31.01.2019

Применение машинного обучения для прогнозирования сбоев оборудования

За последние десятилетия уровень автоматизации на предприятиях значительно повысился. Изменились и усложнились системы управления, возросло количество контролируемых параметров как в целом, так и на каждого оператора. Но сама по себе задача контроля технологических процессов осталась неизменной, т.е. технологи и операторы как раньше контролируют процессы в реальном времени, выявляя проблемы по факту их возникновения.

Безусловно, такой подход актуален и сейчас, но на сегодняшний день технологии позволяют контролировать процессы не только в режиме online, но и использовать предиктивную аналитику. Например, это позволяет решить одну из важнейших проблем ТОиР, а именно перейти от технического обслуживания по состоянию к прогнозированию отказов оборудования.

TerraLink разработала специальное решение, которое позволяет существенно снизить количество простоев и случаев возникновения неисправностей, а также сократить возможные операционные затраты. Решение представляет собой программный продукт, который осуществляет сбор, хранение и обработку данных реального времени, которые передаются в модель предсказаний, где на основе алгоритмов машинного обучения определятся вероятность выхода оборудования из строя.

В результате вы получаете полноценный инструмент в виде дашборда, который позволяет контролировать технологические процессы и прогнозировать возможные отказы.

Пример определения вероятности отказа электродвигателей.

predictive-model.jpgВ основе решения лежит математическая модель, которая позволяет заранее выявлять сбои и остановы оборудования. Для функционирования такой модели необходим источник достоверных данных, а именно, исторические данные технологических параметров.

В качестве источника данных для математической модели мы выбрали наиболее популярное производственное решение – PI System компании OSIsoft, а саму модель реализовали на базе Microsoft Azure Machine Learning Services.

Для осуществления двусторонней связи между PI System и Microsoft Azure Machine Learning Services мы разработали специальный интеграционный сервис, который считывает данные технологических параметров из PI System и передает их в модель машинного обучения, а затем возвращает полученные результаты обратно.

Архитектура решения

machine_learning.png

Этапы внедрения

Процесс создания такого решения можно разделить на несколько этапов.

1. Для функционирования системы необходимо сконфигурировать модель предсказаний, провести ее обучение на основе исторических данных и данных по отказам оборудования.

2. После обучения модель проходит многократное тестирование и оценку результата.

3. После подтверждения корректности работы модели, она переходит в стадию эксплуатации. На данном этапе модель начинает использовать данные реального времени, становится необходим источник данных и интеграционный сервис для коммуникации между источником и моделью предсказаний.

4. Интеграционный сервис считывает текущие данные из базы данных реального времени (БДРВ), передает их в модель, которая рассчитывает на основе этих данных вероятностные показатели, и сервис возвращает их обратно в БДРВ.

5. Далее средствами аналитики PI System настраиваются соответствующие дашборды, отчеты, уведомления и др. необходимые средства контроля.

Одним из преимуществ нашего решения является наличие двусторонней связи между моделью и источником данных, что позволяет использовать для анализа предиктивных показателей все механизмы платформы PI, которые уже знакомы и инженерам и ИТ–специалистам. В этом случае нет необходимости внедрять сторонние системы и проходить новое сложное обучение.

С точки зрения пользователя все максимально просто – на дашборде в дополнение к данным реального времени добавится еще один вероятностный параметр, который можно использовать напрямую или косвенно для принятия решений. Таким образом, сложная задача внедрения предиктивных показателей сводится всего лишь к простой задаче построения модели.

Разработанное нами решение подходит для применения в различных отраслях промышленности, а модель настраивается индивидуально под каждый тип оборудования. Мы готовы провести Proof of concept на ваших данных в течение 1 месяца.