Меню

По мере снижения стоимости вычислительной мощности машинное обучение и промышленная аналитика будут играть более важную роль, помогая предприятиям сокращать расходы и работать более эффективно.

Целлюлозно-бумажная промышленность продемонстрировала замечательную устойчивость в трудные периоды. Учитывая в основном ограниченные возможности роста на развитых рынках, производители целлюлозы и бумаги в Западной Европе и Северной Америке сосредоточивают внимание на повышении операционной эффективности и коэффициентов использования производства.

По данным глобальной консалтинговой компании McKinsey & Company, цифровизация сыграет важную роль в преобразовании отрасли и потенциально может снизить базовые затраты производителя на 15 процентов. По оценкам McKinsey, половина этой суммы (7,5 процента) приходится на искусственный интеллект и аналитику. В этой статье рассказывается, как машинное обучение и промышленная аналитика могут повлиять на ключевые области показателей операционной эффективности. 

Немного предыстории

Традиционно машинное обучение было предметом, в основном ограничивавшимся академическими кругами. Ситуация изменилась за последние несколько лет вместе с ростом числа коммерческих приложений. Как произошло это изменение?

Возможно, самым большим фактором стало значительное снижение базовой стоимости вычислительной мощности, а также хранения и передачи данных. Еще одним фактором, способствующим этому, являются инновации в области искусственного интеллекта и больших данных. Наконец, инициативы «Индустрия 4.0» и «Умная фабрика» получили поддержку высшего руководства, поскольку высшее руководство осознает потенциальное влияние с точки зрения доходов и экономии затрат.

Типичное промышленное предприятие содержит тысячи датчиков, встроенных в машинное оборудование. Хотя данные генерируются на постоянной основе, большая их часть недоступна для анализа или других оперативных целей. За ограниченным исключением мониторинга на основе диспетчерского управления и сбора данных (SCADA), большинство данных датчиков не представляют никакой ценности для предприятия.

Мониторинг SCADA обычно выполняется на небольшом количестве высокоприоритетных машинных активов. Пороги управления устанавливаются вручную, и при нарушении порога (температура, вибрация, давление и т. д.) технические специалисты получают предупреждение. В некоторых случаях системы могут автоматически инициировать дальнейшие действия.

Машинное обучение для промышленной аналитики применяет алгоритмы к огромным объемам данных, генерируемых промышленным предприятием. Эти алгоритмы обучены обнаруживать аномальные модели поведения и корреляции между ними. Система SCADA отслеживает, был ли нарушен порог контроля; Промышленная аналитика на основе машинного обучения анализирует все данные независимо от того, были ли нарушены пороговые значения, установленные правилами. На основе распознавания образов алгоритм может определять нарушения, деградацию, потенциальный сбой и его причины.

Существует несколько различных подходов к использованию машинного обучения для обнаружения сбоев. Классический подход называется контролируемым машинным обучением. Алгоритм обучается на базовом производственном активе с использованием меток данных или классификаций. После «обучения» алгоритма он может классифицировать новые данные на основе меток. Например, если существует определенный шаблон данных для деградации активов, алгоритм применит эту метку к новым данным, если обнаружит этот шаблон.

Одним из недостатков этого подхода является необходимость времени и денег для обучения алгоритма. Алгоритму необходимо «изучить» каждый уникальный шаблон отказа для каждого вида оборудования. Обычно для этого требуется опыт специалистов по техническому обслуживанию. Если модель недостаточно обучена, она может генерировать большое количество ложноположительных и ложноотрицательных результатов. Следствием этого является выполнение ненужных работ по техническому обслуживанию или пропуск потенциальных сбоев.

Альтернативой является методология машинного обучения без учителя. Используя Advanced AI, алгоритм распознает шаблоны данных без предварительного обучения базовому активу. Анализируются огромные объемы данных, и алгоритм сам генерирует метку.

Важно понимать различия между методологиями, поскольку существует разница в практическом применении. Машинное обучение без учителя менее ресурсоемко, что снижает затраты на решения промышленной аналитики, основанные на этой методологии.

Эксплуатация и обслуживание: неиспользованный потенциал экономии затрат

Целлюлозно-бумажная промышленность — это высокоавтоматизированная отрасль, в которой используется сложное оборудование. По данным CEPI, в 1992 году в европейской целлюлозно-бумажной промышленности работало 411 113 человек. К 2016 году это число упало до 177 065 человек, что представляет собой снижение на 43 процента. В то же время производство бумаги и картона выросло с 65,1 тонны в год до 90,9 тонны в год.

По данным Центрального научно-исследовательского института целлюлозно-бумажной промышленности затраты на техническое обслуживание составляют 10 процентов продаж в отрасли, что значительно выше, чем в производстве двигателей, автомобилестроении или химической промышленности.

Внеплановые простои являются основным источником затрат для бумажной и целлюлозной промышленности, а также для других производственных секторов. По данным опроса 200 руководителей, проведенного по заказу отраслевого поставщика компании Honeywell, незапланированные простои были названы главной угрозой для максимизации доходов. 42 процента респондентов признались, что эксплуатируют оборудование более интенсивно, чем следовало бы.

Целлюлозно-бумажные компании не делятся внутренними данными о стоимости незапланированных простоев; однако опубликованные отчеты, основанные на оценках, показывают, что стоимость часа работы неисправной машины может превышать 10 000 долларов США. Простой оборудования обходится чрезвычайно дорого, особенно если учитывать альтернативные издержки упущенной выгоды.

Одним из наиболее убедительных обоснований использования машинного обучения для обслуживания оборудования является то, что оно выявляет сбои, которые ранее не обнаруживались существующими системами мониторинга оборудования.

Целлюлозно-бумажные заводы полагаются в первую очередь на мониторинг SCADA на основе правил. Эти системы отслеживают данные оборудования, чтобы заблаговременно предупреждать о потенциальном сбое. OEM-производитель оборудования или инженеры завода указывают верхний и нижний пороговые пределы регулирования данных датчиков. Если эти пороговые значения нарушаются, то срабатывает предупреждение.

Основным недостатком систем SCADA является невозможность обнаружить потенциальный сбой в тех случаях, когда установленные вручную пороговые значения не были нарушены. На рисунке 2 представлен пример системы мониторинга температуры объекта SCADA. Если температура актива превышает 40 градусов, срабатывает оповещение; но система также обнаруживает аномальное поведение датчика, которое происходит в пределах пороговой полосы пропускания. В этом примере мы видим признаки аномального поведения датчика. С помощью машинного обучения алгоритм проанализирует эти данные, чтобы определить, существует ли закономерность аномального поведения, которая может указывать на деградацию машины или сбой оборудования.

Предупреждения, настраиваемые вручную на основе правил

В целлюлозно-бумажной промышленности реактивное техническое обслуживание является нормой. Машины «работают до отказа», за чем следуют незапланированные простои во время ремонта. Основополагающее предположение для использования этого подхода до отказа заключается в том, что (а) отказ оборудования считается случайным событием и (б) на заводах отсутствуют инструменты прогнозирования.

Реактивное обслуживание обходится дорого, поскольку починить сломанную машину обходится значительно дороже, чем ремонт машины, которая все еще работает. Благодаря машинному обучению, которое обнаруживает аномальное поведение машин, сокращается необходимость в оперативном обслуживании, что приводит к положительным результатам, имеющим финансовое значение.

Как происходит экономия средств? Лучшее планирование улучшает показатели «затрачиваемого времени». Можно заказать запасные части и оптимизировать график работы ремонтных бригад. Предварительное уведомление снижает нагрузку (и затраты) на перемещение ремонтных бригад для выполнения неотложных задач. Благодаря раннему предупреждению рабочая нагрузка машины может быть снижена во время ожидания запчастей без необходимости резких остановов. Кроме того, благодаря решениям машинного обучения, которые обеспечивают анализ первопричин отказов, бригады технического обслуживания имеют более четкое представление о том, почему машина выходит из строя. Результат: меньше проб и ошибок и более эффективное обслуживание.

Кроме того, производители целлюлозы и бумаги также могут сократить расходы на профилактическое обслуживание с привязкой ко времени. Обслуживание по времени основано на исторических закономерностях отказов. Например, некоторые виды оборудования имеют тенденцию выходить из строя в зависимости от возраста. Предполагается, что на этапах обкатки и износа интенсивность отказов относительно высока. Сосредоточение работ по техническому обслуживанию в периоды, когда обслуживание исторически не выполнялось, может предотвратить возникновение этих сбоев.

Этот подход использует средние исторические данные для определения текущих графиков технического обслуживания; но без знания конкретной деградации существует риск и затраты на чрезмерное техническое обслуживание. Благодаря машинному обучению решение о ремонте конкретной части машинного оборудования основывается на данных датчиков о конкретном активе, а не является решением, принятым человеком, основанным на тенденциях или обоснованных предположениях.