Evrone

Кейс Pirelli: переводим станки на человеческий язык

Сегодня хвастаемся проектом, который мы делаем для Воронежского шинного завода, принадлежащего Pirelli. Evrone работает над большой аналитической системой для производства, которая помогает обрабатывать данные с сотен технологичных станков.

Что требовалось?

На заводе очень много станков, которые работают 24 часа в сутки. Они выполняют миллионы разных операций и все данные о них отправляют в огромное хранилище. Выгрузить данные из хранилища можно только через SQL, поэтому не каждый заинтересованный сотрудник может это сделать.

При этом данными пользуются почти все отделы предприятия, и работникам приходится тратить очень много времени на первичную обработку данных, их анализ и выводы. Особенно сложно делать отчёты за большие периоды времени: кварталы и годы, огромные массивы данных приходилось обрабатывать вручную.

Требовалось создать приложение для сбора и первичной обработки больших данных.

Что мы сделали?

Для начала, мы отправили на предприятие десант, в задачи которого входило выяснить, как работает производство, какие станки на нём есть и как устроена внутренняя информационная система. Заказчику не подходило ни одно существующее решение, нужна была собственная, уникальная система, которая сможет не только доставать данные из хранилища, но и проводить их первичную аналитику, находить зависимости и фильтровать информацию.

Мы создали приложение с микросервисной архитектурой на Kubernetes, чтобы его было легко включить в общую систему корпорации для сбора нужных данных и дальнейшего масштабирования.

Помимо бэкенда и фронтенда мы поработали над дизайном, чтобы привести информацию в легко читаемый и понятный человеку вид. А ещё мы научили приложение самостоятельно строить графики и таблицы, немного доработав существующие на рынке решения под запрос клиента.

Что готово?

Релиз разделён на несколько модулей и мы пока находимся лишь в начале пути. Приложение уже умеет отслеживать эффективность оборудования и его рабочие циклы, а также собирать данные по новым размерам и моделям шин. Скоро мы добавим функции, которые помогут следить за техническим состоянием станков и качеством готовой продукции.

Подробнее о том, почему это в первую очередь, бизнес-аналитический проект и как дизайнеры помогли команде разработки, читайте у нас на сайте.

0
1 комментарий
Вадим Вахрамов

Это типовая задача, и обычно данные хранятся в TSDB локально для каждого завода. Был консультантом (Data engineer+ аналитик) для группы заводов в EMEA, зоопарк тот ещё, для одного вида производств хватало Osisoft+ OPC DA интерфейса, для другого же вида (дискретного) производства постановки на разработку после выяснения всех нюансов работы SDK и назначений регистров modbus в документации)) Где-то kepware+grafana+influx(и всякие плагины). Кстати, пользователи продвинутые, дашборды сами могут делать, знают, какие данные каких процессов им нужны (данных много, но их инженера за ПЛК отвечают, и знают, что надо). Главное теги стандартизировать, чтоб на всех заводах одинаково формировались названия.
Теперь предлагайте им предсказание качества (ML) на основе получаемых данных, потом игтегрируйте алгоритмы для быстрого перехода на новые модели) Потом предиктив мейнтенанс, плановый, и на основе анализа токовых графиков) Удачи

Ответить
Развернуть ветку
Читать все 1 комментарий
null