Как подготовить 175 программ модернизации производства и снизить простои

Сейчас на большинстве производств внедрены цифровые решения по контролю и управлению производством. Это либо MES (Manufacturing execution system) — система управления процессами производства, либо ERP-системы (Enterprise Resource Planning) — система управления и планирования ресурсов предприятия. 

ИТ-инфраструктуру любого предприятия условно можно поделить на три ступени цифровизации:

• Нижняя: программы, с помощью которых идет настройка и запуск различного технологического оборудования — приложения, связанные с низкоуровневыми технологическими процессами на местах при выполнении конкретных задач. 
• Средняя: МЕS, которая используется на уровне цехов. Она связана с задачами производственного персонала — в том числе процедурами  контроля качества, цехового учета и обслуживания оборудования.
• Верхняя: ERP-система, которая предназначена для аккумулирования данных всего предприятия. Она позволяет принимать стратегические решения с целью улучшения финансовых и других бизнес-показателей.

Их общая цель — повысить эффективность предприятия или производства. Например: 

• предотвращение остановки производства из-за выхода из строя оборудования;
• сокращение расходов на транспортную логистику;
• снижение затрат на электроэнергию путем распределения производственных мощностей и т.д.

Сделать это быстро в системах, которые пока не полностью внедрены или охватывают не все подразделения и процессы на предприятии, невозможно. И тут приходит на помощь дата-аналитика. Она дает возможность быстрого полуручного сбора, аккумулирования и анализа данных о состоянии предприятия, проблемных местах и зонах для последующей выработки решений, которые будут обоснованы цифрами и расчетами. 

Нередко руководители подразделений докладывают о проблемах, которые необходимо срочно решать, но какая из них сильнее влияет на бизнес-показатели (эффективность работы оборудования, людей, системы в целом, загрузку цехов и прочее), оценить со слов сложно. А дата-аналитика даст соответствующие числовые показатели.

Например, в одном цехе постоянно выходит из строя насосное оборудование, а в другом конвейерные ленты. Один цех ремонтирует оборудование за 1-2 часа, но происходит это через 1-2 дня, а другой справляется за 15 минут, но каждый день. Кто из них больше влияет на то, что продукция не выпускается в соответствии с план-графиком?

На одном из проектов нам приходилось заниматься подобными задачами. Мы исследовали причины и факторы, план-графики остановок производства, влияющих на объемы выпускаемой продукции. И это была одна из самых интересных задач для аналитиков SimbirSoft. Об этом кейсе расскажем далее.

Какая задача стояла

Клиент — производственная компания среднего уровня с числом сотрудников более 2 тысяч и оборотом в несколько миллиардов рублей ежемесячно. Задача — разработать мероприятия, шаги или процессы, которые помогут повысить эффективность предприятия или производства. В частности: 

• предотвратить остановки производства из-за выхода из строя оборудования
• оптимизировать расход компонентов при технологическом производстве
• сократить расходы на транспортную логистику
• снизить затраты на электроэнергию путем распределения производственных мощностей

Перечень можно продолжать до бесконечности. С учетом масштаба предприятия для работы с данными и принятия на основе их анализа конкретных решений мы использовали дата-аналитику. Как это сделали и к каким результатам пришли, читайте далее.

Какое решение мы предложили 

В начале все выглядело достаточно просто. Есть внедренная MES, хранилище, архивы за несколько периодов и прочее, нужно просто достать всю информацию, собрать, разгруппировать, рассчитать и отобразить визуально в категориях и подробностях на графиках. Это позволило бы получить понятную оценку ситуации и предложить на ее основе варианты решений.

Для решения задачи выгрузили датасет в формате csv за несколько лет. Он занимал 100+ тысяч строк записей и 50+ столбцов. С этим датасетом мы планировали работать в Python Jupyter Notebook, подключать необходимые библиотеки для работы с данными (прежде всего — NumPy, Pandas, SciPy) и визуализацией (Matplotlib, Seaborn). 

Такое решение выбрали по следующим причинам: 

• простота создания при множестве зависимых друг от друга исследуемых параметров;
• удобство визуализации для последующего анализа; 
• возможность переиспользования данных и алгоритмов при минимальных затратах. 

С какими трудностями столкнулись и как их решили

На деле все было не так стандартно, как нам казалось. Команде пришлось столкнуться с трудностями при работе с данными, в частности:

• разнообразные наименования произошедших событий, повлиявших на прерывание и остановку производственного процесса, т.е. что произошло
• разнообразные описания причин, т.е. почему произошла остановка

Чтобы оценить масштаб работы, необходимой к реализации, представьте, что у вас есть 100 единиц одинаковой марки и модели оборудования, но описания причин поломок за несколько лет разные. Причем обслуживают это оборудование и регистрируют записи практически одни и те же люди. 

Кроме того, в процессе исследования и проведения интервью с сотрудниками цехов выяснилось, что не все инциденты, происшествия и выходы за рамки стандартизированного технологического процесса фиксируют в центральной MES-системе. У некоторых из них есть свои журналы, которые заводились давно согласно требованиям ГОСТ и внутрипроизводственной нормативной документации. Ведутся они в другом софте, что-то в Excel, а что-то и вовсе на бумаге. 

По этой причине возникла еще одна проблема —   невозможность быстро объединить все данные, поскольку образовалось огромное количество несовпадений по наименованию, типам и категориям оборудования, наименованию цехов, событий, описаний и других классификаций.

Нашим коллегам пришлось упорно потрудиться и собрать в единое упорядоченное хранилище огромное количество данных, создать новые категории, классификации, а также поработать с дублями как в общей системе, так и в каждом отдельном софте.

Что дала дата-аналитика

После всех процессов преобразования и сведения разнообразных данных в единый формат, приступили к глубокому изучению и получению подробной картины по предприятию. Вот некоторые инсайты, которые мы получили благодаря дата-аналитике.

Во-первых, четко увидели, какое оборудование постоянно выходит из строя в разрезе каждого цеха, подразделения и всего предприятия, вплоть до смены и времени суток. Дата-аналитика показала, в каком цехе и какое оборудование подвержено наибольшим остановкам или поломкам, в каких объемах оно влияет на выпуск продукции. Эти данные позволяют начать поиск причин, почему именно в этом цехе процент поломок выше, чем у остальных, возможно допущены нарушения при монтаже или что-то другое.

Во-вторых, согласно графикам и расчетам мы увидели, что после технического обслуживания, проведенного Петровым, в среднем оборудование выходит из строя/требует ремонта через 16,5 часов, а в смену Сидорова через 26,2 часа, то есть на 9,7 часа (62,97%) работает дольше с учетом одинаковой нагрузки и производительности. Это натолкнуло на мысль, что специалисту не хватает квалификации или дополнительного обучения по работе с оборудованием.

В-третьих, по характеру выходов оборудования из строя мы увидели точку роста — можно оснастить оборудование датчиками интернета вещей, а также создать систему для планирования и поддержания оптимальной производительности оборудования и межсервисных интервалов.

Это лишь малая часть тех инсайтов и решений, которые можно внедрять, оптимизировать, повышать эффективность производства и улучшать качество продукции только на основании результатов дата-аналитики. 

Выводы и дальнейшие действия

В результате проведенной описательной и диагностической аналитики данных вместе с заказчиком мы сформировали и разработали более 175 программ и предложений для повышения эффективности производства. Каждая из них имела данные по затратам и срокам внедрения, расчет экономического эффекта от внедрения и прочее. Практически все программы заказчик внес в бюджет предприятия и учел в общем плане на ближайшие несколько лет в зависимости от приоритетности и степени влияния на производство.

Основными программами, которые показывали наибольший эффект, стали:

• дооснащение производства дополнительным оборудованием;
• разработка вспомогательных рекомендательных систем, использующих методы Machine Learning и Deep Learning для разных этапов производства;
• дооснащение оборудования датчиками телеметрии и промышленного интернета вещей;
• изменение штатного расписания персонала и прочее.

И все это благодаря анализу данных.

В завершение отметим, что дата-аналитика возможна только в условиях цифровизированного производства. Если процессы управления производством не имеют цифрового оборудования, автоматизированных систем управления, цифровых журналов и прочего, то анализировать и делать выводы будет не из чего. Хотите по-настоящему оптимизировать производство, чтобы повысить скорость, отказоустойчивость и сэкономить ресурсы — пора вставать на цифровые рельсы.