحقیقاتی صنعت (FLT:0) در تولید هوشمند [FLT 1] به تیم کمک کرد تا سرمایه گذاری را توجیه کند و نشان دهد که پیاده سازی های مشابه باعث کاهش خرابی های غیر قابل پیش بینی تا 40 درصد می شود.

پیاده سازی جاده

این روند به دنبال یک رویکرد مرحله ای برای به حداقل رساندن اختلال است:

مرحله 1: نصب سنسور و جمع آوری داده ها

بیش از سه ماه، تولید کننده سنسورهای ارتعاش، کاوشگرهای دما و مانیتورهای انرژی را بر روی 80 درصد از دستگاه های حیاتی نصب کرد. سنسورها هر پنج ثانیه به پلت فرم ابر داده ها را تغذیه کردند.این مرحله همچنین شامل اپراتورهای آموزشی برای پرچم صداهای غیر معمول یا ارتعاشات، ایجاد یک داده هیبریدی از ماشین آلات و مشاهدات انسانی بود.

مرحله دوم: آموزش مدل و کالیبراسیون

مهندسان یادگیری ماشین با تیم های تعمیر و نگهداری کار کردند تا رویدادهای شکست تاریخی را برچسب بزنند. الگوریتم الگوهایی مانند لرزش را قبل از شکست، افزایش دما نشان دهنده اضافه شدن موتور و کاهش استفاده از انرژی سیگنال کمربند سیگنال دهی را پیش بینی می کند.

مرحله 3: ادغام با برنامه ریزی ERP و تولید

موتور برنامه ریزی متصل به SAP Business One، کشیدن سفارش تاریخ، اولویت های مشتری و دسترسی به مواد خام، همچنین پنجره های تعمیر و نگهداری پیش بینی شده و توالی های تولید بهینه شده را فشار داد. سیستم از یک الگوریتم مبتنی بر محدودیت استفاده کرد.[۱۰]FLT ۱.۱ که اهداف چندگانه را متعادل می کند: حداکثر استفاده از طریقput، زمان تغییر و الزامات نگهداری.

مرحله 4: مدیریت تغییر و آموزش

شاید چالش برانگیزترین گام تغییر فرهنگ از واکنش به فعال سازی بود. Shift منجر به کارگاه هایی در تفسیر داشبورد و پیشنهادات سیستم بیش از حد در صورت لزوم شد. کارکنان تعمیر و نگهداری یاد گرفتند به هشدارهای پیش بینی اعتماد کنند، حتی زمانی که یک ماشین به طور معمول اجرا می شد. این شرکت همچنین یک جایزه عملکردی را که به بهبود OEE گره خورده بود معرفی کرد و مشوق های هماهنگ کننده را نیز معرفی کرد.

نتایج تحول

در عرض شش ماه پس از استقرار کامل، تولید کننده نتایج کمی زیر را گزارش کرد:

علاوه بر اعداد، این شرکت سطح جدیدی از چابکی عملیاتی را به دست آورد، به عنوان مثال، زمانی که یک افزایش ناگهانی قدرت تهدید به آسیب رساندن به چندین looms، سیستم به طور خودکار برنامه را محاسبه کرد، دستور کار را برای دستگاه های تحت تاثیر مجدد و هشدار به بازرسی تجهیزات آسیب دیده قبل از شروع آن، مجدداً مجدداً اصلاح کرد.

گزارش از IndustryWeek مقاله در مورد نگهداری پیش بینی شده یادداشت می کند که رویکردهای مشابه می تواند خرابی را 30٪ یا بیشتر، سازگار با تجربه این تولید کننده کاهش دهد.

درس های کلیدی یاد گرفته شده

این تحول بینش هایی را به دست آورد که سایر تولیدکنندگان می توانند اعمال کنند:

شروع کوچک، سپس مقیاس

رول اولیه تنها یک گیاه را پوشش داد، هنگامی که سیستم ارزش خود را ثابت کرد - به ویژه هشدارهای پیش بینی شده - دو گیاه دیگر درخواست استقرار فوری را داشتند.این رویکرد مرحله ای به تیم اجازه داد تا الگوریتم ها و مواد آموزشی را قبل از گسترش، اصلاح کند.

کیفیت داده ها بیش از حد اهمیت دارد

برخی از سنسورها داده های پر سر و صدا را تولید کردند که مدل ها را گیج کردند.تیم یاد گرفتند داده های تاریخی را به طور کامل تمیز و برچسب بزنند و همچنین کشف کردند که 20 درصد از سنسورها (در سخت ترین ماشین های پیشرفته) 80 درصد از ارزش پیش بینی را تولید کردند که بر روی این دستگاه ها تمرکز می کنند.

قدرت تیم های طبقه

هنگامی که اپراتورهای و کارکنان تعمیر و نگهداری می توانند داشبورد مشابهی را ببینند، شروع به همکاری به طور طبیعی کردند. اپراتورهای به تعمیر و نگهداری هشدار می دهند، زمانی که الگوی ارتعاش ماشین غیر طبیعی به نظر می رسید، حتی قبل از اینکه الگوریتم آن را به عنوان یک ابزار مشترک تبدیل کند به جای اعمال مدیریت.

برنامه ریزی برای استثنا

هیچ الگوریتمی نمی تواند هر مورد لبه را اداره کند. سازنده یک گزینه ی پس انداز برای سفارشات اضطراری یا شکست های فاجعه بار را نگه داشته است. کلید اطمینان حاصل کرد که این پست به طور پیش فرض تبدیل نشده است.

آینده چشم انداز آینده

با موفقیت، تولید کننده در حال حاضر در حال بررسی موارد استفاده اضافی است.یک ابتکار عمل ] پیش بینی کیفیت - با استفاده از داده های سنسور برای پیش بینی نقص های پارچه قبل از وقوع آنها، اجازه می دهد تنظیمات زمان واقعی به تنش یا دما دیگر است انرژی بهینه سازی [F3 ] [F3، زمان بندی فرایندهای انرژی بالا در طول دوره های تعرفه های ضعیف.

پلت فرم برنامه ریزی پیشرفته همچنین درب را برای ساخت (FLT:0) نورها و تولید در یک کارخانه باز کرد، جایی که شیفتهای شبانه در حال حاضر با نظارت حداقل انسان اجرا می شوند، ماشین های روباتیک را برای پردازش مواد ارسال می کند و به اپراتورهای دور هشدار می دهد که تنها زمانی که یک مشکل بوجود می آید، کاهش 15٪ بیشتر در هزینه های کار بدون تاثیر از طریق قطع.

مقاله ای در مورد در تولید نساجی [FLT 1] نشان می دهد که چگونه این نوع ادغام برای رهبران صنعت استاندارد شده است.

مطالعه بیشتر در مورد ] مطالعات موردی پیش بینی در صنعت نساجی [FLT 1 ] نمونه های اضافی از ROI مشابه را فراهم می کند.