Построение цифровой модели фабрики
Моделирование бизнес и производственных процессов действующего производства, поиск "узких мест" в производстве для их устранения, поиск параметров, влияющих на выход годной продукции

Задача
Заказчик, производитель полупроводников, столкнулся с разрывом между плановыми и фактическими показателями выхода годных изделий (yield rate). Средний по отрасли показатель держится на уровне 70%, тогда как технологическая цель фабрики составляет 95%. Каждый процент брака на пластине оборачивается прямыми потерями, при текущих объёмах производства улучшение yield rate всего на 1% эквивалентно экономии 53 млн рублей. Данные о процессе были разрознены: SCADA фиксировала параметры оборудования, MES вела маршруты партий, ERP хранила ресурсные планы, PDM и CAD описывали конструкцию изделий. Единой картины, позволяющей понять, какие сочетания факторов ведут к снижению выхода годных, не существовало.
Решение
Мы построили цифровую модель фабрики, которая объединяет потоки данных из SCADA, MES, ERP, PDM и CAD в единое пространство признаков. Модель прогнозирует выход годных изделий по технологическим параметрам и подсказывает операторам, как скорректировать процесс до того, как партия уйдёт в брак. На первом этапе развёрнута система поддержки принятия решений в реальном времени: данные с оборудования поступают непрерывно, прогноз пересчитывается на лету.
Технологии
Интеграционный слой собирает телеметрию из промышленных систем и нормализует её под единую схему. Предиктивное ядро обучено на исторических партиях с привязкой исхода к параметрам каждого этапа техпроцесса. Система реального времени связана с SCADA, чтобы давать рекомендации в момент обработки пластины.
Результат
Первый этап завершён, система поддержки принятия решений работает в реальном времени. Ожидаемый экономический эффект составляет 135 млн рублей в год за счёт приближения yield rate к целевым 95%. Модель закладывает основу для дальнейшего масштабирования на остальные участки фабрики.
Похожие кейсы
Анализ данных
Модель предсказания поломки оборудования
Сибур: предиктивная модель для экструдера полимеров — раннее обнаружение признаков засора по данным датчиков. Доля предугаданных неполадок ~80%, переход от аварийного ремонта к плановому обслуживанию.
Анализ данных
Сервис по контролю подрядчиков и оборудования
1 Процедура выбора и проверки подрядчика занимает в среднем до двух месяцев. Отсутствие прозрачной истории работы бурового подрядчика ведет к простою выполняемых работ по добыче нефти 2 Отказы оборудования во время выполнения работ по причине пут...
Анализ данных
AI2FLOW прогнозирование инцидентов
Создание веб-приложения для минимизации затрат на уборку улиц, картографические данные интерпретируются как ориентированный граф с петлями и несколькими ребрами. Алгоритм распределяет набор уборочного оборудования по набору транспортных средств и ...