Повышение надежности и улучшение результатов обслуживания с помощью машинного обучения

Майк Брукс из AspenTech

Существует значительная потребность в предотвращении сбоев, используя истину, основанную на данных, а не предположения. Сочетание механических поломок и поломок, вызванных технологическим процессом, обходится до 10% мирового производственного рынка стоимостью 1,4 триллиона долларов, согласно отчету Глобального института McKinsey за 2012 год. .

Хотя компании потратили миллионы, пытаясь решить эту проблему и в конечном итоге избежать незапланированных простоев, до сих пор им удавалось устранять только отказы, связанные с износом и возрастом. Современные методы не позволяют обнаруживать проблемы на ранней стадии и не могут понять причины кажущихся случайными сбоями, которые вызывают более 80% незапланированных простоев. Вот где использование программного обеспечения машинного обучения для создания «более широкой сети» вокруг машин может выявить сбои, вызванные процессами.

Чтобы избежать незапланированных простоев, компании должны выявлять ранние признаки надвигающихся сбоев и эффективно реагировать на них. По словам Майка Брукса, старшего бизнес-консультанта, AspenTech , традиционные методы технического обслуживания не позволяют прогнозировать сбои, вызванные отклонениями в процессе. и бывший Mtell президент и главный операционный директор.

Это потребует уникального технологического подхода, сочетающего машины и процессы; особенно в таких ресурсоемких отраслях, как производство и транспорт. Имея правильную технологию, организации могут почувствовать закономерности надвигающейся деградации с достаточным предупреждением, чтобы предотвратить сбои и изменить результаты.

Прогнозирование времени простоя с помощью программного обеспечения для машинного обучения

Современное программное обеспечение для машинного обучения уже продемонстрировало невероятные успехи в раннем выявлении отказов оборудования. Такое программное обеспечение почти автономно и изучает поведенческие модели из потоков цифровых данных, которые производятся датчиками на машинах и процессах и вокруг них.

Эта передовая технология автоматически и требует минимальных ресурсов, постоянно обучается и адаптируется к новым схемам сигналов при изменении условий эксплуатации. Сигнатуры отказов, полученные на одной машине, «инокулируют» эту машину, чтобы такое же состояние больше не повторялось. Кроме того, изученные подписи переносятся на аналогичные машины, чтобы не допустить воздействия на них одних и тех же ухудшающих условий.

Например, североамериканская энергетическая компания теряла до миллиона долларов на ремонте и потеряла доход из-за повторяющихся поломок погружных электрических насосов. Приложение расширенного машинного обучения изучило поведение 18 насосов. Программа обнаружила утечку в обсадной колонне одного насоса на ранней стадии, что привело к экологическому происшествию. Применение сигнатуры отказа к остальным насосам обеспечило раннее предупреждение, позволяя предпринять своевременные действия, чтобы избежать повторного инцидента, тем самым предотвращая серьезную проблему.

В другом случае ведущая компания по железнодорожным грузоперевозкам, работающая в 23 штатах США, использовала машинное обучение для устранения постоянных отказов локомотивных двигателей, которые обходятся в миллионы долларов на ремонт, штрафы и упущенную выгоду. Приложение машинного обучения работает в оперативном режиме в режиме реального времени и было развернуто на очень большом парке локомотивов, исследуя данные о смазочном масле на самые ранние признаки отказа двигателя.

Приложение даже обнаружило признаки деградации, когда двигатель прошел испытание при низком давлении. Передача локомотива для немедленного обслуживания «сэкономила компании миллионы долларов на дорогостоящих простоях и штрафах».

Пришло время внедрить программное обеспечение для машинного обучения

Компании больше не могут полагаться только на традиционные методы обслуживания, но должны также учитывать операционное поведение при развертывании решений на основе данных. Сегодняшняя задача означает извлечение дополнительной ценности из существующих активов и внедрение расширенной программы машинного обучения для быстрого улучшения.

При наличии правильных программных решений технологии прогнозирования обнаруживают условия, ограничивающие эффективность активов, и в то же время предоставляют предписывающие рекомендации, которые гарантируют, что фирмы останутся прибыльными и увеличат рентабельность.

Автор этого блога - Майк Брукс, старший бизнес-консультант, AspenTech, а также бывший президент и главный операционный директор Mtell