Интернет вещей (IoT), LoRaWAN, Индустрия 4.0, Системы поддержки принятия решений, Big Data и Data Science, предиктивная аналитика и машинное обучение (Machine Learning).

Это был действительно очень необычный проект! 😎
#топпроектов

#3 - Мониторинг станков на Улан-Удэнском локомотивовагоноремонтном заводе

Такие проекты редко рождаются с утвержденным техническим заданием, определенным стеком технологий и понятным способом реализации 😄

Сначала появилась задача от заказчика с абсолютно насущной потребностью - предупреждение внезапной поломки станка на производстве. В противном случае - простой производственного процесса, который вел к абсолютно реальным финансовым потерям. Суммы потерь могли доходить до цифр с 5 нулями. В день.

Основная часть станков была глубоко советского периода. Только представьте огромные чугунные станины по 3 метра высотой. Станки хоть и были дооснащены ЧПУ-комплектами, никакого мониторинга своего состояния не давали. Боль понятна, а решения готового нет.

Проходит несколько месяцев, и на одной из конференций знакомлюсь с классными питерскими ребятами из компании Luxms BI, которые занимаются визуализацией данных и созданием дэшбордов. Делюсь между делом задачей, загораются глаза, и начинаем раскручивать решение.

Через несколько месяцев на другой конференции знакомлюсь с российской компанией Тингеникс, производителем различных датчиков, сенсоров и блоков агрегации и передачи “сырой” информации от IoT устройств по беспроводным технологиям LoRaWAN (Long Range WAN)!!! Это была находка! Только представьте себе огромный цех-ангар с полсотней станков, и вы поймёте, что прокладка кабелей связи до них это просто монументальная задача. Стек технологий начал вырисовываться.

А дальше была серия интервью с производственниками для выявления ключевых станков и их узлов, причин основных поломок и способов их мониторинга и обнаружения.

В итоге основными параметрами для мониторинга стали: потребление электроэнергии, температура масла и уровень вибрации в ключевых узлах системы.

И если для статистики работы станков нам понадобилось сопоставить измерения энергопотребления и уровня вибрации с реальными периодами работы станков - соответствующие паттерны зафиксировали достаточно быстро.
То для анализа и прогнозирования неисправностей никакой методологической базы конечно же не было, и никто не мог бы явно сказать при каких уровнях вибрации, например, над обратить внимание на станок и провести ТО.

Здесь мы обратились к методам Data Science на большом массиве накопленных “сырых” данных (Big Data). Когда происходит сопоставление по времени реальных поломок и всех собранных измерений со всех датчиков. Здесь можно найти явные и скрытые закономерности, и выявить ранние признаки зарождения проблемы.

На этих вводных и было согласовано решение о проведении пилота на небольшом количестве станков.

Закупили датчики, агрегирующие контроллеры для передачи по сети LoRaWAN, привезли соответствующую базовую станцию для приема сигнала и трансляции данных в облачное хранилище. Коллеги из Luxms подготовили весь необходимый движок по обработке данных согласно нашей модели и соответствующие дэшборды с желаемыми срезами информации.

Особо отмечу наших монтажников, которым надо было придумать каким образом зафиксировать необходимые датчики на корпусе станка, включая врезку в маслопровод, не нарушая конструкцию станка. Такому в академиях не учат, а задание я мог дать только на уровне: “Мужики, ну давайте что-нибудь придумаем” ))) В общем здорово, когда в бригаде есть хороший бывший автослесарь со смекалкой, который решит и не такой вопрос 🙂

Собственно заказчику оставалось только открыть на планшете нужный сайт и в онлайн-режиме отслеживать текущую ситуацию и статистику за последнее время. А еще и наблюдать карту работающих станков по цеху.

За реализацию проекта хочется выразить благодарность Павлу Сергеевичу Чеботареву (Начальник ИТ-службы в тот период), который активно двигал совсем не ИТ-шную задачу в производство.