Предиктивная аналитика: метод цифрового контроля производства

Что такое прогнозная аналитика?

Предиктивная аналитика объединяет методики математической статистики, Data Mining, Data Science, Machine Learning для поиска, обработки и интерпретации информации. Искусственный интеллект изучает массивы данных и прогнозирует будущие события, например, когда станок выйдет из строя, чтобы запланировать техобслуживание. 

Бизнес-аналитика в отличие от предикативной описательна: фокусируется на том, что уже произошло, а не на прогнозировании будущих результатов.

Для чего в промышленности используют предиктивную аналитику 

Предиктивные технологии применяют на промышленных предприятиях вне зависимости от масштаба производства. В нефтегазовой, энергетической и металлургической отраслях подход доказал эффективность при решении ряда задач.

Снижение стоимости ремонта

Заводы заинтересованы в том, чтобы закладывать в бюджет не устранение последствий аварий, а ремонт по состоянию техники. Такой подход обходится дешевле на 5–10 процентов. 

При упреждающем ремонте человеческий фактор исключается. Инженеры не запрашивает лишние детали на случай их отсутствия, бухгалтер не закладывает дополнительные средства в бюджет для перестраховки. По прогнозному анализу завод точно знает, сколько деталей нужно для устранения дефектов и заранее закупает конкретное количество, а не общий ЗИП. 

Обо всех отклонениях от нормы предупреждают системы оповещения. Цех сразу узнает о необходимости заменить детали или провести техобслуживание. Благодаря своевременному ТО аппарат прослужит дольше и ремонт не будет оттягиваться до момента, когда ситуация станет критической и починка будет стоить миллионы рублей. 

Представьте такую ситуацию: при буровых работах целостность подвижной части газовой турбины нарушилась, повредились опоры. Туда в срочном порядке командировали инженеров. Пока они выясняли, как решить задачу, в течение 2 недель, турбина продолжала работать. Эксплуатация поврежденного агрегата увеличила стоимость ремонта с 235 до 470 млн рублей.

Уменьшение времени простоя

Простой из-за неисправностей оборудования обходится обрабатывающим компаниям до 20 млрд долларов в год. Упреждающее техобслуживание и учет внешних обстоятельств гарантируют снижение времени простоя на 30–50%. 

Допустим, хозяин предприятия в курсе, что конвейер не будет работать при повышенной температуре. Он может предварительно остановить работу аппарата, спрогнозировав факторы внешней среды. Небольшая заминка на производстве принесет меньше финансовых убытков, чем поломка машины. 

Когда на Череповецком металлургическом комбинате стали использовать предиктивный анализ для обслуживания конвейера горячей обработки металлических изделий, удалось предсказывать перегрев подшипника шестеренных клетей. Это частая причина остановки машины. Контроль возникновения неполадок минимизировал убытки от простоя агрегата. 

Оптимизация производства

Предиктивные технологии помогают понять спрос на продукцию у покупателей в конкретных регионах. Так, энергетическая компания VELCO, кроме прогноза погоды, составляет анализ спроса, чтобы определять объем производства возобновляемой энергии под нужды потребителей.

Тестирование инноваций
Благодаря собранной с машин информации в целях прогнозирования получится создавать цифровых двойников — копии оборудования и процессов в цехах. Цифровая копия позволит предсказывать, как сущность поведет себя на заводе. А потом уже применять ее без рисков для бизнеса.

Подготовка к внедрению прогнозной аналитики

Полнота данных лежит в основе относительно точного прогноза. Без источников сбора реализовать проект предикативной аналитики не получится. 

В начале пути стоит обратиться к SCADA, программному пакету для управления оборудованием: определить минимальный набор нужных полей данных для выполнения задачи и получить их из ПО. После оценки результата эксперты могут прийти к выводу, что сведений не хватает. Тогда придется собрать дополнительную информацию из MES, производственной и логистической систем или дооснастить оборудование датчиками. 

После сбора сведений можно приступить к анализу и построению предикативных моделей с использованием подходящих для этого инструментов.

Инструменты предикативной аналитики

Предикативные инструменты — специальное ПО, которое ищет закономерности, изучает массивы данных и извлекает из них информацию с помощью машинного обучения, статистических методов, интеллектуального анализа. Популярные поставщики подобных решений сегодня — SAS, SAP и IBM. 

Технологии, которые могут входить в арсенал для предиктивного анализа: 

• Python — язык программирования, применяемый для разнообразных целей; используется в том числе для создания моделей для байесовский сетей, деревьев решений и др.: 
• RapidMiner — пространство полного цикла аналитики, визуализации и коррекции данных. Поддерживает язык R. Поскольку это инструмент визуального программирования, не требует специфических знаний.
• Knime — платформа прогностической аналитики с богатым функционалом и интуитивно понятным интерфейсом.
• IBM SPSS Modeler приложение для работы на Python и R, дружелюбное для новичков. Автоматически генерирует статистические модели.
• Watson Analytics — сервис прогнозного и Big Data анализа с поддержкой работы в облаке и высокой скоростью обработки информации.
• Oracle Big Data Preparation — платное облачное решение для владеющих программированием специалистов.

Также набирает популярность САИД — система автоматической интеллектуальной диагностики. Использует машинное обучение, чтобы подстроиться под конкретный станок, сравнивает с идеальной моделью технологического процесса, выявляет дефекты, прогнозирует поломки. Результаты могут поступать напрямую в системы диспетчеризации и управления обслуживанием. 

Преимущество интеллектуальной диагностики в том, что она не требует множественных датчиков. Нужен контроллер, подключенный к питанию или измерительным цепям. Встроенные алгоритмы без привлечения операторов находят пробои обмоток, неполадки ротора, проблемы креплений и др.

Сдерживающие факторы для предсказательного анализа

Промышленное предприятие не готово к внедрению систем прогнозного анализа, когда:

• уровень цифровизации низок, например, нет систем хранения и управления данными (SCADA) и активами (ERP);
• используется устаревшее оборудование без встроенного мониторинга, а модули с датчиками для автоматизированного контроля не установлены;
• на территории и машинах недостаточно источников сбора данных, а дооснащение IoT-устройствами стоит больше, чем бизнес готов потратить;
• персонал недостаточно квалифицирован: в таком случае даже при точном предикативном анализе сотрудники не смогут устранить поломку. 

Заключение

ВШЭ подсчитала, что индекс цифровизации в России соответствует мировым тенденциям. Корпорации в сферах финансов, розничной торговли, медицины опережают промышленный бизнес по этому параметру: ему требуется больше времени для оцифровки процессов. Однако в нефтегазе, металлургии и энергетике активно используют интеллектуальные инженерные системы, IIoT-устройства, инструменты Big Data & Analytics. Эту тенденцию постепенно перенимают компании из других индустрий. 

Благодаря развитию Big Data и IIoT практики предиктивной аналитики становятся все доступнее для промышленных предприятий с производством любого типа. Прогнозирование даже с точностью 50% позволит им сокращать стоимость ремонта оборудования на 5-10%, уменьшать число аварий в 3 раза, снижать время простоя и риски финансовых потерь. Такие результаты — мощный стимул, которому суждено повлиять на распространение предиктивных технологий в ближайшие годы.