Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы. Технологии умных фабрик и прогнозируемое обслуживание. Монография

— Компьютеризированная система управления техническим обслуживанием (CMMS) управляет техническим обслуживанием оборудования. ИИ может значительно улучшить функциональность CMMS, предоставляя возможности прогнозной аналитики и автоматизации, в том числе на основании данных, полученных от автоматизированной системы прогнозируемого / предписывающего обслуживания.

Важно обратить внимание на следующий факт. Термин «прогнозируемое обслуживание» не подразумевает только автоматизируемую систему или отдельный локальный процесс. Прогнозируемое обслуживание — это часть стратегии развития промышленного предприятия и стратегии эксплуатации промышленного оборудования, в реализации которой используется дополнительное оборудование, программное обеспечение и новые технологии обработки и анализа данных, для обнаружения неисправностей оборудования, с целью их устранения до того момента, как они выйдут из строя. Несомненно, важную роль в прогнозированном обслуживании играет применение новых технологий ИИ. Они позволят современным предприятиям перейти от реактивного или превентивного обслуживания к прогнозируемому, а в перспективе и к предписывающему обслуживанию.

В настоящее время задача прогнозируемого обслуживания является одним из ключевых мировых трендов в области промышленной автоматизации. Согласно данным, доля рынка промышленной автоматизации, связанная с этим направлением, составляет 24,3%, что эквивалентно более 7,5 миллиардам долларов США. Ожидается, что к 2028 году объем этого рынка достигнет почти 14,28 миллиардов долларов США [40].

Рисунок 8. Аналитический отчет IOT Analytics о рынке предиктивного технического обслуживания 2023 — 2028: 3 основных направления

На Рисунке 9 представлен пример подхода к решению задачи автоматизации прогнозируемого обслуживания, а также его интеграции с производственными информационными системами.

Как мы видим, ИИ занимает центральное место в обработке значительных объемов данных, поступающих от датчиков и промышленного оборудования. ИИ, в рамках прогнозируемого обслуживания, должен помочь выполнить: описательный анализ — выявление того, что произошло; диагностический анализ — определение причин возникновения аномалий; прогностический анализ — предсказание возможных отказов; предписывающий анализ — рекомендации по устранению проблем.

Рисунок 9. Пример процесса автоматизации процесса прогнозируемого обслуживания

Для решения этих задач используются различные методы ИИ, включая машинное обучение, глубокое машинное обучение и другие. Для эффективной работы промышленных автоматизированных систем требуются большие вычислительные ресурсы, способные обрабатывать большие данные и выдавать точные прогнозы. ИИ способен анализировать данные, собираемые датчиками и предсказывать возможность выхода из строя оборудования, что позволяет избежать незапланированных простоев в работе и снизить затраты на его ремонт. Кроме того, ИИ может оптимизировать графики технического обслуживания, учитывая множество факторов, таких как загруженность оборудования и доступность персонала, что делает процесс управления техническим обслуживанием более эффективным.

— Интеграция ИИ с другими промышленными автоматизированными системами. ИИ может быть интегрирован с другими отраслевыми системами, такими как системы управления цепочками поставок, системы управления энергопотреблением и системы управления персоналом. Все это позволяет создать единую цифровую экосистему промышленного предприятия, которая охватывает все аспекты производственного процесса и обеспечивает максимальную эффективность, производительность и высокую конкурентоспособность на рынке.

Подводя итог вышесказанному, хочется еще раз подчеркнуть то, что мы с вами:

— определили приоритетные информационно-технологические направления, с учетом которых требуются создавать и развивать автоматизированные системы прогнозируемого и предписывающего обслуживания;

— дали определение прогнозируемому обслуживанию, которое является важной частью стратегии развития промышленного предприятия и стратегии эксплуатации промышленного оборудования;

— определили перечень приоритетных производственных систем, для улучшения работы которых необходимо применение новых технологий ИИ.

Материал данной главы позволит вам перейти к дальнейшему изучению вопросов и решению задач создания автоматизированных систем прогнозируемого / предписывающего обслуживания в промышленности.

Глава 3. Базовый подход к созданию автоматизированных систем прогнозируемого обслуживания в промышленности

Основные положения и результаты исследования, содержащиеся в данной главе, были представлены на XXVII-ой Российской научной конференции «Инжиниринг предприятий и управление знаниями».

Прогнозируемое обслуживание в промышленности — это стратегия проактивного обслуживания, которая использует современные технологии, инструменты и методы анализа данных для обнаружения аномалий в работе оборудования и потенциальных дефектов в производственных процессах. Одним из таких инструментов является автоматизированная система прогнозируемого обслуживания, которая предполагает реализацию, как минимум, следующих базовых функций [41]:

— Мониторинг оборудования в режиме реального времени и сбор данных. Мониторинг оборудования в режиме реального времени является основой прогнозируемого обслуживания. Он позволяет собирать данные о состоянии оборудования с помощью датчиков и устройств промышленного Интернета вещей, в том числе, использующих технологии периферийного ИИ. Эти данные включают показания: температуры, вибрации, давления, тока и напряжения, акустических сигналов, и многих других.

— Анализ данных для выявления аномалий и прогнозирование отказов в работе оборудования. На данном этапе собранные данные систематизируются и анализируются с использованием современных методов ИИ и машинного обучения. Для анализа сложных последовательных данных, таких как временные ряды, которые позволяют выявлять аномалии и закономерности в данных, изменяющихся во времени, и прогнозирования отказов, используются следующие модели и методы:

Рисунок 10. Сравнительный анализ существующих моделей и методов прогнозирования временных рядов

— Планирование и выполнение технического обслуживания. Эти функции является неотъемлемой частью прогнозируемого обслуживания и включает в себя разработку графиков и расписаний проведения различных видов работ, необходимых для поддержания оборудования в рабочем состоянии. Цель планирования — выполнить работы в оптимальные сроки, чтобы минимизировать затраты времени и ресурсов, а также обеспечить высокую надежность работы оборудования.

На основе анализа данных автоматизированная система прогнозируемого обслуживания формирует рекомендации по техническому обслуживанию, что позволяет:

— Снизить риски непредвиденных отказов. Регулярное проведение технического обслуживания позволяет выявлять и устранять проблемы в работе оборудования до выхода его из строя.

— Оптимизировать графики обслуживания. Проводить работы только тогда, когда это действительно необходимо.

— Увеличить срок службы оборудования. Своевременное обслуживание предотвращает износ и поломки.

— Повысить производительность. Отлаженная работа оборудования, отсутствие непредвиденных остановок и простоев, а также своевременное выполнение работ по техническому обслуживанию приводят к повышению общего уровня производительности предприятия.

— Снизить затраты. Снижение риска отказов, уменьшение затрат на ремонтные работы и минимизация простоев оборудования в результате грамотного планирования технического обслуживания позволяют существенно сэкономить денежные средства предприятия.

Как подчеркивалось в первой главе, важную роль в проектировании и создании автоматизированных систем прогнозированного обслуживания играют технологии промышленного Интернета вещей, облачных вычислений, искусственного интеллекта и периферийного ИИ. Эти технологии позволят современным предприятиям перейти от реактивного или превентивного (профилактического) обслуживания к прогнозируемому, а в перспективе и к предписывающему обслуживанию. Также в этом процессе важны и качественные большие данные (англ. Big Data), которые поступают с различных датчиков и «умных» устройств промышленного Интернета вещей в реальном времени, на основании которых строится расширенная аналитика для прогнозирования вероятного отказа оборудования [42,43,44].

Еще раз давайте рассмотрим пример реализации условного процесса прогнозируемого обслуживания на промышленных предприятиях:

Рисунок 11. Пример условного процесса организации прогнозируемого обслуживания на основе состояния на промышленном предприятии

Как мы с вами видим, в современных системах автоматизации роль ИИ высока. Она, прежде всего, заключается в точном прогнозе поломки оборудования и, как следствием этого, существенном сокращении расходов на техническое обслуживание, сокращении расходов на устранение поломок, сокращении времени простоев, увеличении срока службы, и повышении эффективности и роста производства продукции.

Основная задача интеллектуальных модулей, сервисов и алгоритмов автоматизированных систем прогнозируемого обслуживания (о которых речь пойдет далее) заключается в определении вероятностных характеристик аномальных критических событий или инцидентов, указывающих на приближающийся отказ в работе оборудования, путем мониторинга показателей работы оборудования или производственных линий промышленных предприятий.

С учетом вышесказанного, интеллектуальные автоматизированные системы прогнозируемого / предписывающего обслуживания должны уметь решать следующие задачи:

1. Определять вероятностные характеристики аномальных событий и осуществлять:

— Мониторинг показателей работы оборудования. Постоянный сбор и анализ данных от Edge-IIoT-устройств и других источников.

— Выявление аномалий. Обнаружение отклонений в работе оборудования, которые могут указывать на приближающийся отказ.

— Оценку вероятности отказа. Прогнозирование вероятности возникновения критических событий на основе анализа данных.

2. Производить описательный анализ (англ. Descriptive Analytics) и находить ответ на вопрос «Что произошло?»

— Анализ исторических данных для понимания текущего состояния оборудования.

— Визуализация данных (графики, диаграммы, отчёты и другие) для наглядного представления информации.

— Выявление закономерностей и трендов в работе оборудования.

3. Производить диагностический анализ (англ. Diagnostic Analytics) и находить ответ на вопрос «Почему это произошло?»:

— Определение причин возникновения аномалий или отказов.

— Анализ факторов, влияющих на работу оборудования (например, износ деталей, перегрузки, внешние и внутренние условия эксплуатации, и другое).

— Поиск первоначальных причин проблем для предотвращения их повторного возникновения.

4. Производить прогностический анализ (англ. Predictive Analytics) и находить ответ на вопрос «Что произойдет?»

— Прогнозирование вероятности отказов на основе анализа текущих и исторических данных.

— Использование моделей машинного обучения для предсказания будущих событий.

— Оценка оставшегося срока службы оборудования.

5. Производить предписывающий анализ (англ. Prescriptive Analytics) и находить ответ на вопрос «Что следует делать?»

— Рекомендации по оптимальным действиям для предотвращения отказов (например, замена деталей, настройка параметров, и другое).

— Разработка планов технического обслуживания на основе прогнозов.

— Оптимизация графика обслуживания для минимизации простоев и затрат.

6. Оказывать помощь в принятии решений (англ. Decision Support) и находить ответ на вопрос «Где и как делать?»

— Предоставление информации о том, какие именно компоненты оборудования требуют внимания.

— Рекомендации по локализации проблем и методам их устранения. Автоматизированные системы прогнозируемого / предписывающего обслуживания предоставляют специалистам по техническому обслуживанию экспертные знания и инструменты, необходимые для принятия своевременных решений и выполнения технических работ, гарантируя бесперебойную и эффективную работу оборудования [45].

7. Осуществлять мониторинг и оповещение, включая:

— Непрерывный мониторинг состояния оборудования. Отслеживание ключевых показателей в режиме реального времени.

— Автоматическое оповещение. Уведомление персонала о потенциальных проблемах или необходимости вмешательства.

— Настройка пороговых значений. Определение критических уровней показателей, при которых требуется реакция.

8. Выполнять оптимизацию процессов обслуживания, которая позволит:

— Снизить затраты на обслуживание. Минимизация расходов за счёт предотвращения катастрофических отказов.

— Увеличить срок службы оборудования. Своевременное обслуживание для предотвращения износа.

— Повысить эффективность производства. Снижение простоев и увеличение доступности оборудования.

9. Реализовывать процессы обучения, переобучения и адаптации

— Постоянное обновление моделей. Совершенствование алгоритмов и дообучение моделей на новых данных для повышения точности прогнозов.

— Адаптация к изменениям. Учёт новых факторов и условий работы оборудования.

10. Обеспечивать безопасность и надёжность

— Предотвращение аварий. Снижение рисков, связанных с отказами оборудования.

— Повышение уровня промышленной безопасности. Обеспечение безопасных условий работы для персонала.

11. Интеграция с другими производственными системами и поддержка бизнес- и технологических процессов

— Обеспечивать обмен данными с системой управления производством (MES), системой управления активами предприятия (EAM), системой планирования ресурсами (ERP), система управления качеством продукции (QMS), компьютеризированной системой управления техническим обслуживанием (CMMS) и другими отраслевыми производственными системами.

Нужно отметить, что прогнозируемое обслуживание, как «лучшая» стратегия не всегда подходит всем промышленным предприятиям без исключения. Тем не менее, каждая из стратегий прогнозируемого или предписывающего обслуживания имеет ряд преимуществ перед другими стратегиями обслуживания [46].

Сравнение стратегий представлено на Рисунке 12.

Рисунок 12. Сравнение стратегий прогнозируемого обслуживания

С некоторой долей уверенности можно сказать, что на сегодняшний день, наиболее оптимальным подходом к решению производственных проблем (с точки зрения временных и финансовых затрат) является стратегия прогнозируемого обслуживания на основе состояния в реальном времени с применением технологий ИИ и периферийного ИИ (англ. Edge AI). Это в первую очередь связано с тем, что большинство производителей датчиков промышленного Интернета вещей уже сегодня оснащают свои устройства дополнительным интеллектуальным программным и аппаратным обеспечением, по сути, превращая каждый датчик в «умное» устройство.

Применение периферийного искусственного интеллекта подразумевает развертывание алгоритмов и моделей ИИ непосредственно на локальных периферийных устройствах, таких как датчики промышленного Интернета вещей, что обеспечивает быструю обработку и анализ данных в режиме реального времени, избавляя от постоянной зависимости в облачной инфраструктуре и использовании высокоскоростных каналов передачи данных [47,48].

На Рисунке 13 представлен пример двух архитектур автоматизированных систем прогнозируемого и предписывающего обслуживания (использующую периферийный ИИ).

Рисунок 13. Пример архитектур автоматизированных систем прогнозируемого и предписывающего обслуживания

Если речь идет о мониторинге оборудования в реальном времени крупного промышленного или сетевого промышленного предприятия, то технология Edge AI и технологии облачных вычислений для ИИ являются наилучшим выбором при разработке архитектуры и создании автоматизированной системы прогнозируемого или предписывающего обслуживания.

Далее в таблице приведен пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики для решения различных прикладных задач [49].

Рисунок 14. Пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики

Высокую эффективность в работе современных автоматизированных систем прогнозируемого обслуживания показали различные варианты совместного применения методов нейронных сетей (например, адаптивных алгоритмов интеллектуального анализа данных на базе нечетких нейросетей) и теории свидетельств Демпстера-Шафера (англ. Dempster-Shafer theory — DST), в части уменьшения уровня неопределенности данных, поступающих от Edge-устройств, и увеличения уровня доверия к выходным данным для принятия решений экспертами [50,51].

Выделим следующие ключевые организационно-технические мероприятия, которые необходимо реализовать для успешного создания автоматизированной системы прогнозируемого или предписывающего обслуживания:

Этап 1. Создание системы прогнозируемого / предписывающего обслуживания

1. Идентификация критически важных активов

— Определение ключевых активов (производственные линии, оборудование, системы и другое), которые оказывают наибольшее влияние на производственный процесс.

— Проверка наличия источников исторических данных для этих активов (например, данные от датчиков, журналы обслуживания, отчёты о простоях и другое).

2. Анализ исторических данных

— Сбор и анализ данных, полученных в рамках профилактического и реактивного обслуживания.

— Оценка качества, полноты и структурированности исторических данных.

— Очистка данных, устранение ошибок и заполнение пропусков.

3. Ранжирование активов по приоритетам

— Классификация активов по степени критичности (например, на основе их влияния на производство, стоимости ремонта, частоты отказов).

— Определение приоритетов для разработки плана внедрения прогнозируемого обслуживания.

4. Разработка архитектуры решения

— Создание архитектуры системы, включая:

— Источники данных (периферийные датчики промышленного Интернета вещей, производственные системы, и другие).

— Компоненты для сбора, хранения и обработки данных.

— Модули для анализа данных и прогнозирования.

— Интерфейсы для интеграции с существующими автоматизированными и информационными системами предприятия.

— Определение требований к масштабируемости, безопасности и производительности.

5. Подготовка стека технологических решений

— Выбор технологий и инструментов для реализации системы, включая:

— Технологии сбора данных.

— Платформы для хранения и обработки данных (облачные или локальные решения).

— Алгоритмы машинного обучения для прогнозирования (регрессия, классификация, временные ряды).

— Инструменты визуализации данных.

— Определение перечня предиктивных алгоритмов.

6. Определение базового программного и аппаратно-программного обеспечения

— Выбор программного обеспечения.

— Определение необходимого аппаратного обеспечения (серверы, устройства хранения данных, шлюзы, датчики и другое).

— Оценка необходимости интеграции с существующими системами предприятия.

Этап 2. Запуск и эксплуатации системы

1. Подготовка инфраструктуры

— Организация необходимой инфраструктуры (серверы, сети, системы хранения данных).

— Установка и настройка оборудования.

2. Установка и интеграция оборудования и информационных систем

— Настройка каналов передачи данных.

— Конфигурация серверов и систем хранения данных.

— Подключение датчиков к системе сбора и анализа данных.

— Настройка программного обеспечения и алгоритмов работы.

3. Сбор актуальных данных

— Запуск системы сбора данных в реальном времени.

— Мониторинг качества и полноты собираемых данных.

4. Построение моделей прогнозирования

— Анализ данных для выявления закономерностей и аномалий.

— Разработка и обучение моделей машинного обучения для прогнозирования отказов.

— Тестирование моделей на исторических и актуальных данных.

5. Отслеживание изменений для определения вероятности отказа

— Реализация механизмов мониторинга состояния оборудования в реальном времени.

— Настройка системы оповещений о потенциальных отказах.

6. Настройка действий при срабатывании оповещений

— Разработка сценариев реагирования на оповещения (например, уведомление инженеров, автоматическое отключение оборудования и другие).

— Интеграция с системами управления производством.

7. Составление плана реагирования

— Разработка плана действий при возникновении предупреждений о возможных отказах.

— Определение ответственных лиц и процедур для оперативного реагирования.

8. Составление точного плана технического обслуживания

— Создание графика обслуживания на основе прогнозов системы.

— Оптимизация плана для минимизации простоев и затрат.

9. Доработка автоматизированной системы

— Анализ результатов тестирования и выявление недостатков.

— Внесение изменений в архитектуру, алгоритмы и процессы работы системы.

— Повторное обучение моделей и разработка алгоритмов автоматического переобучения.

10. Передача системы в промышленную эксплуатацию

— Официальный запуск системы в эксплуатацию.

— Обучение персонала работе с системой.

— Организация технической поддержки и обслуживания.

Этап 3. Поддержка и развитие системы

1. Непрерывный мониторинг и анализ данных

— Организация непрерывного мониторинга работы системы для своевременного выявления и устранения проблем.

— Сбор и анализ данных для оценки эффективности системы.

— Регулярное обновление моделей машинного обучения на основе новых данных.

— Обеспечение технической поддержки и обслуживания системы.

2. Оптимизация процессов

— Постоянное улучшение алгоритмов и процессов работы системы.

— Внедрение новых технологий и методов анализа данных.

3. Оценка экономической эффективности