Предиктивный анализ: блажь или реальная экономия?
С появлением сложного производственного оборудования встал вопрос и о поддержании его должного технического состояния. Техническое обслуживание (ТО) — это постоянная «головная боль» для большинства предприятий, так как подразумевает огромные заложенные бюджеты, наличие склада запчастей и специальных людей в штате, организацию графиков осмотра… В различных отраслях промышленности затраты на техническое обслуживание составляют от 6 до 18 % стоимости выпускаемой продукции, что иногда сравнимо с самой прибылью предприятия. Но даже при таких усилиях все же случаются крупные поломки, что нарушает нормальный ход работы, приводит к простоям и авариям. Можно ли как-то оптимизировать этот процесс?
Существует несколько основных подходов к осуществлению технического обслуживания.
Аварийное обслуживание
Ремонт производится, когда поломка уже произошла. Это самый первый возникший вид технического обслуживания. Такой подход был популярен еще недавно, но с развитием технологий становится все менее эффективным, так как при ремонте устройств по факту их поломки возрастают риски простоев на производстве и снижения объема выпускаемой продукции. Сегодня такая стратегия применяется чаще всего в отношении недорогого вспомогательного оборудования. Плюсом такого подхода является его дешевизна, а минусом — внезапность наступления ремонтных работ и потенциальные риски простоя оборудования. Но дешевизна обманчива: нужно все время держать наготове штат людей, которые будут реагировать на возникающие аварии (и даже если ничего не происходит, им требуется платить зарплату). Кроме того, необходимы запчасти — либо их нужно также держать в запасе, что нецелесообразно (деталь может и не сломаться), либо где-то закупать в случае поломок, что чревато простоями производства.
Планово-предупредительное обслуживание
Зачастую оборудование обслуживается по установленному фиксированному графику, когда, например, какая-то деталь заменяется раз в полгода согласно технической документации, что дает некое ощущение контроля и надежности. Такое ТО называют периодическим, плановым, по регламенту и т. п. Это некая базовая линия защиты, ориентированная скорее на срок службы оборудования и ресурс деталей. Однако на практике выясняется, что такой фиксированный цикл не соответствует требованиям ежедневного производства в случае поломок, так как не учитывает реальную эксплуатацию. Поскольку обслуживание по регламенту проводится с одинаковыми интервалами, замена компонентов происходит или слишком рано, или уже с опозданием.
Обслуживание по техническому состоянию
Управление жизненным циклом оборудования позволяет перейти от обслуживания по регламенту к обслуживанию по текущему состоянию. В основе метода лежит диагностика текущего состояния оборудования. Данная стратегия позволяет избежать лишней работы и переобслуживания, проводя техническое обслуживание и ремонт тогда и в том объеме, в котором это действительно необходимо. Такой подход позволяет оптимально распоряжаться средствами и временем, однако существует вероятность того, что ремонт потребуется разом большому количеству оборудования. Кроме того, важно помнить, что эта стратегия не заменяет полностью плановую: даже если по всем характеристикам узел еще работоспособен, все равно в какой-то момент его нужно поменять «планово», и имеющийся набор измеримых характеристик не описывает состояние узла на все 100%.
Также для стабильного мониторинга технического состояния оборудования необходим некий уровень цифровизации производства, позволяющий проводить диагностику оборудования и систем управления им.
Предиктивное (прогнозное) обслуживание
Предиктивное обслуживание предполагает прогнозирование будущего состояния системы на основе данных, полученных как опытным путем, так и на моделях обучения, из чего определяется срок проведения обслуживания или замены компонентов. Для прогнозного обслуживания недостаточно знать текущее состояние машины — необходимо также программное обеспечение, способное анализировать большие объёмы потоковых данных в режиме реального времени.
Принцип предиктивного анализа основан на том, что за некоторое время до выхода системы из строя можно обнаружить мелкие сигналы, говорящие о проблемах. Небольшие скачки напряжения, отклонения в числе оборотов в минуту, выход температуры за допустимые значения, повышенная вибрация, задержки при запуске двигателя, непонятный шум или постукивание, повышение уровня жидкости, минимальные изменения углов конструкций — по подобным признакам можно понять, что скоро случится поломка.
Данные собираются непрерывно на базе работающего производства и анализируются системой. Системы мониторинга, содержащие набор специальных датчиков, постоянно отслеживают различные параметры работы и состояния оборудования, а система предиктивного анализа сравнивает полученные замеры с установленными параметрами и делает прогноз о том, какие узлы в ближайшее время могут выйти из строя.
На основе полученной информации создается адаптивная математическая модель — цифровой двойник механизма или конструкции, который работает как реальный станок, только в виртуальном пространстве. Чем больше данных о работе реального станка удастся собрать, тем точнее будет его математическая модель. Система постоянно учится и развивается, позволяя интерпретировать реальные данные посредством модели.
Анализ и создание моделей может происходить непосредственно на предприятии или через сервис в облаке.
Принято считать, что предиктивное обслуживание — следующий, новейший шаг в подходах к обслуживанию. На самом деле оно сочетается со всеми предшествующими подходами и может их дополнять. Ведь предиктивная аналитика — необходимый элемент для ремонтов по состоянию, поскольку отслеживает актуальные параметры оборудования, на основе которых составляется план работ. Кроме того, системы предиктивной аналитики помогают прогнозировать расходы на ремонт и обслуживание, что важно при планово-предупредительном подходе.
Примеры внедрения предиктивного технического обслуживания
Многие компании уже внедрили предиктивное обслуживание оборудования, что позволяет им не только минимизировать риск внезапных поломок и сократить расходы на обслуживание, но и предотвращать аварии и несчастные случаи с обслуживающим персоналом. Рассмотрим несколько проектов, реализованных на российских предприятиях.
Предотвращения аварий и катастроф
Существуют предприятия, где любой сбой в работе оборудования может вести к крупной аварии или даже техногенной катастрофе. Здесь крайне важным становится внедрение предиктивных аналитических систем для раннего обнаружения неисправностей оборудования, а также для непрерывного анализа его состояния. Кроме того, именно из-за высокой цены ошибки необходимо минимизировать влияние человеческого фактора, что позволяют сделать системы IIoT.
ГК «Росатом» запустил пилотный проект по предиктивному анализу состояния оборудования на турбогенераторе энергоблока № 6 Нововоронежской АЭС. Разработанные специальные математические модели автоматически оценивают характер изменения параметров оборудования и сравнивают их текущие значения с состояниями, которые фиксировались в опыте эксплуатации оборудования за все годы его работы. В общей сложности системой отслеживается порядка 700 параметров, поступающих с различных датчиков, размещенных на оборудовании и смежном с ним. Система предиктивной аналитики должна обнаруживать нехарактерные изменения в параметрах, «бить тревогу» и выдавать рекомендации, какие изменения на каком устройстве произошли и почему, когда стоит начать ремонт, какое время оборудование еще сможет проработать в таком состоянии.
Компания «Формат Кода» создала высоконадежную систему мониторинга и предиктивного обслуживания гидроэлектростанции. Установленные на турбинах гидроэлектростанции датчики собирают информацию о частоте работы турбин, напряжении сети, температуре и других основных параметрах. Система структурирует и анализирует полученные разноформатные данные и выдает информацию о выработанной мощности за указанный период нарастающим итогом. Лежащие в основе алгоритмы прогнозирования позволяют распознать возможные поломки, запланировать ремонт и обслуживание. Также система позволяет распознать развитие чрезвычайных ситуаций природного и техногенного характера.
Для сокращения материальных и трудозатрат на обслуживание оборудования
С помощью цифровых моделей, созданных на основе данных, полученных с датчиков, можно строить модели не только отдельных станков, но и производства в целом. Это дает возможность оценить эффект от внедрения нового оборудования и технологий, предугадывать брак и распределять нагрузку между отдельными частями системы.
На Магнитогорском металлургическом комбинате внедрили программно-технический комплекс «Мониторинг-Предиктив», который контролирует работу электромеханического оборудования в процессе его эксплуатации. Беспроводные датчики измеряют электромагнитное поле электродвигателей и их вибрацию. Полученные данные передаются в систему, которая быстро и точно определяет наличие и тип неисправностей и заблаговременно прогнозирует возможные дефекты составных частей электродвигателя. Технология предсказания износа и выхода из строя агрегатов построена на методах кластеризации и машинного обучения. Для классификации неисправностей применялась нейронная сеть на базе многослойного персептрона, которая содержит 15 входных нейронов — по числу основных дефектов.
Авиастроительная компания «Сухой» совместно с Mail.ru Group Цифровые технологии внедряет на своих заводах цифровую платформу предиктивной аналитики с использованием технологий машинного обучения, больших данных и IIoT. Цифровая платформа даст возможность централизованно собирать, обрабатывать и анализировать как данные с производственного оборудования, так и информацию о производственных процессах из информационных систем предприятий. Накопленные данные о работе высокопроизводительного промышленного оборудования и параметрах выполнения производственных процессов позволят прогнозировать работоспособность станков и осуществлять их предиктивное обслуживание, что также обеспечит снижение затрат.
Для работы без простоев
Конвейеры на заводах производят продукцию в режиме 24/7, и любая поломка может привести к остановке всего производства. Поэтому очень важно во время планового обслуживания конвейера превентивно заменить все, что может выйти из строя.
Крупные заводы оснащают свои производственные линии множеством различных датчиков, отслеживающих состояние всех значимых узлов. Данные поступают в систему мониторинга, и если отслеживаемые параметры выходят за пределы допустимых значений, то соответствующие узлы или детали ставятся в лист профилактики для ближайшего планового обслуживания или сразу идут на замену. Таким образом даже самые сложные и многоступенчатые производственные линии могут предсказуемо и бесперебойно работать.
Металлургический комбинат «Северсталь-Инфоком» внедрил систему предиктивной диагностики для установки непрерывной разливки стали (УНРС). Математическая модель здесь обучается не на отказах, а на правильной работе оборудования в различных режимах. Интеллектуальный мониторинг смотрит за набором параметров по узлу и анализирует их коллективное поведение, а математическая модель предсказывает следующее значение по текущему набору данных с датчиков. Если факт отличается от предсказания, то система «бьет тревогу». Теперь распознать развивающуюся проблему можно задолго до классической системы мониторинга: про загрязнение форсуночного охлаждения УНРС система предупреждает за 20 дней до того, как давление превысило предупредительную границу.
Российский нефтехимический холдинг «Сибур» использует предиктивную аналитику для сокращения числа обрывов при производстве биаксиально-ориентированной полипропиленовой (БОПП) плёнки на новокуйбышевской площадке «Биаксплена». Построенная аналитическая модель делает прогноз на основании зависимости обрывов от режимов производства полипропилена. Сейчас на предприятиях «Сибура» в разных регионах работает уже более 100 рекомендательных моделей, систем предиктивной диагностики и поддержки принятия решений. Совокупный эффект от внедрения инструментов продвинутой аналитики приближается к 2 млрд рублей.
Предиктивное обслуживание оборудования в нефтегазовой отрасли
В добыче полезных ископаемых задействовано большое количество сложного высокотехнологичного оборудования, часть которого работает в автоматическом режиме и находится в труднодоступных местах с тяжелыми условиями эксплуатации. Регулярно осматривать и обслуживать его силами сотрудников трудоемко и дорого, поэтому в этой отрасли активно используются системы мониторинга и предиктивного обслуживания оборудования.
Пилотный проект «умная скважина», реализованный на нескольких месторождениях компании ЛУКОЙЛ, предусматривает дистанционный мониторинг и управление нефтегазовым оборудованием на скважине. В центре управления создается цифровой двойник скважины, который фиксирует заданные параметры объекта (давление, температуру, загазованность) и позволяет оператору управлять скважиной дистанционно. При необходимости более точных измерений количество параметров скважины или трубопровода можно увеличить.
Также можно выставить посекундную частоту сбора данных, чтобы управляющий персонал в любой момент мог увидеть, что происходит на объекте. Технологии передачи данных LoRa обеспечивают межмашинное взаимодействие (M2M) на расстояния до 15 км при минимальном потреблении электроэнергии.
Для понимания причин сбоев при автозапуске насосов аналитики компании ПАО «Газпромнефть» собрали 200 млн записей за год с контроллеров систем управления на 1649 скважинах, а также записи из аварийных журналов, схемы электроснабжения и множество другой информации. Благодаря анализу больших данных и моделированию событий им удалось найти взаимосвязи в работе насосного оборудования, в том числе ранее неизвестные, и устранить неполадки.
Несмотря на несомненную пользу предиктивного обслуживания оборудования, его применение не всегда целесообразно. Хотя этот подход имеет много преимуществ, он требует масштабных предварительных работ и материальных вложений… и может не соответствовать уровню и стоимости обслуживаемого оборудования.
Оценка экономического эффекта — краеугольный камень любого проекта по цифровизации, в том числе и проектов по внедрению систем предиктивного обслуживания. Их внедрение имеет смысл для дорогого оборудования, замена которого гораздо дороже ремонта, а также для критичного оборудования, остановка или выход из строя которого может привести к большим проблемам: авариям, ущербу для окружающей среды, остановке производства, недополученной прибыли, штрафам за задержки поставок и т.п. Поэтому перед внедрением стоит сравнить стоимость нового оборудования или его частей с затратами на их обслуживание и ремонт.
Кроме того, предиктивное обслуживание — это не волшебная палочка, которая позволит избежать всех проблем и разом уволить всех лишних сотрудников. Важно помнить, что:
- предиктивная аналитика не имеет прямой связи с экономией на человеческих ресурсах, хотя позволяет использовать время специалистов более рационально;
- система позволяет избежать аварий, но бывают ситуации, приближение которых нельзя увидеть по приборам;
- предиктивное обслуживание позволяет дольше поддерживать технику в исправном состоянии, но необходимо учитывать срок службы оборудования и всех его деталей, не пытаясь «выжать» из них больше, чем возможно;
- системы предиктивной аналитики содержат большое количество данных о предприятии, поэтому важно поддерживать высокий уровень информационной безопасности.
Перед внедрением предиктивной аналитики важно определить цели, которых компания хочет достичь с помощью этого инструмента. Необходимо выбирать правильный подход и правильную стратегию для каждого компонента каждой единицы оборудования или конструкции.
И тогда хорошо отлаженная система поможет вам добиться не только сокращения простоев и отказов оборудования, но и продления сроков его службы, снижения энергопотребления, улучшения экологичности, производительности и надежности.