«Умный локомотив» набирает ход

История вопроса

Локомотив – сложная машина, у нее порядка 7 тыс. конструктивных элементов. От их исправности и оперативности ремонта в случае поломки зависят не только возможность бесперебойной перевозки грузов и пассажиров, но и успешность железнодорожных компаний, и экономики России в целом. Если перевести это на язык железнодорожников, то коэффициент готовности локомотива к эксплуатации (КГЭ), показывающий, сколько времени машина находится на линии и готова к работе, должен быть как можно выше. По итогам минувшего года этот показатель у ОАО «РЖД», основного владельца локомотивов в России, перешагнул порог в 90%, а в 2021 году цифра должна составить уже 95%.

Это вызов для сервисных компаний. Созданная в 2012 году Группа компаний «ЛокоТех» – одна из них. Уже на старте Группа, в которую входит порядка 90 сервисных локомотивных депо и 9 локомотиворемонтных заводов, задумывалась о способах повышения эффективности своей работы. Для этого «ЛокоТех» начал внедрять автоматизированную систему управления (АСУ) «Сетевой график», которая позволяла формировать перечень сверхцикловых работ на основании расшифровки данных микропроцессорной системы управления (МСУ) при заходе локомотива в сервисное депо. Говорить о полной автоматизации процесса было сложно: анализ данных МСУ выполнялся группами диагностики в ручном режиме, что не исключало влияния человеческого фактора, а вся обработка сведений занимала около 4 часов.

Полученный опыт работы с данными бортовых систем локомотивов стал одной из основ проекта «Умный локомотив», который стартовал в «ЛокоТех» в 2016 году. Его цель – трансформировать бизнес-процессы предприятия, перейти от планово-предупредительных ремонтов на ремонты «по состоянию». В «Умном локомотиве» используются системы прогнозной, или предиктивной, аналитики с применением технологий искусственного интеллекта, нейронных сетей, интернета вещей, анализа больших данных. В сумме это дает возможность оценивать и прогнозировать состояние узлов и агрегатов локомотива, отслеживать аномалии и в автоматическом режиме выводить информацию о технологическом состоянии оборудования. «Умный локомотив» уже стал одним из крупнейших в России и СНГ проектов по AI-трансформации.

Решение

Обслуживание по состоянию – наиболее инновационная модель сервиса, которая сочетает в себе большой перечень инструментов Индустрии 4.0 и глубокое знание техники.

Когда в 2016 году ГК «ЛокоТех» объявила конкурс на решение, позволяющее предсказывать неисправности локомотивов и оборудования между плановыми ремонтами, зарубежная практика анализировалась детально. Но «ЛокоТех» удалось найти российскую компанию, которая представила работоспособный прототип, как минимум, не уступающий зарубежным аналогам. Ею стала Clover Group, которая входит в группу Ctrl2GO.  

Проект «Умный локомотив» – это система предиктивной аналитики, которая проводит мониторинг технического состояния оборудования и прогнозирует отказы с указанием конкретного узла локомотива, оборудованного датчиками. При создании системы широко применялись такие сквозные технологии как искусственный интеллект и промышленный интернет вещей. «Также в своей работе мы широко использовали технологии потоковой обработки big data с применением инструментов машинного обучения», – рассказывает гендиректор Clover Group Денис Лисин.  

В основе проекта «Умный локомотив» лежит собственная платформа Clover Group. Она предназначена для обработки и анализа больших данных производственных и сервисных предприятий. На базе платформы создано решение Ctrl@Maintenance — это интеллектуальная система для риск-ориентированного управления производственными активами и планирования технического обслуживания и ремонта. Система включает в себя библиотеку правил, а также математические модели, так называемые, MX-модели (MathExperience), которые сочетают в себе математику и глубокое понимание физических процессов оборудования локомотивов.

«Данные с «Умного локомотива» аккумулируются в нашей платформе Ctrl@Maintenance, которая на их основе предсказывает, когда и что именно сломается», – говорит гендиректор Ctrl2GO Алексей Белинский. С учетом этих сведений за неделю до того, как локомотив придет на ремонт, автоматически формируется заявка на запчасти для отделов закупок и снабжения. Дополнительно в автоматическом режиме формируется еще одна заявка на работы по неисправностям, которые система обнаружит до их возникновения. «Продукт уже интегрирован с системами планирования ресурсов предприятия, решениями SAP и 1С.», – добавляет Алексей Белинский. Помимо этого «Умный локомотив» позволяет проверить качество проведенных ремонта и обслуживания.

Среда

Решения в сфере предиктивной аналитики как один из самых современных инструментов, позволяющих повысить эффективность работы бизнеса, находятся в центре внимания сервисных компаний и промышленных корпораций всего мира. Но, как отмечает гендиректор Ctrl2GO Алексей Белинский, их внедрение без изменения бизнес-процессов не принесет существенных результатов. Именно поэтому важно, что система «Умный локомотив» глубоко интегрирована в бизнес-процессы сервисных локомотивных депо и влияет на механизмы приемки, диагностики, назначения работ, ремонта и выдачи локомотива в депо. «Ctrl2GO добилась обнаружения аномалий в поведении машин, составила физические модели узлов локомотива для объяснения природы их возникновения. Чтобы получить настоящую экономическую эффективность, потребовалась интеграция с системами планирования ресурсов предприятия, которая позволила осуществлять разнарядку запасных частей и дополнительных работ еще до захода локомотива на ремонт», – рассказывает Алексей Белинский.

Таким образом, прогнозная аналитика с применением технологий искусственного интеллекта и нейронных сетей дала возможность управлять процессами технического обслуживания и ремонта в режиме реального времени, оценивать и прогнозировать техническое состояние узлов и агрегатов машин. При этом система предлагает наиболее оптимальное решение по времени и объему работ. То есть ремонтное подразделение может планировать свою деятельность задолго до постановки машины на ремонт или обслуживание. В итоге процесс автоматизируется, достигается его максимальная транспарентность и предсказуемость.

Таймлайн

Сентябрь 2016 года – на InnoTrans компания «ЛокоТех» презентовала «Умный локомотив».

Ноябрь 2016 года – система «Умный локомотив» – победитель в номинации «Инновация» национальной премии в области импортозамещения «Приоритет-2016».

Март 2017 года – завершена опытная эксплуатация модуля поиска аномалий в 5 пилотных депо.

Сентябрь 2017 года – 1,3 тыс. секций локомотивов в 20 сервисных локомотивных депо.

Октябрь 2017 года – накоплен достаточный объем данных для обучения моделей предиктивной аналитики.

Сентябрь 2018 года – 6,4 тыс. секций локомотивов в 40 сервисных локомотивных депо.

Декабрь 2018 – реализация решения Clover SmartMaintenance для «ЛокоТеха» – победитель категории «Искусственный интеллект и цифровая экономика» премии «Время инноваций».

Февраль 2019 года – решение Clover SmartMaintenance вошло в топ-100 кейсов АНО «Цифровая экономика».

Июнь 2019 года – 7,5 тыс. секций локомотивов в 59 сервисных локомотивных депо.

Июль 2019 года – запущен в опытную эксплуатацию модуль предиктивной аналитики, позволяющий заблаговременно выявить предотказные состояния оборудования.

Январь 2020 года – 8,5 тыс. секций локомотивов в 59 сервисных локомотивных депо, запуск системы «Умный локомотив» в промышленную эксплуатацию.

Нюансы

В ходе реализации проекта возникали и сложности. Одна из них заключалась в том, что в краткосрочной перспективе невозможно организовать online передачу данных, а снимать абсолютно все сведения на каждом ТО2 (техническом обслуживании, которое проводится раз в несколько суток в зависимости от типа локомотива) будет очень затратно. «До начала проекта «Умный локомотив» практики «снимать» данные на всем периоде эксплуатации не было. Для качественного обучения моделей необходимы непрерывные сведения от начала развития дефекта до полного отказа. У нас были частичные данные: условно в расчете на один локомотив мы видели только 10% времени эксплуатации на цикле между заходами на обслуживание или ремонт», – объясняет исполнительный директор Clover Group Максим Вдовенко.

Вдобавок есть сложности, связанные со спецификой отрасли. Например, руководство по обслуживанию говорит, что форсунки двигателя снимаются и испытываются на стенде только на четных ТО3 (производится в депо приписки локомотива после пробега 210—400 тыс. км в зависимости от типа) или текущих ремонтах. В результате отследить факт неисправности форсунок, привязать к нему результаты анализа данных телеметрии просто невозможно: в узле уже есть неисправность, но локомотив может эксплуатироваться и продолжает работать. «Поэтому мы описывали отказы исходя из имеющихся параметров. В этой работе нам помогала экспертиза самого заказчика, было много консультаций со специалистами групп диагностики. Предиктивная аналитика создавалась к получившимся точкам с учетом глубокого понимания физических процессов оборудования локомотивов», – говорит руководитель проекта «Умный локомотив» Сергей Варфоломеев.

Он добавляет, что реальное внедрение «Умного локомотива» от теоретических предположений отличалось и в части проверки работоспособности системы. «Доказать эффективность работы алгоритмов можно только путем дефектовки узлов локомотива на каждом ремонте, которая проводится совместно «ЛокоТех», РЖД и Ctrl2GO, составлением акта», – поясняет гендиректор Clover Group Денис Лисин.

Результат

К началу 2020 года система «Умный локомотив» использовалась для работы с телеметрией 8,5 тыс. секций локомотивов в 59 сервисных локомотивных депо. Она анализирует работу 23 видов оборудования по 300-500 параметрам в зависимости от серии локомотива и способна находить свыше 60 видов сбоев в работе оборудования, автоматически определять нарушения эксплуатации, связанные с неправильными действиями локомотивной бригады. Для понимания масштаба достаточно сказать, что ежемесячно система обрабатывает более 1,5 терабайт данных.

«Мы получаем сквозной процесс – от определения необходимости ремонта до досрочного устранения поломки и недопущения простоя локомотива. В результате затраты на аварийный ремонт снижаются в три раза, а потери времени из-за неплановых ремонтов – на 12%», – говорит Алексей Белинский.

По словам Алексея Белинского, в ближайших планах реализация в системе нового функционала: автоматического формирования графика ремонтов, в котором локомотивы будут распределяться на основании реального технического состояния, дислокации, пробега и загрузки самих депо. «Таким образом производительность депо увеличится еще на 22%», – прогнозирует Алексей Белинский.