Предиктивное обслуживание холодильных компрессоров и камер охлаждения сократило время простоя на 20% у завода по производству мясной продукции в Санкт‑Петербурге.
Крупный мясоперерабатывающий завод в Санкт-Петербурге, работающий в режиме 24/7, столкнулся с проблемой внезапных остановок холодильного оборудования. Для минимизации рисков порчи продукции и финансовых потерь была внедрена система предиктивной аналитики в основном цехе хранения и охлаждения. Система интегрирована с существующей 1С:ERP и MES-системой собственной разработки. В результате за первые 6 месяцев эксплуатации удалось сократить незапланированные простои оборудования на 20% и снизить затраты на аварийные ремонты на 15%.
Основной проблемой были внезапные поломки винтовых компрессоров и систем охлаждения. Каждая такая остановка приводила к риску порчи сырья и готовой продукции на сумму до 5 млн. рублей, а также к дорогостоящим аварийным ремонтам в ночное время и выходные. Существующая система планово-предупредительных ремонтов (ППР) была неэффективна, так как не учитывала реальное состояние оборудования.
Цель проекта была перейти от реактивного и планового обслуживания к обслуживанию "по состоянию", прогнозируя отказы ключевых узлов за 2-3 недели до их возникновения.
В течение 6 месяцев до старта проекта велся учет всех инцидентов. В среднем, незапланированные простои холодильного оборудования составляли 48 часов в месяц, а прямые затраты на аварийные ремонты (запчасти + сверхурочная работа) достигали 1.2 млн. рублей в квартал.
Источники данных - это данные с новых IoT-датчиков, установленных на компрессоры (виброактивность, температура подшипников, давление на входе и выходе, потребляемая мощность), исторические данные из SCADA-системы (температурные режимы в камерах), а также журналы ремонтов и обслуживания из MES-системы (текстовые описания поломок, замененные детали).
Исторические данные о ремонтах были неструктурированы и содержали неполные описания. Данные с датчиков на начальном этапе были шумными из-за особенностей работы оборудования.
- Система в реальном времени собирает показания с 200+ датчиков.
- Разработана ML-модель на базе градиентного бустинга, которая анализирует временные ряды и выявляет аномалии, указывающие на деградацию оборудования (износ подшипников, утечки, падение производительности).
- Создан дашборд, который визуализирует "здоровье" каждого агрегата в виде понятных шкал. При прогнозировании поломки система автоматически отправляет уведомление начальнику ремцеха и инженерам с указанием проблемного узла и предполагаемого окна для ремонта.
Решение представляет собой отдельный программно-аппаратный комплекс. Он получает данные из MES и SCADA по API, но не вмешивается в их работу. Это система поддержки принятия решений для службы главного инженера.
Проект был реализован за 6 месяцев.
- Сокращение времени простоя на 20%: За 6 месяцев после внедрения общее время незапланированных простоев составило в среднем 38.4 часа в месяц (вместо 48 часов).
- Снижение затрат на аварийные ремонты на 15%: За счет своевременной закупки запчастей по плановым ценам и выполнения работ в рабочее время.
- Предотвращение 4 крупных отказов: Система спрогнозировала критический износ подшипников на двух компрессорах и нарушение герметичности на двух других, что позволило провести ремонт до отказа. По оценке, это сохранило продукцию на сумму около 10 млн. рублей.
- Методика расчета: Сравнивались показатели "среднее время простоя в месяц" и "стоимость аварийных ремонтов за квартал" за 6 месяцев до и 6 месяцев после внедрения системы.
Во-первых, было явное недоверие персонала к новой системе ("машина не может знать лучше инженера"). Поэтому ключевые инженеры были вовлечены в проект с самого начала. Система позиционировалась как "помощник", а не "замена". Было проведено несколько сессий обучения.
Во-вторых, на начальном этапе были ложные срабатывания модели. Однако был введен период пилотной эксплуатации, во время которого все алерты перепроверялись вручную. Это позволило дообучить и откалибровать модель, снизив количество ложных срабатываний до приемлемого уровня (<5%).
Мы перешли от режима пожарной команды к проактивному управлению. Раньше мы узнавали о проблеме, когда в цеху становилось тепло. Теперь система предупреждает нас за 2-3 недели, давая время спокойно заказать детали и спланировать ремонт на удобное время. Это полностью изменило наш подход к надежности.
Вместо экстренных вызовов по ночам, механик теперь получает на почту уведомление: "Агрегат №12: прогнозируемый износ муфты через 15-20 дней". Он вносит замену в план работ на следующей неделе. Начальник ремцеха теперь начинает планерку с обзора дашборда оборудования, а не с отчета о ночных происшествиях. Приоритеты по обслуживанию расставляются на основе данных, а не интуиции.
Дальнейшие планы клиента по сотрудничеству с нашей компанией
Клиент планирует тиражировать решение на другие критически важные участки: системы вентиляции, упаковочные линии.