Предиктивная диагностика оборудования что это
Предиктивная диагностика оборудования что это
Исторически обслуживание оборудования проводилось на основании стратегии «до отказа». В 1920-1930х гг. были разработаны стратегии и подходы ППР (планово-предупредительных ремонтов) оборудования. В 1970-80х гг., с развитием технологий, появились стратегии мониторинга состояния оборудования. Именно эти три стратегии в разных сочетаниях используются в настоящее время на подавляющем большинстве предприятий для оборудования любого типа.
С дальнейшем развитием технологии и удешевлением датчиков измерения параметров оборудования возникла ситуация, когда с оборудования снимается множество самых разных параметров и эта информация хранится годами. Однако для ремонта оборудования эта информация не используется вовсе, а для управления технологическими процессами используется не более 10% контролируемых значений. Кроме того, существующие системы АСУ ТП обеспечивают контроль показателей в очень широких диапазонах и без учета взаимосвязей (корреляции) параметров.
Все эти причины привели к появлению систем предиктивной/прогнозной диагностики или предиктивной аналитики, которые позволяют построить модель работы оборудования (набор взаимосвязанных параметров), обучить эту модель на исторических данных, соответствующих нормальным режимам работы, а затем использовать модель в реальном времени для раннего предсказания отказов оборудования. Новая технология позволяет совершить переход с реактивного и календарного подходов к проактивному (т.е. распознавание отказов и их предотвращение).
Подобные системы обеспечивают значительный эффект:
Повышение готовности оборудования за счет сокращения времени ремонта при одновременном снижении общих ремонтных затрат за счет качественного и своевременного планирования ремонтных работ;
Исключение отказов (т.е. объем выполняемых работ также уменьшается);
Возможность гибкого управления рисками и потерями производства за счет расширения горизонта планирования при принятии решений.
Компания Мейнтекс осуществляет весь комплекс работ, связанных с внедрением технологии предиктивной аналитики на производстве. Совместно со специалистами по надежности заказчика мы проводим анализ критичности оборудования и выявляем наиболее важные и рискованные для производства активы. Далее проводится анализ и подготовка исторических данных. На основе подготовленной информации строятся и обучаются модели, создаются диагностические правила. Наши консультанты выполняют сопровождение созданных моделей после подключения их к реальным данным, участвуют в анализах обнаруживаемых системой проблем и готовят отчеты по результатам работы системы предиктивной диагностики. Мы не используем “стандартные шаблоны”, мы анализируем каждую единицу отдельно, что позволяет заказчику получать достоверные данные и реагировать на малейшие изменения в работе оборудования
Мы предлагаем нашим заказчикам решения от признанных лидеров отрасли – Aveva PRiSM Predictive Asset Analytics и GE Smart Signal.
Предиктивное обслуживание оборудования: как избежать убытков из-за простоев и аварий
Можно отремонтировать заводской станок после того, как он уже сломался, но это чревато простоем на производстве, снижением объема выпуска продукции, а то и аварией.
Намного проще обслуживать оборудование до его поломки, устраняя слабые места — тогда останавливать производство и ликвидировать последствия сбоя не придется. Для этого и нужно предиктивное обслуживание оборудования — расскажем, что это такое и как работает.
Что такое предиктивное обслуживание оборудования
Давайте посмотрим на один пример. По данным статистики, самолеты — один из самых безопасных видов транспорта. Намного больше шансов попасть в неприятную ситуацию с машиной по пути в аэропорт, чем столкнуться с техническими проблемами во время полета. Предиктивное обслуживание — один из факторов, сделавших самолеты такими надежными.
Авиационные двигатели — сложная конструкция, от которой зависят жизни людей. Очевидно, что за их состоянием нужно тщательно следить, поэтому крупнейшие производители авиадвигателей встраивают в них множество различных сенсоров.
Во время полета эти сенсоры непрерывно пишут параметры работы системы во внутреннюю память. На земле данные о полете отправляются на сервер производителя, где анализируются. Затем авиакомпания-владелец получает рекомендации или требования — зависит от серьезности возможных проблем — о замене или ремонте тех или иных частей двигателя.
Внимания и ухода требуют не только самолеты, но и любое механическое и электронное оборудование, а также инженерные сооружения: здания, трубопроводы, сотовые вышки, насосы, погрузчики, плотины, станки и прочее.
Для крупных компаний с огромным парком техники, сооружений, многокилометровыми трубопроводами и офисами по всей стране сложно организовать обслуживание каждой единицы оборудования — это требует ощутимых затрат, организации графиков осмотра, специальных людей в штате. Даже при всех этих усилиях крупные поломки все же случаются и нарушают нормальный ход работы.
Чтобы минимизировать риск внезапных поломок и сократить расходы на обслуживание больших парков сооружений и техники, используют предиктивное обслуживание оборудования.
Суть в том, что за некоторое время до выхода системы из строя можно обнаружить мелкие сигналы, говорящие о проблемах. Небольшие скачки напряжения, отклонения в числе оборотов в минуту, выход температуры за допустимые значения, задержки при запуске двигателя, непонятный шум или постукивание, повышение уровня жидкости, минимальные изменения углов конструкций — по подобным признакам можно понять, что скоро случится поломка.
Вы установили для станка определенную норму — предположим, 150 движений в минуту. Если станок начнет совершать, допустим, 140 движений в минуту, то датчик отправит сигнал, что с ним что-то не так. Станок еще не сломался, но, кажется, ему нужно техническое обслуживание. Такой подход помогает предотвратить крупные поломки. Кроме того, собранные данные вы можете анализировать, чтобы знать: как часто ломается станок, при каких условиях, в какие сроки ему нужен профилактический ремонт. Это позволит заранее планировать время ремонта и заложить расходы в бюджет.
Предиктивное обслуживание оборудования — это когда набор специальных датчиков постоянно отслеживает различные параметры его работы и состояния, а система предиктивного анализа смотрит на замеры и предсказывает, что в ближайшее время какие-то узлы могут выйти из строя.
Предиктивное обслуживание и безопасность работы
Вот несколько примеров использования предиктивного обслуживания оборудования на практике для предотвращения аварий и катастроф:
Центр находится под контролем систем мониторинга и предиктивной аналитики. Источник
Предиктивное обслуживание оборудования на производстве, чтобы работать без простоев
Конвейеры на заводах производят продукции на миллионы рублей каждый час. Любая поломка одной из ступеней ленты производства приводит к остановке всего производства. Поэтому очень важно во время планового обслуживания конвейера превентивно заменить все, что может выйти из строя.
Крупные заводы оснащают свои производственные линии множеством различных датчиков, которые отслеживают состояние всех значимых узлов. Данные поступают в систему мониторинга, а если важные параметры выходят за пределы допустимых значений, соответствующие узлы или детали ставятся в лист профилактики для ближайшего планового обслуживания или сразу идут на замену.
Таким образом, даже самые сложные и многоступенчатые производственные линии могут предсказуемо и бесперебойно работать в течение многих дней.
Например, на Череповецком металлургическом комбинате внедрили предиктивное обслуживание на конвейере горячей обработки металлических изделий. Модель выявляет вероятность перегрева подшипника шестеренных клетей — одну из наиболее частых и ресурсозатратных причин остановки агрегата. Это позволяет сократить простои линии.
Предиктивное обслуживание помогает следить, чтобы оборудование не перегрелось в горячем цехе. Источник
В Simatic на производстве микроконтроллеров используют платформу на базе IoT и машинного обучения. Она позволяет собирать данные с датчиков и анализировать их в режиме реального времени. Это позволило полностью избавиться от производственного брака.
Предиктивное обслуживание оборудования в нефтегазовой отрасли
В добыче нефти, газа и других полезных ископаемых задействовано большое количество оборудования, многое из которого работает в автоматическом режиме, находится в труднодоступных местах или регионах с холодным климатом. Регулярно осматривать и обслуживать его силами сотрудников трудоемко и дорого, поэтому системы мониторинга и аналитики для предиктивного ремонта оборудования востребованы в отрасли:
За состоянием умной скважины наблюдают удаленно с помощью датчиков. Источник
Как внедрить предиктивное обслуживание оборудования
Для начала нужно наладить сбор данных:
Дальше начинается интересное — нужно предсказывать неисправности:
Построить систему предиктивного обслуживания и мониторинга оборудования сложно: надо правильно разместить датчики, организовать хранилище нужного объема для поступающих данных, наладить системы аналитики, машинного обучения, прогнозирования и предупреждения о сбоях.
При этом для таких задач существуют практически готовые решения — облачные IoT-платформы. Например, платформа от VK Cloud Solutions (бывш. MCS) объединяет инструменты для работы с большими данными, интернетом вещей и машинным обучением. К ней можно подключить датчики любого производителя, хранить и обрабатывать любые объемы данных — в облаках легко получить нужный объем хранилища и ресурсы для вычислений. Платформа интегрируется с технологическими решениями, которые уже используются в компании, и быстро встраивается в производственные процессы.
Как мы учились предсказывать отказы
Привет, Хабр! Это снова Ольга Пешина, эксперт по развитию новых технологий в АО «Северсталь-Инфоком». Прокачивая телеметрию нашего гигантского металлургического комбината, мы хотим оперировать полученными с агрегатов данными не только в режиме реального времени (“что-то сломалось, надо чинить”), но и построить модель предиктивной аналитики отказов оборудования (“скоро там-то будет проблема, надо заранее принять меры”).
Я расскажу, как мы набивали шишки на попытках внедрить предиктивные ремонты, что из запланированного нам удалось, а что – нет и почему.
Звучит волшебно – всегда знать, в какой момент выйдет из строя каждый валок или подшипник, планировать обслуживание по состоянию, минимизировать переобслуживание и складские запасы запчастей, выйти в ноль по аварийным остановкам.
Всякая новая технология движется через цикл хайпа: чрезмерные ожидания сменяются глубоким разочарованием, после которого наступает осознание реальных возможностей и ограничений. В 2017-2020 годах прошли через этот путь и мы.
Цикл хайпа. Найди биткойн
Как мы это видели: триггер инновации
Ещё в 2014 году, когда принималось решение о развитии службы мониторинга состояния оборудования (СМСО), мы понимали, что увеличение количества собираемой с агрегатов информации увеличит сложность её обработки. Оборудование модернизируется, оснащается стационарными системами мониторинга, создаются новые производственные линии – всё это добавляет объекты мониторинга ситуационному центру.
На старте в СМСО передавались данные с 500 датчиков. Сейчас их 12 000, а к 2025 году будет больше 100 000. При этом, например, одна установка непрерывной разливки стали создаёт более 50 Гб данных за месяц только с самых критичных узлов.
Датчик вибрации и оборотов на двигателе Датчик вибрации на валках
Созданный в 2017 году Data Lake накапливал эти данные, что также приближало нас к идее использования машинного обучения для помощи аналитикам ситуационного центра. Параллельно с этим по каждому оборудованию в SAP ERP хранится информация о плановых и неплановых простоях; осмотрах, ремонтах и профилактических работах.
Итого: у нас есть данные о состоянии агрегатов и об операциях, которые с ними проводили в каждый момент времени. Логично попробовать найти зависимости и построить на них модель предиктивной аналитики отказов оборудования.
Были и другие причины перейти от превентивных ремонтов к предиктивным, к ремонтам по состоянию. Например, переобслуживание оборудования: мы регулярно меняем валки, подшипники и так далее. Но на этих валках, например, можно было ещё несколько дней работать.
Комплекты валков
Если проводить ТО не по регламенту, а когда мы понимаем, что остаточный срок службы конкретного оборудования заканчивается, можно повысить производительность, качественно планировать запасы запчастей.
Кроме того, появляется возможность более качественно планировать загрузку ремонтного персонала. Сейчас у нас постоянно, 24/7 наготове множество ремонтных бригад: они выполняют регламентные работы и обходы. В случае аварии они всё бросают и бегут тушить пожар. До простоя не доводим, быстро производим замену – как пит-стоп – и сразу запускаем.
От вершины хайпа к пропасти разочарования
В 2017-2018 годах методы машинного обучения вознеслись на вершину хайпа. Весь мир говорил о больших данных, которые теперь новая нефть, о том, как нейронные сети сами находят взаимосвязи и предсказывают ситуации, как помогают достигать невиданных эффектов, повышая производительность и снижая простои.
К нам косяками потянулись представители разных компаний с красивыми презентациями: мол, искусственный интеллект будет думать за вас, вам не придётся хранить запасы запчастей, вы сможете покупать под потребность, а не складировать и ждать, когда понадобятся. Вы повысите производительность, минимизируете простои, снизите затраты на ремонты в целом.
Обещания заманчивые, да и парни с презентациями – приятные, внушающие доверие, из больших компаний с хорошей репутацией или достаточно именитых российских университетов. И у нас вроде бы есть всё, что надо: собираются данные с агрегатов, мы понимаем, что происходит с оборудованием, есть на чём обучать модели и делать выводы.
Но некоторые вопросы оставались без ответа. Как, например, это будет работать в комплексе? Хорошо, мы понимаем, что происходит с агрегатом. А как привязать к этому товарно-материальные ценности, складские запасы, планирование персонала? Возьмём, к примеру, валок. Собираем с него информацию – по вибрации, скорости вращения и другим параметрам. На основании этих данных можем предсказать, когда его заклинит. Но как это всё увязать с огромной системой производственного планирования?
И всё же, вдохновившись этими историями, мы решили попробовать. Выбрали в качестве первого агрегата высокотехнологичный и самый производительный стан горячей прокатки – стан-2000. Это километрового размера критичный агрегат, остановка которого приводит к серьёзным потерям. Он катает разный сортамент под разной нагрузкой на переделы – вариативность состояний корректной работы его частей высокая.
Стан-2000. Остановить нельзя ремонтировать
Эффекты при переходе от превентивного обслуживания к предиктивному невероятно вкусные. Со Стана-2000 собирается 1800 параметров в СМСО. За ним пристально следят – по нему накоплен огромный массив информации по операциям текущего обслуживания и ремонта (ТОиР).
В рамках пилотов мы пытались создать модель предсказания отказов чистовой группы клетей (это такая часть прокатного стана) в партнёрстве с несколькими компаниями и университетами. И каждый раз результат не удовлетворял производство – точность получаемых моделей была катастрофически низкой.
Чистовые клети
Для получения точной модели нужен датасет по крайней мере из пары сотен однотипных отказов на каждом виде нагрузки на стан. Но, очевидно, на таком критичном агрегате мы не допускаем одинаковых аварий, и данных для обучения просто не было в необходимых количествах.
В итоге мы пришли к тому, что при больших затратах на эксперименты мы не получали результата, который можно применять в работе. У нас есть внутренний регламент: на MVP стараемся тратить не более трёх месяцев. Если видим, что всё идёт хорошо, но времени не хватает, продолжаем работу.
Кто-то из подрядчиков сдавался сразу, кто-то хотел больше времени. Некоторые даже обвиняли в своих неудачах нас: мол, данные у вас какие-то недостоверные. В итоге 2018 год ушёл практически полностью на эти пилоты. Казалось, выбраться из пропасти разочарования невозможно… Это сильно демотивировало всех участников.
Очередные парни с красивыми презентациями уже не воспринимались всерьёз. Всем новичкам говорили: если не скажете, почему вы лучше всех остальных компаний, в чём ваш инновационный подход – не будем даже начинать разговор.
Увы, ничего нового мы не услышали. Большие компании так и не принесли ни одного работающего решения.
В это время в Северсталь-Диджитал
Параллельно над аналогичными проектами работали и наши дата-сайентисты из подразделения Северсталь-Диджитал, которое работает напрямую с Data Lake. И с ними у нас как раз получилось несколько рабочих моделей.
Сначала создали модель по заклиниванию роликов отводящего рольганга. Это важный элемент: если ролик заклинивает – останавливаем прокат, теряем много денег. Нейросеть – обычный классификатор – натаскивали на поломку. Входной вектор – несколько десятков чисел, ничего сложного. Смотрели на скорость и сравнивали её со скоростью стоящих рядом роликов. Если есть отклонения, значит что-то не то.
Модель выкатили в СМСО и сказали: как только она срабатывает – поднимайте на уши ремонтников, пусть бегут менять ролик. Первое время было много ложных срабатываний, около 50%. Само собой, ремонтники недовольны: мы вскакиваем, бежим – а там всё нормально. Ну прямо «Петя и волк».
Надо сказать, что протяжённость стана – полтора километра. Причём ремонтники не сидят-ждут у самого стана: там шумно и опасно. По сигналу им надо бросить выполняемую работу, взять инструменты, прибежать к ролику, который сработал, убедиться что всё в порядке, вернуться… А тут, например, опять что-то срабатывает!
До этого практиковались регулярные обходы: несколько раз за смену ремонтники проходят, осматривают все ролики. Если всё нормально – выполняют следующие сменные задания. Вызовы внесли хаос в эту размеренную рутину, и ребята стали забивать на сигналы ИИ. В конце концов на очередное срабатывание модели никто не отреагировал. Ролик заклинило, случился простой. Ремонтники объясняют, что до этого модель пять раз подряд выдавала ложный сигнал: «В шестой раз мы просто не пошли, а он, собака, взял и сломался… В общем, такой процент попаданий нас не устраивает».
В итоге придумали сделать простой интерфейс, чтобы служба СМСО (инженеры, а не ремонтники, которые бегают на вызов) могла доучивать модель. Элементарное решение: каждое срабатывание классифицируется как правильное или ложное.
Сделали красивую кнопку, начали дообучать модель… И тут случилась модернизация оборудования, в результате которой убрали те самые проблемные ролики. История совершила полный круг, мы оказались в исходной точке.
С другой стороны, мы выявили проблемы, которые случаются на типовых узлах регулярно, и отработали создание прогнозных моделей. И получили действительно потрясающие результаты. К примеру, наша модель свела к нулю случаи заклинивания роликов отводящего рольганга уже в первый год использования.
Данные с тысяч датчиков стекаются в центр мониторинга.
Склон просветления: интеллектуальный мониторинг
Некоторое время мы довольствовались предсказаниями отказов там, где было на чём обучить математическую модель. Например, прогнозирование перегрева подшипников шестеренных клетей даже при точности в 50%, позволило сократить число случаев в 3 раза и уменьшить общее время простоя с 5-6 часов в год до 1,5 часов. Но всё-таки хотелось большего – знать о потенциальных проблемах сложных критичных узлов не за часы и минуты, а за дни и недели, чтобы качественно планировать производственный процесс и остановки на обслуживание.
Тем временем появилась информация об успешных внедрениях систем предиктивной диагностики. Наши представители из Дирекции по ремонтам побывали с референс-визитом у бразильских коллег в Gerdau и убедились, что SmartSignal, инструмент мониторинга от General Electric, довольно круто контролирует все площадки.
Сейчас в системе у бразильцев 650 критичных агрегатов, и продолжают добавлять новые. А работает всего семь аналитиков – и только в дневную смену. Дело в том, что SmartSignal работает именно так, как мы изначально хотели: предсказывает отклонения за недели. То есть всегда можно заранее спланировать остановку, количество аварийных простоев стремится к нулю.
Работает предиктивная диагностика по иному принципу – математическая модель обучается не на отказах, а на правильной работе оборудования в различных режимах. Именно этой стратегии предсказания придерживаются, например, хозяева кошек: они не пытаются диагностировать, чем именно заболело животное, а просто подмечают, что оно ведёт себя не как обычно. То есть что модель нормального кота не работает. И это позволяет понять, что есть какая-то проблема.
Классическая система мониторинга работает по принципу «следим за параметром, если он выходит за пределы уставки – сигнализируем». А интеллектуальный мониторинг смотрит за набором параметров по узлу и анализирует их коллективное поведение. На основании текущего значения набора данных с датчиков матмодель предсказывает следующее значение. Если факт отличается от предсказания, загорается алерт.
Проблема, однако, в том, что у одного агрегата бывает много режимов работы. Когда модель срабатывает на вибрацию, повышение температуры или нагрузки – вполне возможно, что сейчас идёт некий процесс, для которого эти параметры являются нормой. По аналогии: если у кошки повысилась температура – это не значит, что она болеет, возможно, просто на дворе март.
SmartSignal как раз-таки всё это учитывает, работает с привязкой к технологическому процессу, с пониманием текущей нагрузки на оборудование. Для этого модели в ПО обучают на разных режимах работы. Каждый режим соответствует определённой прокатке. Если появляются отклонения, которые не характерны для данного процесса – надо поднимать людей, разбираться.
SmartSignal предлагает определённые шаблоны, уже прописанные уравнения некоего сферического прокатного стана в вакууме. Остаётся в эти уравнения подставить наши данные и дообучить нейросеть уже применительно к нашему оборудованию.
General Electric продают лицензии именно на эти виртуальные шаблоны, которые дообучаются на данных клиента: шаблон прокатного стана, редуктора, эксгаустера и так далее. Клиенту остаётся загрузить свои данные через пользовательский интерфейс. Происходит некая магия, и на выходе мы получаем цифрового двойника нашего оборудования. Без сложной математики и больших трудозатрат с нашей стороны.
Когда у нас есть этот цифровой двойник, который обучен нормальной работе, на него натягиваются «диагностические правила». То есть мы понимаем, что при таком режиме работы у нас должны быть такие-то показания температуры, вибрации, тока… Если какой-то из показателей выбивается, срабатывает алерт.
Допустим, мы хотим понять, есть ли у нас проблема с охлаждением двигателя. Тогда мы анализируем в комплексе показания десяти датчиков: температуры подшипников приводной и неприводной стороны, температуры обмотки двигателя на трёх фазах, а также их расчетные значения.
Дальше на умный мониторинг вешают шаблоны с диагностическими правилами, которые вдобавок к алертам, полученным на предыдущем шаге, с некоторой вероятностью рекомендуют провести детальную диагностику частей оборудования. Так и получается система предиктивной диагностики.
Да, система не предсказывает конкретные отказы каждого отдельно взятого подшипника. Но она даёт знать о том, что есть развивающаяся проблема, задолго до классической системы мониторинга. Плюс рекомендует, на какие узлы нужно посмотреть в первую очередь.
Выход на плато продуктивности
Для пилотирования софта SmartSignal мы выбрали нагнетатель конвертерных газов и установку непрерывной разливки стали (УНРС).
УНРС. Именно она ежемесячно генерит 50Гб данных о своем состоянии
В процессе MVP дообучили стандартные шаблоны под наши агрегаты. На полученных цифровых моделях выполняли симуляции работы системы: загружали ретроспективные данные СМСО и сравнивали полученные предупреждения с событиями, произошедшими в этот период.
Результаты оказались вдохновляющими. Например, локальные проблемы с подшипниками на нагнетателе конвертерных газов в SmartSignal мы видим за 5-7 дней до того, как срабатывает система классического мониторинга. А про загрязнение форсуночного охлаждения УНРС система предупреждает за 20 дней до того, как давление превысило предупредительную границу. Это хороший запас времени для проведения диагностики и планирования очистки ротора.
И ещё интересный момент – в период теста не случилось ложноположительных срабатываний. Сложно делать далекоидущие выводы – данные у нас пока только за полгода, – но сам факт уже впечатляет.
Пока осталась нерешённой проблема «человеческого фактора», из-за которой случается примерно 80% поломок. Ремонтировали – забыли внутри гаечный ключ. Неудачно повернулись – оборвали провод. А такие ситуации не предскажешь никаким ИИ.
Но мы верим, что системой предиктивного планирования можно подстраховаться и от таких ситуаций. Если заранее планировать ремонты, то и влияние человеческого фактора можно минимизировать.
Что будет дальше
Сейчас мы в процессе выбора: параллельно с GE появилось несколько компаний с похожими решениями. Предварительно собираемся заняться прокатными станами. Через тендер выберем компанию для пилота, дальше будем принимать решение о тиражировании – если достигнем ожидаемых эффектов. Параллельно попытаемся сделать что-то собственными силами.
В общем, что-то получилось, что-то нет, а что-то еще только предстоит оценить. Но мы продолжаем осуществлять нашу мечту по переходу на искусственный интеллект, предсказывающий процессы ТОиР, и скоро поделимся новыми кейсами. А пока хотим узнать о вашем опыте: хабравчане, а вы какие шишки набивали в предиктивных ремонтах?