Настоящее и будущее систем прогнозной аналитики на промышленных предприятиях

Технологии промышленной прогнозной (предиктивной) аналитики, набирают популярность. Новые подходы к обработке данных уже сейчас помогают повысить безопасность, снизить операционные расходы и улучшить статистику технических отказов предприятий в разных отраслях. О том, как работает прогнозная аналитика, каковы границы ее применения и потенциал развития, ComNews рассказал директор департамента разработки ПО проекта "Прана" АО "РОТЕК" Игорь Трудоношин.

Системы прогнозной аналитики - один из важнейших элементов четвертой технологической революции. По данным Allied Market Research, наиболее востребованы эти технологии в таких отраслях, как производство полупроводниковой электроники, энергетика, фармацевтика, автомобильная промышленность и тяжелое машиностроение. Рынок подобных решений до 2026 года будет расти со среднегодовыми темпами более 20%. И это не должно удивлять.

Аналитики из McKinsey подсчитали, что внедрение предиктивной аналитики (предсказания отказов в промышленном оборудовании) может сократить время простоев на 30-50% и увеличить срок службы на 20-40%. Учитывая, о каких размерах экономии идет речь, производственные компании просто не могут игнорировать подобную возможность. Но что же такое прогнозная аналитика? Каковы ее перспективы и границы применимости? Давайте разберемся.

С тех пор как человечество начало использовать технически сложное оборудование, перед ним стоял вопрос предсказания их неполадок. Приближающийся сбой опытный специалист мог определить на слух, визуально или другим доступным способом. Это позволяло провести ремонт до того, как произойдет отказ или авария.

По мере усложнения технологий росло и количество параметров оборудования, которые надо было контролировать. Операторские залы первых АЭС были буквально нашпигованы сотнями аналоговых приборов, по показаниям которых опытные специалисты могли судить о том, как "дышит" реактор. Однако при этом отсутствовал архив информации, в лучшем случае это были записи самописцев, непригодные для машинного анализа.

Компьютерная революция и появление автоматизированных систем управления стали настоящим прорывом в промышленности и позволили создавать гораздо более сложные станки, турбины, двигатели и множество других высокотехнологических систем. Стоит лишь сказать, что сейчас современной типовой энергоблок на основе газовой турбины генерирует порядка 1000-2000 измерений цифровых данных от различных датчиков.

Надежность работы оборудования обеспечивается выполнением сложного свода регламентных работ, выполняемых по расписанию. Вне зависимости от того, насколько за прошедший период времени отклонились параметры работы устройства, оно на время выводится из эксплуатации для технического обслуживания. Эти действия носят профилактический характер, но при этом строго обязательны.

Но и самый жесткий регламент не является страховкой от сбоев и аварий, если речь идет о технически сложном оборудовании. Даже два абсолютно идентичных образца, сошедшие с конвейера друг за другом, будут иметь немного разные рабочие характеристики, и один из них выйдет из строя раньше другого. Вот только современный мастер уже не может на слух или визуально обнаружить приближающуюся поломку, когда речь идет даже о сотнях контролируемых параметров, не говоря уже о тысячах.

Заглянуть в будущее

Работа самых совершенных традиционных систем управления основана на определении пороговых значений. Они помогают понять, что вибрация подшипникового узла превысила допустимую, или температура теплоносителя вышла за пределы расчетной. Об этом оповещается оператор системы, срабатывают алгоритмы реагирования. Но событие уже произошло и требует вмешательства прямо сейчас.

Крайне полезно было бы знать, что подшипник разрушится через месяц, а задвижка в системе циркуляции теплоносителя заклинит через неделю? Как раз здесь нам на помощь и может прийти прогнозная аналитика, построенная на методах математического моделирования.

Прогнозная аналитика базируется на поиске развивающихся процессов в потоках данных от датчиков. Даже если таких датчиков тысячи, программное обеспечение может проанализировать их все. Используя инструменты математической статистики, такое ПО может заранее определить, через какое время тот или иной параметр достигнет порогового значения. А значит, отказ или аварию можно предотвратить. И это уже работает.

Практические аспекты

Приведу пример из нашей практики. 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 часть турбинной лопатки откололась. Причем таким образом, что характеристики работы остались в пределах допусков. Позднее это привело бы к поломке или полному разрушению компрессора и необходимости дорогостоящего ремонта.

Или еще пример. 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.

Что прогнозная аналитика не может

Прогностика находится на раннем этапе развития, поэтому пока возможности еще ограничены.

Одним из основных сдерживающих факторов является недостаточная пока цифровизация промышленного оборудования. При этом их стоимость такова, что ни о какой досрочной замене не может быть и речи. Соответственно, методы прогнозной аналитики могут быть применены только к относительно новому оборудованию с развитыми возможностями цифровой телеметрии. Существуют практики дооснащения таких устройств датчиками, но это дорого, к тому же требует внесения изменений в технический проект, что не всегда возможно.

Второй сдерживающий фактор - необходимость экспертного контроля. Какой бы совершенной ни была прогностическая система, пока она может лишь предложить живому специалисту обратить внимание на те или иные развивающиеся в оборудовании нетипичные процессы. А уже сам специалист, опираясь на весь свой опыт, делает вывод о том, какие факторы могли вызвать растущие отклонения.

Третий фактор находится на стыке первых двух. Проблема обязательного присутствия эксперта в цепочке принятия решений могла бы быть частично решена за счет внедрения машинного обучения. Но для обучения нейросети требуются огромные наборы данных - архивы телеметрии за годы эксплуатации каждого типа оборудования. Пока они не накоплены. К тому же, современное промышленное оборудование стало столь надежным, что даже большого архива не всегда недостаточно для выработки статистики отказов, на которой и обучается нейросеть.

Перспективы развития

Сейчас видятся два основных пути совершенствования методов прогнозной аналитики в производстве. Первый - 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.

Второе направление развития технологии требует появления новых типов нейросетей, которые хотя бы в некотором приближении могли взять на себя функции эксперта, тем самым снизив фактор человеческого участия в оценке данных. Мы пока не знаем, как будут работать подобные элементы ИИ, но в долгосрочной перспективе они обязательно появятся - в этом заинтересованы многие участники рынка.

Почему начинать надо сейчас

Уже сейчас внедрение технологий предиктивной аналитики помогает снизить операционные расходы за счет уменьшения количества отказов и оптимизации графика профилактических работ. Эффективность аналитики еще больше возрастает, если она опирается на накопленный архив телеметрии. Собственно, возможность получения ценных выводов из анализа прошлых состояний контролируемой системы - одно из ключевых достоинств нового метода. Благодаря уже имеющимся в системах прогнозной аналитики элементам искусственного интеллекта, изучение истории работы оборудования позволяет делать выводы о том, насколько типичны или нетипичны текущие параметры.

Даже если прямо сейчас никакая система прогностики не показывает результат по конкретному виду оборудования, то набор статистически важной информации, которая приходит с этого объекта, понадобится позже. В перспективе трех-пяти лет может появиться подходящий метод анализа, который можно будет "обучить" на имеющемся архиве.

Кроме того, сейчас можно готовиться и к появлению прогностических технологий следующего поколения. В частности, создавать полный набор справочной информации, на которую могли бы опираться алгоритмы. Этот набор должен включать в себя базовые сведения о структуре объекта, составе его агрегатов, их свойствах и характерных рабочих параметрах. Позднее, в сочетании с накопленными архивами параметров, этот массив информации станет прекрасной основой для внедрения пока еще только разрабатываемых методов анализа.