Профилактика сбоев с принятием верных решений, основанных на производственных данных, а не предположениях и догадках, стала необходимостью. Сочетание механических поломок и сбоев в производственных процессах обходится мировой промышленности до 10% ее дохода, составившего в 2012 г., согласно McKinsey Global Institute, более 1,4 трлн. долл. Долгое время компании тратили миллионы, пытаясь решить эту проблему и в конечном итоге избежать незапланированных простоев, но до сих пор они были в состоянии проводить профилактику только тех сбоев, что вызваны по причине долгой эксплуатации и возраста оборудования. Современные методы технического обслуживания не могут помочь обнаружить проблемы на ранней стадии и узнать о причинах, казалось бы, случайных сбоев, которые вызывают более 80% незапланированных простоев. Именно в этом случае использование программного обеспечения на основе машинного обучения для того, чтобы расширить контроль над оборудованием, поможет предотвратить сбои в производственном процессе.

Чтобы избежать незапланированных простоев, компании должны выявлять ранние признаки потенциального сбоя и эффективно на них реагировать. Традиционные практики технического обслуживания не способны прогнозировать сбои, вызванные отклонениями в производственных процессах. Для этого требуется уникальный технологический подход, сочетающий специальное оборудование и процедуры. Это особенно актуально для отраслей с крупной базой производственных активов, таких как производство и транспортировка. Используя правильные технологии, компании могут заблаговременно увидеть признаки износа оборудования для того, чтобы изменить исход ситуации в лучшую сторону и предотвратить потенциальные сбои.

Прогнозирование простоев с использованием ПО на основе машинного обучения

Передовое ПО на основе машинного обучения уже продемонстрировало невероятные успехи в выявлении неисправностей оборудования на ранних стадиях. Такое программное обеспечение работает практически в автономном режиме и усваивает поведенческие модели из потоков цифровых данных с датчиков контроля оборудования и производственных процессов. Работая автоматически и требуя минимум ресурсов, эта передовая технология постоянно учится и приспосабливается к новой поведенческой модели при изменении условий эксплуатации. При отказе определенного оборудования технология запоминает и как бы «прививает» его так, чтобы условия, при которых произошел сбой, не повторялись. Кроме того, сохраненные данные об отказе используются для профилактики другого подобного оборудования, чтобы предотвратить аналогичные проблемы.

Например, Североамериканская энергетическая компания теряла до миллиона долларов на ремонтных работах и из-за потери доходов по причине повторных поломок электрических погружных насосов. Передовое ПО на основе машинного обучения проанализировало поведение 18 насосов. Программа помогла обнаружить на одном насосе ранние признаки утечки, которая составляла угрозу для окружающей среды. Применение сохраненных данных об этом сбое для профилактики остальных насосов позволило заблаговременно принять меры, чтобы избежать повторения инцидента, тем самым предотвращая серьезные экологические проблемы.

Другой пример: ведущая компания в сфере железнодорожных перевозок, работающая в 23 штатах США, использовала машинное обучение для решения многолетних сбоев в работе двигателей локомотивов, которые стоили компании миллионы, потраченные на ремонтные работы и штрафы в совокупности с потерянными доходами. ПО на основе машинного обучения работает согласованно с оборудованием и в режиме реального времени. Развернутая для работы на очень большом парке локомотивов, программа исследует данные по смазочному маслу для выявления чрезвычайно ранних признаков отказа двигателя. ПО обнаружило признаки износа даже при испытании двигателя в условиях низкого давления. Своевременный отвод локомотивов на немедленное техническое обслуживание, по словам представителя компании, «сэкономил компании миллионы долларов, предотвращая дорогостоящие простои и штрафы».

Время для использования ПО на основе машинного обучения уже пришло

Компании больше не могут полагаться исключительно на традиционные методы технического обслуживания, но также должны внедрять операционно-поведенческие модели в развертывании решений, управляемых на основе производственных данных. Сегодня компаниям необходимо извлекать дополнительную выгоду из имеющихся производственных активов и внедрять передовые программные средства машинного обучения для достижения быстрых улучшений. С правильным ПО прогностические технологии будут определять условия, которые ограничивают эффективность производственных активов, предоставляя заблаговременные рекомендации для того, чтобы обеспечить прибыльность компании и повысить рентабельность.

Автор статьи — старший бизнес-консультант AspenTech, бывший президент и исполнительный директор Mtell.


Версия для печати (без изображений)