中芸汇科技
ЛогистикаIoTAIАвтоматизацияКитай

IoT+AI прогностическое обслуживание в холодной логистике Восточного Китая

IoT+AI прогностическое обслуживание в холодной логистике Восточного Китая

Предпосылки проекта

Клиент — одно из 10 крупнейших логистических предприятий Китая, владеющее более чем 50 сортировочными центрами по всей стране, с оборудованием на сумму свыше 1 млрд юаней. Традиционная модель ремонта после отказа приводила к частым сбоям оборудования, а ежегодные убытки от простоев превышали 20 млн юаней.

Ключевые проблемы

  • Непрогнозируемые отказы: отказы оборудования происходят внезапно, отсутствует система предупреждения.
  • Избыточное обслуживание: плановое обслуживание по фиксированному графику без учета фактического состояния оборудования, что приводит к излишним затратам труда и ресурсов.
  • Неиспользуемые данные: данные оборудования из систем PLC/SCADA не используются эффективно.
  • Низкая эффективность ремонта: ручная диагностика после отказа, среднее время восстановления — 4 часа.

    • Решение

    Мы построили для клиента сквозную систему прогностического обслуживания на базе IoT и ИИ:

    1. Уровень сбора данных IoT

  • Установка датчиков вибрации, температуры и тока на критическом оборудовании (двигатели конвейеров, сортировочные машины, подъемники).
  • Поддержка протоколов Modbus, OPC-UA, MQTT.
  • Предварительная обработка данных и выделение признаков на граничных шлюзах для снижения затрат на передачу данных в облако.

    • 2. Прогностический ИИ-движок

  • Модель обнаружения аномалий во временных рядах на основе LSTM+Transformer.
  • Прогнозирование отказов оборудования за 7 дней с точностью 92%.
  • Автоматическое определение типа неисправности (износ подшипников, дисбаланс, несоосность и т.д.).
  • Рекомендуемые окна обслуживания и приоритеты.

    • 3. Визуальная операционная панель

  • Отображение состояния здоровья всего оборудования в реальном времени (зеленый/желтый/красный уровни).
  • Временная шкала прогнозов отказов, помогающая операционной команде заранее планировать смены.
  • Автоматическое архивирование записей об обслуживании с формированием полного жизненного цикла оборудования.

    • 4. Автоматизированная система заявок на обслуживание

  • Автоматическое создание заявок на обслуживание при обнаружении аномалий ИИ.
  • Автоматическое назначение наиболее подходящего инженера по ремонту в зависимости от типа неисправности.
  • Автоматическая проверка наличия запасных частей на складе, при недостатке — автоматический запрос на закупку.

    • Результаты

    ПоказательДо модернизацииПосле модернизацииУлучшение
    Коэффициент отказов12%1,5%87,5%
    Годовые затраты на обслуживание8 млн юаней4,4 млн юаней-45%
    Среднее время восстановления4 часа1,5 часа62,5%
    Оборачиваемость запасных частей90 дней45 дней50%
    Число внеплановых остановок36 раз/год5 раз/год86%

    Технологический стек

  • IoT: протоколы Modbus/OPC-UA/MQTT, граничные шлюзы (ARM Linux)
  • AI/ML: Python, PyTorch, LSTM, Transformer
  • Бэкенд: Go, InfluxDB (база данных временных рядов), PostgreSQL
  • Фронтенд: React, ECharts (визуальная панель)
  • Развертывание: Docker, Kubernetes, гибридное облако

    • “За полгода работы системы прогностического обслуживания мы предотвратили 3 серьезных отказа оборудования, каждый из которых мог привести к убыткам в миллионы юаней. Это действительно принятие решений на основе данных.”

    Руководитель проекта со стороны клиента

    Офис цифровой трансформации

    Связанные кейсы

    Частное развертывание большой модели и применение в управлении рисками в акционерном банке
    ФинансыИИЛокальное развертываниеАвтоматизация

    Частное развертывание большой модели и применение в управлении рисками в акционерном банке

    Before

    Рассмотрение кредита — 3 дня, уровень пропуска рисков — 3%

    After

    Рассмотрение кредита — 4 часа, уровень пропуска рисков — 0,5%

    Проект оптимизации эксплуатации MLOps системы рекомендаций ИИ платформы электронной коммерции
    Розничная торговляAIMLOpsАвтоматизация

    Проект оптимизации эксплуатации MLOps системы рекомендаций ИИ платформы электронной коммерции

    Before

    Утилизация GPU 35%, ежемесячные затраты 800 000 юаней

    After

    Утилизация GPU 82%, ежемесячные затраты 440 000 юаней

    Huadong Medicine Group: проект интеграции ERP + AI для интеллектуального ввода
    ПроизводствоAIИнтеграцияАвтоматизация

    Huadong Medicine Group: проект интеграции ERP + AI для интеллектуального ввода

    Before

    Ручной ввод: 2 ч/документ, ошибки 8%

    After

    Ввод с ИИ: 5 мин/документ, ошибки 0,5%

    Кейсы