Повышение производительности активов с помощью машинного обучения

Сегодняшние руководители отрасли открывают новые способы максимизировать надежность и ценность своих активов. Благодаря управлению эффективностью активов на основе промышленного Интернета вещей (IIoT) и машинного обучения компании могут использовать как оборудование, так и данные о процессах, чтобы продлить срок службы своих активов и достичь оптимальной надежности.

В среднем до 15 процентов валовой прибыли съедается незапланированными простоями. Для сравнения, лучшая в своем классе производительность оценивается в 5 процентов. Устранение этих потерь потребует совместной работы технического обслуживания и производства по-новому.

Традиционный подход к надежности заключался в построении модели актива, основанной на основных принципах, настройке модели с использованием данных в реальном времени, применении корректирующих факторов или создании правил точности, сравнении выходных данных модели с данными в реальном времени и выделении статистических отклонений от нормальных условий. . Однако эти модели рассматривают только данные об активах. Они не могут «видеть» восходящий поток в процессе, чтобы определить причинное поведение, которое ухудшает активы, и могут сигнализировать только тогда, когда начало ущерба становится очевидным - когда ущерб уже нанесен.

Этот традиционный метод прогнозирования производительности был разработан 40 лет назад в моделях, основанных на инженерных уравнениях, статистических методах и механизмах правил, но многие до сих пор полагаются на него. Машинное обучение появилось совсем недавно. Оба метода часто кажутся решающими одни и те же проблемы, но различаются сферами участия человека и точностью прогнозов.

Методы моделирования, требующие обширного опыта и навыков с соответствующими методами калибровки, были и остаются очень успешными. С первыми принципами необходимо понимать конкретное поведение. Динамические модели в реальном времени позволяют делать прогнозы поведения прогнозов в любой момент времени, обеспечивая глубокое понимание ожидаемых результатов.

Что делает решение проблемы незапланированных сбоев и простоев настолько сложным, так это динамичный характер производственных процессов. Поскольку в процессе одновременно происходят тысячи вариаций, моделям сложно точно предсказать, какие закономерности или тенденции приведут к незапланированным событиям.

Модели из первых принципов (инженерные) показывают только предполагаемое, ожидаемое или предполагаемое поведение, основанное на гигиенически чистых, наилучших характеристиках. Как часто механическое оборудование работает таким образом?

То же самое при пропускной способности 30, 50, 100 или 110 процентов? Напротив, машинное обучение может обучаться на основе реального поведения оборудования в реальных условиях при любых условиях, включая сезонные колебания, различные операционные кампании, запуск / останов и изменение рабочих циклов. Он также может учитывать процесс ухудшения и механические характеристики.

Машинное обучение добывает данные о процессах и активах для раннего предупреждения. Он делает тяжелую работу по поиску закономерностей в процессе, которые сигнализируют о будущих проблемах с активами. Путем определения поведения процесса, которое является основной причиной деградации, проблемы выявляются намного раньше.

При таком подходе анализ рисков и машинное обучение работают вместе, чтобы постоянно и точно прогнозировать отказы активов за несколько недель или месяцев вперед. Это может дать время для планирования, координации и принятия мер, а не просто реагировать. На этот раз техническое обслуживание и производство работают вместе по-новому.

Приложения машинного обучения не строят модели в традиционном смысле баланса тепла / материала и термодинамических политропных уравнений, логики и правил, а также статистической интерпретации. Они измеряют признаки отказов, а не модели машин.

Машинное обучение, применяемое с учетом навыков и знаний в предметной области, поглощает жесткие, измеренные данные датчиков и данных технического обслуживания, собранные за длительные периоды времени, для выявления крохотных, многовариантных и временных закономерностей, которые люди не могут увидеть.

Обнаруженные закономерности - это точные сигнатуры, которые определяют как нормальное поведение, так и отклонения, ведущие к деградации и отказу. Для согласования мы можем назвать эти сигнатуры моделями, но концептуально они далеки от идей инженерных или математических моделей.

Сигнатуры отказов, разработанные с помощью машинного обучения, не знают и не заботятся о типе машины, отрасли, в которой она используется, или инженерных принципах, лежащих в основе ее работы. Сигнатуры заботятся только о том, чтобы имеется достаточное количество датчиков, предоставляющих достаточно данных, которые содержат обучаемые взаимосвязи между датчиками для точного определения рабочего поведения объекта в нормальных условиях и в условиях ухудшения / отказа.

Даже библиотека из 125 моделей не может приблизиться к сотням тысяч уникальных активов, нуждающихся в защите. Тем не менее, машинное обучение может быстро оценивать закономерности и развертывать их на ранее невиданных активах за часы или минуты без серьезных инженерных навыков. Лучший в своем классе подход может сделать это без навыков работы с данными, работать автоматически в оперативном режиме и в режиме реального времени и предоставить действенные результаты за секунды.

Если вы по-прежнему полагаетесь исключительно на модели из первых принципов, пора модернизироваться. Использование комбинации моделей и машинного обучения - самый эффективный способ обнаружить и избежать рискованных рабочих условий процесса. Эта комбинация может объяснить явные условия в любое время с использованием модели, при этом машинное обучение автоматически калибрует и настраивает модель без особого руководства или правил программирования.

Это лучшее из обоих миров - своевременное и точное состояние процесса наряду с более простой калибровкой. Это также дает вашим специалистам по обслуживанию и эксплуатации понимание, необходимое для совместной работы для достижения максимальной производительности.

Подробнее:Общая эффективность оборудования

Об авторе

Майкл Брукс - старший консультант по управлению эффективностью активов AspenTech.