IoT: предиктивное обслуживание промышленного оборудования

Ситуация: Незапланированные остановки оборудования — 120 часов/год (target 40). Каждый час простоя — 2 млн ₽ потерь. Текущее обслуживание — по расписанию, не по состоянию.

Завод с 200 единицами оборудования. IoT-датчики (вибрация, температура, давление, шум) установлены на 80% машин. Данные собираются, но не используются для прогнозирования.

Доступные данные

• equipment: equipment_id, type, manufacturer, install_date, hours_operated, last_maintenance
• sensor_data: equipment_id, sensor_type, timestamp, value, threshold, alert_flag
• maintenance_log: equipment_id, date, type, duration_hours, cost, parts_replaced, planned
• failures: equipment_id, failure_date, failure_type, downtime_hours, root_cause, repair_cost
• production_impact: equipment_id, date, planned_output, actual_output, quality_defects

Задачи

• Определить сенсорные паттерны-предвестники отказа (lead time = ?).
• Построить модель предсказания отказа с оценкой precision/recall trade-off.
• Рассчитать optimal maintenance window: не слишком рано (waste) и не слишком поздно (failure).
• Оценить ROI перехода с scheduled на predictive maintenance.
• Спроектировать alerting system для maintenance team.

Все кейсы для подготовки → ← Все кейсы