За последние два десятилетия были достигнуты существенные результаты в области повышения эффективности технического обслуживания промышленного оборудования. В то же время, исследования в этой области ведутся до сих пор, ведь решения для многих проблем так и не найдены. Многие предлагаемые решения не так практичны, как хотелось бы: предназначены точно для четко определенных задач, требуют большого количества исходных данных и соответствующих вычислительных ресурсов. О необходимости дальнейшего развития в этой области заявляют и крупные концерны, и небольшие производственные компании. Большую роль в планировании технического обслуживания сегодня играет искусственный интеллект (ИИ).
Планирование технического обслуживания оборудования представляет собой сложную и комплексную задачу из-за большого количества задействованных переменных и их взаимосвязи. В то же время надежность систем, применяемых для планирования обслуживания наиболее критична для производств, включающих различные переделы и взаимозависимые цеха, поскольку отказ одного участка может вызвать цепную реакцию на всем производстве.
Митиогло Алексей Михайлович
Статья написана Митиогло Алексеем Михайловичем — специалистом по предиктивной аналитике данных, членом рабочей группы, занимающейся стандартизацией применения технологий искусственного интеллекта в промышленности. Он является директором ООО «Предикта», команды профессионалов с пятнадцатилетним опытом в создании киберфизических систем и реализации сложных проектов.
Основные методы ИИ, которые применяются для контроля за промышленным оборудованием
- Генетические алгоритмы (ГА). Генетический алгоритм (ГА) — это метод оптимизации, разработанный в 1970-х годах. Он основан на принципах генетики и естественного отбора; то есть качественные решения могут эволюционировать посредством мутации, а более слабые решения исчезают. ГА являются более универсальными по сравнению с классическими методами оптимизации и поиска. Например, ГА могут работать с большим количеством непрерывных или дискретных переменных и оптимизировать сложные функции стоимости. Однако недостатком является необходимость в высокой вычислительной мощности, а это, в свою очередь, может потребовать использования параллельной обработки. Благодаря своим преимуществам ГА используются для решения многих сложных задач управления техническим обслуживанием.
- Нейронные сети (НС). Нейронные сети (НС) основаны на идее эмуляции человеческого мозга. Они часто используются в моделировании и статистическом анализе, а также в классификации и оптимизации.
- Интеллектуальный анализ данных. Интеллектуальный анализ данных использует статистические и машинные методы обучения для автоматизации обнаружения закономерностей в базе данных и разработки прогностических моделей для поддержки принятия решений.
- Гибридные системы. Гибридные системы — это те, которые используют два или более методов ИИ. В приложениях по обслуживанию наиболее часто используемым методом ИИ в гибридной системе является метод нечеткой логики вместе с тремя вышеописанными методами.
Предиктивное обслуживание оборудования
В промышленности регулярно выполняется большое количество задач визуального контроля; эти действия в основном выполняются вручную, влекут за собой систематические затраты и могут иметь последствия для здоровья персонала и безопасности. Например, промышленный актив может быть труднодоступным из-за ограниченного пространства или опасной среды. Также визуальный контроль применятся службой безопасности (камеры видеонаблюдения), чтобы предотвратить хищения на производственной площадке. ИИ обладает потенциалом для преобразования многих процессов, выполняемых вручную.
Использование моделей ИИ для выявления аномального поведения превращает данные датчиков оборудования в значимый, действенный инструмент для упреждающего обслуживания активов, а значит, и предотвращения простоев или аварий. Этот инструмент, обычно известный как предиктивное обслуживание, прогнозирует, когда и какое оборудование выйдет из строя, чтобы его обслуживание и ремонт можно было запланировать до того, как произойдет сбой. Выявление причин потенциальных неисправностей позволяет компаниям эффективнее организовывать техническое обслуживание, увеличивая время безотказной работы оборудования.
Критические характеристики, помогающие прогнозировать неисправности или отказы, часто скрыты в структурированных данных, таких как: год выпуска, марка, модель и сведения о гарантии, а также в неструктурированных данных, таких как история обслуживания и журналы ремонта. Вместе с тем, новые технологии, такие как Интернет вещей (IoT – аббревиатура на английском языке, по сути в цифровом пространстве создаются клоны реального оборудования для аналитики), аналитика больших данных и облачное хранение данных, позволяют большему количеству оборудования непрерывно обмениваться данными о своем состоянии с централизованным сервером, что делает обнаружение неисправностей более простым, практичным и практически бесшовным. Большую роль здесь играет успешная борьба с мошенничеством в цифровом пространстве, на государственном уровне создаются ГОСТы, регулирующие обращение с цифровыми данными таким образом, чтобы исключить их утечку.
Модель предиктивного обслуживания
Базовая архитектура модели профилактического обслуживания довольно однородна, независимо от приложений. Аналитика обычно располагается на различных ИТ-платформах, а слои систематически описываются как:
- Сбор и хранение данных: облачные или периферийные системы.
- Преобразование данных: преобразование необработанных данных для моделей машинного обучения.
- Мониторинг состояния: оповещения на основе эксплуатационных ограничений активов.
- Оценка состояния активов: диагностические записи, основанные на анализе тенденций, если состояние активов ухудшается.
- Прогностика: прогнозирование отказов с помощью моделей машинного обучения, оценка оставшегося срока службы.
- Система поддержки принятия решений: рекомендации по лучшим действиям.
- Визуализация (интерфейс): информация доступна в удобном для понимания формате.
Прогнозирование отказов, диагностика неисправностей, классификация типов отказов и рекомендации по соответствующим действиям по техническому обслуживанию являются частью методологии предиктивного обслуживания.
Применения машинного обучения в предиктивном обслуживании
Вертикально интегрированные производства, энергетика и ЖКХ являются одними из крупнейших драйверов спроса на предиктивное обслуживание. Эта технология также развивается и в других областях, поскольку производители стремятся контролировать расходы на обслуживание и простои. Для производителей оборудования и владельцев/операторов становится критически важным наличие предиктивного обслуживания, чтобы сохранить конкурентное преимущество.
Предиктивное обслуживание основано на методах, которые могут включать термодинамику, акустику, анализ вибрации и инфракрасный (ИК) анализ, и другие.
Непрерывное развитие больших данных, межмашинной коммуникации и облачных технологий создало новые возможности для исследования информации, полученной от промышленных активов. Мониторинг состояния в реальном времени возможен с помощью датчиков, исполнительных механизмов и других контрольных инструментов. Как правило заинтересованным сторонам нужен надежный партнер по аналитике и инжиниринговым услугам, который может помочь им использовать науку о данных для прогнозирования зарождающихся отказов активов, устранения их и принятия своевременных мер. Одной из главных проблем является то, что для правильной интерпретации таких данных требуется сочетание экспертных знаний на стыке предметной области изучения и знаний в области наук о данных.
Процесс применения машинного обучения — или его применение в предиктивном обслуживании — в промышленной сфере редко бывает простым. Данные могут быть непоследовательными или отсутствовать, а датчики могут давать ложные показания. Данные должны быть очищены, прежде чем их можно будет анализировать, а датчики должны быть установлены наиболее оптимально.
Мы все еще находимся на начальном этапе применения машинного обучения в промышленных приложениях. Возможно, еще слишком рано говорить о том, создадут ли такие широкие технологии, как IoT и ИИ, эру производительности, соперничающую с первыми промышленными революциями, или же Индустрия 4.0 будет чем-то вроде пересмотра программного обеспечения, а не революции, основанной на киберфизических системах.
На данный момент более практичным вопросом является то, как такие технологии могут удовлетворить самые насущные потребности — доставить нужных людей (технических специалистов) в нужное место (к потенциально неисправному оборудованию в нужное время до того, как оборудование выйдет из строя).
Автор: Митиогло Алексей Михайлович
