04.10.2021
Что сдерживает внедрение в промышленности систем прогнозной аналитики, построенных на методах математического моделирования, и в каком направлении пойдет их развитие?
Продукт четвертой технологической революции – метод предиктивной аналитики – постепенно набирает популярность в России. Тезисы, посвященные сегодняшнему дню и перспективам инновационного подхода к обработке данных на производстве, сформулировал директор департамента разработки ПО проекта «Прана» АО «РОТЕК» Игорь Трудоношин.
Передовой способ назвать точный месяц, день и час отказа или аварии сложного оборудования за время своего существования успел сэкономить промышленникам целые финансовые состояния. Но использовать поиск деструктивных техпроцессов в потоке больших данных спешат далеко не все. Нередкий аргумент скептиков – проверенное временем доверие экспертам, чувствующим как «дышит» заводское оборудование.
«Противопоказанием» также иногда банально называют стоимость внедрения систем прогнозной аналитики. Но прорыв уже фактически случился. Прогнозная аналитика родилась естественным образом в ответ на возникшие вызовы. Ее появление обусловлено развитием вычислительных технологий. Традиционные подходы на этом фоне начинают выглядеть все большей архаикой.
Однако пока прогностика переживает ранний этап своего развития. В силу этого ее возможности имеют ряд ограничений. Каких же?
По оценке исследователей глобального рынка американской компании AMR (Allied Market Research), технологии предиктивной аналитики наиболее востребованы в тяжелом машиностроении, энергетике, автопроме, производстве полупроводниковой электроники и фармацевтике.
1. Для полноценного внедрения предиктивного метода зачастую недостаточен уровень цифровизации промышленного оборудования. Методы прогнозной аналитики применимы только к относительно новому оборудованию с развитыми возможностями цифровой телеметрии.
2. На принятие решения сделать решительный шаг в сторону цифровизации часто влияет дороговизна досрочной замены существующего парка оборудования. Немного менее затратен путь его дооснащения «под цифру». Но это тоже дорого и зачастую неудобно, потому что требует внесения изменений в технический проект, что не всегда возможно.
3. Сдерживающим фактором является также необходимость экспертного контроля при внедрении прогностической системы. Ведь какой бы совершенной она ни была, в ее силах лишь предложить специалисту обратить внимание на нетипичные процессы, развивающиеся в оборудовании. При этом выводы о факторах, вызывающих растущие отклонения критических параметров, эксперт делает самостоятельно, опираясь на свой профессиональный опыт и знания.
4. Не стимулирует внедрение предиктивной аналитики и отсутствие архивов телеметрии за годы эксплуатации каждого типа оборудования. А они просто необходимы для обучения нейросетей. Ведь за счет внедрения машинного обучения могла бы быть частично решена проблема обязательного присутствия эксперта в цепочке принятия решений. Впрочем, современное промышленное оборудование сегодня настолько надежно, что даже большого архива не всегда достаточно для выработки статистики отказов, на которой и обучается нейросеть. Однако накапливать данные все равно необходимо, ведь системы прогнозной аналитики в своем развитии не останавливаются, завоевывая все больше доверия и расширяя свое присутствие в индустриальном секторе.
1. Перспектива появления новых типов нейросетей, частично берущих на себя функции эксперта, снижая человеческий фактор в оценке данных. В появлении подобных элементов искусственного интеллекта заинтересованы многие участники рынка.
2. Как уже отмечалось, один из основных путей совершенствования методов прогнозной аналитики в производстве – накопление данных о параметрах работы и статистики поломок не на реальном оборудовании, а на его математической модели – «цифровом двойнике», содержащем полную информацию обо всех физических свойствах реального объекта. Меняя состояние этой модели, можно имитировать самые разные отклонения в работе, а позже использовать полученные сценарии в системах предсказания поломок.
Современный энергоблок на основе газовой турбины генерирует от 1 до 2 тыс. измерений цифровых данных от различных датчиков
1. Внедрение технологий прогнозной аналитики помогает снизить операционные расходы за счет уменьшения количества отказов и оптимизации графика профилактических работ. Так, по оценке аналитиков компании McKinsey ,переход на предиктивный метод способен сократить время простоев оборудования на 30–50% и увеличить срок его службы на 20–40%.
2. Возможность получения ценных выводов из анализа прошлых состояний контролируемой системы – одно из ключевых достоинств нового метода. Ведь эффективность аналитики возрастает, если она опирается на накопленный архив телеметрии. Благодаря имеющимся в системах прогнозной аналитики элементам искусственного интеллекта, изучение истории работы оборудования позволяет делать выводы о том, насколько типичны или нетипичны текущие параметры. И даже если система прогностики не показывает мгновенного результата по конкретному виду оборудования, то набор статистически важной информации, которая приходит с этого объекта, понадобится позже. И в ближней перспективе так или иначе возникнет подходящий метод анализа, который можно будет «обучить» на имеющемся архиве.
3. Наиболее веской причиной в пользу внедрения инновации часто является реальный кейс из практики. Поэтому напоследок приведем пару подобных примеров из практики АО «РОТЕК».
На одном из нефтяных месторождений двигатель перекачивающего агрегата получил повреждение в первой ступени компрессора, которое штатная система диагностики не зафиксировала. Пороговое значение вибрации не было превышено. При этом расположенная за тысячи километров аналитическая система заметила изменившееся состояние телеметрических параметров и изменила индекс общего технического состояния агрегата, что привлекло внимание оператора. Оборудование в плановом порядке было остановлено и изучено. Оказалось, что откололась часть турбинной лопатки. Причем таким образом, что характеристики работы остались в пределах допусков. Позднее это привело бы к поломке или полному разрушению компрессора и необходимости дорогостоящего ремонта.
Среднегодовые темпы роста рынка систем прогнозной аналитики до 2026 года оцениваются в 20%
Система прогнозной аналитики выявила снижение эффективности системы смазки двигателя из-за коксования масла. Вручную отследить этот параметр невозможно, а система управления в такой ситуации среагировала бы только при превышении порогового значения температуры. Удаленный оператор, который следит сразу за множеством подобных устройств, получил уведомление, оценил ситуацию и дал команду на остановку двигателя. Устройство было бы отключено и автоматически, но лишь после нескольких часов работы в режиме масляного голодания. Любой инженер скажет, что это могло бы стать поводом для капитального ремонта. В данном же случае удалось ограничиться плановыми профилактическими работами.
При подготовке публикации использовались материалы ComNews.
