Предиктивное обслуживание оборудования. Цифровые сервисы Сименс

• Реактивное обслуживание означает, что оборудования работает до отказа, и только затем осуществляется его ремонт. Главными минусами такого обслуживания являются риски высоких затрат на ремонт, а также неизбежные незапланированные простои.

• Превентивное обслуживание означает периодическое техническое обслуживание по определенному графику с целью предотвращения поломок оборудования. Этот подход позволяет избежать дорогостоящих поломок, но минус в том, что он не учитывает реальное состояние оборудования, а может полагаться лишь на усредненные значения его срока службы. Реальный срок службы, конечно, почти всегда отличается от ожидаемого, поэтому, чтобы не допускать поломок, необходимо оказывать чрезмерное обслуживание (то есть нести лишние затраты).

• Предиктивное обслуживание означает, что обслуживание планируется на основе данных о фактическом состоянии оборудования и прогнозе его будущего состояния. Преимущества такого подхода - это, во-первых, снижения числа поломок, потому что решение о необходимости обслуживания принимается на основе данных. Во-вторых, это возможность снизить затраты, потому что исчезает необходимость чрезмерного обслуживания оборудования.

Из трех существующих подходов именно предиктивное обслуживание является наиболее эффективным, а его внедрение - целью для многих современных предприятий.

Одна из популярных стратегий предиктивного обслуживания - детектирование аномального поведения. Цель этой стратегии - получить ответ на вопрос, нормально ли работает система в данный момент или зафиксировано некое отклонение от нормы. Существует множество способов реализации этой стратегии - от самой простой, с реакцией на выход определенно измеряемого значения за пределы заданного диапазона, до более сложных, с построением модели классификации машинного обучения или использованием нейронных сетей.

Решение Сименс

У Сименс есть решение для предиктивного обслуживания Equipment Predictive Analytics (EPA). EPA позволяет эффективно обнаруживать аномалии за счет использования машинного обучения на исторических данных и визуального анализа. Раннее обнаружение аномалий дает возможность предотвращать поломки оборудования, снизить простои и увеличить общую эффективность производства. Возможность обслуживать оборудование, когда это реально необходимо, то есть переход от реактивного обслуживания к предиктивному, влечет за собой значительное снижение затрат на ТОиР. Кроме того, использование технологий искусственного интеллекта, например, для обнаружения корреляций между данными, помогает в принятии решений и снижает нагрузку на инженеров. 

EPA может быть интересно для предприятий со следующими особенностями:

• Сложные процессы непрерывного производства с большим числом факторов влияния.
• Контроль за состоянием оборудования с помощью классических АСУ недостаточно эффективен. Следствия - позднее обнаружение неисправностей, избыточное обслуживание оборудования.
• Нужны опытные инженеры, чтобы справляться с нарастающей сложностью.

Приборная панель приложения. 

"Радар" (слева) показывает состояние системы за последние шесть часов с разделением цветами по критичности оповещений. "ДНК-диаграмма" (справа) для выбранного промежутка времени показывает отклонения параметров, задействованных в модели, от своих нормальных значений. 

В качестве источника данных для приложения можно использовать PCS 7 или другую АСУ. Само приложение может быть размещено как локально (on-premise), так и на облачной инфраструктуре (например, Amazon Web Services). 

Приложение помогает построить наиболее эффективную модель обнаружения аномалий.

Для построения модели необходимо выбрать так называемый целевой датчик - один или несколько (до 30 в рамках одной лицензии). Целевой датчик - это наиболее критический датчик, значения с которого больше всего отражают состояние отслеживаемой системы. Кроме того, для каждого целевого датчика нужно выбрать несколько дополнительных датчиков для повышения точности модели. Такими датчиками следует выбирать те, значения с которых максимально коррелируют со значениями с целевого датчика. Equipment Predictive Analytics помогает выбрать целевые и дополнительные датчики для получения эффективной модели. Для этого приложение оценивает волатильность значений всех датчиков, проводит корреляционный анализ между значениями с датчиков, в том числе, сдвинутыми по времени, выводит всю эту информацию в удобном виде для визуального анализа и последующего принятия решения специалистом.  

Решение EPA активно внедряется у наших заказчиков. Например, с его помощью крупному нефтеперерабатывающему заводу в Китае удалось зафиксировать риск поломки на 18 часов раньше, чем это сделала их АСУ. Таким образом, у них было достаточно времени для принятия правильных мер с целью не допустить поломку.

Материалы:

Презентация Equipment Predictive Analytics на русском

Презентация на одну страницу (one pager)

Техническое описание на английском

Подробную информацию Вы можете получить у компании ООО "М Электро" – официального инжинирингового партнера Siemens по тел.: +7 (343) 286-03-06,
e-mail: info@m-electro.com.