В промышленности и энергетике задействовано дорогое и сложное оборудование. Чтобы избежать его поломок, простоев и неоптимального использования, применяют методы предиктивной аналитики — предсказание различных событий.
Такая аналитика основана на собранных больших данных и методах машинного обучения.
Покажем на реальных кейсах, как промышленные и энергетические компании используют предиктивную аналитику для экономии и оптимизации производства.
Предотвращение аварий и предиктивное обслуживание
С помощью предиктивной аналитики в промышленности можно предсказывать поломки и сбои в работе оборудования еще до того, как они произойдут: предупреждать о неправильной работе станков, строить графики ремонта и техобслуживания.
British Petroleum — энергетическая компания, которая работает в 72 странах мира. В нефтяных и газовых скважинах, на буровых установках и другом оборудовании этой компании стоят датчики, которые собирают информацию о температуре, вибрациях и других важных параметрах. Это помогает вовремя замечать малейшие изменения в работе сложного и дорогого оборудования и проводить ремонт еще до поломки. После внедрения системы надежность объектов разведки и добычи полезных ископаемых выросла с 88% до 95%. Кроме того, инвестиции в большие данные, в том числе в предиктивную аналитику, помогли компании сэкономить 7 миллиардов долларов с 2014 по 2017 год.
Предиктивная аналитика особенно хороша там, где есть сложное, но часто выходящее из строя оборудование. Например, на Череповецком металлургическом комбинате внедрили предиктивное обслуживание на конвейере горячей обработки металлических изделий. Модель выявляет вероятность перегрева подшипника шестеренных клетей — одну из наиболее частых и ресурсозатратных причин остановки агрегата. Это позволяет сократить простои линии.
Предиктивная аналитика в нефтяной промышленности пользуется большой популярностью. Американская корпорация General Electric Oil & Gas тоже использует датчики на нефтегазовом оборудовании. Они автоматически собирают данные, на основе которых аналитические системы составляют расписание диагностических проверок и планируют техобслуживание. Это помогает снижать время простоя, увеличить добычу ресурсов и избежать убытков, связанных с поломками и неэффективным использованием техники.
Есть примеры, связанные и с конкретными поломками. Например, у компании Duke Energy поломка оборудования однажды привела к ущербу в 10 млн долларов. После этого они внедрили систему мониторинга и нашли причину ошибки. А потом настроили систему предиктивной аналитики и стали предугадывать такие поломки. Например, заранее заметили вибрацию турбины, устранили проблему и сэкономили 4,1 млн долларов.
Оптимизация производства и добычи полезных ископаемых
С помощью предиктивной аналитики на основе датчиков можно строить модели станков и производства, оценивать эффект от внедрения новых станков и технологий, предугадывать брак и распределять нагрузку между станками.
Американская компания VELCO использует систему предиктивной аналитики в энергетике, чтобы прогнозировать спрос, и в зависимости от этого производить разное количество энергии под нужды потребителей. Кроме того, с помощью аналитики они планируют производство возобновляемой энергии, которая сильно зависит от погоды. Кстати, похожие решения есть у шведской Vattenfall и датской Ørsted.
С помощью собранных со станков данных также можно строить цифровых двойников: моделировать в виртуальном пространстве копию станка, цеха или всего завода, и потом использовать эту копию для тестирования инноваций. Если в двойнике все пройдет гладко, можно внедрять новшество и на реальном заводе.
К примеру, нефтедобывающая компания ADNOC с помощью цифрового двойника смогла собрать из 20 своих предприятий одно виртуальное «суперпредприятие» — диспетчерский пункт, который позволяет управлять всеми филиалами и стандартизировать производственные процессы.
Цифровые двойники для оптимизации создают и в России. Например, недавно их внедрил КАМАЗ — они смоделировали больше 1700 единиц оборудования, чтобы внимательнее изучить происходящие на производстве процессы, оптимизировать их и улучшить.
С помощью предиктивной аналитики в промышленности можно контролировать все производство. Например, производитель микроконтроллеров Simatic использует платформу на базе IoT и машинного обучения. Она помогает собирать и анализировать информацию с датчиков на оборудовании в реальном времени. Это помогло на 75% автоматизировать производство тысяч видов продукции, в 9 раз увеличить объем производства при тех же площадях и персонале и почти на 100% сократить брак.
Аналогичную IoT-платформу можно подключить в Mail.ru Cloud Solutions. Она позволяет собирать, обрабатывать и анализировать данные с миллионов любых устройств, использовать машинное обучение для прогнозирования работы оборудования и других задач.
Перспективы развития предиктивной аналитики в промышленности и других отраслях
В июле 2020 года эксперты оценивали мировой рынок предиктивной аналитики в 6,6 млрд долларов. Притом что общий рынок IIoT оценивается в 77,3 млрд. По прогнозам, к 2027 году рынок предиктивной аналитики вырастет до 22,2 млрд долларов, причем быстрее всего расти он будет не в США, а в Китае — там сейчас гораздо активнее используют и интернет вещей, и машинное обучение.
По данным Gartner, 24% организаций, использующих IoT-решения на производстве, уже внедрили цифровых двойников. Еще 42% планируют это сделать в течение трех лет. Технология сейчас востребована, и в перспективе будет становиться только популярнее.
Автор: Елена Шпрингер
Источник: https://mcs.mail.ru/blog/prediktivnaya-analitika-v-promyshlennosti-i-energetike
Читайте также статьи по теме:
Протоколы интернета вещей: как обмениваются данными IoT-устройства, серверы и пользовательские приложения
Цифровые двойники: как интернет вещей предотвращает аварии на производстве
Датчики в IoT: от термометров до умных устройств
