Многие аналитики в нашей стране и за рубежом считают, что ближайшее будущее в области управления связано с развитием методов и технологий прогнозирования на основе больших массивов данных. Опыта использования технологий прогнозирования состояния оборудования на основе анализа «больших данных» в нашей стране пока немного, поэтому мы решили начать погружение в тему с зарубежных публикаций.
Доступность различных датчиков, контроллеров и сетей передачи данных от них порождает такие варианты использования «больших данных» (Big Data), о которых в прошлом веке задумывались только фантасты. Холодильники уже умеют заказывать себе продукты, чайники включаются смсками, а в современном доме скоро вообще исчезнут выключатели. Конечно, нас больше интересует промышленное применение этих технологий. В России недавно создан даже Комитет, в задачи которого входит поддержка промышленного интернета, который, собственно, должен стать основным каналом передачи «больших данных». Основная идея и ценность развития этого направления — исключить человеческий фактор из процесса оценки состояния оборудования и прогнозирования времени его работы. И в идеале — научить оборудование самостоятельно заказывать себе нужные ресурсы для обслуживания и ремонта.
Как влияет развитие технологий больших данных, «Интернета вещей», методов прогнозирования и интеллектуального анализа на традиционный во многих компаниях ППР (планово-предупредительный ремонт) и деятельность по обслуживанию с учетом данных по диагностике? Куда ведут нас эти тенденции, и что должны организации делать сейчас, чтобы воспользоваться теми возможностями, которые открывают новые технологии ближайшего будущего? Попытаемся ответить на эти вопросы, но сначала дадим определения некоторых ключевых терминов, которые только начинают применяться.
«Википедия» приводит «большие данные» (Big Data) как обобщённый термин для описания данных настолько сложных и массивных, что традиционных приложений для их обработки недостаточно. Задачи включают в себя анализ, выборку, курирование данных, поиск, обмен, хранение, передачу, визуализацию и обеспечение конфиденциальности информации. Термин «большие данные» часто относится просто к использованию прогнозной аналитики или других некоторых дополнительных методов для извлечения полезной информации из данных, и необязательно большого массива этих данных.
Тут же мы сразу видим конфликт в этом определении: первое предложение говорит о том, что наборы данных являются большими и сложными, в то время как в третьем предложении говорится, что термины часто используются независимо от размера набора данных. В данной статье мы будем говорить о больших данных для описания больших объемов информации, которая доступна из различных систем (например, ERP/EAM-систем, систем управления технологическими процессами, систем мониторинга состояния оборудования и т. д.).
Самое важное — с точки зрения задач управления ТОиР, — что традиционно эти наборы данных сохранялись и анализировались независимо друг от друга, в разных приложениях или даже в файлах пользователей. С развитием информационных технологий у нас теперь есть возможность хранить и анализировать полную картину о состоянии оборудования на основе более подробного набора данных, полученных из различных источников. При этом часть данных можно отнести к абсолютно объективным, так как они получены непосредственно с датчиков, без участия человека. Другая часть данных может поступать из других источников и не быть слишком объективной, как, например, данные о прогнозе погоды.
«Интернет вещей» — это сеть физических объектов (или «вещей») со встроенной электроникой, программным обеспечением, датчиками и подключением к сети, которая позволяет этим объектам накапливать данные и обмениваться ими. С точки зрения управления активами и ТОиР, оснащение оборудования различными приборами (контроля давления, расхода, температуры и т.д.) — не новость. В прошлом, однако, эти датчики были подключены через собственные закрытые протоколы связи, а их выходы были доступны для просмотра только через собственный интерфейс управления.
С появлением «Интернета вещей» эти устройства теперь могут общаться посредством интернет-протоколов связи, используя открытые стандарты, и как результат, теперь данные потенциально могут быть использованы для целого ряда дополнительных целей, а не просто управления технологическим процессом, а также могут быть доступными для гораздо более широкого круга пользователей. Кроме того, постоянно снижается стоимость этой «бортовой» электроники, что делает решение по обмену данными экономически эффективным.
Когда эти датчики подключаются к магистральной связи, это значительно увеличивает объем данных, доступных для анализа, а также позволяет обеспечить анализ практически в режиме реального времени.
Понятия «технологии прогнозирования» и «технологии аналитики» часто понимаются как синонимы. Однако более корректно считать, что «технологии аналитики» — это анализ, который используется, чтобы делать прогнозы о неизвестных будущих событиях. Прогнозная аналитика применяет многие из методов интеллектуального анализа данных, статистики, моделирования, машинного обучения и искусственного интеллекта для анализа текущих данных, чтобы делать прогнозы о будущем. Ключевым моментом здесь является то, что существует целый ряд возможных методов, которые могут быть использованы для прогнозирования будущего. Например, есть правило, которое гласит, что если вибрация подшипников превышает определенное значение, то подшипник с высокой степенью вероятности откажет, — это и есть простейшая форма аналитики.
Однако существуют гораздо более сложные прогностические модели, и именно в этой области сейчас наблюдается активное развитие технологий. Можно сказать, что технологии прогнозирования являются основой для применения и развития уже существующих технологий анализа. Сюда можно отнести технологии, которые позволяют обнаружить начальные тревожные сигналы о том, что событие должно произойти (например, технологии мониторинга состояния узлов, технологии анализа масла и т.д.), а также технологии обработки информации, которые используются для запуска моделей прогнозной аналитики.
Существуют разные взгляды на определение превентивного (планово-предупредительных ремонтов) и прогнозного обслуживания в зависимости от того, применяются ли подходы RCM или какие-то альтернативные. Некоторые люди и организации определяют прогнозное обслуживание как конкретное подмножество профилактических работ с целью предотвращения сбоев производственного оборудования. В данной статье мы будем использовать определение методологии RCM, где профилактическое техническое обслуживание — это рутинная деятельность, в которой компоненты или оборудование заменяются/ремонтируются в конкретный заранее определенный интервал времени, независимо от их состояния на тот момент. Прогнозное же обслуживание — это проверка или тестирование для выявления признаков, которые указывают на то, что объект скоро откажет. В этом случае в график попадает работа (для завершения в соответствующее время в ближайшем будущем) по замене, ремонту или капитальному ремонту объекта прежде, чем он откажет в процессе его эксплуатации. Так, например, замена моторного масла в двигателе автомобиля каждые 10 000 км — это профилактическое действие по обслуживанию, а измерение глубины протектора на шинах — прогнозная инспекция.
В целом (большую часть времени, но не всегда) ремонты, ориентированные на надежность, все равно реализуются через профилактическое обслуживание, а не заменяют его. Это происходит потому, что (опять же, в целом, и там, где это технически осуществимо) задача профилактического обслуживания оборудования — максимизировать время безотказной работы и срок службы компонентов. Из этого общего правила есть исключения, но в данной статье мы не будем на них останавливаться. Но мы считаем, что прогнозное обслуживание обеспечивает лучшие результаты в бизнесе в целом, чем профилактическое обслуживание, именно за счет того, что появляется четкая определенность, какие профилактические операции обслуживания повлияют на прогноз времени работы оборудования.
Так что все это значит? Как большие данные и «Интернет вещей» влияют на наши прогностические и профилактические программы технического обслуживания? Давайте рассмотрим концептуальную модель процесса прогнозного обслуживания.
Для того чтобы использовать прогнозное обслуживание и избежать последствий отказов в процессе эксплуатации, элементы, показанные на рисунке 1, должны присутствовать в комплексной системе обслуживания. Давайте рассмотрим каждый из этих элементов, так как они могут быть применены и в традиционной программе мониторинга состояния, и в современной программе обслуживания, позволяющей использовать достижения в области больших данных, «Интернета вещей» и прогнозной аналитики.
Каждое событие, связанное со сбоем работы конкретного элемента оборудования, имеет какую-то причину неисправности (отказа). В обеих системах обслуживания — традиционной, с мониторингом состояния оборудования, или новой, «программе XXI века», — как правило, определены изменения параметров, несоблюдение режимов, варианты воздействия, по которым идентифицируются функции элемента оборудования и причины отказов (сбоев), которые могут привести к потере какой-либо функции оборудования. Этот процесс может быть или не быть связан с формальным RCM-анализом всех видов отказов, а может быть предсказан с использованием методов профилактического обслуживания. Во многих профилактических работах есть операция «ревизия», это как раз инструмент оценки состояния в рамках профилактической работы.
Некоторые виды дефектов могут не иметь симптомов приближающегося отказа, другие могут проявляться такими симптомами, которых недостаточно для предотвращения последствий отказа, для третьих стоимость фиксации симптомов может оказаться существенно дороже их последующего ремонта. Однако — и это справедливо для всех программ прогнозного технического обслуживания — для создания эффективной системы прогнозирования отказов важно, что дефекты и симптомы известны и регистрируются для дальнейшего анализа. В случае с дефектами, которых следует избегать за счет использования более современных методик (например, тех, которые используют сложный анализ и комплексное моделирование), расходы на внедрение, развитие и использование этих методик должны быть оправданы значительностью последствий, вызванных потенциально возможным сбоем.
Желательно, чтобы применение более передовых методов прогнозирования давало значительную прибавку в производительности по сравнению с существующей программой прогнозирования сбоев или профилактических стратегий. Другими словами, передовые технологии прогнозирования должны быть направлены на поиск возможностей для улучшения общей эффективности бизнеса, а не только на решение технических задач.
Обнаружение зарождающегося дефекта состоит из технологий измерения, данных, полученных при измерениях, и вспомогательных моделей, с помощью которых возможно обнаружить и диагностировать проявление начальной стадии дефекта (потенциальный отказ в RCM терминологии). Традиционно до последнего времени использовались в основном ручные методы (периодический анализ вибрации, анализ масла, фиксация наблюдений операторами и т.д.). Кроме того, традиционные модели используют один вход (например, общий уровень вибрации) с одного уровня тревоги, для того чтобы обнаружить отказы на начальной стадии их развития. В современной системе технического обслуживания новые возможности использования больших данных и более сложные прогностические методы анализа позволяют анализировать и синтезировать гораздо большее количество данных: например, использовать в модели данные технологического процесса — такие как температура, давление и т.д., или экологические данные — такие как температура окружающей среды, осадки и т.д. Несколько переменных, часто из разных источников, теперь могут быть использованы в качестве входных данных для включения в прогнозную модель, позволяющую определить сбои на начальном этапе. И эти данные не обязательно должны быть числовыми. Анализ может быть построен на основании записей журналов и листов осмотра так, что наличие определенных ключевых слов в этих документах может быть использовано в качестве входных данных для этих моделей прогнозирования. Например, можно провести сложный анализ прогноза выхода из строя двигателя не просто с помощью модели, которая полагается исключительно на результаты анализа моторного масла (есть риск, что очень высокое значение может быть ошибочно принято за плохие показатели), а соотнеся результаты анализа масла, последние данные по расходу топлива (либо от бортовой системы мониторинга, либо от топливозаправщика) и сообщение о повышении уровня дыма, отмеченное в бортовом журнале водителем.
Существует ряд методов интеллектуального анализа, которые могут использоваться, чтобы определить переменные, комбинации переменных и уровни тревоги для прогнозирования отказов оборудования. Они варьируются от самых простых, таких как личный опыт (я знаю, что когда начнет выходить дым из подшипника, то он скоро заклинит), объединяющий накопленный опыт (на основе нашего коллективного опыта мы знаем, что если уровень вибрации подшипника на этом насосе превышает 9 мм/сек, то он заклинит через 30 часов работы), до более сложных математических методов.
Наиболее распространенные из этих методов основываются на анализе больших объемов данных.
Основные различия между методами заключаются в том, что регрессионные методы, как правило, требуют формализации связей между входными переменными в форме строгого математического уравнения. А машинное обучение — это алгоритм, который может самообучаться на основе полученных данных, не опираясь на правила программирования/
Большинство организаций, особенно когда речь идет о критически важных активах, обычно не позволяют работать этим активам до отказа — по понятным причинам. Соответственно, для таких случаев данных по отказам может просто не быть. В результате лучшее, что мы можем сделать, это получить данные, которые относятся к «условным отказам»: мы заменили или отремонтировали деталь, не доводя до отказа, и всё, что мы знаем, это то, что эта деталь или агрегат работали в тот момент, когда мы приняли решение о ремонте, но мы не знаем, как долго эта деталь проработала бы еще, если бы мы не вмешались.
Таким образом, нехватка точных данных для проверки математических аналитических моделей, которые могут прогнозировать отказы оборудования, — это ограничение, которое нужно как-то преодолеть. Тем не менее, большинство нынешних усилий по моделированию, когда речь идет о больших данных и прогнозной аналитике, сосредоточено на разработке более сложных и точных моделей для прогнозирования проявления дефектов на начальном этапе. Все больше и больше эти данные доступны в режиме реального времени через оборудование, снабженное датчиками и связанное с другим оборудованием («Интернет вещей»), и модели, используемые для того, чтобы обнаружить вероятность поломок, развиваются все более ускоряющимися темпами.
Как только вы поймете, что оборудование находится на ранней стадии развития отказа, станет важным процесс прогнозирования вероятных последствий, чтобы принять правильное решение, как действовать дальше. В настоящее время принято считать, что последствия каждого начинающегося отказа являются фиксированными и таким образом предопределенными, что позволяет предполагать функциональный отказ. Однако на практике для любого отдельного события отказа существует целый ряд возможных последствий, и они могут меняться с течением времени. Например, высокая температура колесных подшипников на поезде может либо привести к заклиниванию с последующим повреждением колеса и пути, либо же к разрушению подшипника и потенциальному крушению. Кроме того, последствия этого могут варьироваться в зависимости от того, где оказался поезд в этот момент и был ли он загружен или пуст. В качестве другого примера приведем высокую температуру подшипников на мотор-приводе конвейера загрузки судна. Отказ конвейера будет иметь различные последствия в зависимости от того, сколько времени осталось до окончания загрузки и сколько теперь придется ожидать загрузки следующему кораблю.
В традиционной системе техобслуживания обычно мы записываем одно значение критичности активов, и, будучи однажды внесенным, оно редко изменяется. Однако в будущем, в системе техобслуживания XXI века, критичность актива должна обновляться постоянно, в режиме реального времени, используя входные данные от различных систем — планирования производства, управления технологическими процессами, системы продаж и маркетинга, — а также анализируя данные о состоянии актива, полученные через «Интернет вещей». Основываясь на этой оценке в режиме реального времени, мы будем способны в полной мере понимать как потенциал бизнеса, так и последствия отдельных зарождающихся отказов, и принимать более обоснованные решения относительно мер по исправлению положения и срочности, с которой они должны быть выполнены. В настоящее время разработок в этом направлении пока немного, но ожидается рост интереса к созданию более совершенных методов определения технических причин приближающегося отказа.
Как только мы установили, что зарождающийся отказ (потенциальный сбой) существует на активе, и что последствия отказа будут таковы, что их следует избегать, следующий вопрос, который возникает, это «сколько у нас остается времени, прежде чем произойдет критический отказ» или, точнее, «сколько у нас времени для предотвращения этого критического отказа». Здесь мы вступаем в область прогнозирования, и технологии обработки больших данных могут как раз помочь в получении ответа. В настоящее время те, кто знаком с ремонтами, ориентированными на надежность (RCM), скорее всего, знают, что одним из ключевых параметров является PF-интервал (см. рис. 2) — это временной интервал от точки Р (точка, в которой мы можем впервые обнаружить существование потенциального отказа или зарождающегося дефекта) до точки F (точка, в которой этот отказ неизбежно произойдет). PF-интервал важен по двум причинам. Первая заключается в том, что если мы проводим периодические проверки состояния активов, мы должны проводить их с периодичностью меньше времени PF-интервала, чтобы быть в состоянии принять необходимые меры и избежать последствий функциональных отказов. Вторая заключается в том, что PF-интервал говорит нам, как быстро мы должны принять необходимые меры для предотвращения технических сбоев в будущем. Обратите внимание, что появление «Интернета вещей», в котором все больше и больше параметров состояния оборудования регистрируются в режиме реального времени, а не через периодические проверки, дает нам возможность выбирать точку потенциальных отказов (точка P на рис. 2) как можно ближе к точке F и при этом избежать последствий отказа. Так мы можем реализовывать стратегии профилактики отказов «точно в срок», тем самым продлевая срок службы компонентов. Это особенно важно для техники, такой как карьерные самосвалы и дорожные грузовики, где интервал времени между периодическими работами обычных проверок может быть довольно большим. Так как же определить, каков PF-интервал на самом деле? В настоящее время большинство организаций оценивают PF-интервал (за исключением, возможно, для особо важных видов отказов) методом экспертных оценок. Это часто происходит в режиме мозгового штурма на тему «как долго прослужит подшипник, пока его не заклинит?» Учитывая, что эти оценки могут быть неточными, обычно принимаются более консервативные оценки PF-интервала, что приводит к излишне частым проверкам. Прогнозная аналитика в сочетании с мониторингом состояния в режиме реального времени и технологией «Интернета вещей» может позволить нам оценить PF-интервал с большей точностью путем сбора информации о том, как состояние оборудования изменяется с течением времени в рамках текущей оценки PF-интервала. Затем технология больших данных может позволить нам определить дополнительные факторы, которые могут влиять на реальный PF-интервал для конкретного отказа, на определенную часть оборудования, с учетом конкретных условий эксплуатации. Например, измеряя электрическую нагрузку на электродвигатель с одновременной фиксацией информации о вибрации, мы можем определить влияние нагрузки на двигатель и скорость его износа от точки P до точки F. Как отмечалось ранее, основным препятствием для применения более сложных прогностических аналитических методов является недостаточность данных, потому что на практике мы редко доводим оборудование до точки F, так как последствия этого могут быть слишком велики. Но без этой информации мы должны делать лишь предположения на основе взвешенных данных о потенциальных отказах.
Теперь, когда мы видим, что актив находится в процессе развития дефекта в отказ, когда мы понимаем масштаб последствий этого отказа для нашего бизнеса, и когда мы знаем, сколько времени осталось до отказа, мы должны определить оптимальные меры по исправлению положения. Вернемся к примеру с конвейером, о котором мы упоминали ранее. Допустим, у нас есть окно в загрузке через десять дней, и мы могли бы успешно починить все привода транспортера во время этого окна без влияния на производство. Однако наше моделирование говорит, что есть 30% вероятность отказа подшипника в течение этих десяти дней. У нас есть меньшее окно в погрузке через два дня, но нам придется задержать начало загрузки следующего корабля на четыре часа, чтобы выполнить полную замену мотора. Какой вариант выбрали бы вы? Формального процесса анализа для принятия этого решения нет. Если вы не предрасположены к риску, вы, скорее всего, выберете второй путь. Но в современном мире мы уже можем использовать более полную информацию, которую можем получать благодаря большим данным, прогнозной аналитике и связанным моделям, чтобы принимать обоснованные решения.
Конечно, это представляет собой серьезный культурный сдвиг для большинства организаций. Ведь традиционно принятие решения — это прерогатива конкретных лиц, облеченных властью, обладающих возможностью делать «важные звонки». Но зачастую эти «позвоночные» решения принимаются спонтанно и без особой аналитической подготовки. Внедрение процессов принятия структурированных решений, с аналитическими инструментами поддержки этих решений, будет вызывать значительные изменения в мышлении и в культуре во многих организациях.
Мало знать, что элемент оборудования откажет, и иметь план, как избежать последствий аварии, если меры для предотвращения или смягчения последствий отказа фактически своевременно не приняты. Еще раз — внедрение аналитического прогнозирования представляет собой серьезный культурный сдвиг для многих организаций. В настоящее время специалисты по мониторингу состояния во многих организациях и во многих отраслях промышленности могут рассказать немало историй, как они предупреждали команды по обслуживанию, что активы на грани отказа, и как они рекомендовали провести соответствующие работы, и как их рекомендации либо игнорировались полностью, либо вспоминались, когда было уже слишком поздно и оборудование попадало в ремонт после отказа. В новой системе ТОиР XXI века наши системы управления обслуживанием и прогнозной аналитики будут интегрированы. Если наши модели говорят нам, что меры по корректирующему воздействию должны быть приняты до определенной даты, то это будет отражено в сроках для выполнения заказа в нашей системе управления обслуживанием. Просроченные и неизбежные корректирующие действия будут отмечены для особого контроля. Команда по техобслуживанию не сможет изменить эти сроки, и они будут игнорировать их уже на свой страх и риск — в теории, по крайней мере!
За неимением отечественных примеров давайте посмотрим на европейский пример удачного использования больших данных, «Интернета вещей» и прогнозной аналитики для обслуживания самолета. Исходные цели ТОиР для Typhoon Fighter Jet были следующие:
Ожидаемые выгоды — $3,1 млрд экономии на ТОиР за 25 лет эксплуатации десяти самолетов за счет применения методов прогнозного моделирования дефектов и отказов компонентов. Количество отказов компонентов самолета меняется в зависимости от изменения условий эксплуатации, а потребность в материальных ресурсах зависит от места базирования самолета. В итоге около 2000 компонентов каждого самолета были заложены в модель для прогнозирования износа, и каждый расчет по этой модели представлял собой файл размером 40 Мб, который был источником данных для работы каждого последующего расчета модели. Прогнозное моделирование запускает различные итерации модели для прогнозирования трендов и возможных эффектов от изменения в окружающей обстановке. Полученные в результате работы этой программы выводы включают в себя следующее:
Итак, мы можем видеть, что «Интернет вещей» и большие данные потенциально представляют огромные возможности для улучшения надежности оборудования и сокращения затрат на его техническое обслуживание. В недавнем прошлом для считывания информации с оборудования, оснащенного датчиками контроля состояния, применялись стационарные посты, к которым техника подъезжала для передачи данных. Теперь же, с появлением относительно дешевых беспроводных технологий, необходимость проводных сетей для съема информации с датчиков и контроллеров отпадает. В сочетании с возможностями «Интернета вещей», интерфейсов «машина — машина», облачных технологий обмена данными и мощных серверов процесс совместного использования больших данных ускорился и упростился. Значительное увеличение инвестиций в области проектирования новых датчиков и разработки современных платформ для моделирования прогнозов по отказам добавляет уверенности в быстром развитии этих технологий. Информация от датчиков, приводов, параметров управления и оперативных данных, накопленных данных SCADA-систем, прогнозных данных может обеспечить следующее:
В некоторых случаях информация может быть автоматически передана в систему АСУ ТОиР для завершения цикла управления и формирования заказа на работу. Системы, разработанные для обеспечения автоматизированного технического обслуживания, могут обеспечить следующие потенциальные выгоды:
Успешное внедрение прогнозного ТОиР может быть связано с двумя ключевыми областями (табл. 1).
Журнал Prostoev.NET № 3(8) 2016 по материалам западных публикаций
Авторы: Дмитрий Скворцов, директор по развитию ООО «Простоев.НЕТ»
This website uses cookies.