Создание системы прогнозирования качества продукции и состояния оборудования на Чепецком механическом заводе

Заказчик:: АО «ТВЭЛ»
Руководитель проекта со стороны заказчика: Евгений Гаранин

Вице-президент по цифровизации и информационным технологиям
Поставщик: АО «Промышленные инновации» – основной подрядчик , АО «АНДЭК»
Год завершения проекта: 2022
Сроки выполнения проекта: Июль, 2021 - Сентябрь, 2022
Масштаб проекта: 39460 человеко-часов
Цели: На Чепецком механическом заводе (АО ЧМЗ, входит в контур Топливной компании Росатома АО «ТВЭЛ») в среднем около 2,5% оболочечной трубы не соответствовали заданным параметрам при прохождении технического контроля, а некоторые партии – свыше 10%.

В части доступности оборудования тратятся ресурсы на плановое обслуживание исправного оборудования без учета его фактического состояния, закупаются и хранятся избыточные запасные части, инструменты и принадлежности. В итоге предприятие теряет прибыль из-за несоответствия параметрам качества готовой продукции и неэффективного технического обслуживания и ремонтов производственного оборудования (ТОиР).

Главной целью проекта стало создание и внедрение системы прогнозирования качества продукции и состояния оборудования, которая обеспечит:

– Сокращение количества брака до уровня менее 1% (целевое – 0%).

– Повышение времени бесперебойной работы оборудования.
– Оперативное устранение неполадок.

Уникальность проекта

Уникальность кейса обусловлена созданием первой в отрасли системы предиктивной аналитики, которая легла в основу цифрового продукта АтомМайнд.

АтомМайнд представляет собой low-code платформу, которая встраивается в ИТ-ландшафт предприятия и обеспечивает быструю разработку сервисов и приложений. Система помогает выбирать оптимальные параметры и режимы работы оборудования для уменьшения доли брака готовой продукции, а также визуализирует процесс производства и оповещает пользователей об отклонениях параметров работы оборудования.

В будущем система обеспечит комплексный контроль состояния оборудования за счет анализа датчиков и параметров работы станков, позволив перейти от планового ремонта оборудования к ремонту по требованию, не дожидаясь его поломки.

Проект решает задачи импортозамещения

Да

Использованное ПО

– Tibbo AggreGate.
– Java SE 1.8 Liberica.
– Java 11 Liberica.
– Spring 5.3.23.
– Apache Tomcat 9.
– Hibernate.
– LDAP.
– Kerberos.
– OAuth.
– Apache Derby.
– MySQL 5.0.
– Apache Cassandra 3.11.
– PostgreSQL.
– Tomcat Application Server.
– Linux/Unix.
– Web Client (Yandex).

Сложность реализации

Организация сбора данных и отсутствие прямых экономических эффектов от процесса;
Отсутствие интеграции между системами конструкторско-технологической подготовки производства (PDM), системами управления производством (ERP, MES), системами управления качеством (TQM), отсутствие сквозной нормативно-справочной информации;
Обучение модели под изменение производственного процесса.

Описание проекта

Уже сейчас Система собирает данные о протекании производственных процессов в онлайн-режиме (600 параметров на данный момент, в целевой картине – более 2,5 тысяч). В будущем это позволит повысить качество выпускаемой продукции и снизить брак.

В планы по развитию системы входит создание моделей, позволяющих повысить доступность производственного оборудования за счет снижения затрат на техническое обслуживание и ремонт. Помимо этого, построение предиктивных моделей по качеству и ТОиР на единой централизованной системе сбора первичных данных протекания производственного процесса позволит сбалансировать затраты на обеспечение качества и ТОиР.

В рамках работы над проектом были решены следующие задачи.

Глубокий анализ и подбор инструментов для достижения целей проекта:

1. Проведен анализ существующих на рынке отечественных решений и выбрана платформа, соответствующая требованиям технического задания и имеющая возможности по расширению.

2. Состав используемой платформы дополнен широким спектром инструментов предиктивной аналитики:

– Современный стек библиотек machine learning, deep learning и big data.

– Встраиваемые предиктивные и рекомендательные модели для использования технологами в ходе технологического процесса для задач повышения качества продукции и контроля состояния оборудования.

– Обеспечивается полный цикл управления ML–моделями от сбора данных, подготовки исследовательских датасетов и обучения разведочных моделей для проверки предиктивных гипотез до контроля параметров моделей и своевременного дообучения и замены в ходе эксплуатации.

3. Архитектура платформы сможет обеспечить централизованную поддержку предприятий отрасли при запуске и эксплуатации информационных систем предиктивного анализа на ее основе.

Функционал системы:

1. Сбор и структурирование технологических данных и данных о качестве: оборудование, LIMS, MES, ERP и т.д..

2. Контроль хода технологического процесса, оповещение о нарушениях, метрики соблюдения технологической дисциплины.

3. Анализ факторов, влияющих на качество продукции:

– Оценка степени их влияния.
– Оценка уровней несоответствия.
– Определение параметров производства под требуемый уровень качества.

4. Прогнозирование выхода годного на каждом этапе, расчёт рекомендаций и возможность изменения параметров для повышения выхода годного.

5. Минимизация человеческого фактора и оценка действий персонала на рекомендации системы.

География проекта

На текущий момент Система внедрена на АО ЧМЗ в прокатном производстве циркония. К концу 2025 года планируется тиражировать проект на 12 заводов Топливной компании Росатома по всей России.