Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

sgh1

439 visualizaciones

Publicado el

  • Sé el primero en comentar

  • Sé el primero en recomendar esto

sgh1

  1. 1. 1 Analiza Szeregów Czasowych Prognoza usterek i awarii maszyn i urządzeń firmy produkcyjnej w podziale na wycinki linii technologicznych Maciej Matysek Studia Podyplomowe Akademia Analityka – Analizy Statystyczne i Data Mining w Biznesie Edycja 2 14 czerwca 2015Warszawa
  2. 2. 2 Przedmiotem analizy jest awaryjność i usterkowość maszyn i urządzeń linii produkcyjnych w zakładzie produkcyjnym Wykrycie determinant które wpływają na wystąpienie nieprawidłowości w eksploatacji maszyn i urządzeń jest kluczowa dla serwisu technicznego i służb utrzymania ruchu. Wiedza o tym jakie cechy (wskaźniki eksploatacyjne wpływają na prawdopodobieństwo wystąpienia awarii umożliwia predykcję usterek i awarii. Pozwala to uniknąć nieplanowane przestoje i przerwy w produkcji, będące przyczyną poważnych strat finansowych i wizerunkowych firm produkcyjnych. Problem Badawczy
  3. 3. 3
  4. 4. 4 Zbiór danych zawiera dane o rzeczywistych usterkach i awariach maszyn i urządzeń w zakładzie produkcyjnym w perspektywie 18 miesięcy. Zbiór danych zawiera zmienne charakteryzujące poszczególne usterki i awarie (np. czas usuwanie awarii, nieplanowanego przestoju). Opis zbioru danych
  5. 5. 5 •Red. E. Frątczak, ZAAWANSOWANE METODY ANALIZ STATYSTYCZNYCH, Oficyna Wydawnicza SGH, 2013 •Strona internetowa SAS (http://support.sas.com/documentation/) •Przewodnik do systemów i narzędzi Organizacji i Zarządzania Produkcją, Łódzkie Centrum Doskonalenia Nauczycieli i Kształcenia Praktycznego •MATERIAłY DO ZAJĘĆ Studia Podyplomowe Analizy Statystyczne I Data Mining w Biznesie, BLOK VI. Analiza Szeregów Czasowych, SGH, 2009 •TPM for Workshop Leaders, Kunio Shirose,Productivity Press, Portland, Oregon, 1992r. Bibliografia
  6. 6. Prognoza awarii 6
  7. 7. Model Regresji Logistycznej • Podsumowanie: wpływ na zmienną uzyskanie dopuszczalnego tygodniowego czasu trwania awarii mają staż pracy, wynagrodzenie oraz wykształcenie. Największy wpływ ma wykształcenie. Większe prawdopodobieństwo uzyskania dopuszczalnego czasu trwania awarii mają pracownicy z co najmniej średnim wykształceniem technicznym. Zbudowany model w niewielkim stopniu wyjaśnia, co wpływa na uzyskanie dopuszczalnego tygodniowego czasu trwania awarii. Jednakże podjęta próba stworzenia modeli z grupy modeli regresji logistycznej binarnej oraz szeregu czasowego wskazała kierunki poszukiwań predyktorów w obszarze kompetencji pracowników. Barierą w zastosowaniu wnioskowania statystycznego jest brak danych do budowania modeli statystycznych oraz brak systemu zbierania danych. Systemowe archiwizowanie danych o awariach i ich wykorzystanie do usprawnienia procesu utrzymania ruchu nie jest powszechną praktyką w przemyśle polskim. 7
  8. 8. Szereg Czasowy • Podjęta próba stworzenia modelu predykcyjnego wskazała na możliwości wykorzystania wnioskowania statystycznego w systemie prewencyjnego utrzymania ruchu. Aby zbudować model predykcyjny należy wdrożyć system pomiarowy wskaźników eksploatacyjnych, wykorzystywanych w budowaniu modelu. • 8

×