03.06.2021

Искусственный интеллект в промышленности на примере внедрения системы предиктивного обслуживания оборудования. 3 фактора успеха

Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.

Глобальное исследование среди промышленных предприятий, проводимое Deloitte в 2019 году, продемонстрировало, что 87% опрошенных компаний уже внедрили или планируют внедрить в ближайшие два года решения с использованием искусственного интеллекта (ИИ). Российский бизнес к концу 2019 года тоже стал менее настороженно относиться к инновационным решениям.

Пандемия COVID-19 внесла свои коррективы в графики: какие-то проекты были отложены или заморожены, но на текущий момент наблюдается постепенное возвращение интереса к решениям с применением технологий ИИ. Причем потенциальные заказчики из промышленной отрасли не просто хотят услышать примеры реализации, а приходят с вполне сформированными запросами на разработку.

Какие решения наиболее востребованы в промышленности и что потребуется для реализации проектов с применением ИИ?

Почему так много разговоров о цифровых двойниках и причем тут ИИ

В последнее время словосочетание «цифровой двойник» стало очень популярно, и иногда создается впечатление, что его используют не по назначению. Решения в области искусственного интеллекта позволяют построить предсказательные и оптимизационные цифровые модели для работы в реальном времени. Это может быть модель, прогнозирующая выход оборудования из строя, или рекомендательная система, дающая подсказки операторам для оптимизации технологического процесса. Основой для построения подобных цифровых моделей являются данные, которыми обладает производство, и отличие от традиционных подходов – это не программирование алгоритма, а обучение модели решать обозначенную задачу на основе предоставленных данных. Такие алгоритмы называются алгоритмами машинного обучения. Идея интеллектуальных систем, построенных на основе технологии машинного обучения, не нова, но темпы развития этой технологии значительно выросли, поэтому в СМИ все чаще стал появляться собирательный термин «цифровой двойник».

Использование цифровых двойников (или моделей машинного обучения) позволяет повысить время бесперебойной работы оборудования и сократить его простои за счет предиктивного обслуживания; повысить качество выпускаемой продукции и уменьшить отклонения за счет прогнозирования хода технологического процесса и автоматического создания рекомендаций по его улучшению; повысить энергоэффективность и снизить эксплуатационные затраты за счет построения динамических систем потребления ресурсов на заводе.

Примеры решений для промышленности

Основная задача, которую должна решать цифровая трансформация, – это создание ценности для бизнеса. В экономической теории существует два традиционных направления для этого:

  • экстенсивное – за счет увеличения оборота;
  • интенсивное – за счет увеличения эффективности.

В мировой практике на текущий момент применение технологий ИИ в промышленности в основном связано с решениями для эффективности производства.

Задачи оптимизации технологического процесса наиболее востребованы для непрерывных производств, например, в нефтеперерабатывающей, металлургической, химической отрасли. Для дискретных производств, таких как машиностроение, наибольшее количество реализованных кейсов – это системы предиктивного обслуживания оборудования.

Факторы успеха проекта с применением технологий ИИ

Реализация проектов с применением технологий ИИ достаточно типовая. Разработчики интеллектуальных систем, как правило, придерживаются методологии CRISP-DM, то есть Cross Industry Standard Process for Data Mining – межотраслевой стандартный процесс для исследования данных.

Рисунок 1. Этапы построения решения в области анализа данных

Основными этапами методологии являются:

  • понимание бизнес-задачи;
  • понимание данных;
  • подготовка данных;
  • моделирование;
  • оценка точности модели;
  • внедрение в бизнес-процесс.

Рассмотрим основные факторы успеха проекта на примере предиктивного обслуживания оборудования.

1.                  Постановка целей и формализация задачи

Для начала необходимо разобраться с приоритетами, сформулировать задачу и цели проекта. Без понимания, что делаем и с какой целью, невозможно выбрать показатели успеха проекта и составить техническое задание (ТЗ).

Основной целью внедрения систем предиктивного обслуживания оборудования является сокращение издержек из-за простоя оборудования и внеплановых ремонтов. Целесообразно начинать с выбора наиболее критических для производства объектов (оборудования, установок, узлов) с наибольшим количеством отказов за период эксплуатации. Требование по количеству отказов продиктовано не только эффективностью инвестиций, но и особенностями построения прогнозных моделей. Например, если в исторических данных количество отказов не больше 5, то требование точности предсказаний отказов на уровне 95% будет завышенным – модель не сможет обучиться до указанного уровня точности на таком количестве данных. Для подобных случаев задача может быть переформулирована с прогнозирования отказов на задачу выявления отклонений в работе оборудования.

Для снижения риска рекомендуется начинать внедрение систем предиктивного обслуживания оборудования с реализации пилотных проектов. Главная задача – подтвердить или опровергнуть гипотезу, выявить ограничения и дополнительные требования для улучшения качества решения. Например, может оказаться, что на точность прогнозирования влияют факторы, данные по которым не собирались, и при текущей точности внедрение в промышленную эксплуатацию нецелесообразно.

В процессе пилотного тестирования происходит:

  • передача массива данных исполнителям;
  • обучение модели;
  • тестирование модели на исторических данных или в полевом эксперименте.

На каждом этапе важно обозначить состав работ, сроки проведения и целевые показатели. Примерные сроки моделирования: 2–3 месяца.

2.                  Наличие данных для построения модели

Чем больше данных, тем выше качество модели, поэтому важно накапливать данные, чтобы глубина хранения позволяла строить качественные предсказательные модели с высоким уровнем точности. Подготовка данных занимает 80% времени в проектах анализа данных и является самым трудоемким и ответственным этапом в разработке. Одна из глобальных стратегических инициатив, рекомендуемая к внедрению, это практика управления данными (Data Governance), призванная помочь организации повысить качество корпоративных данных, увеличить их ценность и монетизировать в дальнейшем.

Набор данных зависит от задачи, которую решает система, но обязательное требование – накопленные исторические данные по процессу за несколько лет или производственных циклов:

  • данные с датчиков оборудования: мощность, скорость, сила вибраций, температура, влажность и другие;
  • управляющие воздействия с системы АСУ ТП;
  • информация об отказах (из системы ТОиР);
  • входные данные по качеству сырья и материалов;
  • другое.

Для того чтобы внедрить систему предиктивного обслуживания в бизнес-процесс, необходимо провести аудит существующих данных, оцифровать те, которые хранятся в бумажных журналах и реестрах, и наладить выгрузку в базы данных системы в реальном времени.

3.                  Оценка результата и эффективности решения

Точность построенной модели на текущих данных может быть неудовлетворительной и пользы не принесет. Важно перед принятием решения о внедрении просчитать экономическую выгоду дальнейшей реализации. Возможно, потребуется накопление дополнительных данных для улучшения качества модели.

Результатом пилотного проекта и моделирования прогнозирования отказов оборудования будут варианты управленческих решений:

  • о внедрении разработки в промышленную эксплуатацию, если пилот успешен согласно установленным в ТЗ критериям;
  • о продлении пилота на определенный срок, если времени оказалось недостаточно, но промежуточные итоги удовлетворительные;
  • о приостановке, если требуется обогатить датасет дополнительными данными;
  • об отказе от внедрения, если пилот завершился неудачно согласно установленным в ТЗ критериям с анализом причин неудачи и выводами о дальнейшей судьбе инициативы.

Что дальше? Как построить систему предиктивного обслуживания

Сама прогнозная модель законченным решением не является, это необходимое ядро системы. Для того чтобы внедрить предиктивное обслуживание в бизнес-процесс, необходимо, как уже говорилось, наладить выгрузку данных в систему предиктивного обслуживания в реальном времени. Модель «заживет» и начнет формировать ответы в зависимости от поставленной задачи.

Примером реализации системы может быть веб-портал с разграниченными правами пользователей.

Дашборды пользователей позволяют просматривать:

  • список по контролируемому оборудованию и информацию о его состоянии;
  • данные по состоянию узлов в карточке оборудования;
  • список обнаруженных дефектов;
  • прогноз по развитию дефекта или выхода из строя узлов оборудования.

Кроме того, должна быть предусмотрена рассылка уведомлений ответственным пользователям о возникших событиях, связанных с дефектами.

Если принято решение о внедрении в промышленную эксплуатацию, рекомендуется составлять технорабочий проект с описанием требований к техническому обеспечению, скорректированный перечень используемых данных, выходных документов и отчетов, которые должна формировать система, архитектуру системы, требования к показателям надежности системы, ограничения работы системы и пр. Список может быть расширен или сокращен в зависимости от видения заказчика, но подобные документы позволяют снижать риски внедрения и подсвечивают «слепые пятна», с которыми лучше разобраться до начала развертывания проекта.

Результат

Полностью автономная эксплуатация производственных установок и процессов еще впереди. Однако системы искусственного интеллекта могут служить вспомогательным инструментом корректировок для операторов, контролирующих процесс, технологов и инженеров, помогая им принимать обоснованные решения по максимизации производительности.

Благодаря раннему предупреждению о потенциальных отказах и проблемах уменьшается время простоя оборудования. Например, система прогнозирования поломок двигателя поезда, реализованная для крупной железнодорожной компании, имеет точность определения поломок более 90%, что позволило сократить простои и время технического обслуживания поездов.

Возможность удаленного мониторинга и ускорение процесса анализа неисправностей повышают эффективность работы персонала, а проведение ремонтов по фактическому состоянию оптимизирует графики регламентных работ и позволяет увеличивать прибыль.

 

Статья подготовлена для журнала «Экспертный союз»

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»