Всем привет, на связи Алексей Ершов и Максим Зотов, эксперты Factory5. Сейчас наша компания разрабатывает ПО для анализа промышленных данных, а начинали когда-то с предиктивной аналитики промышленного оборудования. В этой статье расскажем о том, как IoT-технологии и эксперты по оборудованию помогают внедрять её на предприятиях.
Вызовы и трудности внедрения предиктивной аналитики
Как показывает мировая статистика, порядка 80% аналитических проектов в этом направлении остаются безуспешными и не эксплуатируются. Это может быть связано как с технологическими рисками, так и с проблемами организационного характера.
Существуют разные барьеры, препятствующие успешному внедрению предиктивной аналитики. Наиболее важные из них по опыту Factory5 можно условно разделить на три группы:
1. Данные. Работоспособность модели критически зависит от наличия и качества полученных данных. При этом нужны не любые данные, а подходящие по определённым критериям – о них расскажем ниже.
2. Бизнес-процессы. Важно понимать: кто и что делает, когда загорается «красная лампочка»? И результаты должны влиять на процессы техобслуживания и ремонта. О том, как это работает, мы рассказывали в нашей предыдущей статье на Хабре.
3. Экспертиза. Она нужна как при создании, так и при интерпретации модели – «голая математика» плохо работает.
Что есть на рынке и что предлагаем мы
Рассмотрим предложения рынка по тем же трём группам барьеров: данные, бизнес-процессы и экспертиза.
Данные
Как правило, типовые решения работают с существующими данными из АСУ ТП, системами хранения исторических данных (historian) или файлами, например Excel-таблицы. Бывает, что компании-разработчики говорят: «Дополнительные датчики не нужны, мы работаем с существующими». С одной стороны это удобно, с другой – иногда неэффективно, так как качество данных может не подойти для предиктивного анализа.
В нашем решении – интеллектуальной системе мониторинга и прогноза технического состояния оборудования F5 PMM используется IoT-подсистема. Она обеспечивает подключение IoT-датчиков, шлюзов, их настройку и управление. Также мы сотрудничаем с партнёрами, которые помогают создавать комплексное решение с датчиками. Если вы производите датчики, шлюзы или сетевую инфраструктуру для промышленности, напишите, пожалуйста, на почту Info@factory5.ai
Бизнес-процессы
Чаще всего в качестве базового инструмента управления процессами вендоры предлагают workflow-менеджеры, которые позволяют управлять возникающими событиями: назначить приоритет, категорию, изменить статус и т.п. Интеграция с EAM-системами описана слабо, хотя она и заявляется. Отчасти это связано с тем, что такие решения обычно являются частью пакета APM-систем (Asset Performance Management), и вендоры заинтересованы продавать максимум собственных продуктов. Кроме того, АРМ-системы дороги и сложны для внедрения.
F5 PMM отличается тем, что у нас есть как нативная интеграция с собственной системой автоматизации ТОиР (F5 EAM), так и открытый интеграционный сервис для любых ERP/EAM систем, и эти два продукта образуют комплексное решение по управлению активами. Также конструкторы дэшбордов и отчетов позволяют пользователю создать удобные ему панели визуализации, состоящие из карт, схем, графиков и таблиц.
Экспертиза
Часто вендоры имеют свои закрытые и универсальные алгоритмы, чтобы охватить максимально возможный спектр оборудования. Система для каждого датчика сравнивает реальное значение с расчетным в текущий момент времени, далее диагностические правила анализируют величину суммарного отклонения и вклад отклонения каждого датчика, и при превышении порога срабатывает сигнализация. Прогнозирование, как правило, ограниченное, это также связано со спецификой моделей – например, может прогнозироваться значение отдельного датчика на короткий период времени.
Концепция F5 PMM состоит в том, что для простого анализа в продукте есть детектор аномалий и сервис экспертных правил, а для более продвинутого – кастомизируемые прогнозные модели. Детектор с помощью универсальных алгоритмов поможет обнаружить “подозрительные” участки в данных, которые могут свидетельствовать о предотказных состояниях. Прогнозные модели являются внешними плагинами для системы, могут разрабатываться индивидуально под заказчика, в том числе внешними экспертами, что дает дополнительную гибкость.
Как работает система мониторинга и прогноза состояния оборудования F5 PMM
Наш флагманский продукт – система F5 PMM. Она подтягивает данные из разных систем: как из архивов SCADA / АСУ ТП через SQL, так и по низкоуровневым промышленным протоколам (например OPC). Эти данные предобрабатываются, хранятся и привязываются к реестру оборудования, чтобы с ними было удобно работать. Система анализирует их как с помощью прогнозных моделей, так и с помощью экспертных подсистем и правил. Возникающие отклонения проходят через классификатор дефектов, и система выдаёт информацию пользователю в виде отчётов и дэшбордов о состоянии оборудования, а также передает выявленные инциденты в EAM- и ERP-системы для назначения обходов или ремонтных работ.
F5 PMM. Система мониторинга и прогноза состояния оборудования
Как Factory5 преодолевает барьеры внедрения предиктивной аналитики
Данные
Данные – важнейшее топливо для разработки алгоритмов предиктивной диагностики. Чтобы получить качественные данные, важно обеспечить их соответствие определенным критериям. На наш взгляд, самые важные:
Дискретность – показатель количества данных, регистрируемых в единицу времени: в секунду или минуту. Данные о процессах, которые меняются редко, – например, режим работы станка, – можно получать раз в секунду. Но когда возникает потребность в отслеживании, к примеру, изменения тока электродвигателя, возникает потребность получать данные тысячу раз в секунду, а иногда и чаще.
Количество сигналов (тегов) – метрика полноты и достаточности данных. Бывает так, что на оборудовании просто не хватает датчиков. В этом случае (у нас был такой опыт) можно добавить виртуальный датчик-сенсор, чтобы рассчитать значение параметра. Иногда это невозможно, и нужно оснастить агрегат или оборудование дополнительными системами сбора данных.
Объем показывает временные периоды телеметрии, наличие данных о техобслуживании и ремонте, об отказах. Чем чаще получаем данные, тем точнее можно разработать диагностический алгоритм.
Важно определить – есть ли пересечение временных интервалов телеметрии с данными об отказах оборудования, с данными о ТОиР и другой внешней информацией? Чем чаще данные о ремонте и отказах пересекаются с телеметрией, тем точнее можно разработать диагностические алгоритмы.
Источники данных для предиктивной аналитики и их ограничения
Как добыть качественные данные?
1. Датчики. Они собирают информацию о процессах, описывают диагностику и внешние условия. У каждого источника есть особенности, иногда препятствующие реализации предиктивной аналитики в полной мере.
Данные о процессах могут содержать недостаточно тегов, могут иметь задержки, маленькую дискретность и округления. Для систем диагностики используются переносные комплексы, данные из которых содержатся в недостаточном количестве и их сложно интерпретировать. Данные из внешних систем важны при поиске ответа на вопрос: «Почему одни и те же системы в разных местах ведут себя по-разному?». Факторами влияния может быть погода и климат, и при любых их изменениях важно фиксировать отклонения в работе оборудования.
2. События. Данные об отказах и ТОиР часто хранятся в формате журналов и таблиц, так что человеческий фактор здесь играет отрицательную роль: данные легко потерять, исказить или вовсе не зафиксировать.
Все производства разные: где-то накопленных данных оказывается много, а где-то их приходится дополнительно добывать. Каждый случай требует своего подхода.
Разберём два показательных кейса: в первом уже существующих данных оказалось достаточно для построения прогной модели, а во втором пришлось дооснащать оборудование IoT-датчиками.
Кейс 1: Диагностика винтовых и центробежных компрессоров на основе больших данных
Дано: Воздушные компрессоры на сборочном производстве, которые нуждаются в заблаговременном определении предотказного состояния узла – чтобы можно было вовремя запланировать сервисные работы и предотвратить простой производства. Данные были хорошего качества: с каждого компрессора был накоплен непрерывный архив телеметрии от 43 датчиков за 1,5 года с дискретностью 1 минута. Также заказчик предоставил журналы ТОиР в excel-таблицах, и в 95% случаев информация об отказах пересекалась с данными от датчиков.
Решение: Удалось построить предиктивную модель на исторических данных, которая использовала 4 ключевых тега, и на тестовых данных с точностью до 85% прогнозировала предотказные состояния за несколько дней.
Кейс 2: Тяговый электродвигатель локомотива, отказ которого приносит большие убытки
Дано: Электродвигатель, которым локомотив приводится в движение, является критическим узлом. Его отказы влекут за собой целый ряд дорогостоящих последствий: затраты на транспортировку, срыв производственных планов, восстановительный ремонт. Несмотря на плановые предупредительные ремонты, двигатели регулярно ломались из-за тяжелых условий эксплуатации – ресурс двигателей исчерпывался до момента захода локомотива в депо на ремонт. Мониторинг и прогноз состояния осложнялись тем, что данные с датчиков тока округлялись до 10 А (паспортные параметры двигателя 800 В/900 А), частота обновления была недостаточна - от 1 до 10 Гц, а исторический архив не был непрерывным. На некоторых локомотивах датчиков не было совсем. Тем не менее, данные из журналов об отказах и проведенных работах ТОиР были собраны заказчиком за длительный период.
Решение: Наша методика, основанная на спектральном анализе тока двигателя, требовала высокочастотных данных (25 кГц), для чего двигатели были оснащены новыми датчиками тока и IoT-шлюзом для передачи данных в систему F5 PMM. Анализ поступающих данных помог выявить отказы на ранней стадии, что позволило планировать предупредительные работы и избегать дорогостоящих восстановительных ремонтов. Так как предупредительные ремонты для данного типа оборудования в 3 раза дешевле восстановительных, то внедрение имело конкретный экономический эффект. Подробнее о методике мы рассказываем здесь.
Данные – «топливо» для предиктивной аналитики. Для получения максимального эффекта желательно иметь не только данные телеметрии, но и журналы отказов и проведенных мероприятий ТОиР, а также данные из внешних систем (например, климат). Как показывает наша практика, в одних случаях существующих данных достаточно для построения предиктивной модели, в других – нет. Мы можем оценить пригодность ваших данных для предиктивного анализа, а при необходимости партнеры помогут с установкой IoT датчиков.
Экспертиза
Для успешного внедрения предиктивного обслуживания оборудования нужны не только данные, но и прогнозные модели. «Голая математика» в таких случаях плохо работает, для разработки действительно работающей модели необходима экспертиза по оборудованию при:
выборе тегов (датчиков) – при отборе признаков, которые влияют на состояние оборудования;
установке пороговых значений;
интерпретации результатов работы модели.
Можно сказать, что прогнозная модель – это оцифрованный опыт экспертов.
В F5 PMM нет встроенных прогнозных моделей, все они внешние – подгружаемые, открытые и изменяемые. Мы видим, что у зрелых компаний есть свои наработки по моделям, но им нужна автоматизация, чтобы эти модели работали. Такой подход позволяет привлекать внешние ресурсы для разработки моделей: отраслевые компании, научно-исследовательские институты, экспертов. В мировой практике уже сейчас развивается такой тренд – маркетплейсы прогнозных моделей, где их подбирать и покупать под свои потребности.
Кейс: Прогнозная модель для масляного насоса с помощью внешних экспертов
Дано: Масляный насос, для которого нужно разработать прогнозную модель. Имеются сведения о неисправностях и производственных работах, а также телеметрия за 1+ год.
Решение: Совместно с отраслевыми экспертами из Петербургского государственного университета путей сообщения (ПГУПС) мы пришли к описанию инженерной модели процесса. Отсюда родилось понятие МХ-модель (Math & eXperience), объединяющее физическую и математическую модели.
При моделировании мы учли давление масла в редукторе, его температуру, температуру масла в банке, падение давления на масляном фильтре, позицию топливных реек, тяговую мощность, перепад давления на узле. Аномалия рассчитывалась как разница между фактическим давлением и расчетным. Модель выявляла аномалии, по частоте которых определялся индекс здоровья (индекс технического состояния) и составлялся план ремонтов. Более детально процесс разработки модели описан в другой статье.
Если данные – это «топливо» предиктивной аналитики, то модель – ее «мотор». Роль экспертизы отраслевых специалистов настолько значима, что без неё первые прототипы моделей не давали бы нужный результат. Совместно с экспертами заказчика и специалистами университета мы получили по сути цифровой двойник, правильно описывающий работу масляного насоса.
В любой непонятной ситуации обращайтесь к экспертам Factory5 – мы оценим потенциал ваших данных, готовность вашей компании к внедрению предиктивной аналитики и проработаем ТЗ. У нас есть уверенная экспертиза в создании комплексных решений для автоматизации ЕАМ и ТОиР. Команда Data Science F5 будет рада помочь вам в методологическом построении модели.
