Предсказать поломку: как промышленность осваивает предиктивную аналитику

Имея в своем распоряжении массив данных о предыдущем состоянии системы, можно делать вполне надежные прогнозы относительно того, как она поведет себя в дальнейшем. Об этом вам скажет любой метеоролог, ведь составление прогнозов погоды строится именно на анализе исторических данных и их сравнении с текущей ситуацией. С появлением мощных вычислительных систем и методов построения математических моделей человечество получило возможность наслаждаться точными прогнозами и детальными картами осадков, построенными на несколько часов вперед.

Всеобщая информатизация и проникновение цифровых технологий во все аспекты человеческой деятельности известны под общим термином «Индустрия 4.0». Не обошла стороной она и промышленный сектор. Именно здесь, где цена суток простоя может измеряться миллионами рублей, особенно востребованы методы предиктивной аналитики.

Если описательная аналитика отвечает на вопрос «Что случилось?», то предиктивная идет гораздо дальше. «Что может произойти в будущем?» – вот поле ее деятельности. Найти верный ответ здесь помогают статистические методы и физические модели, искусственный интеллект и «промышленный интернет вещей» (IIoT). Все вместе они являются основой предиктивного технического обслуживания (Predictive maintenance, PdM). Получая информацию от сетей датчиков и заранее зная, когда откажет та или иная деталь, обслуживать оборудование можно не по регламенту или по факту аварии, а по состоянию. И всегда вовремя.

Какие же основные преимущества дает промышленности предиктивная аналитика? Их список широк. Сбор подробных данных о работе оборудования в режиме реального времени обеспечивает высокую прозрачность производственных процессов, возможность своевременного предсказания отказов и уменьшению времени простоя оборудования. Сокращение простоя ведет к улучшению производительности, а переход от регламентного обслуживания к упреждающему уменьшает эксплуатационные затраты. Наконец, PdM способствует продлению срока службы и коэффициента использования оборудования, повышению безопасности сотрудников и, как следствие всего вышеперечисленного, увеличению общей прибыли предприятия.

Нет ничего удивительного, что компании из самых разных секторов хотели бы как можно шире использовать потенциал PdM, несмотря на то, что решения подобного уровня весьма недешевы.

Примеры использования предиктивной аналитики

Вот лишь несколько примеров внедрения PdM, которые помогают понять потенциал технологии. Начнем с компании Volvo, задача которой заключалась в снижении простоев и времени ремонта огромного парка тяжелых грузовиков. 

К началу внедрения инструментов предиктивной аналитики автопроизводитель уже имел большой массив данных о состоянии ключевых узлов автомобилей, накопленный ранее. Для обработки этих данных была использована платформа IBM SPSS, а также применены методы машинного обучения, которые позволили на основании исторических данных построить достоверные цифровые модели состояния различных компонентов автомобилей. Результатом стало сокращение времени диагностики неисправностей на 70%, а стоимости ремонта – на 20%. 

Нефтедобывающая компания Chevron развернула свои инструменты предиктивной аналитики на облачной инфраструктуре Microsoft Azure. Как и в случае Volvo, у компании уже был накоплен огромный объем статистических данных о работе тысяч нефтяных скважин, которые генерируют до 1 Тбайт информации ежесуточно.

Построив цифровые модели своих производственных объектов, обогащенные данными от развитой сети датчиков IIoT, Chevron смогла не только сэкономить значительные средства, уменьшив операционные расходы, но и использовала полученные прогнозы для совершенствования методов геологоразведки, оптимизации логистических цепочек и пр.

А вот и российский пример. Отечественная система прогностики и удаленного мониторинга «ПРАНА», следящая за клиентским оборудованием общей стоимостью $4 млрд, за четыре года эксплуатации позволила на 72% снизить количество инцидентов и на 90% уменьшить ущерб от простоя энергоблоков одного из крупнейших в РФ производителей электричества. 

Добиться столь высоких результатов позволило применение мультивариативных векторных статистических моделей (MVSM), позволяющих одновременно обрабатывать сотни разнообразных параметров, полученных от сети датчиков IIoT. Кроме того, система показала свою эффективность и в других отраслях

Проблемы внедрения предиктивной аналитики

Почему же до сих пор не каждый промышленный объект опутан сетями «интернета вещей» и не подключен к цифровому «оракулу», если термин PdM существует с 90-х годов? Начать стоит с того, что лишь в последние годы «прогностическое техническое обслуживание» получило свое современное значение. До недавнего времени состояние информационных технологий не позволяло строить настолько совершенные аналитические системы. Кроме того, существуют и другие факторы, замедляющие распространение PdM.

В своем недавнем исследовании аналитическая компания McKinsey выделяет несколько таких препятствий. Во-первых, выпущенное относительно давно оборудование может вовсе не иметь средств сбора исторических данных, или эти данные низкого качества. Во вторых, далеко не везде развернуты полноценные промышленные сети IIoT, или текущая ИТ-инфраструктура не позволяет использовать весь их потенциал. В-третьих, имеющийся технический персонал зачастую не обладает компетенциями для построения цифровых моделей, а привлеченные специалисты обходятся очень дорого, что ставит под сомнение экономическую эффективность цифровой трансформации.

Кому предиктивная аналитика нужна уже сейчас

По мере модернизации промышленности препятствий для внедрения предиктивной аналитики будет оставаться все меньше. Однако и сейчас можно назвать те компании, у которых есть необходимые предпосылки к тому, чтобы не сидеть сложа руки.

Максимальный экономический эффект, несмотря на высокую стоимость разработки цифровых моделей, смогут получить те, кто эксплуатирует много однотипного оборудования – турбин, насосов, двигателей, трансформаторов и т.д.

Вторым важным свойством такой компании является наличие у нее высококвалифицированного инженерного персонала, подготовленного к работе с цифровыми технологиями.

Лучше всего цифровые системы покажут себя на оборудовании критической инфраструктуры, где его отказ вызывает значительные социальные или экономические последствия.

Наконец, потенциальные отказы должны иметь высокую значимость для компании. Если оборудование может простаивать неделю без серьезных убытков для бизнеса, то тратиться на PdM, скорее всего, не будет причин. Другое дело, когда речь идет о производстве, в принципе не допускающем остановки. Например, металлургическом.

Очевидно, что прогнозная аналитика уже сейчас широко востребована на самых разных производствах. По мере цифровизации оборудования и накопления исторических данных, полученных при помощи инструментов «интернета вещей», мировая промышленность все полнее будет соответствовать ожиданиям от «Индустрии 4.0». А в будущем такой подход вполне может стать всеобщим.

Источник: Runet