Предиктивная аналитика технологического оборудования: Аннушка уже разлила масло
В 2009 году на Саяно-Шушенской гидроэлектростанции произошла трагедия, которая потрясла всю Россию. В результате разрушения турбины и последующего затопления машинного зала погибли 75 человек, а ущерб составил миллиарды рублей. Эта катастрофа стала одним из самых ярких примеров того, как внезапные поломки могут привести к масштабным человеческим и экономическим потерям. Но что, если бы у нас была возможность предвидеть подобные аварии и предотвращать их до того, как они произойдут? Представьте себе мир, где машины сами предупреждают о своих возможных неисправностях, а аварии становятся редкостью. Добро пожаловать в эру предиктивной аналитики промышленного оборудования — инновационного подхода, который меняет правила игры и делает производство безопаснее и эффективнее. В этой статье мы расскажем, как алгоритмы и большие данные помогают компаниям избегать катастроф и экономить миллионы рублей.
Содержание |
Фиксируем отклонения — выявляем закономерности
В последние годы в России наблюдается подъем производства, вызванный, в том числе, жесткими санкционными ограничениями. В этой связи особое значение приобретает стабильная, надежная и безотказная работа промышленного оборудования, особенно такого, для которого необходима поставка запчастей и комплектующих из-за границы. Поскольку замена узлов и компонентов крайне затруднительна и может занять длительное время, что неизбежно скажется на производственном процессе, к такому оборудованию необходимо относиться внимательно и бережливо. Отсюда возрастает потребность в инновационных подходах к обслуживанию и диагностике.
Любое оборудование в процессе своей работы генерирует технологические и эксплуатационные данные (давление, температура, вибрации и т.д.), анализ которых позволяет оценить его состояние, выявив на ранней стадии потенциальные проблемы. Чем больше оборудования, чем сложнее оборудование, тем больше применяется средств измерений — тем больше объем собираемых данных. С ними нужно уметь работать, анализировать и использовать. Одним из важнейших инструментов здесь является предиктивная аналитика. Это процесс использует данные, статистические алгоритмы и машинное обучение для определения вероятности будущих сбоев в работе оборудования. Это позволяет предприятиям проводить обслуживание оборудования только тогда, когда это действительно необходимо, вместо традиционного подхода, основанного на запланированном или периодическом обслуживании.
Технологическое оборудование, которое используется в производственных процессах, имеет так называемые аварийные границы. При достижении аварийных границ срабатывают автоматические оповещения от АСУ ТП, что уже само по себе является экстренной ситуацией для предприятия, влекущей за собой определенные действия со стороны технического персонала. Задача предиктивной аналитики — не доводить ситуацию до срабатывания аварийных предупреждений. Такие системы собирают и анализируют в реальном времени множество паттернов, связанных с работой оборудования, и на основании этого анализа, при обнаружении потенциально назревающей проблемы, оповещают технический персонал. Чаще всего, в подобных случаях достаточно провести профилактическое обслуживание, которое намного быстрее, проще и дешевле, чем полноценный ремонт или, тем более, замена вышедшей из строя детали или узла. К тому же любая аварийная ситуация — это серьезное нарушение технологического процесса, которое может напрямую снизить показатели производства. Предиктивная аналитика оперирует множеством параметров работы оборудования в реальном времени. Техники и ремонтники, даже самые опытные, знающие оборудование «как свои пять пальцев», просто не могут столь же эффективно следить за его работой, анализируя такой поток данных, который сейчас генерируют современные средства измерения и контроля.
Предиктивная аналитика рассматривает не просто отклонения паттернов работы оборудования от нормы, но анализирует их в комплексе, выявляя корреляции и закономерности. Тем самым она может предотвратить множество проблем, таких как перегрев оборудования или нарушение режимов работы, потенциальные нарушения в работе печей, загрязнение фильтров и многое другое. Понимание того, как данные и предиктивные модели могут быть использованы для мониторинга и управления процессами, является ключом к эффективной эксплуатации оборудования.
Сделано в России
Рынок предиктивных решений в России еще находится на стадии формирования, однако предприятия промышленного сектора экономики уже сейчас проявляют большой интерес к предиктивной аналитике. В первую очередь такие решения востребованы у компаний нефтехимической отрасли, производителей оборудования и сервисных компаний. Современные возможности в области «Интернета вещей» и «Больших данных» вместе с передовыми методами предиктивной аналитики позволяют промышленным предприятиям снизить затраты на обслуживание и ремонт при одновременном увеличении надежности работы оборудования. Перспективный потенциал предиктивной аналитики в промышленности подтверждается наличием положительного опыта применения данных систем зарубежными компаниями. Примером служат такие продукты, как Honeywell Forge for Industrial от компании Honeywell, Mtell от компании AspenTech, Predix от компании General Electric и др.
На российском рынке также можно найти современные решения для предиктивной аналитики технологического оборудования. Одним из них является продукт — ООО «ТерраЛинк Технолоджис». Речь идет о решении TL Predictive Analytics, в составе цифровой экосистемы TL Solutions, которая построена на микросервисной архитектуре, что обеспечивает гибкость и масштабируемость. Решение состоит из нескольких модулей, каждый из которых играет вою роль. Кратко расскажем о самых основных компонентах, их принципах работы и зонах ответственности.
За сбор данных отвечает модуль TL Collector. Он подключается к различным источникам данных и собирает информацию о работе оборудования. Источниками данных служат датчики промышленного интернета вещей (IIoT), которыми оснащаются различные узлы технологического оборудования. Данные передаются от измерителя в центральное хранилище. Каждый TL Collector подбирается в зависимости от типа оборудования, принципов его работы и характера передаваемых данных. Работа всех коллекторов основывается на распространенных протоколах работы промышленного оборудования. При отсутствии нужного коллектора, его возможно оперативно написать с нуля.
Модуль TL Plan Assets содержит метаданные об активах (единица оборудования, его местоположение, производитель, иерархическая структура и др.). К этим метаданным привязывается вся информация, которую собирают коллекторы. Собранные данные поступают в центральное хранилище. Это функцию в режиме реального времени обеспечивает модуль TL Realtime — компонент для агрегации и хранения данных, необходимых для работы алгоритмов аналитики. Приёмная часть модуля построена на основе шины Apache Kafka. Поступившие данные автоматически распределяются на три группы. Первая группа содержит в себе данные реального времени, собранные в колоночной БД Yandex ClickHouse. Вторая группа хранения включает в себя табличные данные. Здесь для хранения используется, уже считается классической, реляционная БД PostgreSQL, которая также применяется для модели активов TL Plan Assets. Третья группа хранения представляет собой кэширванные данные (последние значения). Для работы с ними применяется Redis. Подобная архитектура была разработана с целью оптимизации доступа к данным. Если в ClickHouse собраны данные длительного хранения, то в Redis — самая свежая и оперативная информация. При большом объеме собранных данных, что особенно актуально для крупных производственных холдингов, их целесообразно хранить долговременно в едином «озере». Для управления и предварительной обработки в этом случае используется модуль TL Datalake.
Непосредственно ядром системы является модуль TL Predictive Analytics, в котором реализуются алгоритмы предиктивной аналитики для решения задач прогнозирования и предупреждения отказов. Модуль в реальном времени считывает все паттерны, определяет отступления от нормального характера работы оборудования, выявляет нештатные тенденции и т.д., и маркирует их. Аналитические алгоритмы требуют предварительного обучения. Первая задача состоит в том, чтобы отсечь некачественные данные, убрать «шумы», которые неизбежны, ведь речь идет о работе промышленного оборудования в разных условиях, в том числе и климатических. После очистки данных, можно уже приступить к обучению моделей. После такого обучения предиктивная аналитика должна уметь выявлять ситуации, при которых оборудование работает уже не нормальном штатном, но еще и не в предаварийном режиме с оповещением в АСУ ТП. При этом система дает подсказки персоналу, как улучшить работу проблемного узла или детали.
Любая информация воспринимается лучше, если она наглядно визуализирована. Эта функциональность обеспечивается модулем TL Visio, который представляет собой конструктор дашбордов. Визуализация не только демонстрирует работу оборудования и помечает отклонения, но и позволяет работать с графическими данными, накладывать графики и выявлять корреляции. Все требующие внимания события высылаются человеку, оператору конкретного оборудования, который, в свою очередь, должен принимать решения — уделить внимание данному событию или нет. Таким образом, последнее слово в системе предиктивной аналитики всегда остается за человеком. Однако оператор может наделить систему стопроцентным доверием, при обработке того или иного события. В этом случае, она может реагировать на него автоматически, а оператору отводится роль наблюдателя. Для реализации автоматического режима важно получить согласование от промышленной безопасности предприятия, так как в данном случае от системы в АСУ ТП необходимо направлять управляющие команды.
TL Visio — модуль визуализации состояния оборудования и уведомлений, формируемых на основе результатов предиктивной аналитики, а TL Reports — компонент для формирования отчётов по результатам работы предиктивной аналитики. Фактически, их можно назвать «технологическими BI-инструментами», только вместо бизнес-показателей, они работают с техническими данными, генерируемыми оборудованием. Результаты работы предиктивной аналитики могут быть переданы в смежные решения, например в ТОиР-системы, с которыми можно выстроить двустороннюю интеграцию.
Когда количество переходит в качество
Система предиктивной аналитики не только сообщает о текущих проблемах с оборудованием «здесь и сейчас», но и прогнозирует его дальнейшее состояние. Для этого используются методы моделирования. Речь идет о нескольких видах моделирования. Математические модели позволяют выстроить динамику процесса любой сложности. Второй тип моделирования — машинное обучение. В его основе лежит накопленная статистика по работе оборудования. Ее главная задача — выявить на основе накопленных данных зарождающуюся неисправность. Работать с ML-моделированием проще, чем с математическим. Единственное, что для него нужно — это данные. Чем больше данных, чем они лучше и качественнее разделены, классифицированы, тем точнее результат. По словам разработчиков, процесс сбора полноценных объемов таких данных может занять до года. Целесообразно применять комбинированный подход, с использованием как математического моделирования, так и ML.
Полноценный сбор данных для обучения системы предиктивной аналитики, как упомянуто выше, может занимать до года. На минимальное же обучение требуется не менее месяца. После этого система может работать в режиме дообучения, но при этом она уже сможет выполнять свои базовые задачи, при условии, что ей не придется столкнуться с совершенно новым типом данных. В этом случае, ей также потребуется первоначальное обучение. Разумеется, все это не точные, а приблизительные и усредненные сроки, которые зависят от сложности объекта и количества режимов его работы. Проще говоря, систему предиктивной аналитики можно сравнить со студентом или школьником, который впитывает в себя знания, а затем начинает озвучивать собственные идеи и наблюдения. Его ответы подтверждаются или опровергаются «преподавателем», то есть в данном случае — оператором системы. После полноценного обучения и освоения всех режимов работы оборудования, предиктивная аналитика начинает уже работать в режиме не «студента», а «эксперта» или даже «профессора».
Отраслевой спектр применения систем предиктивной аналитики чрезвычайно широк. Это промышленное и электрическое оборудование: насосы, компрессоры, трансформаторы, котлы и т.п. Чуть ли не каждый день мы читаем новости о тех или иных техногенных катастрофах или авариях, большую часть которых можно было бы избежать при использовании датчиков и системы предиктивной аналитики, например TL Predictive Analytics от «ТерраЛинк Технолоджис».
Таким образом, предиктивная аналитика с применением модуля TL Predictive Analytics позволит производству снизить затраты времени и убытки при незапланированных простоях, повысить эффективность использования оборудования, снизить издержки на расходные материалы, обслуживание и ремонт оборудования, повысить готовность оборудования.