چگونه تکنولوژی‌های جدید و هوش مصنوعی می‌تواند افزایش هزینه‌های تعمیر و نگهداری را کنترل کند؟

طبق پیش بینی اقتصادی و تحلیلگر صنعت، اقتصاد بیس آکسفورد، فعالیت در بخش استخراج معادن در استرالیا، به سرعت در حال پیشروی است و به خوبی برای صادرات و اقتصاد وسیع‌تر آماده می‌شود. اما با توجه به هزینه‌های تعمیر و نگهداریکه انتظار می رود که در عرض پنج سال آینده نزدیک به ۶۰ درصد افزایش یابد، زمان لازم برای سرمایه گذاری در سیستم‌ها برای کنترل هزینه ها الان است.

طبق گزارش داده کاوی اقتصاد بیس آکسفورد در استرالیا از سال ۲۰۱۷ تا ۲۰۳۲، انتظار می‌رود که اکتشاف، تولید و نگهداری معادن از سال ۲۰۱۸ و بعد از آن به طور قابل توجهی افزایش یابد. روند صعودی قیمت‌ها باعث افزایش سودآوری معدنچیان شده است و اشخاصی که دارای فعالیت‌های تعمیر و نگهداری هستند بزرگترین برنده بوده‌اند.

روبن جیا، اقتصاددان بیس آکسفورد و نویسنده این مقاله، گفت: “تعمیر و نگهداری یکی از مهمترین اقدامات کاهش هزینه را در سال‌های اخیر انجام داده است. با افزایش بهره‌وری در بنیاد دارایی‌های پس از رونق دهی، انتظار می‌رود انتظار می رود فعالیت‌های تعمیر و نگهداری در مدت پنج سال آینده تقریبا ۶۰ درصد افزایش یابد و فرصت های حیاتی برای پیمانکاران فراهم شود. ”

برای صاحبان دارایی‌ها، کنترل هزینه‌های نگهداری شامل مدیریت دقیق و هماهنگی قرارداد‌هایی است که خدمات تعمیر و نگهداری را ارائه می‌دهند. از سوی دیگر، پیمانکاران خواهان حفظ بهترین قراردادهای نگهداری، به حداکثر رساندن ارزش صاحبان دارایی و حفظ هزینه های تحت کنترل خواهند بود.

فن آوری‌های جدید – از جمله محاسبات ابری، دستگاه‌های تلفن همراه، اینترنت اشیا (IoT)، نگهداری پیش بینی شده، برنامه ریزی و بهینه سازی زمانبندی، داده‌های بزرگ، هوش مصنوعی و واقعیت افزوده – همه در کنترل هزینه‌های نگهداری نقش دارند.

از تجزیه و تحلیل پیش بینی برای بهینه سازی تعمیر و نگهداری استفاده کنید

طبق گزارش تحقیقاتی گروه مشورتی ARC، حدود ۸۲ درصد از دارایی‌ها یک الگوی شکست تصادفی دارند. به عبارت دیگر، استراتژی‌های سنتی نگهداری و تعمیرات پیشگیرانه در اصل در مدیریت خرابی تجهیزات و به حداکثر رساندن طول عمر بی اثر است.

جای تعجب نیست که شرکت‌های استخراج معدن از نگهداری پیشگیرانه مبتنی بر تقویم به استفاده یا نگهداری مبتنی بر شرایط تغییر رویه داده‌اند. با استفاده از سنسورهایی که قادر به شناسایی مشکلات هستند، اینترنت اشیا (IoT) این روند را تسریع کرده است. اما تا کنون روش مطلوب برای مدیریت نگهداری تجهیزات و سایر دارایی‌ها از طریق تعمیر و نگهداری پیش بینی شده است.

تعمیر و نگهداری پیش بینی، مزایای پایایی فوری و بلند مدت و صرفه‌جویی در هزینه را ارائه می‌دهد. هنگامی که با سیستم‌های نظارت و مدیریت دارایی ترکیب می‌شود، می‌تواند شرکت‌های معدن را دید بهتر از دارایی‌های خود دهد، و به طور چشمگیری چالش‌های غیرقابل کنترل مانند فاصله و محیط را کاهش می‌دهد.

تعمیر و نگهداری پیش بینی بیش توانایی نظارت بر عملکرد دارایی به طور مداوم از طریق سنسورها نظیر نظارت بر ارتعاش است. همچنین نیاز به یک موتور پیش بینی برای پردازش ورودی و پاسخ خودکار هوشمندانه می‌باشد. در حالت ایده آل، داده‌ها و پاسخ‌ها جمع آوری شده و در یک سیستم مدیریت دارایی شرکت پردازش می‌شوند، اطمینان حصول از انطباق، هوش کسب و کار موثر و رضایت مشتری را برآورده می‌کنند.

با یک سیستم، شرکت مدیریت دارایی یکپارچه و تجزیه و تحلیل پیش بینی شده، از کار افتادگی را می‌تواند حذف کند، بازده حداکثر، و زنجیره ای از حوادث باعث بهینه سازی تمامی مراحل کار از مدیریت موجودی تا منابع انسانی شود. برای مثال، پس از مقایسه داده‌های تاریخی با داده‌های عملیاتی در زمان واقعی، یک هشدار می‌تواند یک نرم افزار مدیریت دارایی سازمان استخراج کند تا به طور خودکار یک تکنسین با مجموعه مهارت مناسب و بخش‌های مناسب برای تعمیر دارایی خراب را برنامه ریزی کند.

دستیابی به این سطح بهینه سازی، مستلزم همبستگی بسیاری از منابع داده با هم، مانند داده‌های وضعیت ماشین، بحرانی بودن دارایی، سطح سرویس، عرضه قطعات قطعات، دسترسی مهندسین خدمات، زمان سفر، شرایط آب و هوایی و غیره است. توانایی جمع آوری تمام این داده‌ها و تجسم، خودکار کردن و بهینه سازی گزینه‌های تصمیم گیری از طریق سیستم‌های نرم افزاری ممکن است.

از هوش مصنوعی برای در خارج از محدوده فکر کردن استفاده کنید

در حالی که بسیاری از برنامه‌های کاربردی برای هوش مصنوعی تنها در حال حاضر مورد بررسی قرار گرفته است، در برخی از مناطق مزایای هوش مصنوعی در حال حاضر ثابت شده است. برخی از شرکت‌ها برای استفاده از برنامه‌های بهینه برای مشتریان خود بیش از ۱۲ سال از الگوریتم‌های یادگیری ماشین و سایر تکنیک‌های هوشمند در برنامه‌های برنامه ریزی و برنامه ریزی بهینه سازی استفاده کرده اند.

یکی از اجزای اصلی هوش مصنوعی، موتور زمانبندی پویا (DSE) است. DSE به دنبال یافتن بهترین راه حل به طور خودکار برای مشکلات خاص است. معمولا، ترکیبی از دو تا شش الگوریتم از ۳۵ راه ممکن را انتخاب می‌کند، زیرا ترکیبات به طور کلی بهتر از یک الگوریتم تک تنها کار می‌کنند. از آنجا که سازگاری به طور خودکار آموخته می‌شود، اغلب راه حل‌های خلاقانه‌ای پیدا می‌کند. معمولا “در خارج از محدوده فکر کردن” بهتر از انسان‌ها است، زیرا بهتر است در جستجوی تعداد بسیار زیادی از راه حل‌های ممکن باشد.

هنگامی که یکی از مشتریان ما، سیستم‌های حمل و نقل کوبیک، برای اولین بار از DSE استفاده کرد، متوجه شد که این سیستم تصمیم گیری‌های زمان بندی مختلفی را نسبت به برنامه ریزان انسان انجام می‌دهد. ممکن است سه شغل تعمیر، همه در همان محل وجود داشته باشد، و قبلا یک مهندس به این محل سفر کرده و تمام سه شغل را انجام می‌دهد. اما گاهی اوقات DSE فقط مهندس را به انجام کارهای فوری در آن محل و سپس سفر به جای دیگر به یک کار اضطراری دیگر، قرار می‌دهد و کارهای اولویت اول را بعدا انجام می‌دهد.

یکی دیگر از مثال‌هایی که کوبیک متوجه شد این است که وقتی یک مهندس شروع به کار کرد، اغلب اوقات کار خود را پیش می‌برد که نیاز به انجام آن دارد تا سایر مشاغل که اهمیت بیشتری دارند یا جایی که گروهی از مشاغل با هم خوشه شوند یا برای مهندس مناسب‌تر باشند آنها ابتدا این سوال را مطرح کردند تا مشخص شود که DSE کل برنامه را بهینه سازی کرده است و یک مهندس دوباره به انجام کار اصلی ادامه می‌دهد.

به عنوان یک نتیجه از تفکر DSE از راه حل های نوآورانه، کوبیک قادر به بهبود میزان جریمه پرداختی خود و افزایش دسترسی به ماشین آلات تا ۲۰ درصد، که همچنین آنها را قادر به گرفتن قرارداد بیشتر بدون استخدام کارمندان اضافی شد.

واقعیت افزوده باعث انقلابی در تعمیرات خواهد شد

فن آوری های جدید مانند واقعیت افزوده همچنین بالقوه برای بهبود بهره وری تعمیر و نگهداری در صنایع معدنی به همان شیوه ای است که کامیون‌های بدون راننده در سال‌های اخیر بهره وری حمل و نقل را بهبود بخشیده‌اند.

IFS اخیرا اعلام کرد که راه اندازی جدیدی از مفهوم ادغام راه حل واقعیت افزودهبا داده‌های سازمانی استرالیا از برنامه های IFS برای افزایش بهره وری از مهندسین صنعتی است. آزمایشگاه‌های IFS، با همکاری فونتس و شرکت مادرش، که توسعه یافته توسط آزمایشگاه نوآوری ما، توانایی تغییر در شیوه ای جهت مدیریت دارایی های پیچیده را دارند.

بر خلاف تکنولوژی مصرفی پوشیدنی، fountx به طور خاص برای محیط‌های پیچیده صنعتی طراحی شده است، در حالی که کاربران آگاهی فضایی باید با خیال راحت کار کنند. این دستگاه دارای دو بخش است: ایستگاه اپراتور، شامل هدست سبک وزن و کامپیوتر پوشیدنی است. و یک ایستگاه متخصص لمسی استفاده می‌شود خارج از سایت. این اجازه می‌دهد تا تکنسین‌ها برای انجام تعمیرات پیچیده با یک متخصص به دنبال خود همراه باشند.

اثبات مفهوم به شما این امکان را می دهد که تکنسین‌های نگهداری داده‌های نرم افزارمربوط به دارایی که آنها در صفحه نمایش نزدیک به چشم فونت نصب می‌کنند بررسی کنند. به این ترتیب، تکنسینها می‌توانند دستان خود را بدون نیاز به برگه‌های شغلی چاپی یا دستگاه‌های محاسباتی مجزا نگه دارند. آنها همچنین می توانند تصاویر HD را از دوربین فاونکس به طور مستقیم به برنامه‌ها ضبط کنند.

در طول چند سال آینده، انواع جدیدی از تکنولوژی واقعیت افزوده مانند fountx، انقلابی در نحوه تعمیر و نگهداری در صنعت معدن خواهند بود. در ترکیب با فن آوری‌هایی مانند تعمیر و نگهداری پیش بینی شده، هوش مصنوعی، برنامه ریزی، بهینه سازی برنامه ریزی، بزرگترین مزایای در محیط‌های از راه دور که در آن هزینه‌های تعمیر و نگهداری بیشتر است، به دست می‌آید.

هزینه تعمیر و نگهداری قطعا در حال افزایش است. کاهش هزینه‌ای که ما در صنعت استخراج معادن دیده‌ایم، همیشه ناپایدار است زیرا دارایی‌های جدید در جریان بوده و حجم تولید افزایش یافته است. اما با ترکیبی از فناوری‌های جدید و سیستم‌های نرم افزاری سازمانی، تخمین همه شرکت‌ها از هزینه‌های نگهداری که با سرعت پیش بینی‌های صنعت افزایش می دهند را خواهند داشت. در آخر این صاحبان دارایی و پیمانکاران بهتر از دیگران خواهند بود که برای افزایش سودآوری در چند سال آینده موفق خواهند بود.