ИСПОЛЬЗОВАНИЕ МЕТОДОВ ПРЕДИКТИВНОЙ АНАЛИТИКИ ДЛЯ МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ ОТКАЗОВ ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ

THE USE OF PREDICTIVE ANALYTICS METHODS FOR MONITORING AND PREDICTING FAILURES OF INDUSTRIAL EQUIPMENT

Vladimir Shkarupa

Student, Saint Petersburg State Electrotechnical University "LETI" named after V.I. Ulyanov (Lenin), Russia, Saint Petersburg

Аннотация. Статья посвящена использованию методов и инструментов предиктивной аналитики в целях прогнозирования и минимизации отказов промышленного оборудования на производственных предприятиях. Рассматривается значимость затрат на организацию технического обслуживания и капитальных ремонтов. Особое внимание уделено преимуществам использования предиктивной аналитики, включая снижение затрат, повышение надежности оборудования и улучшение производственных процессов. В заключении отмечается совершенствование и распространение методов предиктивной аналитики в будущем и движении предприятий к максимальной автоматизации на основе предсказаний систем искусственного интеллекта.

Abstract. The article is devoted to the use of methods and tools of predictive analytics in order to predict and minimize failures of industrial equipment at manufacturing enterprises. The importance of the costs of organizing maintenance and major repairs is considered. Special attention is paid to the advantages of using predictive analytics, including cost reduction, increased reliability of equipment and improved production processes. In conclusion, the improvement and dissemination of predictive analytics methods in the future and the movement of enterprises towards maximum automation based on predictions of artificial intelligence systems are noted.

Ключевые слова: предиктивная аналитика, мониторинг оборудования, прогнозирование отказов, цифровой двойник, машинное обучение, снижение затрат.

Keywords: predictive analytics, equipment monitoring, failure prediction, digital twin, machine learning, cost reduction.

Анализ рисков, связанных с владением и эксплуатацией производственных объектов, показывает, что наиболее распространенными являются механические поломки, электрические повреждения и износ оборудования. Особенно уязвимыми оказываются объекты, введенные в эксплуатацию десятилетия назад. Оборудование, произведенное в 70-80-х годах прошлого века, часто не соответствует современным требованиям надежности и безопасности, его эксплуатация сопряжена с повышенным риском отказов.  Проектирование и организация работ для его модернизации или замены требует масштабных инвестиций.

Вместе с тем постоянной «головной болью» для большинства предприятий является организация технического обслуживания и выполнение ремонтов оборудования. Так как подразумевает наличие нескольких складов запчастей, содержание специализированного персонала в штате, периодическое формирование графиков и проведение осмотров. В зависимости от отраслей промышленности вложения на проведение ремонтов и техническое обслуживание могут составлять от 6 до 18 % стоимости производимой предприятием продукции, что в некоторых случаях сопоставимо с уровнем общей прибыльности. Но даже при столь значительных финансовых вложениях крупные аварии неизбежны, что оказывает влияние на технологические процессы и приводит к простоям. В основной своей массе предприятиями используются базовые стратегии и инструменты контроля, которые предоставляют производители оборудования.  Зачастую потенциал этих средств ограничен отсутствием возможности модернизации или апгрейда и позволяет пользоваться только базовыми методами, заложенными производителями. У них отсутствуют такие компоненты, которые позволяют проанализировать дополнительные факторы, оказывающие влияние на состояние оборудования, способные оценить степень угрозы и спрогнозировать критическую ситуацию заблаговременно. Таким образом, работники ответственные за техническое обслуживание имеют возможность накапливать большой массив основных технологических и контролирующих параметров, но не знают, как их использовать и какие очевидные и неочевидные взаимосвязи можно между ними установить. В итоге ремонтные службы активизируются уже только после того как произошла авария и оборудование вышло из строя. И это в свою очередь сказывается на технологических процессах, выводом одного или нескольких сегментов производства в простой, следовательно, возникают убытки и возрастают дополнительные расходы.

В настоящее время на предприятиях основными стратегиями, которые используются в подходах к планированию и выполнению ремонтов являются базовая стратегия ремонта непосредственно после отказа, которая как правило сопровождается большими финансовыми затратами и стратегия планово-предупредительного ремонта, использование которой является преждевременным как правило в половине случаев. Вместе с тем наиболее перспективной стратегией в техническом обслуживании с точки зрения различных направлений представляется стратегия выполнения ремонта по состоянию с использованием предиктивного подхода, который позволяет заранее прогнозировать возможные отказы оборудования, тем самым повышая эксплуатационную надежность, безопасность и экономическую эффективность эксплуатации промышленных объектов.

Прогнозирование является необходимым шагом к предупреждению и снижению отказов промышленного оборудования. Внедрение на производственных предприятиях эффективной системы прогнозирования изменений в состоянии оборудования является ключевым способом для сокращения количества отказов оборудования и снижения затрат на обеспечение работоспособности оборудования и предупреждения простоев в технологических процессах. Предиктивная аналитика - основанный на анализе исторических и текущих данных, этот метод с использованием прогнозирования помогает предотвратить неожиданные поломки производственного оборудования, рассчитать вероятности выхода его из строя для оперативного проведения дополнительного технического обслуживания. По сути, предиктивная аналитика – это инструмент для перехода от реактивного обслуживания оборудования (когда ремонт выполняется после возникновения неисправности) к проактивному (когда проблемы прогнозируются и устраняются заранее). Такой переход позволяет существенно снизить затраты на планирование и проведение ремонтов и повысить отказоустойчивость производственных процессов.

Для решения задач прогнозирования требуется разработать и реализовать систему, которая будет заблаговременно сообщать о возникновении неблагоприятных событий, определять отклонения и аномалии в работе производственного объекта и возможное развитие нештатных ситуаций. Система должна сигнализировать о том, в каких узлах оборудования зафиксированы отклонения параметров от установленных значений и заблаговременно предупредить о развивающейся проблеме. Как следствие вероятность отказов и возникновения аварий существенно снижается и сокращается время возможных простоев производственного объекта. Система должна формировать и предлагать в режиме советчика оптимальный, при текущих условиях, перечень действий и мер с целью сохранения штатного режима функционирования производственно-технологического процесса.

При разработке системы за основу должна быть взята прогнозная модель с использованием методов машинного обучения, которая будет выполнять анализ данных поступающих с датчиков технологического оборудования и на их основе выявлять отклонения значений с прогнозированием вероятности отказа. Для создания такой модели в качестве входящей информации необходимо сформировать массив исторических данных собранных с датчиков, установленных как на оборудовании, так и на периферии, в том числе скачки напряжения, повышенная вибрация, выход температуры за допустимые значения, повышение уровня жидкости, отклонения в числе оборотов в минуту, задержки при запуске двигателя, постукивание или непонятный шум, минимальные изменения углов конструкций. Также должны учитываться данные о дефектах выявленные при проведении осмотров оборудования. При этом особую значимость представляет объем исторической информации, так как построить качественную модель и в дальнейшем ее обучить возможно только на достаточном массиве данных. Чем за более протяженный временной период собраны данные, желательно за несколько лет, тем точнее и качественнее будет работать прогнозная модель.

В подходах предиктивной аналитики изначально моделируется производственный объект как набор соответствующих правил и алгоритмов. Оборудование по соответствующим моделям критериям разделяется на отдельные объекты мониторинга, для каждого из которых в свою очередь также генерируются свои правила и частные алгоритмы. Затем выполняется регрессионный анализ параметров для нахождения взаимосвязей между ними и осуществляется кластеризация оборудования по корреляции между данными с датчиков и режимами работы. В итоге, появляется «цифровой двойник» реального объекта, отражающий поведение и состояние технологического оборудования в производственном процессе. Далее поступающие данные от объектов мониторинга передаются в «цифровой двойник», в котором происходит анализ данных, выявляются расхождения и фиксируются разнообразные аномалии. За счет этого в режиме реального времени удается прогнозировать их состояние и выявлять возникновение неисправностей на ранней стадии. [3]

При решении тех или иных задач, когда необходимо выполнить анализ различных типов данных, используются методы, в основе которых заложены принципы машинного обучения. В результате получаем многообразие закономерностей, в том числе и не всегда очевидных с первого взгляда. Применение методов предиктивной аналитики позволяет с достаточно высокой степенью предупредить отказы технологического оборудования и избежать прерывания процессов производства, что оказывает прямое влияние на снижение уровня потерь. В целях предупреждения отказа, модель прогноза поломок оборудования позволяет узнать о необходимости выполнения ремонтных работ заранее, чтобы планово приостановить процесс для своевременного вмешательства. Проведение технического обслуживания с таким превентивным подходом, за счет уменьшения количества и периодов простоя оборудования, приводит к тому что эксплуатационные расходы сокращаются на 15–30% (в зависимости от количества и качества исходных данных, а также от специфики конкретного производства). [4]

Прогнозная аналитика средствами машинного обучения и искусственного интеллекта проводит непрерывный анализ больших данных, выполняет визуализацию данных о состоянии оборудования на текущий момент и прогнозирует сценарии возникновения отказов оборудования. В результате сокращаются внеплановые простои, оптимизируются работы по техническому обслуживанию и ремонту оборудования, уменьшается время техобслуживания, а управляющий персонал получает углубленный анализ причин отказов оборудования. [5] Предиктивная аналитика сегодня - уже не дань моде, а необходимый инструмент, который помогает в обслуживании оборудования, повышении его эффективности и прогнозировании спроса. В будущем число ниш для «умных» прогнозов будет расти, а предприятия будут двигаться в сторону максимальной автоматизации на основе предсказаний систем искусственного интеллекта. И данные для производств станут таким же ценным ресурсом, как потребляемое ими сырье. [6]