Duży zakład firmy Bosch, zarządzający tysiącami aktywów, borykał się z rosnącą presją ograniczenia reaktywnego podejścia do utrzymania ruchu i poprawy przewidywalności operacyjnej. Aby temu zaradzić, zespół wdrożył autorskie rozwiązanie AI zintegrowane z czujnikami monitorowania stanu maszyn w oparciu o rozwiązanie Tractian, które identyfikuje powtarzające się wzorce awarii i automatyzuje ustalanie priorytetów w utrzymaniu ruchu.
Wyzwanie
Mimo ogromnej liczby rejestrów z utrzymania ruchu, analiza danych odbywała się w pełni ręcznie. W zakładzie z ponad 2 000 aktywów i ponad 35 000 zleceń pracy rocznie, praktycznie uniemożliwiało to działanie strategiczne.
Opisy zleceń pracy były niespójne i nieustrukturyzowane, co utrudniało identyfikację powtarzających się awarii. Priorytety ustalano wyłącznie na podstawie ogólnych poziomów pilności — wysokiego, średniego lub niskiego — bez powiązania z krytycznością aktywa ani jego wpływem na operacje.
Brak integracji między danymi z czujników a rejestrami awarii prowadził do częstszych interwencji reaktywnych i niskiej widoczności tego, co może ulec awarii w następnej kolejności.
Rozwiązanie
Aby rozwiązać ten problem, zespół Bosch opracował wewnętrzne narzędzie AI o nazwie mAIntenance, oparte na przetwarzaniu języka naturalnego (NLP) i algorytmie Levenshteina. Narzędzie analizuje wszystkie opisy zleceń pracy, wykrywa powtarzające się wzorce i oznacza awarie, które występują więcej niż raz.
Jeśli ta sama awaria pojawi się trzy razy w ciągu 15 dni, system automatycznie generuje prewencyjne zlecenie pracy i nadaje mu wysoki priorytet.
Po zainstalowaniu czujników Tractian zespół powiązał dodatkowo z tymi wzorcami dane o drganiach i temperaturze w czasie rzeczywistym, co pozwoliło przewidywać awarie na podstawie zarówno historycznych, jak i bieżących wskaźników.
Optymalizacja przepływu pracy
Sukces narzędzia AI wymagał czegoś więcej niż samego oprogramowania. Bosch przebudował swoje procedury utrzymania ruchu, wprowadzając cotygodniowe spotkania koordynacyjne zespołów inżynierii i utrzymania ruchu, by omawiać alerty generowane przez AI.
Wyznaczono grupę odpowiedzialną za weryfikację alertów i zapewnienie szybkiego działania po wykryciu potencjalnych awarii. Ta zmiana stworzyła bardziej proaktywny przepływ pracy i odpowiedziała szerszemu wykorzystywaniu danych w codziennych operacjach.
Wpływ i rezultaty
Łącząc analitykę predykcyjną z monitorowaniem maszyn w czasie rzeczywistym, Bosch osiągnął wymierne rezultaty:
- Redukcja powtarzających się awarii o 29%
- Wzrost zaplanowanego utrzymania ruchu o 17%
- 100% awarii o dużym wpływie priorytetyzowanych przez AI
