Üretim Yapay Zeka Başarı Hikayesi

Zorluk

£50M yıllık ciro ve üç üretim tesisiyle üretici, planlanmamış ekipman arızalarından dolayı zemin kaybediyordu. Temel sorunlar:

• Eskiyen ekipman filosu: Kritik makinelerin %60'ından fazlası önerilen servis ömrünü aşmıştı ve merkezi varlık sağlığı görünürlüğü yoktu
• Reaktif bakım kültürü: Bakım faaliyetlerinin %85'i arıza-onarım şeklindeydi, pahalı acil tamirler ve mesai maliyetlerine yol açıyordu
• %12 planlanmamış kesinti: Üretim hatları ortalama %12 planlanmamış kesinti yaşıyordu, tahmini yıllık £3,5M kayıp üretime mal oluyordu
• Öngörücü kapasite yokluğu: Bakım takvimleri koşul bazlı değil takvim bazlıydı, hem aşırı bakıma hem de kaçırılan arızalara yol açıyordu
• Silo halınde veri: Ekipman sensör verileri, bakım günlükleri ve üretim takvimleri entegrasyon olmadan ayrı sistemlerde bulunuyordu

Çözüm

Pargesoft, Dynamics 365 Supply Chain Management ve Azure IoT üzerine inşa edilmiş yapay zeka destekli öngörücü bakım platformu tasarladı ve dağıttı:

• IoT Sensör Entegrasyonu: Kritik ekipmanlara 200+ sensör dağıtıldı, titreşim, sıcaklık, basınç ve akustik verileri gerçek zamanlı Azure IoT Hub'a aktarıldı.
• Öngörücü Bakım Ajanı: Azure Machine Learning modelleri sensör kalıplarını analiz ederek arızaları %99,2 doğrulukla 2-4 hafta önceden tahmin eder. Yapay zeka ajanı otonom olarak iş emirleri oluşturur.
• Otonom Planlama Ajanı: Yapay zeka ajanı bakım pencerelerini üretim takvimlerine göre optimize eder, kesinti minimizasyonu için parçaları, işgücü ve hat değişikliklerini otomatik koordine eder.
• Gerçek Zamanlı Varlık Sağlığı Panosu: Power BI panoları fabrika yöneticilerine canlı ekipman sağlık puanları, arıza risk sıralamaları ve bakım maliyet tahminleri sunar.
• Sürekli Öğrenme Döngüsü: Modeller her hafta yeni sensör verileri ve bakım sonuçlarıyla yeniden eğitilir, manuel müdahale olmadan tahmin doğruluğunu zamanla artırır.

İmplementasyon Zaman Çizelgesi

Sonuçlar

• Canlı geçişin ilk altı ayında planlanmamış kesinti süresinde %40 azalma, %12'den %7,2'ye
• Azaltılmış acil tamir, düşük mesai ve iyileştirilmiş üretim veriminden yıllık £2,1M tasarruf
• Üç üretim tesisindeki tüm kritik arıza olayları için %99,2 tahmin doğruluğu
• Bakım yaklaşımı dağıtımdan dört ay içinde %85 reaktiften %70 proaktife dönüştü
• Daha az planlanmamış durma ve optimize edilmiş değişikliklerle genel ekipman etkinliğinde (OEE) %15 artış
• Yapay zeka tahminleriyle tetiklenen talep odaklı sipariş yoluyla yedek parça envanterinde %22 azaltma

“Yapay zeka ajanları sadece arızaları tahmin etmiyor — bakıma bakış açımızı temelden değiştirdiler. Reaktif müdahaleden proaktif optimizasyona geçtik.”