Презентация_Предиктивный_мониторинг

1.

Управление эффективностью
станочного оборудования на
основе предиктивного
• Авторы: А.В.мониторинга
Богданов, Ю.А. Старостин
• АО «Желдорреммаш»

2.

Проблема проекта
• • До 40% простоев станков происходят
внезапно
• • OEE не превышает 60%
• • Потери выпуска: 1350 БЗК, 186,5 млн руб.
• • Границы проекта: линия изготовления
больших зубчатых колес

3.

Актуальность проекта
• Заказчик: руководство АО
«Желдорреммаш» и заводов холдинга.
• Цель: переход к обслуживанию по
фактическому состоянию оборудования.

4.

Ценность для бизнеса
• Рост КТГ и OEE, снижение затрат на ремонт,
выполнение производственной программы.
• Риск бездействия: рост простоев и потери
выручки.

5.

Обзор существующих решений
• 1. Усиление ППР
• 2. Аутсорсинг ТОиР
• 3. Предиктивный мониторинг (выбранное
решение)

6.

Исследование текущего
состояния
• ТКС: 745,3 ч простоя
• ЗФЦ: 1482 ч
• ЗШС: 1232 ч
• Основная причина: отсутствие данных о
состоянии узлов.

7.

Сравнение альтернатив
• ППР — низкая эффективность
• Аутсорсинг — зависимость от подрядчиков
• Предиктивный мониторинг — лучший
баланс эффекта и рисков

8.

Архитектура решения
• Датчики вибрации, температуры и тока →
IoT-шлюз → LoRaWAN → Edge-сервер → MLмодель

9.

Предиктивная аналитика
• Сбор данных, FFT-анализ, Feature
Engineering, обучение модели Random
Forest/NN.

10.

Организационная модель
• Команда инженеров по надежности:
• Архитектор, Исследователь, Реализатор,
Аналитик, Интегратор

11.

Финансы проекта
• CAPEX: датчики, шлюзы, серверы, ПО.
• Экономический эффект: снижение потерь и
затрат на ремонт.

12.

Риски проекта
• Сопротивление персонала
• Нехватка данных
• Ошибки выбора пилотного оборудования
• Задержки поставок

13.

Дорожная карта
• 15 месяцев:
• Аудит → Сбор данных → Пилот →
Масштабирование

14.

Выводы
• Создание системы «Предиктивный цех».
• Ожидаемый рост КТГ на 12–20% и
снижение затрат на ЗИП на 18–24%.