Hvordan personalisering av operatørgrensesnitt reduserte nedetid i produksjon
En produsent i industrisektoren opplevde hyppige driftsstanser og var usikker på hvilke grensesnitt som ga best støtte til skiftarbeidere, noe som påvirket leveringssikkerheten negativt.
Optimum Range ble engasjert for å analysere arbeidsflyter, samle telemetridata fra maskinparken og bygge personlige verktøylinjer som hjalp operatører med presise handlinger i kritiske situasjoner.
Den innledende fasen bestod av en kombinasjon av observasjoner på gulvet og dataanalyse for å avdekke mønstre i feilmodus, og denne innsikten ble brukt til å definere personaliseringsmål som skulle redusere reaksjonstid og feilrate.
Et stort hinder var fragmenterte datakilder og varierende sensoroppsett, derfor ble en standardisert ETL-pipeline etablert for å sikre konsistente innspill til AI-modellene, samtidig som tilgangen til sanntidsdata ble prioritert.
Optimum Range utviklet en tilpasset anbefalingsmotor som ga operatører kontekstuelle handlingsforslag basert på maskintilstand, operatørens kompetansenivå og historiske utfall fra lignende situasjoner.
For å håndtere sikkerhetskrav ble personlige anbefalinger begrenset til handlingsforslag innenfor godkjente prosedyrer, og en forklarbarhetskomponent ble implementert slik at operatører forstod hvorfor et forslag ble gitt.
En særlig utfordring var å unngå overtilpasning til sjeldne feiltilfeller, og Optimum Range løste dette ved å kombinere regelbaserte alarmer med probabilistiske modeller som ga robusthet i anbefalingene.
Utrullingen skjedde trinnvis, først på utvalgte skift og maskiner, og tilbakemeldinger fra operatører ble innhentet kontinuerlig for å finjustere terskler og meldingsformater.
Etter utrulling ble systemet integrert med vedlikeholdskalendere, noe som muliggjorde prediktive arbeidsordrer som ble tilpasset både maskinens tilstand og tilgjengelig personell, og dette forbedret planleggingen dramatisk.
For å måle effekt ble kriterier som MTTR (mean time to repair), antall uplanlagte stopp og operatørens opplevde arbeidsbelastning overvåket, og rapporter ble generert ukentlig for ledelsen.
Resultatene viste en tydelig reduksjon i MTTR og færre gjentakende feil, samtidig som operatørene rapporterte større tillit til anbefalingene og opplevde arbeidsprosessen som mer forutsigbar.
Det ble også etablert en prosess for kontinuerlig modellvedlikehold med re-trening basert på nye feilscenarier og endringer i maskinpark, slik at løsningen forble relevant over tid.
Prosjektet demonstrerte hvordan målrettet personalisering i et industrimiljø kan gi konkrete driftsfordeler, redusere kostnader forbundet med stopp og forbedre produktleveranser for sluttkunden.
Den langsiktige effekten inkluderte bedre planlagt vedlikehold, høyere produksjonsutnyttelse og en målbar forbedring i leveransesikkerhet som gav bedriften et konkurransefortrinn i krevende markeder.