Промышленность
Заглянуть в будущее: зачем промышленным компаниям предиктивная аналитика
Рано или поздно любое промышленное оборудование выходит из строя из-за брака, износа или неподходящих условий эксплуатации. И каждый такой отказ влечёт за собой колоссальные расходы, причём ремонт, запчасти и расходные материалы — далеко не самые крупные их статьи. К примеру, поломка конвейера на заводе может привести к полной остановке производства. Производственная линия, которая в обычные дни выпускает продукцию на миллионы рублей каждый час, простаивает, пока проблема не будет устранена. В результате компания упускает выгоду и рискует своей репутацией из-за срыва поставок.
Поэтому очень важно выявлять дефекты и проблемы на промышленном оборудовании задолго до того, как они станут причиной аварий и простоев. В этом современным предприятиям помогают системы предиктивной аналитики. Как они работают?
Прогнозный подход к ТОиР
Долгие годы промышленные предприятия использовали одну из двух стратегий технического обслуживания и ремонта (ТОиР) оборудования:
- «реактивную», то есть меняли детали уже после того, как они вышли из строя;
- или «превентивную», когда проводили плановые ремонты и регулярно обновляли технику.
В первом случае компании сталкивались с немалыми издержками на простоях оборудования: по оценке Manufacturing Global, для 98% предприятий каждый час перерыва обходится более чем в 100 000 долларов. Во втором случае тратили огромные средства на обслуживание активов, которые в этом не нуждались.
Развитие Индустрии 4.0 и, в частности, концепции интернета вещей, позволило перейти к более современной методике ТОиР — предиктивному обслуживанию оборудования. Её основная идея заключается в том, чтобы за счёт использования передовых технологий предсказывать поломки до того, как они произойдут.
Для этого на оборудование — трансформаторы, насосы, турбины, электродвигатели — устанавливаются датчики, которые непрерывно отслеживают различные параметры его работы и состояния, а также окружающей среды. Замеры, собранные с датчиков, отправляются в централизованную систему, где алгоритмы машинного обучения «смотрят» на них, сравнивают с нормальными показателями и прогнозируют, что в ближайшее время те или иные детали могут выйти из строя. К примеру, система предиктивной аналитики может определить, что при текущем уровне шума, нагрузке и вибрации электродвигатель сломается через 3 дня. Благодаря такому подходу менеджеры могут заблаговременно просчитывать риски и предпринимать меры по обслуживанию и ремонту активов. Причём именно там, где это действительно требуется.
Результаты исследования Deloitte показывают, что предиктивная аналитика способна снизить затраты предприятий на ТОиР на 5—10%. Именно поэтому в последние годы она так популярна среди производителей и промышленных предприятий. Так, аналитики Market Research Future прогнозируют, что глобальный рынок ИТ-инструментов профилактического обслуживания увеличится до 6,3 млрд долларов в течение следующих двух лет. Для сравнения, в 2019 году его объём составлял всего 4,3 млрд долларов. А уже к 2027 году он, по разным оценкам, достигнет от 10,8 до 31,9 млрд долларов. При этом среднегодовой темп роста с 2020 по 2027 год составит от 15,1 до 28,8%.
Управлять — значит предвидеть
Предиктивное обслуживание внедряется в российских и зарубежных промышленных компаниях для решения нескольких задач.
1. Для сокращения материальных и трудозатрат на обслуживание оборудования.
В цехах Магнитогорского металлургического комбината ММК для контроля состояния электромеханического оборудования — электродвигателей, насосов, редукторов — постоянно присутствовал технический персонал. Плановые выезды бригад проводились еженедельно, однако на диагностику и выявление неисправностей электродвигателя всё равно уходило до 20 дней. После внедрения программно-технического комплекса с искусственным интеллектом процессы ТОиР были переведены из режима плановых ремонтов электромеханического оборудования в режим обслуживания по состоянию. В результате компания начала экономить на каждом ремонте до 200 000 рублей, а расходы ММК на обслуживающий персонал снизились на 17,5%.
2. Для раннего прогнозирования поломок и аварий.
На Череповецком металлургическом комбинате инструменты предиктивной аналитики используются для выявления возможности перегрева подшипника шестерённых клетей на конвейере. Это одна из самых частых причин его остановки. Прогнозирование перегрева подшипников даже при точности в 50% позволило сократить количество таких случаев в 3 раза и уменьшить общее время простоя с 5—6 часов до 1,5 часа в год. Впрочем, сейчас компания совершенствует результат, применяя более прогрессивные технологии прогнозирования.
Другой пример — использование предиктивной аналитики для прогнозирования системных сбоев оборудования для глобальной компании по производству медицинского оборудования Siemens Healthineers. У компании около 600 000 клиентов по всему миру, и многие из них подключены к Siemens Healthineers удалённо с целью профилактического и оперативного обслуживания. Применение алгоритмов распознавания образов на собранных данных позволило Siemens Healthineers идентифицировать определённые системные сбои за 21 день до того, как они повлияют на производительность оборудования.
В свою очередь, энергетическая компания British Petroleum начала использовать датчики, которые стоят на 99% нефтяных и газовых скважин, а также на буровых установках. Они используются для сбора данных о параметрах, важных для непрерывной работы оборудования. Это позволяет компании предсказывать, например, коррозию трубопровода. В 2006 году именно она способствовала розливу 200 000 галлонов нефти и вынудила компанию выплатить рекордный штраф в размере 25 млн долларов.
3. Для улучшения качества работы оборудования.
Компания «Сибур» несколько лет назад начала использовать предиктивную аналитику для сокращения числа обрывов при производстве биаксиально-ориентированной полипропиленовой (БОПП) плёнки на новокуйбышевской площадке «Биаксплена». Совместно с компанией Teradata была построена аналитическая модель зависимости обрывов от режимов производства полипропилена. Из более чем сотни параметров производства были выделены пять, наибольшим образом влияющие на обрывность плёнок. По этим показателям были рекомендованы диапазоны значений. Согласно этим рекомендациям в Тобольске были выпущены экспериментальные партии пропилена, обрывность плёнок с использованием которых по результатам измерений сократилась более чем на 50%.
4. Для решения актуальных проблем с оборудованием.
В ПАО «Газпромнефть» аналитики собрали 200 млн записей за год с контроллеров систем управления на 1649 скважинах, а также записи из аварийных журналов, схемы электроснабжения и множество другой информации для понимания причин сбоев в автозапуске насосов. Благодаря анализу big data и моделированию событий им удалось выяснить в том числе ранее неизвестные взаимосвязи в работе насосного оборудования. Например, они узнали, что в ряде случаев при отключении электропитания насоса проявляется эффект турбинного вращения, который приводит к обратному сливу нефти.
Люди и риски
Предиктивная аналитика не панацея от всех проблем на производстве. Эффект от использования систем прогнозирования зависит от множества факторов: качества собираемых и обрабатываемых исходных данных, применяемых алгоритмов, особенностей конкретного производства и даже человеческого фактора. К примеру, некоторые менеджеры промышленных компаний, проработавшие на производстве десятки лет и не доверяющие «цифре», предпочитают планировать расписание ремонтных бригад по старинке. В результате даже самые передовые технологии оказываются бессильны перед человеческим упрямством.
Среди проблем, с которым сталкиваются заказчики систем предиктивной аналитики, можно выделить две. Первая — платформенная: для решения задач аналитики и прогнозирования в реальном времени выбираются решения не по принципу подтверждённых кейсов и принципиальной возможности масштабирования, а решения на базе открытого кода. Либо системы, с которыми заказчики ранее работали для решения задач другого класса. Как правило, на такого рода системах удаётся реализовать одну или несколько задач, но полноценно масштабировать их на всё производство и предприятие не получается. При этом заказчики несут полные затраты и ожидают совсем других результатов.
Второй проблемой является необходимость применения подходов DevOps к разработке систем. Часто заказчики пытаются собрать собственные аналоги MLOps на основе проектов с открытым кодом, которые тоже были написаны для решения набора задач, но не для построения систем класса «Промышленный ИИ». Вне зависимости от того, строим ли мы прогнозную модель выявления дефектов на оборудовании или же проводим риск-скоринг клиентов в реальном времени, одинаково важно иметь высокопроизводительную платформу для аналитики и применять промышленные подходы разработки и использования моделей машинного обучения.
Таким образом, предиктивная аналитика даёт предприятиям ресурсы для прогнозирования сбоев в работе производства и заблаговременного предотвращения поломок и простоев оборудования. К примеру, в своё время энергетическая компания Duke Energy смогла сэкономить более 31 млн долларов за 3 года на превентивном обнаружении повреждений электросетевого комплекса.
Однако для того, чтобы внедрение прогнозных инструментов дало реальные результаты, предприятия должны тщательно подходить к выбору системы предиктивной аналитики, её встраиванию в текущие процессы и адаптации производства и сотрудников к нововведениям. Если планирование ТОиР идёт по старым схемам и не учитывает актуальные данные о состоянии оборудования, а сбор информации с датчиков не носит системный характер, то никакие, даже самые совершенные методы мониторинга и прогнозирования не дадут ожидаемого результата.