Motoryzacja · Doradztwo w zakresie predykcyjnego utrzymania ruchu
Serwis według harmonogramu, awarie bez ostrzeżenia
Producent samochodów tracił czas produkcyjny i pieniądze z powodu nieplanowanych awarii maszyn. Utrzymanie ruchu opierało się na harmonogramie: maszyny serwisowano w stałych odstępach, niezależnie od ich faktycznego stanu, a prawdziwe awarie i tak zatrzymywały linię. W ramach kilkudniowego projektu oceniliśmy infrastrukturę, przeanalizowaliśmy pasujące technologie i opracowaliśmy architekturę rozwiązania do predykcyjnego utrzymania ruchu.
Kluczowe rezultaty
Klient: Producent samochodów (objęty NDA)
Środowisko produkcyjne z maszynami o wysokiej wartości i wysokimi kosztami przestojów. Producent jest objęty NDA, dlatego nie podajemy jego nazwy.
- Branża
- Motoryzacja i produkcja
- Typ projektu
- Doradztwo i projektowanie architektury
- Obszar
- Predykcyjne utrzymanie ruchu
- Technologie
- Big Data i uczenie maszynowe, ocenione pod kątem zastosowania
- Infrastruktura
- Microsoft Azure w modelu hybrydowym z on-premise
- Rezultat
- Architektura rozwiązania i plan wdrożenia
W skrócie
Płacili za serwis, a linia i tak stawała
- Gdy psuje się kluczowa maszyna, staje cała linia, a każda godzina przestoju to utracona produkcja i utracone przychody.
- Utrzymanie ruchu opierało się na harmonogramie, więc firma płaciła za zbędny serwis sprawnych maszyn, a prawdziwe awarie i tak ją zaskakiwały.
- Firma wiedziała, że predykcyjne utrzymanie ruchu to właściwy kierunek. Brakowało jej wiedzy, by ocenić, które technologie pasują do jej infrastruktury, jakich danych będzie potrzebować i jak połączyć to z bieżącą działalnością.
- Projekt odpowiedział na te trzy pytania, a klient otrzymał architekturę i plan wdrożenia podzielony na etapy zamiast ogólnego whitepapera.
Punkt wyjścia
Wyzwanie
Pomóc producentowi samochodów zrozumieć, jak predykcyjne utrzymanie ruchu wyglądałoby w jego konkretnym środowisku produkcyjnym: ocenić infrastrukturę, przeanalizować pasujące technologie i dostarczyć konkretną architekturę gotową do wdrożenia.
W produkcji samochodów nieplanowany przestój to jeden z najdroższych problemów, jakie może mieć linia produkcyjna. Gdy psuje się kluczowa maszyna, staje cała linia, a każda godzina oznacza bezpośrednio utraconą produkcję i przychody.
Producent stosował utrzymanie ruchu według harmonogramu: maszyny serwisowano w stałych odstępach, niezależnie od ich faktycznego stanu. Firma płaciła więc za zbędne przeglądy sprawnych maszyn, a nieoczekiwane awarie i tak się zdarzały.
Firma wiedziała, że predykcyjne utrzymanie ruchu to właściwy kierunek. Nie miała jednak wewnętrznej wiedzy, by ocenić, które technologie pasują do jej konkretnej infrastruktury, jakie dane trzeba zbierać i jak połączyć taki system z tym, co już działa.
Budowa
Co zbudowaliśmy
Projekt przebiegał w formie kilkudniowych warsztatów, które po kolei odpowiadały na trzy pytania: co klient już ma, co do tego pasuje i co trzeba zbudować.
Ocena istniejącej infrastruktury
Punktem wyjścia była infrastruktura, którą klient już ma, czyli Microsoft Azure w modelu hybrydowym z on-premise, bo architektura, która pomija to, co już jest zainstalowane, nigdy nie zostanie wdrożona.
Które technologie naprawdę pasują
Oceniliśmy podejścia z zakresu Big Data i uczenia maszynowego pod kątem konkretnych maszyn i ograniczeń klienta. Właśnie na to pytanie firma nie umiała odpowiedzieć sama: które elementy predykcyjnego utrzymania ruchu sprawdzą się akurat u niej.
Architektura i plan podzielony na etapy
Rezultatem była architektura rozwiązania do predykcyjnego utrzymania ruchu wraz z planem wdrożenia, zaprojektowana pod maszyny, infrastrukturę i ograniczenia operacyjne klienta zamiast pod fabrykę z podręcznika.
Co się zmieniło
Rezultaty
Producent otrzymał jasny plan wdrożenia, gotowy do realizacji: architekturę zaprojektowaną pod jego maszyny, infrastrukturę i ograniczenia operacyjne zamiast ogólnego whitepapera.
Po projekcie firma wiedziała, w które technologie inwestować, jakie dane zacząć zbierać i jak rozłożyć wdrożenie na etapy.
Tak powinno zaczynać się wiele projektów AI w dużych firmach: od ukierunkowanej oceny, która odpowiada na pytanie „co powinniśmy zbudować i dlaczego”, zanim zapadnie decyzja o dużym projekcie wdrożeniowym. Gdy potem ruszają prace wdrożeniowe, dotyczą właściwego problemu i opierają się na właściwym podejściu, a to najtańszy sposób, by uniknąć kosztownego błędu.
Pytania o ten projekt
Pomóc producentowi samochodów zrozumieć, jak predykcyjne utrzymanie ruchu wyglądałoby w jego konkretnym środowisku produkcyjnym: ocenić infrastrukturę, przeanalizować pasujące technologie i dostarczyć konkretną architekturę gotową do wdrożenia.
Warsztaty obejmujące ocenę, analizę technologii i architekturę: Kilka dni. Kompletna architektura rozwiązania do predykcyjnego utrzymania ruchu: Architektura. Plan wdrożenia dopasowany do istniejącej infrastruktury: Plan.
Wykorzystana technologia: Predykcyjne utrzymanie ruchu, Architektura Big Data, Uczenie maszynowe, Ocena infrastruktury, Strategia danych z czujników, Architektura rozwiązania.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
Energetyka i technologie budynkowe · IoT
Dane z czujników, które zbierano i nigdy nie analizowano
Czytaj więcej
Motoryzacja · Planowanie produkcji
Dane planistyczne z SAP BW na pytanie zadane zwykłym językiem
Czytaj więcej
Produkcja i IoT · Predykcyjne utrzymanie ruchu