Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания

By in ,
87
Современные подходы к созданию автоматизированных систем прогнозируемого обслуживания

Палюх Б.В., Чесалов А.Ю.

  1. д.т.н., профессор, заведующий кафедрой «Информационные системы» ТвГТУ, г. Тверь
  2. к.т.н., генеральный директор ООО «Программные системы Атлансис», г. Тверь

СОВРЕМЕННЫЕ ПОДХОДЫ К СОЗДАНИЮ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ПРОГНОЗИРУЕМОГО ОБСЛУЖИВАНИЯ МНОГОСТАДИЙНЫХ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В ПРОМЫШЛЕННОСТИ

В настоящей статье исследуются современные подходы к созданию автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов. На сегодняшний день, данные системы играют важнейшую роль в процессах автоматизации промышленных предприятий различных отраслей экономики. В статье делается основной акцент на  необходимость применения технологий искусственного интеллекта для создания, эксплуатации и развития автоматизированных систем прогнозируемого обслуживания. Указывается необходимость совместного применения методов нейронных сетей и теории свидетельств, в части уменьшения уровня неопределенности и увеличения уровня доверия к выходным данным для принятия решений. В результате исследования предложены два варианта архитектуры. Представлены данные эффективности применения автоматизированных систем прогнозируемого обслуживания в промышленности.

КЛЮЧЕВЫЕ СЛОВА: прогнозируемое обслуживание, промышленный Интернет вещей, периферийный искусственный интеллект, теория свидетельств, компьютеризированная система управления техническим обслуживанием.

Прогнозируемое обслуживание в промышленности (англ. Predictive Maintenance, PdM) – это стратегия проактивного обслуживания, которая использует современные инструменты и методы анализа данных для обнаружения аномалий в работе оборудования и потенциальных дефектов в производственных процессах, которая включает [1]:

  • мониторинг оборудования в режиме реального времени;
  • анализ данных для выявления тенденций, которые могут указывать на будущий отказ оборудования;
  • планирование технического обслуживания в оптимальные сроки.

Одним из основных инструментов реализации стратегии прогнозируемого обслуживания являются автоматизированные системы, в основе которых лежат аппаратно-программные решения и новые технологии обработки и анализа больших данных для определения закономерностей и обнаружения аномалий  в работе производственных линий, с целью их своевременного выявления и устранения до того момента, как оборудование выйдет из строя.

На сегодняшний день задачи, которые стоят перед промышленными предприятиями и лидерами ИТ-отрасли в области прогнозированного обслуживания являются общемировым трендом развития промышленной автоматизации. По данным оценки IOT Analitics, мировой рынок автоматизированных систем прогнозированного обслуживания к 2028 году достигнет отметки пятнадцати миллиардов долларов [2].

Важную роль в проектировании и создании автоматизированных систем прогнозированного обслуживания многостадийных технологических процессов играют технологии промышленного Интернета вещей (англ. Internet of Things, IoT), облачных вычислений (англ. Cloud Computing) и искусственного интеллекта (англ. Artificial Intelligence, AI). Они позволят современным предприятиям перейти от реактивного или превентивного (профилактического) обслуживания к прогнозируемому, а в перспективе и к предписывающему [3,4,5].

Существуют четыре основных вида прогнозируемого обслуживания [6]:

  • Прогнозируемое обслуживание на основе состояния. Это система, которая при помощи датчиков собирает в реальном времени данные о состоянии и производительности оборудования. Она предназначена для планирования мероприятий по обслуживанию оборудования до возникновения неисправности и после проверки его состояния.
  • Прогнозируемое обслуживание по времени. Это система, которая работает в строго отведенные ей временные интервалы в соответствии с регламентами и планами мероприятий по обслуживанию.
  • Прогнозируемое обслуживание по требованию. Это система, которая учитывает среднее ежедневное время использования оборудования и воздействие условий окружающей среды на него. На основе полученных данных устанавливается крайний срок для будущей проверки.
  • Предписывающее обслуживание. Это более совершенное прогнозируемое обслуживание на основе состояния, которое позволяет предвидеть (прогнозировать) возникновение неисправности, и, с той или иной долей вероятности, определить ее первопричину в долгосрочной перспективе.

Современные автоматизированные системы прогнозируемого обслуживания основываются на использовании больших данных, которые поступают с различных датчиков и «умных» устройств промышленного Интернета вещей в реальном времени, а также на расширенной аналитике для прогнозирования вероятного отказа оборудования.

На рисунке ниже представлен пример условного процесса организации прогнозируемого обслуживания на производственных линиях промышленных предприятий и его интеграции с информационными системами предприятия:

Основная роль применения технологий искусственного интеллекта (ИИ), в частности, машинного обучения и предиктивных моделей, в прогнозируемом обслуживании заключается в сокращении расходов на техническое обслуживание,  сокращении расходов на устранение поломок, сокращении времени простоев, увеличении срока службы, а как следствием этого, повышении эффективности и роста производства.

Основная задача интеллектуальных алгоритмов автоматизированных систем прогнозируемого обслуживания заключается в определении вероятностных характеристик аномальных критических событий или инцидентов, указывающих на приближающийся отказ в работе оборудования, путем мониторинга показателей работы производственных линий промышленных предприятий.

Помимо этого, интеллектуальные алгоритмы должны выполнять:

  • Описательный анализ с тем, чтобы ответить на вопрос «Что произошло?».
  • Диагностический анализ, для понимания «Почему это произошло?».
  • Прогностический анализ, который ответит на вопрос «Что произойдет?».
  • Предписывающий анализ даст подскажет, «Что следует делать?».
  • Помощь в принятии решений поможет с ответом, «Где и как делать?».

Устраняя разрыв между данными и действиями, автоматизированные системы прогнозируемого обслуживания с использованием искусственного интеллекта предоставляет специалистам по техническому обслуживанию знания и инструменты, необходимые для эффективных действий, гарантируя бесперебойную и эффективную работу оборудования [7].

Выделяют следующие основные методы мониторинга производственных линий и оборудования: инфракрасная термография; анализ вибрации; ультразвуковой акустический мониторинг; анализ масла; тестирование выбросов и анализ частичного разряда.

Как не странно, прогнозируемое обслуживание, как «лучшая» стратегия не подходит всем промышленным предприятиям без исключения. Тем не менее, каждая из них имеет ряд преимуществ перед другими стратегиями обслуживания [8].

На сегодняшний день, наиболее оптимальным подходом к решению производственных проблем (с точки зрения временных и финансовых затрат) является стратегия прогнозируемого обслуживания на основе состояния в реальном времени с применением технологий искусственного интеллекта. Это в первую очередь связано с тем, что большинство производителей датчиков промышленного Интернета вещей оснащают свои устройства дополнительным интеллектуальным программным и аппаратным обеспечением, по сути, превращая каждый датчик в «умное» устройство. Технология, которая позволяет это реализовать называется «периферийный искусственный интеллект»  (Edge Artificial Intelligence, Edge AI). Периферийный искусственный интеллект подразумевает развертывание алгоритмов и моделей ИИ непосредственно на локальных периферийных устройствах, таких как датчики или устройства промышленного Интернета вещей, что обеспечивает быструю обработку и анализ данных в режиме реального времени без постоянной зависимости от облачной инфраструктуры и каналов передачи данных [9,10].

Если речь идет о мониторинге оборудования в реальном времени крупного промышленного предприятия, то технология Edge AI и технологии облачных вычислений для ИИ являются наилучшим выбором при разработке архитектуры и создании автоматизированной системы прогнозируемого обслуживания многостадийных технологических процессов.

Ниже в таблице 3 приведен пример использования автоматизированных систем прогнозируемого обслуживания в различных отраслях экономики для решения различных прикладных задач [11].

Высокую эффективность в работе современных автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов  показали различные варианты совместного применения методов нейронных сетей и теории свидетельств, в части уменьшения уровня неопределенности и увеличения уровня доверия к выходным данным для принятия решений экспертами [12].

Отличительная особенность работы данного класса автоматизированных систем заключается в наличии факторов неопределенности при сборе и анализе данных от датчиков и оборудования промышленного Интернета вещей. Одним из общих подходов для снижения неопределенности в собираемых данных и повышения степени доверия к ним может быть объединение методов интеллектуальной обработки нечеткой информации.

Также нужно обратить внимание на тот факт, что для получения итогового распределения вероятностей отказов недостаточно применения байесовского подхода, по причине того, что он не применим для многостадийных технологических процессов, так как в самом начале отсекает неперспективные варианты решений, в которых может находится информация о причинах дефекта. В данном случае, целесообразно применение теории свидетельств, которая позволяет выполнить полный анализ всех возможных вариантов решений.

Приступая к созданию автоматизированной системы прогнозируемого обслуживания необходимо прежде всего выполнить ряд подготовительных организационно-технических мероприятий, а именно:

  • выявить критически важные активы (например, производственные линии и/или оборудование) и определить для них наличие источников исторических данных;
  • выполнить анализ исторических данных в процессах профилактического и реактивного обслуживания;
  • выполнить ранжирование активов по приоритетам (критичности) для разработки плана и формализации процессов прогнозируемого обслуживания, с целью дальнейшей их автоматизации;
  • разработать архитектуру решения;
  • подготовить стек технологических решений, включающий, в том числе, перечень необходимых к использованию технологий предиктивного обслуживания и предиктивных алгоритмов;
  • определить перечень необходимого программного и аппаратно-программного обеспечения;

И, только после этого, приступить к созданию автоматизированной системы прогнозируемого обслуживания. После ее разработки на этапе тестирования, необходимо будет выполнить следующие дополнительные организационно-технические мероприятия:

  • выполнить работы по подготовке инфраструктуры;
  • выполнить работы по установке и интеграции оборудования и информационных систем (настроить каналы передачи данных, сконфигурировать сервера, подключить датчики к системе сбора и анализа данных, настроить программное обеспечение, алгоритмы работы, и т.д.);
  • приступить к сбору актуальных данных;
  • на основании выявленных закономерностей и аномалий в данных, получаемых с оборудования, построить модели прогнозирования для оборудования;
  • отслеживать изменения для определения вероятности отказа;
  • настроить действия при срабатывании оповещений;
  • составить план реагирования;
  • составить точный план обслуживания.

Затем необходимо выполнить работы по доработке системы и передаче ее в промышленную эксплуатацию.

Разработка, внедрение и использование автоматизированных систем прогнозируемого обслуживания многостадийных технологических процессов в промышленности имеет множество преимуществ для предприятий, включая такие как [13]:

  • повышение эффективности обслуживания;
  • сокращение расходов на техническое обслуживание: от 25% до 30%;
  • устранение поломок: 70%-75%;
  • сокращение времени простоя: от 35% до 45%;
  • рост производства: от 20% до 25% .

Но, пожалуй, одним из самых важных преимуществ применения именно отечественных разработок программного и аппаратно-программного обеспечения прогнозируемого обслуживания, являющихся частью промышленных компьютеризированных систем управления техническим обслуживанием (англ. Computerized Maintenance Management System, CMMS), заключается в повышении уровня промышленной безопасности предприятий Российской Федерации.

ЛИТЕРАТУРА:

  1. Boosting Productivity: The Impact of Predictive Maintenance in Manufacturing. [Электронный ресурс]. URL: https://praxie.com/predictive-maintenance-in-manufacturing-4/#:~:text=Defining%20Predictive%20Maintenance,Monitoring%20equipment%20in%20real%2Dtime. (дата обращения: 23.10.2024)
  2. Predictive maintenance market: 5 highlights for 2024 and beyond. [Электронный ресурс]. URL: https://iot-analytics.com/predictive-maintenance-market/ (дата обращения: 23.10.2024)
  3. Галкин Д.И., Чесалов А.Ю. Перспективы цифровой трансформации производителей оборудования неразрушающего контроля на примере опыта НИИИН МНПО «СПЕКТР» // XXIII Всероссийская научно-техническая конференция по неразрушающему контролю и технической диагностике «Умные технологии НК. Единство теории и практики»: сб. тр. Москва, 23 – 25 октября 2023 г. С. 187-170. – М.: Издательский дом «Спектр». – С. 167 – 170.
  4. Палюх Б.В., Чесалов А.Ю. Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // «Инжиниринг предприятий и управление знаниями» (ИП&УЗ – 2023) : сборник научных трудов XXVI Российской научной конференции. 29 – 30 ноября 2023 г. / под науч. ред. Ю.Ф. Тельнова.- Москва: ФГБОУ ВО «РЭУ им. Г.В. Плеханова». – С. 256 – 260.
  5. Галкин Д.И., Ефимов А.Г., Чесалов А.Ю. Перспективы создания цифровой инфраструктуры данных в НК // Территория NTD – январь-март – 2024. – С. 62 – 65.
  6. Predictive maintenance: techniques and advantages. [Электронный ресурс]. URL: https://www.mecalux.com/blog/predictive-maintenance (дата обращения: 23.10.2024)
  7. Using AI in Predictive Maintenance: The Benefits of AI-Assisted Maintenance. [Электронный ресурс]. URL: https://tractian.com/en/blog/ai-predictive-maintenance (дата обращения: 23.10.2024)
  8. Predictive Maintenance [Электронный ресурс]. URL: https://www.gofmx.com/predictive-maintenance/ (дата обращения: 23.10.2024)
  9. Ideal State of Equipment Maintenance: Technology That Realizes Predictive Maintenance [Электронный ресурс]. URL: https://article.murata.com/en-eu/article/technology-to-realize-predictive-maintenance (дата обращения: 23.10.2024)
  10.  What is edge AI? [Электронный ресурс]. URL: https://www.ibm.com/topics/edge-ai (дата обращения: 23.10.2024)
  11.  Ucar, A.; Karakose, M.; Kırımça, N. Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends. Appl. Sci. 2024, 14, 898. https://doi.org/10.3390/app14020898
  12. Иванов В.К., Палюх Б.В. Демонстратор программной платформы для совместного использования алгоритмов теории свидетельств и нейронных сетей в нечетких системах // Программные продукты и системы / Software & Systems. – 2021. – №4(34) – С.511-523.
  13. Predictive Maintenance [Электронный ресурс]. URL: https://upkeep.com/learning/predictive-maintenance/ (дата обращения: 23.10.2024)

Palyukh Boris Vasilievich

Doctor of Technical Sciences, Professor, Head of the Department of Information Systems, TSTU, Tver

Chesalov Alexander Urievich

Candidate of Sciences in Technology, CEO Atlansis Software, Tver

MODERN APPROACHES TO CREATING AUTOMATED PREDICTIVE MAINTENANCE SYSTEMS FOR MULTI-STAGE TECHNOLOGICAL PROCESSES IN INDUSTRY

This article examines modern approaches to the creation of automated systems for predictive maintenance of multi-stage technological processes. Today, these systems play a key role in the automation of industrial enterprises in various sectors of the economy. The article focuses on the need to use artificial intelligence technologies to create, operate and develop automated systems for predictive maintenance. It indicates the need for the combined use of neural network methods and evidence theory in terms of reducing the level of uncertainty and increasing the level of trust in the output data for decision-making. As a result of the study, two architecture options are proposed. Data on the effectiveness of automated predictive maintenance systems in industry are presented.

KEYWORDS: predictive maintenance, industrial internet of things, edge artificial intelligence, evidence theory, computerized maintenance management system.