Снижение рисков промышленных объектов через продвинутое управление данными

Отказ актива — это сбивающее событие для любой промышленной организации. Согласно LNS Research, отказы активов являются одной из трех главных причин аварий, заканчивающихся проблемами безопасности и загрязнением. Они также останавливают производство и наносят ущерб оборудованию, что приводит к значительным финансовым потерям. Фактически, ежегодно непланируемые простои стоят промышленным производителям примерно 50 млрд долларов.

Организации находятся под давлением повышения эффективности и снижения потребления, и менеджеры по надежности и руководители должны отчитываться за каждый актив, играющий роль в работе завода — от самого маленького клапана до крупнейшей турбины.

Хотя программное обеспечение может запускать аналитику и генерировать базовые метрики производительности, знание о том, что хорошо защищенная турбина за 10 млн долларов надежна на 98%, бесполезно, когда выходит из строя маленький клапан и останавливает весь завод.

Три ключевых фактора деградации машин:

1. Все машины сталкиваются с множественными источниками деградации.
2. Сюда входят химическое воздействие, усталость, абразивное износ и трение.
3. Скорость этих механизмов деградации варьируется в зависимости от конструкции машины, условий эксплуатации и среды.
4. Машины сложны, состоят из различных компонентов, и разные источники деградации влияют на эти компоненты с разной скоростью.

Ранний путь: от профилактического к проактивному обслуживанию

Профилактическое обслуживание (ППР) возникло для обнаружения и предотвращения деградации до возникновения отказа. Однако сложность и взаимодействие трех ключевых факторов деградации усложнили решение о том, когда и где вмешиваться. Вместо установления графиков ППР на основе обоснованных предположений, ППР по времени стал лучшим вариантом, за которым вскоре последовало обслуживание на основе состояния.

Разработаны различные технологии прогнозируемого обслуживания (PdM), такие как:

• Вибрационный анализ для вращающегося оборудования.
• Термография для электрических систем.
• Ультразвуковой контроль для трубопроводов и толщины сосудов.

Однако название «прогнозируемое обслуживание» немного неверно. Эти технологии не предсказывают отказ; они обнаруживают и раскрывают признаки ухудшения, чтобы команды обслуживания могли перехватить их до отказа. Эти методы фокусируются на разных режимах отказа и построены вокруг датчиков, которые их обнаруживают и производят критические данные.

Без аналитических данных от подключенных датчиков операторы заводов имеют неполное понимание рисков организации и того, как ими управлять. Данные, необходимые для принятия решений, могут быть ограничены конкретным активом или объектом. Но данные становятся полезными, когда их сравнивают по всей компании и глобальным средним значениям, предоставляя конкурентное преимущество компаниям, понимающим риски и знающим, как ими управлять.

Принятие данных и нового интеллекта

С внедрением датчиков, производящих данные, организации внедряют системы управления для интерпретации огромных объемов данных и выполнения сложных задач распознавания образов для обнаружения аномалий оборудования и деградации.

Методы обнаружения систем управления практичны; они анализируют данные датчиков и строят модель «нормальной» работы, оповещая при возникновении ненормальных условий. Это происходит в реальном времени и может обнаруживать тонкие вариации, вызванные ухудшением. С этими технологиями организации видят возврат инвестиций за счет значительного снижения катастрофических отказов на отслеживаемом оборудовании.

Знаете ли вы?

"Использование аналитики больших данных может сократить поломки до 26% и уменьшить непланируемые простои почти на 25%."
Источник: engineering.com

Технологии также трансформировали интеллектуальный анализ данных для оптимизации инсайтов из архивных данных датчиков и данных систем управления активами предприятия для помощи в выполнении работ. Сочетание интеллектуального анализа данных с обнаружением аномалий улучшает диагностику в реальном времени и прогнозы времени до отказа. И здесь в игру вступают системы управления производительностью активов (APM).

Большинство методов машинного обучения (ML) и искусственного интеллекта (AI) ориентированы на данные, но не предназначены для обширного анализа данных; APM кодирует данные, которые ML и AI не могут, используя функцию интеграции данных ML для сбора миллиардов точек данных и их быстрой организации в модели, измеряющие риск и предотвращающие отказы.

В современной индустрии организации признают, что подключенные активы должны передавать информацию в систему APM для адекватного использования собранных данных. Например, крупная химическая компания в Саудовской Аравии внедрила систему APM и улучшила среднюю частоту отказов своих трубопроводов с 172 дней до более чем 2100 дней, что представляет собой улучшение на 1135%.

Обмен данными для лучшей прогностики

Для организаций с комплексными средами IoT (Интернета вещей), аналитика больших данных не может фокусироваться только на нескольких источниках данных. APM позволяет организациям объединять изолированные хранилища данных и моделировать уникальную природу промышленных активов в их операционном контексте.

Это одна из областей, где существуют значительные различия между промышленным и потребительским секторами. В промышленном мире отказы могут быть крайне разнообразны. Поскольку в настоящее время нет промышленного аналога Google или Amazon для объединения машинных данных между предприятиями, пулы данных, необходимые для разработки такого рода аналитики, ограничены крупными предприятиями и оригинальными производителями оборудования (OEM). Хотя компании осторожны в отношении своих операционных данных, многие начинают понимать, что обмен данными об отказах и неисправностях с другими крайне полезен для всей отрасли.

С этим пулом данных у следующей волны аналитики данных огромный потенциал. Анализируя эти данные, новые закономерности отказов могут быть сопоставлены и сравнены с историческими данными из «библиотеки» предыдущих похожих случаев. С этим автоматизированная диагностика может предоставить описание проблемы и прогноз потенциального времени до отказа.

Даже для оборудования, не оснащенного датчиками, более крупные пулы данных поддерживают лучший статистический анализ на основе оборудования в похожих операционных условиях. Это позволяет инженерам и операторам принимать более обоснованные решения при установлении стратегии обслуживания, потому что они поймут истинный уровень отказов компонентов. Текущая технология обычно опирается на рекомендации OEM или отраслевые исследования, которые часто проводились много лет назад.

Заключение

Для многих компаний разработка стратегии обслуживания — это субъективный, основанный на опыте процесс. Данные для принятия объективных решений часто разрежены, не существуют или трудно доступны. Переход к подходам на основе состояния решает большую часть этой проблемы, основывая деятельность на текущем состоянии актива, но даже эти методы все еще требуют значительной экспертизы и оставляют пространство для улучшения.

Потенциал применения продвинутого анализа данных к работе машин многообещающ, но проблемы остаются. Критически важно иметь доступ к правильному типу данных, и для многих компаний это может означать готовность делиться и обмениваться данными с другими компаниями. По мере того как компании начинают обмениваться информацией и улучшать операции, они поймут, что выгоды перевешивают опасения по поводу помощи конкурентам.

Организации понимают, что прямые затраты на простой вредны для бизнеса. Во многих случаях косвенные затраты этого простоя, такие как поврежденная репутация, равно, если не более разрушительны, чем прямые затраты. Промышленные операторы должны принять стратегию больших данных, которая обеспечивает наилучший результат для их активов, если они хотят сохранить рентабельность и рост. Выявляя тенденции и характеристики отказов рано с помощью данных, промышленные организации повышают общую надежность активов и сокращают затраты как краткосрочные, так и долгосрочные.