SKF Enlight AI提高电动泵的可用性

乍看上去

该客户是拉丁美洲主要的纸浆和造纸公司，并且是其所在行业中规模**的公司之一，业务遍及60个国家/地区。经过一系列并购后，该组织的年产能在2019年翻了一番以上，达到近1,250万吨/年。

作为其可持续增长战略的一部分，客户希望通过将维护流程从被动式转变为预测性来提高节约和OEE。为此，客户选择在故障率高的关键资产：预漂白系统电动泵上试用SKF Enlight AI的自动机器学习预测性维护。

挑战

预漂白过程是相继进行的，纸浆通过泵到达*终漂白过程的化学制备中所涉及的不同机器。每当泵发生意外故障时，必须关闭整个预漂白系统，直到修复出故障的泵为止。由于反复发生的意外故障，这些泵已成为生产的瓶颈，每年造成数十万美元的生产损失。

为了**程度地减少计划外的电动泵故障及其对维护费用和物流的安装影响，客户希望对泵的运行状况有更深入的了解，并早日收到有关资产故障的警告。

业务问题

• 年生产损失数十万美元

• 加班费高

• 重复生产停工和紧急工单安排导致运营效率降低

解决方案

客户选择了一家参考工厂来试用SKF Enlight AI Predictive Analytics解决方案。在试用期间，由300多个传感器生成的数据被传输到SKF Enlight AI的云中，并由解决方案的高级自动机器学习引擎对其进行处理。

基于对细微异常和指示性行为模式的检测，该解决方案可提供有关不断发展的电动泵故障的警报。

结果

品质预测率：80％

失效时间：〜13.5天

底线

平均而言，SKF Enlight AI能够准确预测80％的泵故障，并提供13.5天的故障估计时间。这些发现证明了SKF Enlight AI具有提高可用性和提高运营效率的能力。

由于该试点计划初步节省了成本，因此客户开始进行谈判，以在3个参考工厂的10个不同资产系列的300个资产中部署解决方案。

业务影响/投资回报率

一旦将SKF Enlight AI完全部署到7个站点后，该组织预计该解决方案仅在漂白前用例上每年就可以节省834,000美元。