Ричард Ирвин (Richard Irwin), старший менеджер по маркетингу ПО AssetWise для эксплуатационной аналитики, компания Bentley Systems
Выявление рисков, связанных с отказами активов, и управление ими — одна из основных целей обеспечения надежности. Нам известно, насколько важно выявлять потенциальные неисправности и анализировать вероятность их возникновения, а также влияние последствий данных неисправностей на рабочий процесс. Мы внедрили эффективные стратегии обеспечения надежности и программы предиктивного обслуживания по техническому состоянию оборудования. В настоящее время машинное обучение помогает организациям повысить качество ситуационной аналитики для оптимизации системы заблаговременных предупреждений о неисправностях, которые ранее не были зафиксированы. Машинное обучение — это путь к более интеллектуальным и быстрым способам принятия решений на основе данных при выполнении предиктивного технического обслуживания.
Машинное обучение состоит из множества различных методов анализа данных (Bentley Systems)
Хотя машинное обучение используется уже в течение нескольких десятилетий, его применение на промышленных предприятиях и при работе с инфраструктурными активами стало развиваться быстрыми темпами только сейчас. Такой скачок в использовании машинного обучения обусловлен ростом рынка больших данных, появлением промышленного Интернета вещей (IIoT), увеличением вычислительной мощности и необходимостью применения обширных возможностей прогнозирования и предписаний, которые требуются для управления современными сложными активами. Как правило, машинное обучение связано с такими отраслями, как транспортировка и банковские услуги (например, беспилотные автомобили и контроль за подозрительными операциями), тем не менее, существует множество возможностей для использования машинного обучения и предиктивного технического обслуживания в промышленном секторе. В этой статье мы рассмотрим некоторые принципы машинного обучения и дадим оценку тем отраслям промышленности, которые ориентированы на максимальное применение преимуществ машинного обучения для перехода ситуационного анализа, производительности и надежности на качественно новый уровень.
Прежде чем начать, важно отметить, что существует множество вариантов и методов, которые позволяют получать полное представление и принимать взвешенные решения в отношении производительности ваших активов и операций. Всё сводится к пониманию того, что лучше всего соответствует вашим потребностям и какой тип данных вы используете. Данные могут быть представлены в различных формах: они могут быть последовательными, маркированными, случайными, перемежающимися и неструктурированными. Все данные содержат информацию, и дело только за выбором такого подхода, который позволит правильно ею воспользоваться. Именно здесь алгоритмы, применяемые в машинном обучении, и помогают руководителям принимать решения.
Шесть вопросов, на которые необходимо ответить, прежде чем инвестировать в машинное обучение
Прежде чем принять решение о том, что подходит вам и вашей организации, важно понять всю сложность машинного обучения. Перед внедрением машинного обучения необходимо задать себе несколько вопросов:
- Оцените свои данные — что вам нужно знать, что именно вы ищете? что вы хотите получить от своих данных? что вам необходимо увидеть с помощью этих данных?
- Ваши данные достоверны? Убедитесь, что ваши данные доступны, готовы и проверены; чем лучше качество данных, тем точнее будут результаты.
- У вас достаточно данных? Для точного прогнозирования машинному обучению требуется много архивных данных для наработки. Потом их можно будет применить к данным в режиме реального времени.
- Какую платформу машинного обучения выбрать? Тщательно подбирайте платформу машинного обучения с учетом совместимости.
- Стоит ли нанять специалиста по данным (Data Scientist) и как ввести его в курс дела? При использовании машинного обучения может потребоваться специалист по данным или аналитик, но учтите, что для успешной деятельности ему необходимо будет погрузиться в ваш бизнес с головой.
- Могу ли я поделиться выходными данными? Знания, полученные в ходе процесса машинного обучения, не следует применять только к одному проекту. Их масштабируемость означает, что они обеспечивают представление о любой области с большими объемами данных. Продумайте план того, как максимально эффективно использовать машинное обучение.
Путь к более глубокому пониманию
Машинное обучение делает более простым анализ сложных процессов и данных, а также идеально подходит для отраслей с большими объемами ресурсов и данных. В любой отрасли промышленности решающее значение для успеха имеет способность распознавать неисправности оборудования и избегать незапланированных простоев, затрат на ремонт и потенциального ущерба окружающей среде. Это еще более актуально в нынешние неспокойные времена. Благодаря машинному обучению существует множество возможностей для улучшения ситуации за счет предиктивного технического обслуживания и возможности заранее прогнозировать критические неисправности.
Предиктивное техническое обслуживание является одной из наиболее подходящих областей промышленного сектора, где может применяться машинное обучение. Предиктивное техническое обслуживание — это стратегия контроля отказов, которая использует данные и модели для прогнозирования того, когда оборудование или его часть выйдет из строя, так что упреждающие корректирующие действия могут быть спланированы заблаговременно. Предиктивное техническое обслуживание может охватывать большую предметную область — начиная с прогнозирования неисправностей, диагностики неисправностей и заканчивая рекомендациями по смягчению последствий и техническому обслуживанию после сбоя. Лучшее техническое обслуживание — это оптимизированная система предиктивного обслуживания по фактическому техническому состоянию оборудования. Сочетание приложений для машинного обучения и технического обслуживания, использующих данные промышленного Интернета вещей, позволяет получить положительные результаты и снизить затраты, простои и риски, обеспечивая окупаемость вложенных средств.
Независимо от выбранного пути, преимущества машинного обучения для больших данных только начинают воплощаться в жизнь. Повышение производительности в отрасли, богатой данными, открывает для него новые возможности. Несмотря на тот факт, что секторы здравоохранения, финансов и автомобилестроения уже продвигаются вперед в области машинного обучения, в промышленном секторе есть целый ряд отраслей, занимающих лидирующие позиции в этой быстро развивающейся цифровой трансформации.
Нефтегазовая отрасль
В этой отрасли способность распознавать неисправности оборудования и исключать незапланированные простои, затраты на ремонт и потенциальный ущерб окружающей среде имеет решающее значение для достижения успеха во всех областях, начиная с определения стратегии бурения скважин и заканчивая добычей и переработкой. С точки зрения поддержания надежности производства, определение сбоев оборудования является одной из основных областей, в которой важную роль будет играть машинное обучение. Предиктивное техническое обслуживание — это стратегия контроля отказов, которая использует данные и модели для прогнозирования того, когда оборудование или его часть выйдет из строя, так что для минимизации простоев техническое обслуживание может быть запланировано задолго до начала работ. Сочетание приложений для машинного обучения и технического обслуживания, использующих данные промышленного Интернета вещей, позволяет получить положительные результаты и снизить затраты, сократить простои и связанные с этим расходы, что окупает вложенные средства.
Электроэнергетика
Для эектроэнергетических компаний характерными являются проблемы старения активов, роста спроса на энергию и увеличения затрат. Поэтому способность распознавать неисправности оборудования и исключать незапланированные простои, затраты на ремонт и потенциальный ущерб окружающей среде является критически важной составляющей успеха во всех сферах деятельности. Машинное обучение дополняют умные сети электроснабжения, позволяющие максимально использовать Интернет вещей и получать аналитическую информацию благодаря огромному количеству подключенных активов, которые распределены по обширной сети: трансформаторы, опоры, кабели, турбины, устройства хранения и многое другое. Существует риск отказа оборудования, вероятность которого довольно высока, поэтому прогнозирование сбоев с помощью данных и моделей является новым решением для обеспечения бесперебойной работы сети.
Предиктивное обслуживание является одним из основных преимуществ во всех отраслях, особенно в нефтегазовой отрасли (Bentley Systems)
Машинное обучение может помочь умным сетям электроснабжения стать еще более умными (Bentley Systems)
Коммунальное водоснабжение
Компании по водоснабжению сталкиваются с теми же проблемами — устаревающая инфраструктура, растущие затраты, ужесточение нормативных требований и увеличение спроса. В связи с этим они получают те же преимущества, которые предлагает машинное обучение, например выявление неисправности оборудования до ее возникновения — не только для прогнозирования неисправности, но и для определения типа неисправности. Среди других преимуществ машинного обучения для отрасли водоснабжения — обеспечение соответствия поставок и спроса благодаря прогнозированию, а также повышение уровня интеллектуальных функций измерительных приборов для сокращения отходов, например, при нехватке воды.
Производство
Производство всегда было основной отраслью, тесно связанной с машинным обучением, использование которого в данной сфере приносит реальные результаты. Они включают снижение эксплуатационных расходов, повышение надежности и производительности — три цели, которые лежат в основе производственного процесса. Для достижения этих целей в производстве также требуется использование цифровой платформы для сбора, хранения и анализа данных, генерируемых системами управления и датчиками на оборудовании, подключенном к сети. Предиктивное техническое обслуживание является ключевым фактором увеличения времени безотказной работы и повышения производительности, поэтому для повышения спроса необходимо повышение точности прогнозируемого отказа оборудования. Более того, зная заранее, что именно может выйти из строя, можно согласовывать действия относительно имеющегося оборудования и запасных деталей. Улучшение производственных процессов с помощью надежной системы контроля состояния может дать беспрецедентный взгляд на общую эффективность оборудования за счет регулярного и последовательного мониторинга давления и температуры воздуха и масла.
Пример из практики на раннем этапе
Рассмотрим пример применения различных методик машинного обучения на перерабатывающем заводе.
Мониторинг производственного процесса и состояния
В этом примере речь идет о производителе стали, который планово останавливает работу для выполнения технического обслуживания активов, что является очень дорогостоящим процессом. Иногда сталь может деформироваться или «зажиматься» во время производственного процесса: эти неисправности можно устранять только каждые шесть месяцев (небольшие исправления — раз в месяц) в ходе планового и очень дорогого технического обслуживания, которое включает длительные периоды простоя. Основные цели применения машинного обучения в этой ситуации:
- сокращение количества дефектов и определение основной причины;
- определение параметров, имеющих наибольшее значение;
- расстановка приоритетов активов во время отключения.
Первая часть процесса машинного обучения заключалась в сортировке данных в самоорганизующуюся карту с использованием нейронных сетей. В ней данные были организованы в десять отдельных классов на основе толщины и массы стали. Другие методы включали деревья решений, позволяющие изучить структуру данных и определить, какие функции были важны в этих шаблонах; назначение приоритетов по состоянию активов для составления рейтинга; индексирование состояния активов для определения состояния активов; анализ основных компонентов для снижения размерности данных; обнаружение скоплений/аномалий, которое подчеркивает, как каждая стойка отклоняется от обычного режима работы.
В результате был создан метод работы с различными типами продукции, предоставляющий возможность определять основные переменные, связанные с производственными дефектами, а кроме того, разработан процесс обнаружения аномалий на оборудовании промышленного предприятия. Было показано, что эти процессы могут сократить потребность в тщательном анализе оборудования и предоставить операторам более эффективные инструменты и больший объем информации для принятия решений по техническому обслуживанию. Поскольку значительная часть времени тратится на поиск причины неисправностей и выполнение технического обслуживания, новый алгоритм может быть запущен до запланированного отключения. Он может определить, чему следует отдать предпочтение во время отключения путем анализа диаграмм аномалий активов. Уделяя особое внимание активам, подверженным наибольшему риску, можно оптимизировать процесс отключения: оно будет выполняться лишь в течение ограниченного промежутка времени.
Цифровизация и трансформация с помощью машинного обучения
Ранние последователи машинного обучения уже пользуются преимуществами предиктивного технического обслуживания в скорости передачи информации, расходах и практической ценности. Это обеспечивает получение большего объема информации для принятия более взвешенных решений. Пользователи Bentley Systems объединяют машинное обучение с другими цифровыми технологиями Bentley, чтобы сделать данный процесс еще более эффективным. Это достигается благодаря ориентации процесса на модель и добавлению панелей визуализации, облачных данных Интернета вещей, аналитики и моделирования реальности для машинного обучения. В результате получается комплексное решение для эксплуатации, технического обслуживания и проектирования. Машинное обучение также можно использовать в цифровых двойниках для дополнительного прогнозирования.
Наличие плана предиктивного технического обслуживания на основе машинного обучения позволяет сделать рабочий процесс более эффективным и безопасным, а принятые в результате решения станут более обоснованными. Цифровая трансформация отрасли находится в критической точке, когда все технологии объединяются одновременно — подход предиктивного технического обслуживания к надежности и производительности активов означает, что анализ основных причин (RCA) может остаться в прошлом. Машинное обучение учитывает всю историю отказов и заранее определяет признаки неисправности.
