Предсказывая будущее: что такое предиктивная аналитика и как она поможет избежать аварий и техногенных катастроф

Любой инцидент легче предотвратить, чем бороться с его последствиями. Особенно, если речь идет о сложной технике: авария на производстве может привести к значительным потерям, а порой нанесенный ущерб просто трудно исчислим. Возможно ли спрогнозировать поломку оборудования? Что такое предиктивная аналитика? В чем заключаются трудности предсказания будущего в котором окажется та или иная машина?

Что такое предиктивная аналитика

Представим, что вы собираетесь отправиться на автомобиле в дальнюю дорогу, но слышите посторонний шум в районе трансмиссионного узла и думаете – не отложить ли путешествие, чтобы разобраться с проблемой. Любой водитель понимает, в каком состоянии находится его транспортное средство. Прежде чем сделать вывод о возможной неисправности машины, он анализирует интенсивность, динамику нарастания шума, исходя из своих знаний и ощущений. Кроме того, водитель помнит, присутствовал ли шум, который он слышал, всегда или появлялся только при полном ускорении. На основе целостной картины человек может принять решение: обратиться в сервисный центр или отправиться в путь. Конечно, он может ошибиться, и вдруг окажется, что узел трансмиссии в полном порядке, и во всем виновата холодная погода.

Так или иначе, мы все сталкиваемся с необходимостью давать прогнозы развитию событий на основании имеющихся у нас данных. У предиктивной аналитики тот же принцип: данные о прошлом и настоящем состоянии объекта анализируются для того, чтобы спрогнозировать его поведение в будущем и принять оптимальное решение.

Толчок развитию прогностики дало появление вычислительных мощностей, способных обрабатывать огромные массивы информации о состоянии машин, собираемые на различных и систем управления, хотя первоначально они предназначались для управления и удаленной коммуникации. В первую очередь системы управления внедрили на стационарных объектах, причем чем более сложное оборудование использовалось, тем раньше они туда пришли. Как только электроника стала компактной и более доступной, цифровые системы начали появляться практически везде. Этому способствовало распространение в конце 1980-х годов однокристальных ЭВМ и цифровых шин для обмена информацией. Машина собирает, оцифровывает данные о работе какого-либо механизма, чтобы передать их дальше по шинам цифрового обмена, записать и сохранить. В дальнейшем на основе полученной информации можно посмотреть, как себя объект вел при разных нагрузках в различных условиях. То есть происходит систематизация накопленных данных, построение архива для последующего анализа.

Новый уровень автоматизации

В начале 1970-х годов были предприняты многочисленные усилия по разработке интерактивной диагностики для выявления проблем — в частности, для обнаружения и идентификации аномалий, а также для обеспечения альтернативного способа измерения определенных рабочих и технологических параметров на атомных электростанциях. В начале 1980-х годов после аварии на Три-Майл-Айленде использование методов проверки сигнала нашло свое применение в атомной энергетике, в конкретных приложениях, таких как система отображения параметров безопасности (SPDS). Эта работа продолжалась в 1990-е годы, что привело к применению методов эмпирического и физического моделирования на основе данных для мониторинга производительности датчиков и процессов.

Непосредственно предиктивная аналитика родилась несколько позже — тогда, когда крупные компании начали пытаться систематизировать информацию, полученную от систем сбора данных.

Прогностические решения используются в самых разных отраслях, среди которых энергетика, нефтегазовая промышленность, металлургия, добыча полезных ископаемых, химическая промышленность, водоснабжение, коммунальное хозяйство.

Поскольку внедрение систем предиктивной аналитики на производстве дает возможность выявить дефект заблаговременно, ремонтные работы проводятся во время плановой остановки («останова» — как называют это профессионалы), что благоприятно отражается на всех производственных процессах. Время и количество вынужденных простоев сводятся к минимуму, а межремонтный период оборудования увеличивается.

Раннее выявление неполадок значительно снижает — до 30% — затраты на сервисное обслуживание техники, позволяет заранее закупить запчасти и в то же время уменьшить объем складских запасов.

Прогностика помогает выявить причину инцидента, оценить функционирование оборудования и корректность действий сотрудников на основании архивных данных. Кроме того, системы позволяют дать оценку качеству работы персонала с оборудованием, определить, насколько соблюдаются условия безопасной эксплуатации, а также запланировать затраты и загрузку мощностей.

Как это работает

Чтобы разобраться, как работают системы предиктивной аналитики, возьмем для примера наиболее распространенную российскую систему удаленного мониторинга и предиктивной аналитики «ПРАНА», которая может устанавливаться на различные типы оборудования, системы контроля и управления. Она имеет двухуровневую структуру: сначала данные средств контроля поступают на локальный сервер, где собираются в архив, а затем передаются в центр обработки данных ситуационного центра для анализа и оперативной выдачи рекомендаций.

Для того чтобы выявить отклонение, создается так называемый цифровой двойник исправной техники, в основе которого — информация о том, как она в нормальном состоянии функционирует в разных режимах. Цифровая модель не теряет актуальности со временем, она постоянно обновляется, а ее точность увеличивается. Система сравнивает «идеал» с текущим состоянием оборудования и таким образом замечает неисправность на самой ранней стадии. После этого результаты анализа данных поступают экспертам ситуационного центра и специалистам на станциях.

Создание цифровых двойников открывает большие перспективы для внедрения систем прогностики с элементами искусственного интеллекта (ИИ) на основе машинного обучения, которые помогают персоналу прогнозировать объем работ при плановом ремонте, подсказывают, где именно появляются аномалии, и выдают рекомендации.

Не по регламенту

Для любого оборудования существует свой регламент технического обслуживания, согласно которому нужно соблюдать правила эксплуатации, чтобы оно исправно работало в течение определенного периода. Если провести аналогию с автомобилем, то каждое транспортное средство должно проходить плановый техосмотр.

Однако регламент не гарантирует, что техника доработает до плановой проверки. Дефект может возникнуть, например, по причине неправильной эксплуатации или производственного брака. В этом случае лучше выбрать удачный момент для остановки аппарата, невзирая на то, что регламентом это не предусмотрено, попытаться устранить причину аномалии и, соответственно, продлить срок службы агрегата. Прежде чем перейти к ремонту, необходимо принять решение на основании технического состояния оборудования с учетом тех изменений, которые произошли, и с полным пониманием того, как будет трансформироваться то или иное изменение в будущем. Для этого и нужна прогностическая система — чтобы помочь специалистам сделать выбор.

Свежий пример. На нефтяном месторождении двигатель нефтеперекачивающего агрегата получил повреждение на первой ступени компрессора, на которое система управления не отреагировала. Однако система предиктивной аналитики по совокупности нескольких факторов распознала, что произошла поломка. Это дало повод рассмотреть причины, по которым техническое состояние отклонилось от нормы, и принять решение о внеплановом осмотре оборудования. И как только агрегат остановился, визуально было видно, что у него повреждена первая и несколько следующих ступеней компрессора, что могло привести к разрушению двигателя практически полностью.

Развитие технологий продолжается

Возможности предиктивной аналитики пока ограничены: она еще только начинает развиваться. Прежде всего, чтобы алгоритмы ИИ прошли необходимый этап обучения и стали максимально эффективными при эксплуатации сложного технологического оборудования, необходимо время, совершенствование методик и внедрение новейших способов анализа.

Экономический эффект не всегда очевиден для заказчиков в среднесрочной перспективе. Так, в момент фиксации аномалии не всегда возможно точно предсказать, какая авария может произойти, если не принять меры, а следовательно, невозможно оценить реальный предотвращенный системой предиктивной аналитики ущерб. Это может быть неисправность датчиков, которые просто заменить, а может, что-то серьезное, способное стать причиной техногенной катастрофы, жертв и экологического загрязнения.

Другая проблема состоит в том, что срок службы сложного технического оборудования может достигать 50 лет и более. Например, в энергетике работает большое количество турбин, которые не были изначально оснащены датчиками для сбора цифровых данных, без которых прогностика невозможна. Вместе с тем, дооснащение или модернизация в некоторых случаях могут быть экономически нецелесообразными. Этот нюанс отражается на темпах внедрения прогностики: установка предиктивных систем будет происходить только после вывода из эксплуатации этого оборудования и его замены на новое.

Внедрение предиктивных решений замедляет и тот факт, что требуется доработка нормативно-правовых актов, которые определяют, как именно должен происходить ремонт, а также нехватка квалифицированных сотрудников. Несмотря на проблемы, применение систем прогностической аналитики снижает убытки и уменьшает количество инцидентов. В некоторых случаях они могут достигать сотни и сотни миллионов рублей.

Источник: Популярная Механика