Снижение рисков промышленных предприятий посредством расширенного управления данными

Выход из строя активов является разрушительным событием для любой промышленной организации. По данным LNS Research, отказы активов являются одной из трех основных причин аварий, которые заканчиваются проблемами безопасности и загрязнением окружающей среды. Они также останавливают производство и наносят ущерб оборудованию, что приводит к значительным финансовым потерям. Фактически, каждый год незапланированные простои обходятся промышленным производителям примерно в 50 миллиардов долларов.

Организации вынуждены повышать эффективность и сокращать потребление, а менеджеры по обеспечению надежности и руководители должны учитывать каждый актив, который играет роль в работе предприятия – от самого маленького клапана до самой большой турбины.

Хотя программное обеспечение может выполнять аналитику и генерировать базовые показатели производительности, знание того, что хорошо защищенная турбина стоимостью 10 миллионов долларов надежна на 98%, бесполезно, когда это небольшой клапан, который выходит из строя и останавливает всю установку.

Три ключевых фактора деградации оборудования:

1. Все машины сталкиваются с множеством источников деградации.
2. Сюда входят химические вещества, усталость, истирание и трение.
3. Скорость этих механизмов деградации зависит от конструкции машины, ее использования и окружающей среды.
4. Машины сложны и состоят из различных компонентов, и разные источники деградации влияют на эти компоненты с разной скоростью.

Ранний путь:от профилактики к превентивным мерам

Профилактическое обслуживание (ПТО) появилось для обнаружения и предотвращения деградации до того, как произойдет сбой. Однако сложность и взаимодействие трех ключевых факторов деградации усложнили принятие решения о том, когда и где вмешаться. Вместо составления графиков технического обслуживания на основе обоснованных предположений лучшим вариантом стало планирование технического обслуживания по времени, за которым вскоре последовало техническое обслуживание по состоянию.

Были разработаны различные технологии прогнозного обслуживания (PdM), такие как:

• Анализ вибрации вращающегося оборудования.
• Термография для электрических систем.
• Ультразвуковое исследование толщины трубопроводов и сосудов.

Однако название «предупредительное обслуживание» является несколько неправильным. Эти технологии не предсказывают неудачу; они обнаруживают и выявляют признаки износа, чтобы группы технического обслуживания могли перехватить их до того, как произойдет сбой. Эти методы ориентированы на различные виды отказов и основаны на сенсорных технологиях, которые обнаруживают их и предоставляют критически важные данные.

Без анализа данных, получаемых от подключенных сенсорных технологий, операторы предприятий недостаточно понимают риски организации и способы управления ими. Данные, необходимые для принятия решений, могут быть ограничены конкретным активом или объектом. Но данные становятся полезными, если сравнивать их со средними показателями по всей компании и по всему миру, предоставляя конкурентное преимущество компаниям, которые понимают риски и знают, как их контролировать.

Использование данных и нового интеллекта

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

Методы обнаружения систем управления практичны; они анализируют данные датчиков, строят модель «нормальной» работы и предупреждают о возникновении ненормальных условий. Это происходит в режиме реального времени и позволяет обнаружить незначительные изменения, вызванные ухудшением состояния. Благодаря этим технологиям организации получают окупаемость инвестиций за счет значительного сокращения катастрофических сбоев контролируемого оборудования.

Знаете ли вы?

"Использование анализа больших данных может сократить количество сбоев до 26 % и сократить время внеплановых простоев почти на 25 %".
Источник:Engineering.com

Технологии также преобразовали интеллектуальный анализ данных, чтобы оптимизировать понимание архивных данных датчиков и данных системы управления активами предприятия, чтобы помочь в выполнении работы. Сочетание интеллектуального анализа данных с обнаружением аномалий улучшает диагностику в реальном времени и прогнозирование времени до отказа. Именно здесь в игру вступают системы управления эффективностью активов (APM).

Большинство методов машинного обучения (МО) и искусственного интеллекта (ИИ) основаны на данных, но не предназначены для обширного анализа данных; APM кодирует данные, которые не могут сделать ML и AI, используя функцию интеграции данных ML для сбора миллиардов точек данных и быстрой организации их в модели, которые измеряют риски и предотвращают сбои.

В современной отрасли организации осознают, что подключенные активы должны передавать информацию в систему APM для надлежащего использования собранных данных. Например, крупная химическая компания в Саудовской Аравии внедрила систему APM и снизила среднюю частоту отказов своих труб со 172 дней до более чем 2100 дней, что представляет собой улучшение на 1135%.

Обмен данными для лучшего прогноза

Для организаций со сквозной средой IoT (Интернета вещей) анализ больших данных не может фокусироваться только на нескольких источниках данных. APM позволяет организациям объединять хранилища данных и моделировать уникальную природу промышленных активов в контексте их эксплуатации.

Это одна из областей, где существуют значительные различия между промышленным и потребительским секторами. В индустриальном мире отказы могут быть весьма разнообразными. Поскольку в настоящее время не существует промышленного эквивалента Google или Amazon для объединения машинных данных между предприятиями, пулы данных, необходимые для разработки такого рода аналитики, ограничены крупными предприятиями и производителями оригинального оборудования (OEM). Хотя компании очень внимательно относятся к своим операционным данным, многие начинают понимать, что делиться своими данными о неисправностях и сбоях с другими чрезвычайно полезно для всей отрасли.

Благодаря этому пулу данных следующая волна анализа данных имеет огромный потенциал. Анализируя эти данные, можно сопоставить возникающие модели неисправностей и сравнить их с историческими данными из «библиотеки» предыдущих подобных случаев. Благодаря этому автоматическая диагностика может предоставить описание проблемы и прогноз потенциального времени до отказа.

Даже для оборудования, не оснащенного датчиками, большие пулы данных обеспечивают лучший статистический анализ на основе оборудования, находящегося в аналогичных условиях эксплуатации. Это позволяет инженерам и операторам принимать более обоснованные решения при разработке стратегии технического обслуживания, поскольку они будут понимать истинную частоту отказов компонентов. Современные технологии обычно основаны на рекомендациях OEM-производителей или отраслевых исследованиях, которые часто проводились много лет назад.

Заключение

Для многих компаний разработка стратегии технического обслуживания — это субъективный процесс, основанный на опыте. Данные для принятия объективных решений часто скудны, не существуют или к ним трудно получить доступ. Переход к подходам, основанным на состоянии, решает большую часть этой проблемы, поскольку действия основываются на текущем состоянии актива, но даже эти методы по-прежнему требуют значительного опыта и оставляют возможности для улучшения.

Потенциал применения расширенного анализа данных к работе машин является многообещающим, но проблемы все еще существуют. Крайне важно иметь доступ к нужным данным, и для многих компаний это может означать готовность делиться данными и обмениваться ими с другими компаниями. Когда компании начнут обмениваться информацией и улучшать свою деятельность, они поймут, что выгоды от помощи конкурентам перевешивают проблемы. 

Организации понимают, что прямые издержки простоя наносят ущерб бизнесу. Во многих случаях косвенные издержки этого простоя, такие как испорченная репутация, столь же, если не более разрушительны, чем прямые затраты. Промышленные операторы должны принять стратегию больших данных, которая обеспечит наилучшие результаты для их активов, если они хотят сохранить прибыльность и рост. Выявляя тенденции и характеристики отказов на ранней стадии с помощью данных, промышленные организации повышают общую надежность активов и сокращают затраты как в краткосрочной, так и в долгосрочной перспективе.



Использование машинного обучения для расширенного мониторинга состояния Использование данных для надежной работы:практическое руководство