Problemformulering

Risk för stora produktionsförluster om inte stopp tas om hand. Orsaken till ett stopp kan vara många, t.ex. tekniska fel, brist på material, externa faktorer (elfel, frånvaro, etc). Oplanerade driftstopp påverkar försäljningen och kan leda till att företaget inte kan leverera i avtalad takt vilket får negativ inverkan på varumärket.​

Lösning​

Uppdraget var att lyckas reducera stopp och minimera produktionsförluster genom att analysera historiken vid arbetsstationerna, maskinerna, upptider och nertider, vilka skift, anledningar till stopp, osv.

En Supervised learning regression machine learning model togs fram för att förutse de 5 maskiner med högst risk för stopp och vilka de mest troliga felkällorna var under en given period.

Resultat​

Under testmånaden när denna POC kördes uppskattades det att cirka 300 färdigproducerade produkter hade kunnat räddas från produktionsförluster genom att jämföra modellens förutsägelse och utfallet. ​

Utvecklingstid: 300 timmar.