Predictive Maintenance: проще предотвратить, чем бороться с последствиями

Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.

Современные производства оборудованы, как правило, диспетчерскими системами сбора данных и управления класса SCADA. Программы визуализации помогают операторам выявить отклонения в работе оборудования, но количество данных, поступающих с датчиков, огромно и даже для опытного работника предсказание выхода из строя какого-то узла не всегда очевидно. Возможности базовых средств контроля оборудования, предоставляемых производителем, ограничены, поскольку они не позволяют проанализировать косвенные факторы, влияющие на его состояние, и заранее спрогнозировать критическую ситуацию.

Одна из мер превентивного подхода служб ТОиР – это проведение регламентных работ и обследование оборудования. Однако случается, что внешние факторы, например, климатические, могут повлиять на выход оборудования из строя раньше срока проведения работ. Последствия – дорогостоящие простои, замена деталей, иногда целых узлов, списание сырья, запущенного в технологический процесс. Например, одна из крупных международных химических компаний неоднократно сталкивалась с простоями производства из-за выхода из строя экструдера. Это происходило более 90 раз в год и приводило к убыткам производства, списанию испорченного сырья и сверхурочным работам.

С помощью технологий искусственного интеллекта можно построить модель прогнозирования отказов и перейти к предиктивному обслуживанию оборудования. Система использует исторические данные с датчиков оборудования, которые можно дополнить неструктурированными данными из записей технического обслуживания, тестовыми данными и прочими источниками.

Какие данные потребуются для построения модели?

Набор исторических данных в обобщенном сценарии может быть следующим:

• телеметрия (например, вибро-, электродиагностика, входные параметры сырья, данные с датчиков по температурам, уровням давления, масла и так далее);
• управляющие воздействия с АСУ ТП;
• информация об отказах (из системы ТОиР);
• факторы окружающей среды.

Чем больше данных, тем выше качество модели. Например, если в исторических данных количество отказов не превышает 5 случаев, то требование точности предсказаний отказов на уровне 95% будет завышенным. Поэтому важно накапливать данные, чтобы глубина хранения позволяла строить качественные предсказательные модели с высоким уровнем точности.

Что дальше? Как построить систему предиктивного обслуживания

Сама прогнозная модель законченным решением не является – это необходимое ядро системы. Для того, чтобы внедрить предиктивное обслуживание в бизнес-процесс, необходимо наладить выгрузку данных в систему предиктивного обслуживания в реальном времени. Модель «заживет» и начнет формировать ответы в зависимости от поставленной задачи.

Примером реализации системы может быть веб-портал с разграниченными правами пользователей.

Дашборды пользователей позволяют просматривать:

• список по контролируемому оборудованию и его состоянии;
• данные по состоянию узлов в карточке оборудования;
• список обнаруженных дефектов;
• прогноз по развитию дефекта или выхода из строя узлов оборудования.

Кроме того, должна быть предусмотрена рассылка уведомлений ответственным пользователям о возникших событиях, связанных с дефектами.

Этапы реализации проекта и сроки

Современные технологии и вычислительные мощности позволяют реализовывать проекты для производства в сжатые сроки. Например, для пилотного проекта построения модели и развертывания системы на производстве потребуется 3-6 месяцев в зависимости от объема технического задания.

В своей практике мы рекомендуем заказчикам придерживаться следующих этапов внедрения системы предиктивного обслуживания:

• Выбор объектов для проекта

Критерием выбора является критичность выхода из строя оборудования и наличие исторических данных достаточной глубины для построения модели.

• Написание технического задания

Если своих специалистов, готовых написать техническое задание нет, то оно может быть написано совместно с исполнителем работ или заказано у экспертов для дальнейшего проведения тендера.

• Реализация пилотного проекта

Пилотные проекты с ограниченным функционалам позволяют получать быстрые результаты, подтверждать или опровергать гипотезы, минимизировать риски.

• Оценка результата и экономической эффективности

Точность построенной модели на текущих данных может быть неудовлетворительной и пользы не принесет. Важно перед принятием решения о внедрении просчитать экономическую выгоду дальнейшей реализации. Возможно, потребуется накопление дополнительных данных для улучшения качества модели.

• Принятие решения о внедрении
• Масштабирование результата

Результат

Благодаря раннему предупреждению о потенциальных отказах и проблемах уменьшается время простоя оборудования. Например, для горнодобывающего производства удалось увеличить длительность полезного использования шаровых мельниц на 600 часов в год.

Возможность удаленного мониторинга и ускорение процесса анализа неисправностей повышают эффективность работы персонала.

Проведение ремонтов по фактическому состоянию оптимизируют графики регламентных работ и позволяют увеличивать прибыль.

Вернемся к примеру про экструдеры, упомянутому в начале статьи.

Результатом внедрения системы предиктивного обслуживания стало 80% сокращение незапланированных простоев и экономия операционных расходов в размере ~ $300,000 за каждый экструдер. Сейчас компания рассматривает масштабирование решения на другое критически важное оборудование заводов.