Почему компании уделяют больше внимания обслуживанию?

За последние несколько лет компании значительно увеличили внимание и ресурсы для снижения затрат на техническое обслуживание. Причина в том, что исторически общие расходы на техническое обслуживание составляют от 15% до 40% общих производственных затрат. Это говорит о том, что оптимизация технического обслуживания может привести к созданию надежного конкурентного фактора для отраслей, которые в значительной степени зависят от машин и оборудования.

Переход к интеллектуальному подходу

Недавно компании поняли, что определение того, когда оборудование нуждается в уходе, и принятие оперативных мер для предотвращения дальнейшего износа — так называемое профилактическое обслуживание (PdM) — может сэкономить значительно больше денег, чем реагирующие или превентивные подходы. По данным Market Research Future, на глобальном уровне ожидается, что рынок PdM достигнет 23 миллиардов долларов к 2025 году. Делая ставку на эту диагностику, Caterpillar использует машинное обучение, чтобы помочь своим клиентам выяснить, когда следует заменить детали и компоненты, обеспечить надлежащий ремонт и снизить затраты на техническое обслуживание.

Еще одной причиной процветания внедрения PdM стал рост Интернета вещей (IoT). Эффективность PdM сильно зависит от моделирования и, следовательно, от доступности и целостности данных. Оказывается, современное оборудование теперь оснащено интеллектуальными компьютерными датчиками, способными не только фиксировать информацию в большем количестве и с большей частотой, но и лучшего качества. Обилие данных позволило предиктивному подходу превзойти установленные схемы технического обслуживания.

По сути, PdM концентрируется на оценке состояния или срока службы активов и может применяться практически к любому случаю, если доступно достаточно данных. Однако секрет разработки эффективных и ценных для бизнеса PdM-решений заключается в том, насколько хорошо вы их создадите. Вы можете думать об этом так, как будто вы решаете проблему оптимизации. Удовлетворение ваших бизнес-требований — ваша цель, а характер доступных данных — ваше главное ограничение.

Я воспользуюсь опытом, накопленным во время Практического проекта UC Davis MSBA, чтобы показать, как превратить PdM в задачу машинного обучения. В этой первой статье (из двух) я сосредоточусь на измерениях бизнеса и оборудования, оставив вопросы данных и метрик для изучения в следующем посте.

С чего начать?

Вы должны начать определять бизнес-измерение вашей задачи. Составьте бизнес-диаграмму и опишите, как ваша бизнес-стратегия связана с вашим процессом технического обслуживания. Ответив на несколько вопросов, вы сможете лучше понять его. Например, что можно сказать об основных движущих силах бизнеса? Доступность оборудования, надежность, снижение затрат, производительность и т.д.? Каковы KPI для обслуживания? Понимание того, что стратегические факторы могут быть важны не только при выборе соответствующего подхода, но и при выборе метрики для представления вашей аналитической проблемы. Самое главное, убедитесь, что PdM лучше всего подходит для вашей стратегии обслуживания.

Во-вторых, начните размышлять о том, на какой вопрос вам нужна ваша модель. Например, заключается ли проблема только в мониторинге механического состояния оборудования или в прогнозировании того, когда его нужно будет вывести из эксплуатации? Включает ли он определение момента возникновения неисправности или просто хочет предсказать, когда машина или детали потребуют замены? Нужно ли распознавать причины?

Важную роль играет не только ваши бизнес-характеристики, но и тип оборудования, на котором вы стоите. Некоторые предприятия полагаются на недостойное ремонтное оборудование, но для них доступность имеет решающее значение. В таких случаях достижение высокой точности предсказания времени до отказа важнее, чем оценка точной оценки состояния. Однако в большинстве случаев ремонт оборудования в нужный момент имеет решающее значение для продления срока его службы и сокращения будущих расходов.

Возьмите ветряные турбины в качестве примера. Они построены так, чтобы работать до 20 лет при надлежащем уходе за компонентами. Таким образом, имеет смысл создавать прогностические модели на уровне компонентов, а не на уровне всей машины. Кроме того, из-за его особых механических характеристик необходимо отслеживать неисправности и оперативно принимать меры для предотвращения дальнейшего (агрессивного) износа очень дорогих деталей, таких как шестерни или генераторы. С точки зрения бизнеса, неработоспособность нанесет значительный ущерб доходам, а сложность логистики замены компонентов может привести к большим простоям. Поэтому также стратегически важно развернуть высокоточное решение для прогнозирования времени до смерти, которое способствует оптимизации графика замены.

Приближение подходов

Когда вы ответите на эти вопросы, следующим шагом будет выбор подходов, которые соответствуют вашим бизнес-требованиям и соответствуют вашим характеристикам данных. Существует бесчисленное количество доступных решений. Я дам несколько советов о том, как выбрать тот, который лучше всего отвечает вашим бизнес-задачам.

Одной из ключевых проблем при измерении механических условий является ненаблюдаемость. В большинстве случаев они просто не поддаются прямой количественной оценке. Следовательно, измерение обычно достижимо только косвенным наблюдением. В случае, если вашему решению требуется оценка состояния (диагностика) и вы не можете напрямую измерить состояние, возможно, вам нужен последовательный подход.

Последовательный подход определяет, что оборудование (или компонент) находится в хорошем состоянии, когда оно работает в соответствии с ожидаемыми параметрами. Такая концепция пытается зафиксировать механическое состояние, наблюдая за его влиянием на производительность оборудования. Таким образом, состояние часто понимается как отклонение от эталонного статуса и обычно измеряется путем сравнения наблюдаемой с наилучшей наблюдаемой (или даже ожидаемой теоретической) производительностью. В этом случае, например, состояние двигателя следует оценивать по тому, насколько время его разгона отличается от времени разгона нового двигателя. Чтобы реализовать этот метод, можно использовать метрики расстояния для регистрации снижения производительности.

Другое широко используемое решение для измерения состояния отслеживает уровни деградации. В этой структуре механические или электрические неисправности представляют собой «повреждения» активов, что строго характеризует уровень деградации. Когда актив поврежден до такой степени, что он больше не может выполнять требуемую функцию (сбой), мы говорим, что он исчерпал свое здоровье (или срок полезного использования) [x]. В этом случае определение степени повреждения (и неизлечимых состояний) будет идеальным показателем целостности оборудования.

Когда проблема больше связана с прогнозированием замены оборудования или компонентов, можно прибегнуть к вычислению расстояния от фактического состояния до полного истощения (или окончания срока службы), также известному как оставшийся срок полезного использования (RUL). RUL обычно измеряется как время до события, например, дни до замены или циклы до истощения. Несмотря на то, что они коррелируют со статусом состояния, RUL менее полезны в качестве показателя целостности и более подходят в качестве прогностического инструмента. Как следствие, это идеальное решение для случаев сокращения времени простоя. Вот почему они все чаще применяются для оптимизации графика технического обслуживания.

Теперь, когда вы лучше знакомы с бизнес-средой и доступными подходами, следующим этапом будет использование характеристик данных для выбора наиболее подходящих платформ и разработки целевой метрики. Я раскрою эти темы в следующей статье.

Подведение итогов

Машинное обучение на основе прогнозного обслуживания помогает капиталоемким отраслям контролировать затраты и повышать конкурентоспособность. Хотя такие модели в значительной степени зависят от качества данных, извлечение конкретных бизнес-ценностей будет в основном зависеть от успешных стратегий формирования. Секрет заключается в том, чтобы гарантировать, что ваш подход соответствует вашим характеристикам данных и в основном соответствует вашим бизнес-требованиям. Выполнение вышеперечисленных процедур не только улучшит технические характеристики вашей модели, но и значительно повысит ее влияние на бизнес. В следующей статье мы рассмотрим, как характеристики данных влияют на выбор возможных подходов и как мы можем использовать их вместе с бизнес-знаниями для характеристики показателей и моделей.