Например, опреде‑ лять вероятность выхода из строя аг‑ регатов и прогнозировать

Предиктивная (предсказательная, прогнозная) аналитика – зачем она нужна? Какие задачи решает? Какое место занимает в современной кон‑ цепции «Индустрия 4.0»? Итак, по по‑ рядку: предиктивная аналитика (англ. predictive analytics) – класс методов анализа данных, решающий задачи прогнозирования будущего поведе‑ ния объектов в целях принятия опти‑ мальных решений. На рис. 1 представлена диаграм‑ ма этапов развития на пути к «циф‑ ровой зрелости». На самом деле, 90% отечественных предприятий сейчас находятся на 2‑м этапе реализации – «Связанность», то есть готовят систе‑ мы и платформы по цифровизации доступных ресурсов и процессов. Но даже на этом этапе уже необходимо заглядывать в будущее, иначе можно столкнуться с непреодолимыми пре‑ пятствиями на дальнейших стадиях. Например, выбранная система мони‑ торинга и сбора данных со станочного оборудования может не иметь возмож‑ ности собирать данные с тактом менее 5–10 секунд. Этого достаточно для мониторинга бизнес-статусов, но уже недостаточно для технической диаг‑ ностики и предиктивной аналитики, так как процессы на станках имеют очень высокую скорость развития. Этапы 3 и 4 реализуются продукта‑ ми классов ERP/PLM/MES, то есть производят функции визуализации, анализа, управления и планирования. А вот на 5‑м этапе как раз и находится предиктивный анализ. Важно уточ‑ нить, что подход в рамках самого ана‑ лиза как такового не изменяется при решении задачи предиктивной ана‑ литики станка или, например, насоса. Основная задача такой системы – не только констатировать факты и вести «пожизненный» учет, но и загляды‑ вать в будущее. Например, опреде‑ лять вероятность выхода из строя аг‑ регатов и прогнозировать остаточное время работы этого агрегата, для того чтобы службы эксплуатации имели возможность заблаговременно спла‑ нировать соответствующий ремонт. Давайте теперь посмотрим, что необходимо для того, чтобы такая система смогла существовать у вас на предприятии (рис. 2). На первом уровне необходимо внедрить систему сбора данных с су‑ ществующих источников как на самом станке, так и в его окружении (ведь на состояние оборудования влияют не только, к примеру, внешние тем‑ пература и влажность, но и состояние соседних станков). Для этого можно использовать штатные источники дан‑ ных, а также дооснастить станки «ум‑ ными» датчиками, которые имеют все необходимые интерфейсы и аппарат‑ ную часть для генера