Jak jsme pomohli výrobnímu podniku snížit prostoje o 35 %
Výrobní podnik s více než 200 stroji čelil problému neplánovaných odstávek, které ročně stály desítky milionů korun. Tradiční preventivní údržba podle pevného harmonogramu vedla buď k předčasné výměně funkčních dílů, nebo k neočekávaným poruchám.
Nasadili jsme prediktivní model využívající data ze senzorů vibrací, teploty a akustické emise. Model byl natrénován na historických datech z posledních tří let a dokáže předpovědět poruchu s předstihem 48 až 72 hodin.
Implementace probíhala ve třech fázích: sběr a čištění dat, trénink a validace modelu, a nakonec integrace s ERP systémem zákazníka pro automatické generování pracovních příkazů údržby.
Výsledky prvního roku provozu překonaly očekávání — snížení neplánovaných prostojů o 35 %, úspora 4,2 milionu korun na náhradních dílech díky optimalizovanému plánování údržby a návratnost investice pod 8 měsíců.
← Další články