УРАВНЕНИЕ СО ВСЕМИ ИЗВЕСТНЫМИ?

Смена технологического уклада производств подвергла цифровой трансформации многие инфраструктурные объекты, распространяясь на разные отрасли. Промышленные предприятия активно внедряют инновационный инструментарий. Он позволяет просчитать возможные риски, повысить эффективность производства, четко спланировать ремонтные кампании и оптимизировать логистику. Рассмотрим механику применения таких популярных инструментов индустрии 4.0, как цифровой мониторинг и предиктивная аналитика в нефтегазовой отрасли и логистическом сегменте промышленности.

Трудности перехода в нефтегазовой отрасли

В процессе внедрения в нефтегазовую промышленность таких систем разработчики и интеграторы столкнулись с проблемой. Она связана с отличием в технологических и эксплуатационных режимах разных видов оборудования. Например, эксплуатация турбин и ряда других агрегатов характеризуется значительно большим количеством переходных режимов с быстрыми запусками и остановами, а, в свою очередь, энергетические машины работают большую часть времени в стационарном режиме. Следовательно, системы мониторинга, преимущественно использующие для контроля состояния оборудования статистические математические модели, будут не совсем эффективны для части установок.

Это хорошо видно на примере работы статистической модели в условиях развития аномалии. Растущая вибрация, формально оставаясь в коридоре допустимых значений, одновременно вызывает рост интегрального критерия состояния агрегата. При этом он работает лишь в штатном экстремальном режиме. Но в сочетании с остальными параметрами модели его поведение является нехарактерным и свидетельствует о наличии аномалии технического состояния.

Для выхода из подобных ситуаций можно использовать гибридную цифровую модель, где статистическое математическое моделирование совмещено с физическими математическими моделями. Это позволит:

Гибридная модель в действии

Применение такой модели, например, на газотранспортном предприятии дает возможность охватить большинство режимов работы оборудования, в том числе переходные. Из-за разных подходов к оценке состояния агрегатов физическая модель и статическое моделирование друг друга дополняют, существенно повышая достоверность прогнозирования.

Статистическая модель, являясь эталонным цифровым портретом оборудования, демонстрирует отличную сходимость на стационарных режимах работы. В ее основе лежит набор данных о работе исправного агрегата в разных режимах. Система сравнивает текущие и «идеальные» параметры и отображает изменение технического состояния оборудования в режиме реального времени. Этот метод оптимален для прогнозов на долгосрочной перспективе, так как позволяет оценить общее состояние оборудования и по возможности локализовать узел, где возникла проблема.

Физическая модель, в свою очередь, дает более детальную картину работы оборудования на краткосрочных отрезках и, как говорилось выше, прежде всего на экстремальных нагрузках. Модель имитирует работу установок в рамках технологического процесса. Она циклически «проигрывается» во времени, что позволяет рассчитать эталонные параметры узлов при разных режимах. Расхождение фактических и расчетных параметров по физической модели позволяет определить, какой узел вышел из строя, и выявить причину дефекта. 

В качестве бонуса метод также дает возможность смоделировать поведение агрегата с искусственно внесенной неисправностью для анализа дальнейшего поведения системы с подобным дефектом. Это позволяет предупреждать возникновение технологических аварий, связанных с «привычными» поломками оборудования. Новый инструмент, предупреждая аварийные ситуации, повышает эффективность предприятий благодаря уменьшению количества простых агрегатов и снижению расходов на их ремонт.

«Предиктивная» революция в логистическом сегменте

Индустрия критически завязана на точных сроках поставок. При этом сегодня традиционные системы их планирования существенно проигрывают решениям на основе Big Data по скорости и точности прогнозов спроса. Это стало особенно заметно на фоне структурных изменений в экономике, связанных с пандемией коронавируса. Разумеется, перед таким масштабным форс-мажором отступила и Big Data. Учесть и предсказать бедствие было невозможно, но целый ряд последующих факторов оказался подвластен анализу для современных IT-решений с использованием обучаемых нейросетей. Принципы цифровизации управления логистикой кардинально поменялись, точность прогнозов спроса выросла. При этом разница в эффективности старых и новых технологий анализа слишком большая, чтобы считать рентабельность по средним валовым значениям. И те, кто успел внедрить инновации, получают прибыли там, где другие разоряются. Какова же разница между старыми и новыми подходами в планировании поставок?

Минусы классической автоматизации планирования

Буквально вчера еще прогрессивным считалось внедрение на предприятиях информационных систем для управления ресурсами (ERP). С их помощью велся автоматизированный складской учет и оцифровывались все входящие данные от поставщиков и транспортно-логистических компаний. И, казалось бы, обладая полной информацией о своих производственных мощностях, поставщиках, складах, поставках, можно было говорить об эффективности и конкурентных преимуществах. Но такое ПО предыдущего поколения относилось к классу учетных систем, благодаря которым можно подсчитать уже произошедшие события, свести бюджеты и балансы, оценить прибыли и убытки. Правда, для выполнения таких действий в масштабе крупного производства требуется значительное время из-за длины цепочек сбора данных и согласований. А для того, чтобы рыночная ситуация была учтена в графике производства, должно было произойти достаточно много событий:

Из-за стремительных изменений на рынках такая схема позволяет лишь реагировать на ситуацию с запаздыванием, что для предприятий чревато дополнительными издержками на большие резервные запасы, закладыванием подстраховки по срокам поставок и оплачиванием лишних возвратов. Скорость реакции на изменения спроса также критически важна и в условиях усиливающегося в последнее время общего тренда на рост кастомизации. Здесь можно дважды потерять деньги: на упущенном ажиотажном спросе и на неликвидных товарных остатках после изменения конъюнктуры.

Последнее поколение предиктивной аналитики

После появления систем обработки больших данных появилась возможность их оперативного учета сразу из самых разных источников, таких как спрос по промоактивностям, выпуск новых товаров, листинги, тендеры, разовые заказы или изменения цен. Но основное отличие новой автоматизации логистики – в ее предиктивности. И это качественный скачок от учета к точным прогнозам. Если оценивать функционал и возможности систем предиктивной аналитики, то они:

Предиктивное планирование поставок целиком подчинено интересам производства. Так, например, появилась возможность рассчитывать кастомизированные и оперативные производственные планы с учетом реального спроса. Для этого автоматически подбирается математическая модель, от которой можно ожидать большей эффективности с учетом новой ситуации на рынке. А с учетом того, что обработкой данных занимаются самообучающиеся нейросети, корректировки прогнозирования даже с учетом новых и уникальных переменных быстро включаются в общее уравнение. Динамическая перенастройка всей логистической системы, начиная с производства, особенно актуальна для предприятий, выпускающих скоропортящуюся продукцию. Выгода для таких производителей складывается из:

При подготовке публикации использовались материалы РБК и eprussia.ru.