Як знизити витрати на обслуговування обладнання або що таке Predictive Maintenance?
Вступ
Великі компанії постійно знаходяться у зоні ризиків, одним з яких є несправність обладнання. І чим більший розмір компанії, тим більшою буде ціна дефекту, виявленого невчасно. Саме тому світові лідери розробки програмних рішень та сервісів використовують найсучасніші способи виявлення та запобігання порушень обладнання.
Деякі експерти обирають запобіжне технічне обслуговування (Preventive Maintenance) або навіть технічне обслуговування за фактом виходу обладнання з ладу (Reactive Maintenance). Використання останнього все ж не зможе уберегти компанію від втрати клієнтів та прибутку. Проте з появою та розвитком штучного інтелекту (Artificial Intelligene) став можливим ще один метод технічного обслуговування – прогнозований (Predictive Maintenance).
Технологія передачі даних у реальному часі набирає обертів, саме це є головною причиною зростання ефективности Predictive Maintenance. Інформація спочатку, у реальному часі, передається з пристроїв, сенсорів та додатків, а потім стає основою для аналітичних обчислень. Аналітика стримінгу є одним з ключових елементів Predictive Maintenance – інформація потрапляє до систем, які виконують автоматичний моніторинг, з метою зберегти стан активів або попередити персонал, коли треба здійснити дії з ремонту або заміни обладнання.
Market Research Future зазначає, що частка ринку Predictive Maintenance виросте на 25% CAGR та досягне 23 мільйони доларів США у 2025. Predictive Maintenance на базі IoT по праву вважається найефективнішим у використанні на фабриках та заводах. У звіті від CXP Group йдеться про те, що 90% виробників, які використовують Predictive Maintenance у своїх процесах, зменшили час на ремонт та тривалість незапланованих простоїв на виробництві, у той час, як 80% відчули реальні покращення у порівнянні зі своєю старою промисловою інфраструктурою. Далі ми розглянемо все, що пов’язане з Predictive Maintenance, та роль, яку відіграє в цьому машинне навчання.
Далі ми розглянемо, в чому полягає суть використання Predictive Maintenance та визначимо, яку роль у цьому відіграє Machine Learning.
Сервіси Predictive Maintenance
Усі сервіси Predictive Maintenance базуються на прогнозованій аналітиці (Predictive Analytics), основною метою якої є виявлення та контроль аномалій у роботі та несправностей обладнання для запобігання критичних ситуацій, які можуть вплинути на ефективність виробництва.
Це дає змогу оптимізувати використання ресурсів, продовжити життєвий цикл обладнання, а також покращити якість постачання сервісів, що у свою чергу посприяє лояльності партнерів.
Predictive Maintenance для аналітики
Під час прогнозованого технічного обслуговування зберігається та обробляється велика кількість даних, серед яких стан обладнання, рівень вібрації та звуку (включаючи ультразвук), температура, показники енергомісткості та масла. Крім того, зберігаються також дані теплової карти обладнання.
Збір інформації – це тільки перший крок. Глибинний аналіз даних (Data Mining) та машинне навчання дозволяють зробити конкретні висновки на основі аналізу наборів даних.
Інструменти та програмне забезпечення для Predictive Maintenance
Мета застосування інструментів та програмного забезпечення для Predictive Maintenance полягає у моніторингу обладнання за допомогою спеціальних методик та виявленні несправностей техніки та її завчасного обслуговування.
Ці два типи методик базуються на численних інструментах тестування та контролю електроізоляції, моніторингу вібрацій та температури, виявлення витоків, тощо.
Велика кількість країн Європи вже використовує Predictive Maintenance для оцінки продуктивності обладнання в реальному часі.
Лідером використання передових технологій Predictive Maintenance є США, серед країн Азійсько-тихоокеанського регіону та Близького Сходу вони залишаються менш популярними.
Робота на базі IoT-технологій дозволяє різним системам обмінюватись, аналізувати та функціонувати згідно з отриманими даними під час процесу Predictive Maintenance. У той час як IoT-сенсори збирають дані, алгоритми машинного навчання аналізують їх та визначають місця, де необхідно термінове технічне обслуговування.
Predictive Maintenance у поєднанні з машинним навчанням
Коли ми говоримо на цю тему, то у більшості випадків маємо на увазі автоматизоване виявлення аномалій. Серед даних з IoT-сенсорів моделі машинного навчання виявляють ті, що є підтвердженням нормальної поведінки. Наступним кроком є автоматичне виявлення нетипових даних та подій, встановлення взаємозв'язків, надання запобіжних рекомендацій, що допомагає зекономити велику кількість грошей та часу. Перевага машинного навчання полягає у тому, що технологія може динамічно підлаштовуватися до нових даних, відстежує зміни у реальному часі та вчасно сповіщає про проблеми працівників.
На відміну від інших методів технічного обслуговування, ручне налаштування, відбір даних чи встановлення ліміту для певних показників зовсім не потрібно.
Будь-яке рішення з використанням машинного навчання потребує актуальні та якісні дані у достатній кількості, для побудови ефективних моделей з високою точністю прогнозів.
Перед початком розробки рішення Predictive Maintenance, варто звернути увагу на наступні фактори:
- Журнал помилок
- Дані про технічне обслуговування та ремонтні роботи
- Режими експлуатації / Параметри роботи
Історія помилок / Журнал помилок
Коли модель машинного навчання проходить тренування, алгоритму потрібна не тільки інформація про стан нормальної роботи, але також і дані, які поступають під час збоїв та несправностей. Саме тому набір даних, по якому проходить тренування, має містити достатньо інформації з обох ситуацій.
Під час підготовки моделі алгоритму необхідна не лише інформація про нормальний стан роботи, а і дані під час збоїв та несправностей. Саме тому набір даних для підготовки повинен містити шаблони нормального на аварійного функціонування обладнання.
Історія технічного обслуговування та ремонту / Дані про технічне обслуговування та ремонтні роботи
Це інформація з переліком виконаних ремонтних робіт та деталей, які були замінені. Наявність цієї інформації у наборі даних є критичною, оскільки її відсутність може призвести до отримання невірних результатів. Історія несправностей також може бути представлена спеціальними кодами несправностей та датами замовлення деталей.
Умови, в яких працює обладнання / Режими експлуатації / Параметри роботи
Потокові дані з обладнання, що працює на основі сенсорів, дуже цінне джерело інформації, оскільки вони є базою для моделювання наборів даних. Основне припущення Predictive Maintenance полягає у тому, що у процесі виконання щоденних функцій стан обладнання з часом погіршується. Інформація, яка надходить з обладнання, вірогідно показує динаміку погіршення стану обладнання, а також події, які сприяли цьому.
Метадані обладнання
Це наступні характеристики обладнання: дата виробництва, модель, дата початку роботи та місцезнаходження системи.
Predictive Maintenance на базі IoT
Predictive Maintenance з використанням IoT є альтернативою заміни обладнання через його вік. Деякі експерти вважають рішення з використанням інтернету речей кращим вибором, тому що у 80% випадків несправності обладнання можуть бути викликані різноманітними причинами, а у 20% причиною стає саме вік обладнання. Існує класична програма для технічного обслуговування SCADA, але її можливо використати тільки локально, у той час як IoT дозволяє зберігати терабайти інформації та одночасно запускати алгоритми машинного навчання на кількох комп’ютерах.
Інформація, яку збирають сенсори з обладнання, об’єднана в одну систему та проходить багато етапів. Це необхідно для того, щоб досягти головної мети – своєчасного попередження про вихід з ладу пристроїв та обладнання. Давайте детально розглянемо ці етапи.
Пристрій чи обладнання з сенсорами
Тут ми визначаємо основні параметри, які ми хочемо вимірювати (наприклад температура та заряд акумулятора), і встановлюємо необхідні сенсори.
Польовий шлюз
Дані з сенсорів не можуть напряму потрапляти до хмарного шлюзу, тому існує ще один фізичний пристрій – польовий шлюз, який фільтрує та обробляє інформацію.
Хмарний шлюз
Хмарний шлюз отримує інформацію з польового шлюзу та дозволяє безпечну передачу даних між різними протоколами з багатьох польових шлюзів.
Озеро даних
Наступний крок – це озеро даних. Назва говорить сама за себе. Дані, зібрані з сенсорів, прибувають необробленими та все ще містять неактуальні або неточні показники. Вся інформація представлена у вигляді наборів показників, виміряних сенсорами у певний проміжок часу. Коли виникає необхідність отримати висновки на основі зібраної інформації, вона переходить до сховища даних (Big Data).
Інформаційне сховище
На цьому етапі дані структуруються, отримані з сенсорів показники об’єднуються з контекстуальною інформацією про час, локації та тип даних. Тепер інформація готова до наступного кроку.
Модель машинного навчання
Тут алгоритм знаходить нові кореляції даних, виявляє нетипові параметри та прогнозує майбутні проблеми з обладнанням чи пристроями.
Web або мобільний додаток
Нарешті ми можемо отримувати сповіщення про загрози або потенційну необхідність технічного обслуговування
Predictive Maintenance сервіс від IBM
Цей сервіс має назву IBM Predictive Maintenance and Quality. Він надає можливість керувати, аналізувати та звітувати по параметрах, які були зібрані, а система дає свої рекомендації щодо подальших дій. Рішення від IBM використовується для прогнозування простоїв обладнання, аналізу журналу обслуговування для того, щоб визначити найефективніші заходи з ремонту та цикли обслуговування, виявлення першопричин виходу обладнання з ладу та визначення профілактичних дій.
Компанії, що займаються Predictive Maintenance
Разом з IBM, такі гіганти як Azure, Google та AWS також заявляють про себе як про компанії, що займаються Predictive Maintenance, поки такий функціонал доступний у їх численних хмарних рішеннях. Усі вони пропонують використати власні моделі для аналізу ваших даних з метою виявлення потенційних загроз для обладнання та отримати рекомендації, щодо забезпечення стабільної роботи. Наприклад, AWS має додаток на базі машинного навчання, який працює з іншими сервісами AWS, такими як Sage Maker та Amazon S3 bucket.
Разом з провідними світовими компаніями, SPD-Ukraine також працює у напрямку штучного інтелекту. Відділ R&D спеціалізується на розробці рішень з використанням машинного навчання для Predictive Maintenance. Компанія розробляє індивідуальні рішення Predictive Maintenance для розв'язання конкретних проблем кожного клієнта та дозволяє отримати максимальний результат від впровадження технології штучного інтелекту.
Як працює Predictive Maintenance?
Цій технології потрібні неформальні математичні обчислення для того, щоб дізнатись, коли машина потребуватиме ремонту чи заміни, що дозволить провести обслуговування максимально ефективно. Також, завдяки машинному навчанню, менеджери зможуть краще сконцентруватися на поточних завданнях, а не витрачати час на здогадки.
Традиційно менеджери виконують Predictive Maintenance за допомогою SCADA – комп’ютерної системи, яка використовується для збору інформації та її аналізу у реальному часі. Але цей підхід вимагає ручного налаштування лімітів значень та правил сповіщень. Також ця система не враховує динамічну зміну моделей поведінки обладнання та контекстуальні дані, притаманні процесу виробництва в цілому.
У випадку Predictive Maintenance з використанням алгоритмів машинного навчання, відбувається обробка даних з областей інформаційних технологій, операційних технологій та процесу виробництва про темп процесу виробництва і про те, наскільки обладнання синхронізоване між собою.
6 переваг Predictive Maintenance з використанням машинного навчання
- Витрати на обслуговування обладнання знижуються приблизно на 50%.
- Випадки неочікуваного виходу обладнання з ладу знижуються на 55%.
- Час на ремонт та капітальний ремонт нижче на 60%.
- Інвентар необхідних запасних частин буде нижче на 30%.
- Середній час роботи обладнання без збоїв збільшиться на 30%.
Звичайно, вищезазначені відсотки – це прогнози дослідників, в реальності ці цифри нижчі, оскільки кожен випадок унікальний. Але навіть якщо ці значення будуть менші на половину, це все одно буде суттєвою перевагою для бізнесу та величезною економією коштів. Наприклад, середньостатистична компанія зі сфери промисловості зекономить 10% на витратах з обслуговування обладнання, що можна прирівняти до 40% приросту прибутку.
Чому Predictive Maintenance – це важливо?
Тому, що Predictive Maintenance гарантує, що ви не будете змушені займатися обслуговуванням обладнання занадто часто, втрачати гроші на роботи, від яких можна відмовитись, та не дізнаєтесь про проблему з вашим обладнанням занадто пізно.
Промисловість та автомобілебудування – це дві основні галузі використання технології.
GEMÜ, відомий виробник компонентів автоматики та клапанів, створив тип Predicitve Maintenance з використанням інтернету речей для того, щоб мати контроль над процесами виробництва та вчасно виявляти та заміняти деталі, які скоро мають вийти з ладу.
Сьогодні у нас є автомобілі, які самі генерують дуже велику кількість даних зі встановлених сенсорів. Ці дані часто одразу потрапляють до виробників або дилерів, які мають змогу попередити власників автомобілів про можливі несправності.
Висновок
Широке використання Predictive Maintenance все ще попереду, але воно точно не обмежене двома вищезгаданими галузями.
