Барьеры на пути к цифровизации: как решать аналитические кейсы для бизнеса, если не хватает данных
Руководитель направления проектирования корпоративной архитектуры Factory5 Екатерина Баклунова на вебинаре «Технологии прогнозного обслуживания в деле: ошибки и результаты на производстве» рассказала на примерах, как внедрять инновационные решения на промышленные предприятия при отсутствии или нехватке данных. Выступление было приурочено к старту практического онлайн-курса по цифровизации ТОиР.
В современном мире перед предприятием стоят масштабные задачи повышения конкурентных позиций и продаж. Для этого необходимо совершенствовать гибкость производства и качество выпускаемой продукции. Основная цель предприятий промышленного сектора — повышение коэффициента технической готовности оборудования. Отказ производственной системы негативно сказывается на KPI и производственных планах, а скрытые дефекты могут привести к масштабному отзыву продукции. Поэтому диагностика и прогнозирование технического состояния оборудования — актуальная сегодня тема.
В процессе внедрения решений, выполняющих эти задачи, предприятия сталкиваются с большим количеством разных барьеров. В этом материале мы поговорим исключительно о тех, что связаны со сбором актуальных данных.
Какие барьеры возникают при внедрении решений по цифровизации?
Практика показывает, что нет предприятий идеально подготовленных к внедрению цифровых решений. Но даже при наличии ограничений можно найти выход и решить те трудности, с которыми сталкиваются компании. Чаще всего это:
- Различное оснащение оборудования.
- По-разному организованный сбор данных с уровня КИП: на уровень локальных АСУ ТП, затем на верхний уровень АСУ ТП.
- Множество данных, которые собраны для управления технологическим процессом. Они не всегда подходят для решения задач диагностики и прогнозирования состояния оборудования.
- Ограничение по хранению значений параметров АСУ ТП за длительные периоды времени, необходимые для применения статистических моделей диагностики и прогноза технического состояния.
- Данные, не соответствующие дискретности. Это означает, что они поступают не с той периодичностью, что нужно.
- Устаревшее и недооснащенное оборудование. Иногда есть смысл дооснастить его датчиками, а в других случаях это нецелесообразно.
- Отсутствие статистических данных по отказам и неисправностям. Например, из-за новизны оборудования.
- Ведение журнала неисправностей в рукописном виде.
- Регистрация данных с задержкой: событие произошло сейчас, а оператор записал его в конце смены или немного ошибся в указании времени.
- Ведение статистики в свободной форме без использования справочников и классификаторов.
Как мы их преодолели: три клиентские истории
Кейс 1. «Статистика отказов и дефектов отсутствует, так как оборудование новое или статистика не собиралась».
Отрасль: нефтегаз.
Клиент обратился к нам с целью диагностики и прогноза технического состояния узлов нефтегазового оборудования. Применение статистических моделей невозможно, потому что на момент начала проекта не было статистики в необходимом количестве. Поэтому было решено применить модель на основе физики процессов — модель, которая описывает сложные физические процессы работы узлов оборудования и их взаимного влияния друг на друга. Она позволяет выявить зарождающиеся дефекты с указанием проблемного узла и рассчитывает параметры технического состояния там, где нет датчиков АСУ ТП.
В максимально упрощенном виде принцип работы этой модели можно описать так:
- Производится описание работы узла по расчетным параметрам: входным и выходным. Например, давление на входе и выходе при разных внешних факторах и режимах работы.
- Разрабатывается идеальная «паспортная модель» на основе физики процессов
- Сравниваются выходные параметры при прочих известных с расчетным и определяются отклонения в работе узла.
И такие законы можно описать по разным узлам и разным видам отказов.
Результаты:
- Раннее обнаружение отклонений в работе оборудования и идентификация зарождающихся дефектов и отказов.
- Рекомендации системы для постоянной поддержки эффективной эксплуатации оборудования.
- Эффективность информационного взаимодействия между эксплуатирующим персоналом и инженерно-техническим центром для оперативного мониторинга технического состояния оборудования. Интерпретация работы построенной модели.
- Инструменты для уточнения и апробации заводских методик контроля технического состояния оборудования.
- Снижение времени простоев оборудования за счет раннего выявления развивающихся дефектов.
- Снижение расходов на ТОиР
Кейс 2. «Считывается малое количество параметров, но необходима модель обнаружения предотказов с точностью 98%»
Отрасль: нефтегаз.
Клиент обратился с такой же задачей — диагностики и прогноза технического состояния узлов нефтегазового оборудования. Поскольку ситуации похожи, было принято решение физически измерить все параметры узла и привязать модели к тем параметрам, которые дал заказчик. Принцип работы идентичен первому кейсу и реализован с применением моделей на основе физики процессов.
Кейс 3. «Нет возможности передать выгрузку значений параметров и уставки, но необходима модель, основанная на экспертных правилах».
Отрасль: энергетика.
Перед нами стояла задача разработки системы онлайн-мониторинга и предиктивного анализа технического состояния энергетического оборудования. Было решено использовать комплексный подход к разработке модели с анализом документации на оборудование и разработать модели на уставках и экспертных правилах. Подробнее о них можно узнать в разделе F.A.Q. нашего сайта.
В этом случае работа происходила в четыре этапа:
- Проведена методологическая работа по описанию «дерева оборудования» и анализу имеющейся документации.
- На основе имеющихся данных, документации и опыта экспертов разработаны экспертные правила для выявления и интерпретации неисправностей.
- Расчет индекса здоровья, выявление трендов деградации и прогнозирование состояния оборудования с помощью математических моделей.
- Выдача автоматических рекомендаций на обнаруженные отклонения в работе оборудования.
Как понять, готова ли компания к цифровизации?
Проблемы, которые касаются готовности к цифровым проектам, решит обследование текущей ситуации, ИТ-ландшафта, анализа собираемых параметров и значений данных. По результатам обследования можно говорить о уровне зрелости компании в части сбора и подготовки данных. Чтобы примерно оценить его мы предлагаем использовать чек-лист, приведенный ниже. Он создан экспертами Factory5 в результате многолетнего опыта предпроектных обследований.
Слева указаны уровни зрелости по убыванию. На максимальном уровне можно построить модели для диагностики и прогноза технического состояния оборудования с ответом на вопросы: что, как, когда и почему это может произойти. На начальном уровне зрелости можно определить наличие аномалии в работе актива, но часто без указания конкретного узла.
Столбцы характеризуют критерии, по которым и определяется уровень зрелости компании. К ним относят:
- Дискретность параметра: частота поступления значений параметра индивидуальна для каждого типа оборудования.
- Информация о режимах работы оборудования необходима для реализации практически любого сценария по обнаружению и прогнозу отклонений.
- Модели оборудования с разузловкой и привязкой по параметрам. Если таких моделей нет, они могут быть созданы в рамках проекта.
- Период необходимых данных для статистических моделей — это минимум один цикл сервисного обслуживания. Это связано с тем, что после сервисного обслуживания состояние оборудования восстанавливается, улучшается.
- Непрерывность передачи данных.
- Для обучения статистических моделей необходима статистика по отказам и неисправностям: например десять и более случаев таких событий.
- Если статистики нет, то для реализации задач компании имеет смысл рассмотреть применение физических моделей.
- Для разработки моделей, которые позволят прогнозировать техническое состояние с указанием узла, типа отказа, прогнозного времени отказа и его причины, может потребоваться детальная информация об уже случившихся отказах: тип отказа, время, внешние условия, параметры работы других узлов и другие данные.
Этот чек-лист может применить каждая компания, чтобы самостоятельно оценить: свою готовность к цифровым сценариям, объем подготовки и возможности в части мониторинга состояния оборудования, которые доступны прямо сейчас.
Как организовать цифровизацию в компании?
Если говорить об общих рекомендациях по организации системного подхода к цифровизации, то следует упомянуть следующие этапы:
- Обследование текущих процессов и ИТ-ландшафта.
- Первичный анализ имеющихся данных.
- Определение возможных сценариев цифровизации с учетом предыдущих пунктов. К цифровым сценариям ТОиР можно отнести не только диагностику и прогнозирование тех состояния актива, но и контроль энергоэффективности, финансово-экономическое моделирование, сценарное моделирование для планирования оптимальной программы ремонта на длительный горизонт или весь жизненный цикл актива, оптимизация ремонтных мощностей и расчет оптимального баланса парка оборудования.
- Изучение технологий, имеющихся на рынке, вендоров и разработчиков.
- Изучение референсов и опыта других компаний со схожими задачами и типом оборудования.
- Реализация пилотного проекта.
- Тиражирование решения, реализация полномасштабного проекта.
В рамках курса по цифровизации ТОиР от Factory5 вам будут доступны шпаргалки-анкеты для исследования процессов ТОиР, анализа имеющихся данных, обзор технологий и классов систем, библиотека реализованных кейсов и другие дополнительные материалы для инициации и реализации проектов цифровизации. В блоке по управлению проектами вы разберете процесс его реализации от начала до конца.
Курс стартует 19 октября и продлится 10 недель. Он содержит 8 модулей по 5-6 уроков в каждом, видео-уроки, проверочные тесты, чат с экспертами и более 10 часов практики. Узнайте о курсе подробнее и запишитесь на первый бесплатный урок:https://education.factory5.ai/