На крупном промышленном предприятии выход из строя одного узла конвейера означает остановку всей линии. Руководство использовало классический подход (ППР — планово-предупредительный ремонт), обслуживая станки строго по календарю. Однако аварии всё равно случались, так как износ оборудования зависит от реальных нагрузок, а не от дней в календаре.
Исходные данные (Legacy)
- Аварийные остановки линии: в среднем 3 раза в квартал.
- Стоимость 1 часа простоя: 1.5 млн рублей.
- Процесс: механик раз в неделю визуально осматривал узлы и слушал шум подшипников. Данные с PLC-контроллеров (температура, вибрация) нигде не аккумулировались.
Архитектурное решение (System Design)
Мы перевели завод на концепцию Predictive Maintenance (Предиктивное обслуживание), используя методы машинного обучения.
- Data Pipeline. Мы подключились к существующим датчикам станков (IoT) и настроили непрерывную передачу сырых метрик (вибрация, сила тока, температура двигателя) в локальное хранилище данных (Data Lake).
- ML-модель на Python. На исторических данных за 3 года мы обучили нейросеть выявлять паттерны аномалий. За 2 недели до физической поломки подшипника спектр его вибрации микроскопически меняется. Человек этого не слышит, а модель — видит.
- Интеграция с ERP. Как только алгоритм фиксирует аномалию и вероятность поломки превышает 85%, система через RPA-мост автоматически создает заявку в 1С:ТОИР и отправляет пуш-уведомление главному инженеру с указанием точного узла.
Импакт и ROI
Через 4 месяца после деплоя модель зафиксировала критический рост температуры на главном редукторе, который должен был проходить обслуживание только через месяц. Остановку линии спланировали в ночную смену, заменив деталь за 4 часа. Модель предотвратила внезапную остановку конвейера, которая продлилась бы 3 суток из-за ожидания детали со склада (экономия ~40 млн рублей).