Во время двух первых промышленных революций организации часто ремонтировали или заменяли активы, только когда они ломались. Изобретение сборочной линии было «обоюдоострым мечом», она обеспечивала непревзойденную эффективность производства, но могла внезапно остановиться при первых признаках проблемы. Механики оценивали отказ, обнаруживали основную причину и оценивали время и затраты на ремонт и требуемые запасные части. Этот процесс был продолжительным, а простой активов — часто длительным и дорогостоящим. Чтобы исправить этот недостаток, организации создавали в своем производстве резервирование активов с огромными запасами дорогих в закупке (и хранении) запасных частей и содержали штат специалистов-механиков, чтобы не допустить простоев.
Третья волна индустриализации пришла с цифровыми технологиями и автоматизацией, внедряя в жизнь новые уровни производительности. Но она также привнесла и присущие ей проблемы (например, требования к целостности данных, комплексный сложный характер эксплуатации и технического обслуживания, увеличившиеся затраты, поломки и т.д.).
Нынешняя эпоха — «Промышленность версии 4.0», или четвертая волна цифровой трансформации, охватывает все эти проблемы. Достижения в области связи с источниками данных и технологий трансформируют услуги по техническому обслуживанию и безопасности данных. Для того чтобы задействовать новые стратегии технического обслуживания, которые увеличивают готовность, сокращают затраты, повышают безопасность и, в конечном счете, исключают незапланированные простои, происходит слияние и объединение таких технологических тенденций, как «интернет вещей», облачные вычисления, большие данные, углубленный анализ данных, машинное обучение, искусственный интеллект и дополненная реальность.
Превентивное техническое обслуживание имеет место в случае, если работы запланированы заранее на основе расчетных интервалов обслуживания для предотвращения отказов, вызываемых известным износом. Рассмотрим, например, замену масла в наших автомобилях. После некоторого рекомендуемого интервала времени или пройденного расстояния мы доставляем наши машины механику. Мы предотвращаем незапланированные простои, например поломки в дороге, путем выполнения рекомендуемого технического обслуживания. Большинство из нас готовы к расходам на раннее или даже чрезмерное техническое обслуживание, поскольку рост затрат стоит риска. Но если автомобиль является нашим бизнесом, мы можем попытаться немного продлить этот интервал между обслуживаниями — каждый дополнительный день или миля, которую мы проезжаем, это потенциальное снижение затрат и наша прибыль. Но тогда и возникает вопрос: а стоит ли это того? Если произойдет отказ, то, возможно, потребуется замена более дорогих деталей и более дорогие людские ресурсы для производства сложного ремонта. Может потребоваться много времени для устранения неполадок, прежде чем мы сможем снова вернуться на дорогу.
В мире промышленного производства затраты, связанные с простоями, гораздо серьезнее. Незапланированные простои могут стоить организациям миллионы долларов в день. По некоторым данным, простой производства в автомобильной промышленности стоит 22 000 долларов США в минуту. Незапланированное техническое обслуживание и ремонт могут стоить на 12–15 процентов больше, чем плановое, а дополнительная срочность, необходимая для возобновления производства, может еще более увеличить затраты и риски.
В результате передовые организации все чаще применяют стратегии предиктивного технического обслуживания. Согласно ГОСТ Р 57329-2016, «predictive maintenance» — это «предупредительное техническое обслуживание и ремонт, основанные на прогнозировании». Предиктивное техническое обслуживание учитывает расчетные оценочные интервалы обслуживания, в то же время используя преимущества выводов на основе фактических данных, полученных на основе измерения характеристик условий эксплуатации. В нашем примере с машиной это могло бы быть измерение вязкости масла или число оборотов двигателя. Кроме того, эти аналитические данные могут быть расширены и подкреплены данными внешних характеристик, таких как температура окружающей среды и данные геолокации. Используя статистическое задание пороговых значений или моделирование и прогноз для вычисления точки необходимости ремонта, организации, применяющие стратегии предиктивного технического обслуживания, имеют возможность лучше управлять затратами на запасные части и трудозатратами наряду с готовностью активов.
Хотя и может показаться, что начать работать, используя предиктивное техническое обслуживание, – это сложно и дорого, на самом деле проблемы вполне понятны, а организации могут учиться на примере существующих лучших практик.
Скорость обработки данных, разброс и вариативность данных. Непросто разглядеть реальную ценность больших объемов данных информационных (IT) и операционных (OT) технологий и «интернета вещей» (IoT). Данные часто изолированы в информационных и операционных хранилищах, а у пользователей нет возможностей для корреляции или совместной работы команд и доменов. Для выполнения эффективного предиктивного технического обслуживания необходимы согласование данных и некоторое упрощение доступа к ним.
Роль экспертных знаний в области управления производством. Управление промышленным производством — это компромисс между наукой и искусством. Требуется многолетний практический опыт, чтобы быть способным обнаруживать аномалии в поведении актива и устанавливать приоритеты значимых сигналов предупреждений и тревоги. Для поддержки предиктивного технического обслуживания организации включают свой собственный опыт в технологию анализа, применяют заранее запрограммированные технологии для поддержки предиктивного ТО или логические и адаптивные подходы, используя машинное обучение и искусственный интеллект.
Отсутствие оперативного и прогнозного анализа данных. Возможность диагностировать проблемы без влияния на производство является критичной с точки зрения оптимизации производства и минимизации незапланированных простоев. В большинстве производственных сред крайне сложно комбинировать и коррелировать данные по системам (например, система SCADA, системы датчиков, различные приложения, инфраструктуры, IT), которые используют несовместимые протоколы связи и широкий диапазон форматов данных. Также организации могут использовать решения от разных технологических вендоров, которые были развернуты для каждой отдельной промплощадки или в рамках отдельных проектов. Все эти факторы имеют результатом отдельные изолированные хранилища данных и отсутствие интеграции систем. Возможность же использования данных из этих хранилищ в режиме реального времени является обязательным условием для точного прогнозирования будущих состояний активов.
Препятствия для модернизации. Отделы операционных технологий часто прилагают все усилия, чтобы догнать своих партнеров из IT в своем стеке технологий. Несмотря на интерес производственников в использовании преимуществ трансформируемых технологических тенденций, модернизация часто сопровождается потенциальными рисками, влияющими на защиту данных, соответствие требованиям, безопасность персонала и наличие соглашений об уровне услуг. Например, интеграция систем операционных технологий (OT) со средами информационных (IT) может привести к возникновению новых угроз нарушения безопасности данных. И наконец, сильное сопротивление изменениям может быть широко распространено среди высокопрофессионального, но закоснелого в старых производственных процедурах персонала. Промышленное производство, трансформируемое с помощью цифровых технологий, получает выгоду от пилотных проектов вне производственной среды, от лучших практик анализа и программ обучения, делающих упор на значимость оператора и позитивные бизнес-результаты.
Технологии реинжиниринга и будущее технического обслуживания не ограничиваются разовой реализацией и придерживаются целостного подхода — определяя варианты использования и бизнес-ценность для организации, а также инновационные технологии, которые могут помочь в их решении. Вот технологии, преобразующие и трансформирующие промышленное производство.
Реализация «интернета вещей» в промышленном масштабе быстро снижает затраты и открывает возможность не только создавать, но и коррелировать новые потоки данных с существующими промышленными данными. Оснащая механизмы/оборудование (активы) недорогими датчиками, а затем сопоставляя данные с датчиков с традиционными системами управления технологическими процессами, операторы оборудования (эксплуатанты) могут осуществлять мониторинг состояния активов в режиме реального времени, меняя стратегию технического обслуживания с реактивной на проактивную.
Объединяя в облаке данные нескольких рассредоточенных активов или заводов/фабрик, организации имеют возможность сравнивать характеристики и использовать состояние ряда активов для лучшего прогнозирования необходимости технического обслуживания. Поставщики облачных услуг также предоставляют высокозащищенную, безотказную и масштабируемую аналитику и ресурсы отчетности, которые могут быть слишком дорогими или сложноуправляемыми в случае развертывания системы на сервере организации.
Большие данные имеют различные формы и форматы, и в основном сложно распознать реальную ценность для бизнеса огромных объемов данных в IT, OT и IoТ системах. Данные часто изолированы на «информационных островках» при отсутствии общего их понимания. Инновационные технологии больших данных упрощают процесс корреляции и объединения данных, например, из систем управления аварийными сигналами с сигналами, поступающими с датчиков оборудования в режиме реального времени, обеспечивая целостное представление по нескольким источникам. Эта новая волна в области больших данных в приложении к промышленному производству позволяет инженерам устранять проблемы за секунды и приближает организации к «светлому будущему» с предиктивным техническим обслуживанием и нулевыми незапланированными простоями.
Новые статистические методы и алгоритмы позволяют инженерам и статистикам использовать огромные объемы исторических и получаемых в реальном масштабе времени данных для расчетов и прогнозирования результатов способами, невозможными и неосуществимыми для человека. Наука о данных (Data Science) и машинное обучение (ML) открывают новые возможности для обеспечения объективного исследования данных активов для установления беспрецедентных состояний, устанавливая ранее неизвестные связи между активами и источниками данных, и предсказания будущих характеристик с поразительной точностью.
Искусственный интеллект (AI) уже не является научной фантастикой, это — реальность. Помимо точного прогнозирования времени, места и причины будущего отказа, AI имеет потенциал предоставления рекомендаций для наиболее эффективного снижения вероятности и последствий будущих отказов, обеспечивает основу для автономного технического обслуживания и ремонтов.
Дополненная реальность имеет наибольшее влияние на то, как техники по ТОиР и операторы взаимодействуют с активами на местах. В прошлом было необходимо доставить операторам на промышленную площадку статичную информацию, такую как техническая документация и описание процедур. Мобильные технологии предоставляют механику доступ к той же информации в режиме реального времени, но практическое взаимодействие подвержено человеческой ошибке. Решения дополненной реальности предоставляют механикам информацию, предоставляющую новое направление в обнаружении проблем, на лету изменяя стратегии технического обслуживания.
В то время как некоторые организации еще не в состоянии принять стратегию предиктивного технического обслуживания, преимущества и отдача от инвестиций в нее очевидны. Более того, отдача не зависит от отрасли промышленности. Производственные компании, энергетические и коммунальные предприятия, транспортные компании и компании в области здравоохранения трансформируют свои операции по техническому обслуживанию с помощью инновационных технологий, в то время как компании, не принявшие стратегии предиктивного обслуживания, быстро отстают и теряют конкурентные преимущества.
Это уже не просто вопрос снижения затрат на техническое обслуживание на производстве — предиктивное техническое обслуживание также повышает уровень безопасности персонала, обеспечивает достижение целей бизнеса и сокращает разрыв между собственно производством и управляющими структурами.
Журнал Prostoev.NET № 2(15) 2018
This website uses cookies.