Kontext klienta
Klient působí v oblasti energetické výroby. Kvůli dohodě o mlčenlivosti nelze sdílet další podrobnosti o konkrétní společnosti.
Výzva
Zařízení používaná při výrobě energie jsou i přes pravidelnou údržbu náchylná k nečekaným poruchám a výpadkům. Pokud zařízení selže bez varování, nelze splnit měsíční výrobní cíle, což vede k provozním komplikacím a finančním ztrátám.
Ve většině případů nebývá příčinou selhání celý stroj, ale jen jedna vadná součástka. Přesto právě tato část vyřadí celé zařízení z provozu až do dokončení opravy a obnovení běžného režimu.
Naše řešení
Abychom tyto výzvy vyřešili a zároveň zajistili bezpečnost, vytvořili jsme on-prem řešení využívající SQL, Python, machine learning a IoT. Telemetrie průběžně sbírá data o zařízení, která jsou přes mobilní síť přenášena do systému SCADA.
Řešení stojí na dvou klíčových částech:
Detekce anomálií
Každé zařízení funguje v předem definovaném běžném provozním režimu s očekávanými hodnotami, jako je napětí, odpor nebo výkon. Systém dokáže odhalit odchylky jako včasné varování před možným problémem a zároveň rozlišit mezi skutečnou poruchou a vnějšími vlivy, například výpadkem proudu, aby omezil falešné poplachy.
Predikce poruch
Anomálie se dále vyhodnocují s cílem předpovědět možné poruchy až 4 týdny dopředu, pokud by neproběhl preventivní zásah. Model strojového učení odhaduje pravděpodobnost konkrétních poruch zařízení a zpracovává data ze SCADA téměř v reálném čase. Řešení tak umožňuje plánovat obnovu předem, minimalizovat odstávky a vyhnout se dalším nákladům.
Hlavní přínosy
Úspora nákladů
Díky tomu, že se podařilo předejít poruchám, nedosaženým výrobním cílům a zbytečným nákladům na nákup, dosáhla odhadovaná úspora 300 000 EUR při jednom výpadku. Retrospektivní analýza navíc odhalila dalších 250 000 EUR úspor díky dříve nezachyceným anomáliím.
Lepší provozní přehled
Lepší porozumění běžným provozním parametrům vedlo k úpravám, které výrazně zvýšily výkon a spolehlivost zařízení. Díky lepšímu přehledu bylo možné přijímat preventivní opatření a zajistit plynulejší provoz.
Efektivnější plánování výroby
Predikce poruch umožnila přesněji plánovat výrobu, omezit narušení provozu a lépe řídit situace se sníženou výrobou. Tento přístup vedl k plynulejšímu workflow a lepšímu využití zdrojů.
Výsledek spolupráce
Prediktivní údržba
On-prem řešení využívající IoT, machine learning a SCADA předpovídá poruchy až 4 týdny dopředu a pomáhá minimalizovat odstávky i narušení provozu.
Úspora nákladů
Úspora 300 000 EUR při jednom výpadku a dalších 250 000 EUR díky detekci a analýze anomálií.
Provozní zlepšení
Vyšší výkon zařízení, větší spolehlivost a lepší plánování výroby díky lepšímu přehledu a včasné reakci.
