Примерно 18 лет я занимаюсь автоматизацией производств и, в частности, прогностическими системами. Авария в турбине обходится в среднем в десятки миллионов рублей и, как правило, затрагивает далеко не только турбину. Отрыв рабочих лопаток турбины может нанести прямого урона на миллиарды, а потом ещё остановить генерацию на срок поставки комплектующих.
Пример такой турбины для понимания масштаба. Источник.
Сейчас это решается регламентным ремонтом и обслуживанием: «раз в год останавливаем и разбираем», «раз в месяц меняем подшипник», «раз в неделю льём сюда масло». Может, некоторые операции излишни, а может, некоторые слишком редки. Но это лучше, чем ничего.
Второй уровень — это обвесить турбину датчиками и следить за их показаниями. Так можно остановить её за несколько часов или дней до предполагаемой аварии — это лучше, чем устранять последствия, но всё равно нужно же успеть к этому моменту заказать элементы под замену. И неожиданная остановка локомотива, например, вполне может означать перепланирование всего графика перевозок.
Третий уровень — это взять исторические данные, взять потоковые данные с датчиков и построить модель их изменения. Это даст точность в недели. Это уже предиктивная аналитика, которую могут позволить себе далеко не все.
К этому можно добавить ещё физическую модель взаимодействий на устройстве.
Итак, вам нужно на входе:
Проблема в том, что потоки данных с одного элемента оборудования неприменимы для другого, принципиально похожего, но другой серии. Плюс для каждого наименования оборудования нужна своя физическая модель: принципиальная подходит для всего класса оборудования, но даёт незначительный прирост точности. А вот написанная под конкретную железку уже работает.
Более того, два экземпляра одной и той же железки требуют разных физических моделей и работают совершенно по-разному. Первая причина в том, что они физически отличаются: каждый подшипник и каждая другая деталь имеют свои характеристики, укладывающиеся в вилку допусков и достаточно случайно меняющиеся в процессе эксплуатации. Замена элемента приводит к другому поведению системы. Добавьте к этому текущие ремонты, часто меняющие физическую модель, добавьте человеческий фактор по замене комплектующих на глаз точно такие же, только отличающиеся последней цифрой в номере, добавьте возможность некорректного импортозамещения — и вы получите два визуально похожих элемента оборудования, но с данными, неприменимыми друг к другу.
Поэтому нейронка учится именно на данных каждого конкретного элемента оборудования и уточняется физической моделью для данного типа (серии) устройств.
А вторая проблема в эксплуатации. Например, я знаю, что прогностические модели электровозов для российских железных дорог имеют два класса: для южных регионов и северных. То есть один и тот же электровоз будет обсчитываться совершенно в разных физических моделях в зависимости от региона эксплуатации. Знаю, звучит странно, но это реальность производств. Кстати, поэтому в поток данных нужно также добавлять все внешние условия, условия среды, производственных материалов и так далее.
Если у вас есть крайне дорогое оборудования типа турбины за миллиард, можно писать к ней собственную модель и делать НИОКРы. Если получится уменьшить вероятность поломок, это окупится.
Если у вас есть серийное дорогое оборудование, обычно к нему либо уже есть типовая физическая модель, либо она достаточно быстро дорабатывается из класса таких физических моделей. Дальше нужно снять исторические данные, обучить нейронку и получить достаточно хороший результат.
Если у вас есть единичное оборудование со средней ценой или много серийного дешёвого оборудования, как правило, такие внедрения не окупаются без готовых физических моделей производителя под железо. У Siemens и Schneider Electric на многие изделия модели есть, например, но они их не дают, а используют у себя для анализа поступающей телеметрии и предсказания ремонтов.
На практике сейчас поменялось то, что появилась возможность существенно дешевле учить нейросети на исторических данных, и это из области искусства постепенно переходит в обыденность. По факту же каждого руководителя производства интересует три простых вещи:
Как и 18 лет назад, ответить на все три вопроса так, как хочется производству, не выйдет. Весь софт всегда поставляется по лицензии AS IS, то есть если ПО не предсказало выход из строя, а он случился, это просто досадная случайность, а не ответственность вендора. Финансовых гарантий вендор на себя не берёт.
Внедрение при НИОКРе очень дорогое. Экономический эффект в том, что будет меньше поломок и простоев, но его можно доказать лет так за 5–6 на практике.
Статистику никто не показывает, она очень закрытая у каждого производства.
В итоге остаются области, где уже есть экономический смысл внедрять готовые решения (с небольшой доработкой под конкретное оборудование) — и именно это мы делаем. Сейчас это тяговые электродвигатели, масляные насосы, генераторы, компрессоры и ДВС (там, как правило, треть проекта — адаптация под устройство, но она окупается) и ещё ряд электроагрегатов.
Очень сильно зависит от того, что за модели были, кто внедрял (с каким опытом) и какие данные собирались. Любая аналитика строится на данных. Нет данных — нет аналитики. Я часто вижу, когда компания наверху внедряет какую-то информационную систему, которая должна агрегировать данные, а затем она спускается на места, и вместо интеграции с производственными системами все эти данные начинают вбиваться руками раз в смену. Так прогностика, конечно же, не работает.
Прогнозы часто обогащаются базами знаний экспертов (условно, это техкарты и перенос принципов отказов с одной модели сложного оборудования в другую похожую).
Дальше, надо понимать, что мы говорим про прогнозную аналитику, предсказывают вероятные результаты на основе выявленных тенденций и статистических моделей, полученных с помощью исторических данных и с использованием данных от оборудования, получаемых в реальном масштабе времени. Заказчики ждут предписывающей аналитики, которая позволяет получить оптимальное решение на основе прогнозной аналитики с использованием данных в реальном масштабе времени. То есть мы говорим «что будет», а заказчики ждут «что делать». На деле это требует интеграции с ещё большим количеством систем.
Вся суета вокруг прогноза состояния — попытка уйти от ремонтов по расписанию к ремонтам по требованию. Чем сложнее система, тем более сложная модель — больше влияющих факторов, менее достоверное предсказание. Опять же, каждый раз при внедрении нужно вернуться на 3 месяца назад и включить мониторинг, если этого не было сделано. Может быть и так: «Ну вы пока собирайте данные, через 3 месяца придём».
Стоит ли ожидать достоверных прогнозов от современных систем прогностики (предиктивной аналитики) в ближайшее время? Да. Всё идёт вперёд. Развивается математика. Оцифровка знания экспертов — большая задача, которой занимаются большие компании. Уже есть базы знаний, которые позволяют для каждого типа оборудования иметь бесценный источник знаний, не привлекая людей в каждом конкретном случае.
На текущий момент уровень развития матаппарата и вычислительной техники достаточен для простых систем вроде двигателя, насоса, компрессора. Но пока эти системы плохо работают с более сложными системами. Но это вопрос времени.
Так что, если у вас тяговые электродвигатели или масляные насосы, мы можем помочь с достаточно предсказуемым эффектом. С остальным вернёмся через пару лет. Надеюсь.
Пример такой турбины для понимания масштаба. Источник.
Сейчас это решается регламентным ремонтом и обслуживанием: «раз в год останавливаем и разбираем», «раз в месяц меняем подшипник», «раз в неделю льём сюда масло». Может, некоторые операции излишни, а может, некоторые слишком редки. Но это лучше, чем ничего.
Второй уровень — это обвесить турбину датчиками и следить за их показаниями. Так можно остановить её за несколько часов или дней до предполагаемой аварии — это лучше, чем устранять последствия, но всё равно нужно же успеть к этому моменту заказать элементы под замену. И неожиданная остановка локомотива, например, вполне может означать перепланирование всего графика перевозок.
Третий уровень — это взять исторические данные, взять потоковые данные с датчиков и построить модель их изменения. Это даст точность в недели. Это уже предиктивная аналитика, которую могут позволить себе далеко не все.
К этому можно добавить ещё физическую модель взаимодействий на устройстве.
Как устроена современная предиктивная и предписательная аналитика
Итак, вам нужно на входе:
- Получить исторические данные с оборудования. Минимум за три месяца, лучше — за полгода–год. Там должен быть поток данных со всех датчиков, поток данных по производственным параметрам и так далее — в общем, не 40 Кб дискретных значений за полгода, а реально гигабайты. Эти данные можно скормить какой-либо матмодели (раньше использовались разные совокупности эвристик, сейчас обучают нейросети на прогнозы), чтобы понять ожидаемое будущее состояние системы на основании прошлого опыта.
- После обучения нейронки дать в модель на вход также текущие данные в реальном времени, чтобы она строила уже реальный прогноз. Затем при каждом регламенте реально оценивать износ элементов и состояние оборудования, чтобы понимать, правильно ли работает модель. Как правило, модель способна далеко не на всё: она может предсказывать случаи, которые уже были на этом оборудовании, достаточно точно, но редко когда удаётся предвидеть новый случай, которого не было в истории.
- К оборудованию строится физическая модель. Точнее, матмодель физических и химических процессов внутри узла. Например, если речь про подшипник, к «слепому» анализу исторических данных добавляется моделирование физических процессов, происходящих с ним. Эти модели в совокупности с предиктивной аналитикой из пункта 2 очень сильно повышают точность прогноза, с одной стороны, — и очень сильно повышают трудоёмкость разработки, с другой.
Проблема в том, что потоки данных с одного элемента оборудования неприменимы для другого, принципиально похожего, но другой серии. Плюс для каждого наименования оборудования нужна своя физическая модель: принципиальная подходит для всего класса оборудования, но даёт незначительный прирост точности. А вот написанная под конкретную железку уже работает.
Более того, два экземпляра одной и той же железки требуют разных физических моделей и работают совершенно по-разному. Первая причина в том, что они физически отличаются: каждый подшипник и каждая другая деталь имеют свои характеристики, укладывающиеся в вилку допусков и достаточно случайно меняющиеся в процессе эксплуатации. Замена элемента приводит к другому поведению системы. Добавьте к этому текущие ремонты, часто меняющие физическую модель, добавьте человеческий фактор по замене комплектующих на глаз точно такие же, только отличающиеся последней цифрой в номере, добавьте возможность некорректного импортозамещения — и вы получите два визуально похожих элемента оборудования, но с данными, неприменимыми друг к другу.
Поэтому нейронка учится именно на данных каждого конкретного элемента оборудования и уточняется физической моделью для данного типа (серии) устройств.
А вторая проблема в эксплуатации. Например, я знаю, что прогностические модели электровозов для российских железных дорог имеют два класса: для южных регионов и северных. То есть один и тот же электровоз будет обсчитываться совершенно в разных физических моделях в зависимости от региона эксплуатации. Знаю, звучит странно, но это реальность производств. Кстати, поэтому в поток данных нужно также добавлять все внешние условия, условия среды, производственных материалов и так далее.
Что получается
Если у вас есть крайне дорогое оборудования типа турбины за миллиард, можно писать к ней собственную модель и делать НИОКРы. Если получится уменьшить вероятность поломок, это окупится.
Если у вас есть серийное дорогое оборудование, обычно к нему либо уже есть типовая физическая модель, либо она достаточно быстро дорабатывается из класса таких физических моделей. Дальше нужно снять исторические данные, обучить нейронку и получить достаточно хороший результат.
Если у вас есть единичное оборудование со средней ценой или много серийного дешёвого оборудования, как правило, такие внедрения не окупаются без готовых физических моделей производителя под железо. У Siemens и Schneider Electric на многие изделия модели есть, например, но они их не дают, а используют у себя для анализа поступающей телеметрии и предсказания ремонтов.
На практике сейчас поменялось то, что появилась возможность существенно дешевле учить нейросети на исторических данных, и это из области искусства постепенно переходит в обыденность. По факту же каждого руководителя производства интересует три простых вещи:
- сколько стоит внедрение;
- какой экономический эффект оно даст;
- какие гарантии может дать вендор.
Как и 18 лет назад, ответить на все три вопроса так, как хочется производству, не выйдет. Весь софт всегда поставляется по лицензии AS IS, то есть если ПО не предсказало выход из строя, а он случился, это просто досадная случайность, а не ответственность вендора. Финансовых гарантий вендор на себя не берёт.
Внедрение при НИОКРе очень дорогое. Экономический эффект в том, что будет меньше поломок и простоев, но его можно доказать лет так за 5–6 на практике.
Статистику никто не показывает, она очень закрытая у каждого производства.
В итоге остаются области, где уже есть экономический смысл внедрять готовые решения (с небольшой доработкой под конкретное оборудование) — и именно это мы делаем. Сейчас это тяговые электродвигатели, масляные насосы, генераторы, компрессоры и ДВС (там, как правило, треть проекта — адаптация под устройство, но она окупается) и ещё ряд электроагрегатов.
Насколько достоверны прогнозы?
Очень сильно зависит от того, что за модели были, кто внедрял (с каким опытом) и какие данные собирались. Любая аналитика строится на данных. Нет данных — нет аналитики. Я часто вижу, когда компания наверху внедряет какую-то информационную систему, которая должна агрегировать данные, а затем она спускается на места, и вместо интеграции с производственными системами все эти данные начинают вбиваться руками раз в смену. Так прогностика, конечно же, не работает.
Прогнозы часто обогащаются базами знаний экспертов (условно, это техкарты и перенос принципов отказов с одной модели сложного оборудования в другую похожую).
Дальше, надо понимать, что мы говорим про прогнозную аналитику, предсказывают вероятные результаты на основе выявленных тенденций и статистических моделей, полученных с помощью исторических данных и с использованием данных от оборудования, получаемых в реальном масштабе времени. Заказчики ждут предписывающей аналитики, которая позволяет получить оптимальное решение на основе прогнозной аналитики с использованием данных в реальном масштабе времени. То есть мы говорим «что будет», а заказчики ждут «что делать». На деле это требует интеграции с ещё большим количеством систем.
Вся суета вокруг прогноза состояния — попытка уйти от ремонтов по расписанию к ремонтам по требованию. Чем сложнее система, тем более сложная модель — больше влияющих факторов, менее достоверное предсказание. Опять же, каждый раз при внедрении нужно вернуться на 3 месяца назад и включить мониторинг, если этого не было сделано. Может быть и так: «Ну вы пока собирайте данные, через 3 месяца придём».
Стоит ли ожидать достоверных прогнозов от современных систем прогностики (предиктивной аналитики) в ближайшее время? Да. Всё идёт вперёд. Развивается математика. Оцифровка знания экспертов — большая задача, которой занимаются большие компании. Уже есть базы знаний, которые позволяют для каждого типа оборудования иметь бесценный источник знаний, не привлекая людей в каждом конкретном случае.
На текущий момент уровень развития матаппарата и вычислительной техники достаточен для простых систем вроде двигателя, насоса, компрессора. Но пока эти системы плохо работают с более сложными системами. Но это вопрос времени.
Так что, если у вас тяговые электродвигатели или масляные насосы, мы можем помочь с достаточно предсказуемым эффектом. С остальным вернёмся через пару лет. Надеюсь.
