Olie og gas, Fremstilling
Europa
Kunden er en mellemstor industriel producent, der er kendt for at fremstille højpræcisionsprodukter, som kræver pålidelig, kontinuerlig drift. Deres produktion afhænger af sjældent, værdifuldt pumpeudstyr, der spiller en afgørende rolle i at sikre produktkvalitet og konsekvent output.
Den eksisterende vedligeholdelsesproces led under tre kritiske problemer:
Selvom pumperne var udstyret med sensorer, der målte temperatur, spænding, tryk og driftstimer, manglede virksomheden strukturerede data om historiske fejl, reparationer og grundårsager. Dette gjorde det vanskeligt at implementere traditionelle metoder til forudsigende vedligeholdelse.
Pumperne bestod af flere indbyrdes afhængige delsystemer — lejer, motorkomponenter, isolationssystemer. En fejl i ethvert delsystem kunne udløse en fuldstændig nedlukning af pumpen og produktionstab.
Disse pumper er ekstremt bekostelige at reparere og vanskelige at udskifte på grund af lange produktionsleveringstider. Selv en enkelt fejl under produktionen kan kompromittere et helt parti under QA, hvilket resulterer i store økonomiske tab og driftsmæssige forsinkelser.
Kunden havde brug for en løsning, der kunne udnytte eksisterende IoT-sensordata, fungere pålideligt på trods af begrænsede vedligeholdelseslogfiler og levere forudsigelser med høj sikkerhed forud for planlagte vedligeholdelsescyklusser.
Vores team udviklede en AI-drevet ramme for forudsigende vedligeholdelse ved hjælp af tilgængelige sensordata, avancerede statistiske teknikker og iterativ forfining af ML-modeller. Projektomfanget omfattede fire hovedkomponenter:
Vi indsamlede og normaliserede tidsseriedata fra flere pumpesensorer:
Teamet rensede, synkroniserede og berigede datasættet for at kompensere for manglende vedligeholdelsesregistreringer og inkonsistente indtastninger. Yderligere afledte egenskaber blev introduceret for at repræsentere slidmønstre, nedbrydningshastigheder og delsystemafvigelser.
Vi analyserede sensoraflæsninger for at forstå, hvordan pumperne opførte sig over tid, og hvilke tidlige advarselstegn der gik forud for fejl. Teamet identificerede nøglemønstre og rensede inkonsistenser.
Dette gjorde det muligt for os at omdanne rå IoT-logfiler til et struktureret datasæt, der er egnet til at bygge forudsigende modeller på trods af ufuldstændige historiske etiketter.
Vi testede flere AI-tilgange for at finde den, der pålideligt kunne forudsige pumpefejl baseret på sensordata. Efter at have sammenlignet forskellige modeller valgte vi den metode, der gav de mest nøjagtige og stabile resultater.
For at validere modellen i reelle driftsmiljøer kørte vi et parallelt beslutningssystem:
Efter flere vedligeholdelsescyklusser udskiftede virksomheden nogle få komponenter strengt efter algoritmens anbefaling. Efterfølgende demontering viste, at disse dele faktisk var tæt på fejlpunktet — hvilket bekræftede modellens nøjagtighed og pålidelighed.
Løsningen til forudsigende vedligeholdelse leverede betydelige driftsmæssige og finansielle forbedringer:
Send et oplæg, en specifikation eller tre sætninger om, hvor systemet er gået i stå. Én samtale er som regel nok til at afgøre, om vi passer til jer.
Skræddersyet software, AI og ML, data og analyse, cloud og sikkerhed — fra tidlig afklaring til langsigtet levering.
Dit privatliv er vigtigt. Vi bruger cookies til at forbedre din oplevelse og tilpasse indhold.
