Предиктивный мониторинг можно смело назвать одним из главных трендов промышленности последних 10 лет. Чаще всего под предиктивным мониторингом подразумевается такой вид анализа, когда на основе уже собранных данных специальные модели (чаще всего математические) строят прогнозы: когда узел станка "А" придёт в негодность? И возникающий из этого вопрос: как "вытащить" из него побольше ресурса?
В последние несколько лет с развитием искусственного интеллекта, вопросы о "предсказании" состояния оборудования выходят на новый виток. Некоторым кажется, что волшебная серверная стойка решит все вопросы и наконец-то скажет, когда же пора менять этот подшипник. Однако, как и в любом вопросе, предиктивное обслуживание (она же предиктивная аналитика состояния) имеет множество нюансов, в которых необходимо разбираться.
А зачем вообще мониторить?
Ведь в целом календарное планирование замечательно справляется со своей функцией: менять расходники примерно в срок, когда их состояние начинает ухудшаться для неприемлемого для нас уровня. Такой вид обслуживания крайне знаком всем, кто хоть немного работал в промышленности: календарный план, наработка в моточасах, чёткий срок эксплуатации. Главная проблема такого обслуживания заключается в том, что оно рассчитано на "средний агрегатный узел работающий в средних климатических условиях среднее время в сутках в среднем режиме нагрузки". Как известно из поговорки про голубцы, среднее не всегда отражает суть объекта.
Так, например, если на предприятии исторически сложилась высокая культура труда: в цехах чисто, всегда поддерживается необходимый температурный режим и закупаются оригинальные расходные материалы, то порой некоторые узлы, которые по объективному техническому состоянию еще имеют 15-20% запаса безопасного ресурса нещадно отправляются под замену "потому что регламент". И также встречается обратная ситуация: когда в условиях окружающей среды узлы отрабатывают на 10-20-30% меньше положенного, из-за чего регламентное обслуживание запаздывает, приводя к критическим сбоям на производстве.
Из этого можно выделить первую цель мониторинга как такового:
Мониторинг узлов позволяет "говорить" с оборудованием на его языке. Языке объективного износа и структурной устойчивости компонента.
А нет ничего более ценного на планете Земля, чем разговор с кем-то (или даже чем-то) на его языке.
Брак по расчёту
Если мониторинг более-менее понятен как сущность и происходит в том или ином виде на большинстве предприятий, то его надстройка, предиктивная аналитика, до сих покрыта мистическим туманом. Мнения здесь обычно разнятся от "наш механик знает лучше ваших цифр и формул" до "искусственный интеллект способен предсказать износ с точностью до часа".
Исследование 2024 года показало довольно интересную картину. 345 респондентов из промышленности были опрошены на тему "Как бы Вы охарактеризовали свою стратегию обслуживанию оборудования?".
- Всего 1% опрошенных охарактеризовал свою стратегию как реактивную. Лучше всего её описывает известный на постсоветском пространстве афоризм "когда убьют, тогда и приходите". На самом деле, данный подход также имеет место быть в 2026. Если затраты на обслуживание/стоимость расходников сопоставимы или сильно выше стоимости оборудования, а косвенные убытки от поломки и остановки - низкие, то нет никакого смысла обслуживать узлы до того, как они сломаются.
- 18% охарактеризовали стратегию как календарную. То есть каждый квартал, бригада механиков и электромонтёров проходится по оборудования, заменяя всё то, что должно было быть заменено согласно регламенту со средними значениями.
- 41% (наибольшая доля) была отдана т.н. оперативной стратегии. Это является переходным звеном между календарным и настоящим предиктивным обслуживанием. Такая стратегия основывается, в массе своей, на эмпирических признаках поломок, которые замечают опытные сотрудники. "Как-то неровно работает, надо подшипник проверить, наверное износился" – яркий пример такого рода стратегии. Его главным недостатком является почти полная зависимость от человеческого ресурса предприятия, а также невозможность масштабирования. Опытный механик может обойти 1,2,5,10 машин за смену. Но если масштаб предприятия огромный, то такой метод не сможет обеспечить необходимую эффективность. К тому же, при выбывании ценного сотрудника (больничный/отпуск/пенсия), предприятие остаётся фактически "слепым" к состоянию оборудования, переходя к более простым календарным стратегиям.
- 24% обозначили свою стратегию как проактивную. Фактически, это является усовершенствованным видом оперативной стратегии. Главным отличием является то, что данные для анализа собираются в автоматическом режиме, после чего тот же механик/электрик анализирует их и делает заключение об оставшемся ресурсе узла. Такое обслуживание позволяет охватить большее количество оборудования, но все расчёты и анализ в конечном итоге всё равно выполняет человек.
- 15% респондентов придерживаются полноценной предиктивной стратегии обслуживания. Помимо сбора текущих значений, она также включает большой пласт исторических данных, на которых обучаются модели. Чаще всего это AI/ML-модели на базе open-source решений. Изучая закономерности работы конкретной единицы оборудования, становится возможным найти реальный средний срок службы. Это даёт возможность устранить зависимость предприятия от опыта и "чувств" отдельных специалистов. Анализ данных и выводы о текущем состоянии лежат на математических и лингвистических моделях. Но финальное заключение о состоянии узла всё равно должно приниматься человеком, по крайней мере до той стадии, пока предиктивная модель не докажет свою эффективность.
Можно сказать, что 85% опрошенных в той или иной степени, в обслуживании оборудования опираются на человеческий фактор.
Нельзя назвать это недостатком: мы знаем больше, чем можем сказать. И на уровне оборудования это работает точно так же. Видя работу оборудования, человек исходя из своего опыта, который очень сложно формализовать, может принять решение, которое спасет заводу миллионы. Но зависимость от таких специалистов может оказаться критической: уходя с предприятия, человек забирает весь бесценный опыт с собой, оставляя производство один-на-один с оборудованием.
Таким образом наиболее правильным на этапе внедрения представляется цепочка "объект -> датчик -> система сбора данных -> модель -> решение модели -> человек -> решение". По мере "обкатки" системы принятия решений, можно будет переводить всё большее количество решений по объектам в автоматический режим
Даниил Шубин
Infinity Labs