Предиктивный ремонт оборудования это

Прогнозирование ремонтов оборудования

Переход к Индустрии 4.0 позволяет анализировать информацию о производственном оборудовании для мониторинга и прогнозирования его состояния, благодаря чему можно усовершенствовать управление технологическим процессом компании. Текущие системы ТОиР и АСУ ТП не предоставляют информации о влиянии одних параметров процесса на другие и не дают возможность расширить горизонт планирования использования оборудования.

Чтобы закрыть эти проблемы, Digital Design разработала систему предиктивной аналитики, которая прогнозирует вероятность выхода из строя производственного оборудования и необходимость его дополнительного технического обслуживания. В разработанном решении используются методы машинного обучения для осуществления прогнозной диагностики параметров оборудования в режиме реального времени.

Система основана на прогнозной модели машинного обучения, анализирующей данные с датчиков оборудования, выявляющей отклонения значений и выдающей вероятность поломки. В модель включаются исторические данные, собранные с датчиков на оборудовании, в том числе информация о температуре воздуха, влажности и режимах работы оборудования. Затем производится регрессионный анализ параметров для определения взаимосвязей между ними и осуществляется кластеризация оборудования по корреляции между режимами работы и данными с датчиков.

Для определения возможных отказов оборудования используется метод машинного обучения без учителя, сводящийся к выявлению аномалий в данных. Также система прогнозирует вероятность поломки оборудования через определенное время и предоставляет рекомендации по мерам ее предотвращения.

• Сокращает расходы средств и времени на техническое обслуживание;
• Снижает аварийность;
• Улучшает планирование ремонтных работ и служит инструментом для принятия решений при краткосрочном и долгосрочном планировании;
• Повышает готовность оборудования к эксплуатации и обеспечивает непрерывность производственного процесса;
• Снижает финансовые потери благодаря предупреждению поломок и отказов оборудования на ранних стадиях;
• Способствует более точному и гибкому управлению рисками при производстве;
• Позволяет использовать ценность, скрытую в данных, при помощи анализа Big Data.

Частые вопросы

Какой экономический эффект можно получить благодаря диагностике отказов оборудования и предупреждению его поломок?

Решение позволяет предупредить отказ оборудования и остановку производственного процесса, что в значительной мере снижает потери. Модели прогноза поломок оборудования дают возможность заранее узнать о необходимости проведения ремонтных работ и планово приостановить процесс для отладки. Подобное превентивное техническое обслуживание помогает сократить общие эксплуатационные расходы на 15–30% (в зависимости от конкретного производства и качества данных) за счет снижения простоев оборудования.

Какие данные нужны для решения задачи прогнозирования технического обслуживания и ремонтов?

Для создания модели прогнозирования технического обслуживания необходимы входные исторические данные по оборудованию, включая факты дефектовки оборудования, режимы работы, мощность, вибрации, температуру и т.д. При этом также важен их объем, так как качественную модель возможно построить и обучить на достаточном массиве данных. Чем больше данных, желательно собранных за несколько лет, тем лучше будет работать прогнозная модель.

Какие подходы к реализации прогнозирования поломок оборудования существуют?

Прогнозирование сбоев и отказов оборудования может быть решено при помощи технологий искусственного интеллекта 3-мя способами:

1. Модели машинного обучения с учителем на основе исторических данных о неисправностях. Для реализации этого подхода необходимо иметь информацию о прошедших выходах оборудования из строя и данные по текущим параметрам, чтобы проанализировать их, найти зависимости и обучить модель на основе исторический данных предсказывать вероятности сбоев в будущем.
2. Машинное обучение без учителя. Сигналы, полученные с датчиков оборудования, обрабатываются для определения отклонений в значениях и классификации по типам. Метод выявления аномалий в данных подходит при малом числе поломок оборудования, недостаточности данных или вовсе их отсутствии, так как не нужно иметь обучающее множество. Однако критически важным в этом подходе является разметка типов аномалий с привлечением экспертной оценки.
3. Моделирование неисправностей и модели машинного обучения с учителем на основе смоделированных данных. Как и в предыдущем подходе, наличие данных о фактах отказов оборудования здесь не обязательно. Решением служит генерация этих данных путем моделирования, после чего они могут быть использованы для проведения обучения.

Чем данное решение по предиктивным ремонтам оборудования отличается от систем мониторинга состояния оборудования?

Мониторинг состояния оборудования дает представление о текущей ситуации, отображая фактические показатели объекта, причем не всегда в режиме реального времени. Система предиктивных ремонтов, в свою очередь, собирает и анализирует данные для прогнозирования возможных отказов оборудования до их фактического наступления.

Каким образом это решение по прогнозированию техобслуживания влияет на процесс планирования ремонтов оборудования?

Основное изменение в процессе планирования технического обслуживания оборудования состоит в переходе от реактивных действий и неплановых ремонтов к плановым (ППР). Также традиционный подход к планированию технического обслуживания часто учитывает сбои, которые могут и не возникнуть, и включает чрезмерные проверки оборудования.

Какие трудности могут возникнуть при реализации системы превентивной диагностики оборудования?

Основная трудность разработки касается типа оборудования. При резком отказе оборудования крайне сложно построить прогноз, в то время как при плавном деградации можно оценить параметры объекта в динамике и своевременно выдать предсказание выхода из строя.

Другой барьер заключается в полноте и качестве собираемых данных о процессе и фактах сбоев оборудования. На это могут влиять качество датчиков и некорректное их расположение или замеры параметров с ним, а также прерванный поток собираемой информации с оборудования.

Источник

Всё, что нужно знать о предиктивном обслуживании оборудования

Одно из ключевых достижений ІТ-сферы в промышленности — сокращение затрат на обслуживание оборудования. Такие технологии, как Predictive Maintenance, уже хорошо зарекомендовали себя во многих сферах и позволяют снизить простои, увеличить продуктивность агрегатов и оптимизировать себестоимость производства. Рассказываем, как работает методология, с чего начать внедрять Predictive Maintenance и какие выгоды от этого получает компания.

Почему лидеры внедряют Predictive Maintenance?

Мастодонты индустрии вроде Toyota и Motorola прописывают диагностику оборудования в бизнес-стратегии, ведь от этих показателей напрямую зависит прибыль компании. К сожалению, в Восточной Европе такие подходы к диагностике и обслуживанию оборудования нередко остаются непонятыми или недооцененными.

На контроль и состояние оборудования тут часто смотрят упрощённо: поломка = затраты на новые детали и запчасти. Шире, поломка — это сокращение объёмов производства, затраты на реорганизацию процессов, оплату труда и срывы плановых поставок. В конечном счёте это ещё и возможный ущерб репутации, финансовые потери от которого предугадать невозможно.

Руководители, которые не видят описанных выше трат, часто практикуют традиционные подходы:

Реактивный — где идёт наработка на отказ; используется, когда оборудование легко заменяется или ремонтируется без ущерба для производства.

Превентивный — аналогичен системе планово-предупредительных ремонтов (ППР); используется для оборудования, стоимость простоя которого некритична, а ремонт не занимает много времени.

На сегодняшний день эти подходы недостаточно эффективны для качественного решения проблем выхода оборудования из строя. Человеческий фактор, проблемы с организацией данных и отсутствие полной картины по предприятию всегда будут источниками стресса, простоев и перерасходов.

Сделать производство эффективным и надёжным можно с помощью подходов Индустрии 4.0. Прогнозное обслуживание (Predictive Maintenance) и удалённый контроль позитивно сказываются на росте компании. Подтверждают это и предполагаемые объёмы рынка продуктов Predictive Maintenance, которые, по прогнозам, увеличатся до $10 млрд до 2022 года (то есть в 7 раз).

В основе технологии Predictive Maintenance лежит методология обслуживания оборудования по принципу надёжности — Reliability-Centered Maintenance (RCM). Правильно внедрённая концепция RCM гарантирует, что системы будут исправно работать в нужных условиях , а поломки будут сведены к минимуму.

Представьте, что у предприятия есть насос, который первое время эксплуатации работает исправно. Со временем его показатели снижаются из-за, к примеру, забивки фильтра. Позже наступает момент, когда насос не качает нужное количество воды, а продуктивность падает до критической точки. Оборудование выходит из строя. Если это происходит в момент работы оборудования с сырьём, последствия становятся ещё более плачевны.

Что в этих случаях предлагают традиционные подходы к обслуживанию оборудования? Периодически заменять насосы, к примеру, по среднему показателю работы узла. Это неплохое решение, но проблема таких подходов в том, что они не учитывают специфику узлов. Некоторые из них могут выйти из строя раньше или позже срока, и применять к ним один шаблон не стоит. В результате предприятие номинально занимается обслуживанием оборудования, а на деле всё ещё теряет в его эффективности.

В основе методологии предиктивного обслуживания лежит другой принцип — регулярная оценка состояния всего оборудования с индивидуальным подходом к каждому типу устройств . Это означает, что сигналом для ремонта становятся не даты средних сроков службы, а падение показателей. Так не только убираются «слепые зоны» производства, но и проводится ремонт оборудования тогда, когда это наиболее выгодно и эффективно. Плановый подход, где «календарные» проверки по сути тушат пожар на ходу, уступает предиктивному, где оборудование обслуживают на основе актуальных данных и точных прогнозов.

Как начать внедрять Predictive Maintenance?

Информация — ядро эффективности предиктивного обслуживания, поэтому начинать следует с обработки данных. Она включает в себя:

• сбор параметров
• мониторинг
• контроль показателей

Следующий шаг — это постройка причинно-следственных связей между изменением параметров и работой оборудования. В результате:

• вырабатывается набор граничных значений, по которым система определяет необходимость ремонта;
• предотвращаются критические поломки;
• создаются условия, при которых устройство работает наиболее эффективно.

Факт: как только показатели падают, алгоритм автоматически уведомляет о необходимости подладки. Все показатели объединены в единую сеть, поэтому руководство всегда будет знать о рисках и возможных неполадках.

Третий этап внедрения Predictive Maintenance — полностью автоматизированный контроль оборудования на предприятии. Система максимально эффективно управляет всеми процессами, в том числе:

• мониторинг показателей;
• оформление заказов;
• создание ремонтных заявок;
• заказ необходимых комплектующих.

Дополнительные преимущества Predictive Maintenance и RCM

Эффективное использование ресурсов предприятия — главный плюс прогнозного обслуживания, но есть и другие преимущества. Первое из них: полноценная картина показателей производства. Системы, такие как SmartEAM, работают с большими данными (Big Data) и, анализируя их, моделируют реалистичные сценарии работы. Например, для прогнозирования неочевидных отказов алгоритмы Machine Learning анализируют показатели прошлой работы, чтобы предотвращать поломку. Человеку это не под силу.

Это позволяет руководителям принимать эффективные решения на основе данных за вчера, за прошедший месяц или год. Планирование финансов и продаж становится более прозрачным, а расчёты — более точными.

Второе преимущество: практически полное исключение человеческого фактора. Система руководит данными, как оркестром, мгновенно принимая нужные решения и избегая ошибок вроде дубликатов, некорректного ввода или случайного редактирования показателей. При этом решения предиктивного обслуживания не обязательно требуют современного оборудования и датчиков. Методология слаженно работает на любом оборудовании.

Подытоживая сказанное, предиктивный подход в своей универсальности показывает хороший ROI (Return On Investments — окупаемость инвестиций) , повышение технической готовности предприятия и убирает критические моменты. Такие системы, как SmartEAM, регулярно улучшают работу алгоритмов платформы, доступны как на ПК, так и на смартфонах или планшетах. Это особенно актуально, учитывая разнородность рабочего оборудования на производствах Восточной Европы.

Команда SmartEAM работает над решениями, которые увеличивают срок службы оборудования, оптимизируют расходы и позволяют принимать решения на основе актуальных и точных данных.

Получите бесплатную консультацию от нашего специалиста, заполнив форму на сайте.

Источник

Что нужно знать об эффектах внедрения технологий предиктивного обслуживания

Если говорить в целом, системы предиктивной аналитики (predictive maintenance, PdM) позволяют снизить расходы и повысить доступность техники. Но что это значит на практике? На какие финансовые показатели это влияет и как рассчитать экономический эффект от их внедрения? Эксперты Factory5 отвечают на эти и другие вопросы о технологии, которые могут возникнуть у финансового директора, IT-директора и главного инженера.

Почему важно учитывать стоимость обслуживания и ремонта

Основной производственный процесс тесно связан со вспомогательными процессами, и один из них — ТОиР. Например, если основной процесс на предприятии — переработка нефти для получения бензина, то вспомогательный — ТОиР насосов для перекачки нефти.
На техобслуживание и ремонт уходит значительная часть бюджета в любой отрасли. Вот только несколько примеров:

Какие затраты можно оптимизировать с помощью предиктивного обслуживания

Основная задача предиктивной аналитики — снизить расходы, вызванные простоем оборудования. Простои по причине неожиданного выхода техники из строя обходятся мировой обрабатывающей индустрии в $20 млрд в год. Стоимость простоев складывается из нескольких параметров:

• упущенная прибыль — доход, который принесла бы работающая техника,
• затраты на рабочую силу — пока идет ремонт, сотрудники не могут работать,
• стоимость избыточных производственных мощностей — для техники, которая берет на себя нагрузку той, что вышла из строя.

Немецкая страховая компания Allianz отмечает, что предиктивное обслуживание помогает сократить не только убытки от простоя техники и остановки производства, но также серийные и косвенные убытки. Серийные еще можно назвать однотипными, то есть они масштабируются на все одинаковые установки на предприятии. Плюс в том, что решение серийной проблемы тоже можно масштабировать сразу на всю однотипную технику. Косвенные убытки, вызванные основной поломкой, например, перерыв в производственной или коммерческой деятельности предприятия, как правило, страхуются отдельно от имущества. Если такой страховки нет, косвенные убытки несет само предприятие, поэтому оно заинтересовано максимально сократить их.

В некоторых индустриях отказ техники может приводить не просто к остановке производства, но и к аварии. Это, например, энергетическая промышленность, общественный транспорт, авиация, нефтегазовые и химические производства. Если обнаружить предотказное состояние на раннем этапе и вовремя предпринять меры — это снизит риск ущерба окружающей среде и третьим лицам.

Капитальные и операционные затраты, которые можно снизить с помощью предиктивной аналитики:

• Закупка оборудования. С предиктивной диагностикой техника будет служить дольше. Также вы сможете закупать новое оборудование не планово, а точечно: только то, которое нужно согласно актуальным показателям.
• Обслуживание и ремонт. Информация о техническом состоянии и его прогноз позволяют оптимизировать плановые ремонты. Это позволяет устранять дефекты на ранней стадии, что обходится дешевле, чем устранение последствий.
• Энергоресурсы. Когда состояние оборудования ухудшается, оно потребляет больше топлива и электроэнергии. Системы предиктивной аналитики позволяют поддерживать здоровье техники и, следовательно, энергопотребление, на оптимальном уровне.

Данные по нефтегазовой и горнодобывающей промышленности из исследования McKinsey Global Institute «The Internet of Things: Mapping the value beyond the hype»

Выгода при страховании

Предотвращение отказов и аварий означает сокращение технологических рисков. А где снижение рисков — там и возможное снижение страховых премий. Если оборудование сложное, уникальное или находится в уникальных условиях, страховые компании предлагают индивидуальные условия, которые определяют андеррайтеры с привлечением экспертов для оценки рисков. Эта практика больше развита в США и Европе, но постепенно приходит и к нам. Так, на страховую ставку может повлиять надежность оборудования, количество ремонтов и отказов. А снижение количества аварий косвенно влияет на страховую историю и делает компанию более надежной в глазах страхового агентства.

Для опасных производственных объектов (ОПО) в России нужно обязательное страхование гражданской ответственности их владельцев. Оно регулируется по 225-ФЗ, и на эти условия внедрение системы предиктивного обслуживания вряд ли может повлиять.

Отдельный сценарий использования PdM-систем в страховании — ретроспективный анализ уже случившихся поломок. Его можно проводить при возникновении споров по покрытию инцидента, при определении типа страхового случая и стороны, ответственной за инцидент.

Предиктивная аналитика делает процессы прозрачными

Финансовые директора часто не получают актуальные данные о состоянии техники и производстве. Подписывая план закупок и других расходов, они вынуждены полагаться на отчеты, которые составили другие сотрудники. Инженер мог попросить лишние запасные части и расходные материалы «впрок», а бухгалтер — заложить избыточный бюджет «на всякий случай».
Это напрямую влияет на бюджеты, выделяемые на закупку техники, ремонт и обслуживание. Благодаря непрерывному мониторингу и прогнозу технического состояния оборудования можно планировать состав работ и заказывать необходимые запасные части. Информация из PdM-систем помогает инженерам обосновать затраты, а финансистам — убедиться в их необходимости.

Что такое predictive maintenance и как это работает

Принято считать, что предиктивное обслуживание — следующий, новейший шаг в подходах к обслуживанию.

На самом деле оно сочетается со всеми предшествующими подходами и может их дополнять. Во-первых, предиктивная аналитика — необходимый элемент для ремонтов по состоянию, поскольку она отслеживает актуальные параметры оборудования, на основе которых инженер составляет план работ. Во-вторых, системы predictive maintenance помогают прогнозировать расходы на ремонт и обслуживание, что важно при планово-предупредительном подходе. Это позволяет избежать внезапных расходов, потребность в которых без PdM-систем часто обнаруживается только в процессе осмотра.

По сути, предиктивное обслуживание существовало и раньше. Специалисты проводили визуальную и инструментальную инспекцию оборудования, а потом на основе опыта и интуиции решали, когда стоит проводить техобслуживание. Сегодняшний этап развития PdM-подхода — это программные или программно-аппаратные комплексы для обработки больших данных. В режиме реального времени PdM-система анализирует данные телеметрии с помощью современных IT-технологий и находит скрытые взаимосвязи между множеством измеряемых параметров. Таким образом она выявляет аномалии и их причины, а также прогнозирует время до отказа.

Как оценить эффективность предиктивной аналитики

Оценка экономического эффекта — краеугольный камень любого проекта по цифровизации, в том числе и проектов по внедрению систем прогнозного обслуживания. Внедрение PdM имеет смысл для дорогого оборудования, замена которого гораздо дороже ремонта, и для критичного оборудования, которое при остановке или выходе из строя может принести существенные потери: недополученную прибыль, штрафы за задержки поставок или за ущерб окружающей среде. Поэтому перед внедрением стоит сравнить стоимость нового оборудования или его узла с затратами на их обслуживание и ремонт.

В статьях о прогнозном обслуживании можно встретить различные эффекты от внедрения PdM-систем и широкий диапазон оценок эффективности. Универсальной методологии оценки нет, так как на каждом предприятии своя специфика и структура затрат. Кроме того, цели внедрения тоже могут быть разными.

Приведем пример экономических эффектов от внедрения системы предиктивного обслуживания F5 PMM от Factory5 на предприятии, которое занимается сервисным обслуживанием подвижной техники. За счет раннего выявления предотказных состояний и аномалий удалось снизить количество внеплановых ремонтных работ на 60%, сократить время простоя в ожидании технического обслуживания на 20%, а трудозатраты на диагностику — на 150 тысяч человеко-часов. Также одним из косвенных эффектов было снижение потребления энергоресурсов на 1% за счет улучшения технического состояния оборудования.

Это привело к снижению прямых затрат на ремонт на 5-8% за счет минимизации восстановительных ремонтов, так как ремонтная служба устраняла дефекты на ранней стадии. Это дешевле, чем восстанавливать технику после аварии. Экономический эффект рассчитывали как разность между типовыми расходами на восстановительный ремонт после аварии и расходами на дополнительный плановый ремонт по результатам прогноза технического состояния.

Сокращение времени простоя привело к повышению коэффициента технической готовности (КТГ) на 4-10%. Это позволяет производить больше на тех же мощностях и избегать штрафных санкций за задержки, если они предусмотрены контрактом.

Эффект от дополнительной выручки можно рассчитать так: В = Тп * Вср + Ш В — дополнительная выручка Тп — время простоя техники Вср — среднее значение выручки за период или нереализованный планируемый уровень дохода по заключенным сделкам в результате внеплановой остановки техники Ш — штрафные санкции за задержки производства и поставок

Что важно учесть при внедрении PdM-систем

Предиктивная аналитика не должна ослаблять контроль и рассматриваться как «истина в последней инстанции». Это вспомогательный инструмент, его результаты нужно критически осмыслять. Например, в F5 PMM пользователь может подтвердить обнаруженную системой аномалию или не подтвердить. Система обучится на этих данных и впоследствии будет выдавать более точный результат.
Основные ошибки, которые можно допустить при внедрении predictive maintenance:

• Рассматривать PdM-системы как замену инженера. Предиктивная аналитика не имеет прямой связи с экономией на человеческих ресурсах. Но она позволяет использовать время инженеров более рационально. С предиктивной аналитикой инженеру не нужно обходить установки, собирать данные и «с чистого листа» составлять план ремонтных работ. Система снабжает его точными данными, которые он должен проанализировать и отреагировать.
• Думать, что PdM позволяет избежать любых аварий. Бывают аварии, приближение которых нельзя увидеть по приборам. Например, дефекты лопаток и роторов турбин могут развиваться за доли секунды.
• Оптимизировать процессы, снижая безопасность. PdM позволяет дольше поддерживать технику в исправном состоянии. Тем не менее важно учитывать срок службы установок и всех деталей, не пытаясь «выжать» из них больше, чем можно. Любое оборудование стареет, даже при самом оптимальном обслуживании.
• Не учитывать риски, связанные с информационной безопасностью. Поскольку системы предиктивной аналитики содержат большое количество данных о предприятии, эта информация может интересовать мошенников или конкурентов. Важно поддерживать высокий уровень информационной безопасности, проинструктировать сотрудников ИБ о новых рисках.

Системы PdM позволяют экономить деньги и трудозатраты, повышать безопасность процессов, собирать точные и актуальные данные. Перед внедрением предиктивной аналитики важно определить цели, которых компания хочет достичь с помощью этого инструмента, проинструктировать инженеров, сотрудников ИБ и всех, на чью работу повлияет новая система. И главное — помнить, что человеческий интеллект обязательно должен дополнять искусственный: система предоставляет данные, а решения принимает человек.

Источник