Данных много, а я один: трудовая рутина специалистов по диагностике и инженеров по надежности тесно связана с архивами SCADA, журналами дефектов и ремонтов, многостраничной документацией на оборудование. Однако работа с большими данными может быть эффективной и простой, если в арсенале есть современные инструменты. Сегодня мы расскажем о возможностях выявления отклонений в работе оборудования с помощью решения F5 PMM от российского разработчика Factory5, который может прийти на помощь диагностам даже с минимальным количеством имеющихся данных телеметрии.
Трудности в работе диагностов и инженеров по надежности
Эти специалисты занимаются предварительным анализом видов и причин отказов, определяют критичность оборудования, прогнозируют состояние и дальнейшие события, связанные с оборудованием, и вероятные последствия в случае определенного события или отказа, планируют корректирующие мероприятия. Большую часть такой работы занимает рутинная сверка документации, физико-математические расчеты, составление отчетов.
Анализ и прогноз технического состояния оборудования — задача не новая, ранее она решалась вручную или с помощью других инструментов. Но главная проблема в её решении на многих предприятиях остается по сей день: данных много, а времени мало. Один из современных методов решения этой проблемы — применение предиктивной аналитики состояния оборудования. Она предполагает анализ больших данных для предсказания состояния и поведения оборудования в будущем.
Предиктивная аналитика решает следующие задачи и проблемы:
• Предотвращение остановок в работе оборудования;
• Снижение количества внеплановых ремонтов;
• Оценка технического состояния оборудования;
• Выявление причин поломок оборудования;
• Оповещения о приближающихся сбоях и отказах.
Для предиктивной аналитики нужны данные — и не только исторические данные с датчиков, но и информация о режимах работы, разузловке, статистика отказов и другие данные. В зависимости от количества имеющихся данных и степени их структурированности, для предприятий любого уровня цифровой «зрелости» можно подобрать своё решение, позволяющее прогнозировать состояние оборудования и повышать надежность его работы.
Какие данные нужны для предиктивной аналитики? Уровни зрелости
Что делать, если из данных есть только выгрузка архива АСУТП? Даже в таких случаях машинное обучение может прийти на помощь диагностам и инженерам по надёжности. Можно обучить модель на исторических данных, соответствующих нормальному режиму работы, и запустить ее на актуальных данных — она будет выявлять отклонения от нормы (аномалии) и сигнализировать о том, что что-то идет не так. Система F5 PMM позволяет законченное решение для любого уровня зрелости, но сегодня мы расскажем именно о его возможностях для выявления аномалий.
Детектор аномалий – простой инструмент для инженера
В наш продукт F5 PMM мы добавили отдельный сервис — понятный инженерный инструмент «детектор аномалий», который не только помогает найти аномалии, но и выявить их причины. Для запуска нужны исторические данные только о периоде, когда оборудование работало нормально. Данные обо всех отказах и их причинах не требуются.
Рассмотрим работу детектора по шагам — их всего четыре.
Детектор аномалий в F5 PMM отличается от других систем тем, что здесь предусмотрен этап интерпретации аномалий, на котором можно сделать выводы и перейти к действиям. Это не «голая математика» и абстрактные алгоритмы, а практически применимый инструмент, проверенный в промышленных условиях с нужными параметрами.
Интерпретация результатов и выявление причин
На данной схеме мы видим наличие и вероятность аномалий, а также вклад в аномалию каждого из сенсоров — например, это могут быть вибрация, температура и давление. Используя эту информацию, можно двигаться дальше: выявить причины ещё не произошедших отказов и вовремя их предотвратить.
Важно понимать, что такой базовый алгоритм – не оракул и не магический шар, он не даст точного ответа о том, в чём причина. Но используя полученные с его помощью данные в сочетании с экспертизой сотрудника, можно обнаружить первые признаки зарождающихся дефектов, предотвратить отказы и в конечном итоге повысить степень готовности оборудования. Тут важный дисклеймер: инструмент не заменяет работу сотрудника полностью, но может значительно снизить долю рутинного труда и помочь сэкономить рабочее время.
Мы рекомендуем обучать модель для каждой конкретной единицы оборудования отдельно, так как каждый агрегат уникален, и даже у экземпляров из одной серии могут быть значительные различия в технологических параметрах. Также стоит отметить, что в детекторе аномалий на одних и тех же исходных данных можно создать несколько моделей например, для отдельных узлов оборудования.
Выбор алгоритма с точки зрения инженера
Разработчики систем предиктивной аналитики, описывая преимущества своих алгоритмов, часто глубоко погружаются в детали, описывают принципы их работы — но это всё математика, которая не нужна для конечного пользователя. В практическом применении перед инженером всегда стоит один вопрос: какой алгоритм лучше выбрать для конкретного оборудования?
В F5 PMM мы используем четыре встроенных и универсальных алгоритма, которые опробованы нами в разных промышленных отраслях. Выбор определяется тем, насколько велика экспертиза инженера по оборудованию: известно ли, какие параметры влияют на технического состояние? Какие параметры взаимосвязаны? Какие параметры к каким узлам относятся?
Первый вариант — PCA подходит в случаях, когда у инженера есть только архив и количество тегов, но он не знает досконально, какие сенсоры к какому узлу относятся, и нет четкого понимания того, какие параметры можно использовать как параметры состояния.
Алгоритм Isolation Forest актуален, когда есть некое представление о параметрах и разузловке, влияющих на состояние оборудования, но при этом используются не все датчики.
Третий вариант, Smart Isolation Forest будет полезен инженеру, который не только понимает, что влияет на состояние агрегатов, но и знает, что в наборе данных есть сильно коррелирующие параметры. Актуально для систем взаимосвязанных узлов, многие параметры которых взаимосвязаны.
Наконец, Регрессор требует ещё более глубокого понимания работы оборудования – когда у инженера есть вся ранее перечисленная информация и возможность разделить параметры на входные и выходные, то есть на управляющие воздействия и результат воздействия. Например, давление на выходе насоса является результатом увеличения частоты вращения двигателя.
От выявления аномалий — к законченному решению
Мы рассмотрели лишь один из сервисов нашего продукта F5 PMM, который представляет собой гораздо больше, чем просто детектор аномалий. F5 PMM — это сервис мониторинга и прогноза состояния оборудования с тремя блоками функциональностей. Система умеет забирать данные с разных уровней (это и OPC-протоколы, и подключение к разным базам данных, и протоколы более низкого уровня) и привязывать данные к реестру оборудования. Все эти подготовленные данные поступают на анализ.
Выбор аналитических инструментов зависит от уровня зрелости, которые мы описывали ранее. Для начального уровня, когда есть только исторические данные, подойдет детектор аномалий и экспертные правила. На более продвинутых уровнях можно использовать математический сервис, который позволяет запускать прогнозные модели, использующие машинное обучение, физическое моделирование или гибридные варианты.
С помощью F5 PMM можно составлять наглядные отчеты по инцидентам в разрезе оборудования, типов, причин возникновения. Конструктор отчетов позволяет формировать документы по стандартам и требованиям предприятия. При этом можно выбрать наиболее удобный способ представления данных: таблицы или диаграммы.
Интеграция в процессы ТОиР и управления активами — важный критерий успешного внедрения систем предиктивной аналитики. Для этого в F5 PMM предусмотрен интеграционный сервис для передачи параметров состояния, вероятностей отказов и выявленных инцидентов в информационные системы ТОиР для автоматизированного создания рабочих заданий. Таким образом можно создать сквозное решение — от сбора и анализа данных до действий на основе результатов анализа.