案例中心 / 案例库 / 案例详情
case-img

电子材料行业半导体行业产线设备预测性维护案例

案例分类:边缘计算 泛半导体行业

能力标签:电子材料行业设备维护监测

案例详情

项目背景

云南某电子材料有限公司,现有主要设备为自动化生产设备(单晶炉、切片机、清洗设备、AGV、开方机、截断机、磨导机等),辅助设备(空压机、水泵、电机、变频器、运输设备等),一期设备约700台,三期总共约3000台左右。企业希望在不变更现有设备的前提下,提高产线关键设备的维护管理水平,具体需求如下:

1、实现产线关键设备的远程运维管理,实时了解设备运行情况;

2、实时监测、记录设备的振动、温度、噪声数据;

3、 实现产线设备的故障预警、故障提示;

4、 通过预测性维护平台减少人工巡检工作量,提高设备运维管理水平。

现状分析

经初步调研,该产线包括单晶炉、切片机、清洗设备、开方机、空压机、水泵、电机等设备,目前的设备监测手段主要是传统的人工巡检模式,设备维保工作主要采用“事后维修”、“预防性维护”的方式,存在以下问题:

1、设备巡检维护成本高;

2、设备故障反馈及时性差;

3、无法识别设备亚健康状态;

4、事后维护方式隐患大;

实施方案

本次项目一期应用场景以产线的电动机的预测性维护做为试点,二期将实现厂区生产及辅助设备的预测性维护。

晶龙电子设备预测性维护方案一期:

以实现电动机设备预测性维护为主,以减少因电机故障造成设备非计划停机损失为一期目标。采取“统筹规范,分布实施”的原则逐步开展旋转设备预测性维护。

客户设备预测性维护方案二期:

以“占星者”5G边缘计算器为核心硬件,采集客户现场设备不同运行工况下的表征数据(振动、噪声、温度),通过预处理模块,提取设备振动、噪声、温度的各种机械特征值,通过将实时运行状态下的各种机械特征值,与数据库服务器中存储的各运行工况下的历史特征值进行比对,利用训练好的机器学习算法模型,识别出生产设备的实时运行状态(正常还是异常),进而评估分析出各设备的可能故障类型、健康度评估指标,实时展示于前端应用UI界面。

以占星者5G边缘计算器为核心实现设备运行状态数据的实时监测,采集设备故障前、故障中、故障后的状态数据,建立设备状态数据与设备故障现象的数学逻辑关系,搭建设备故障分析模型库,实现设备的故障原因智能分析与维修决策。

预警效果

1、智能诊断,减少设备故障损失

计划外停机减少>50%,降低 20-50%维护时间,将设备正常运行时间延长 10~20%,降低由设备的故障或突发故障所带来的难以估算的安全隐患。

2、降低设备维护成本,提高效益

设备维护成本降低 18~25%,设备综合效率提高>8%,对设备进行适时小修,减少大修,避免突发故障所带来的巨大维修费用。

3、实时监测,节省人力成本

设备维护和管理人员远程监测设备健康状态,减少巡检人数和汇报流程。

4、建立设备数字档案,实现高效管理

收集设备全生命周期健康数据,为设备管理系统提供数据来源和标准API,减少设备和生产管理成本。

产品推荐
bot
icon

在线咨询

icon

客服热线

icon

关注我们

icon

回到顶部