Loading...
APM'21 Conference
29.11.21 - 31.12.21

Оптимизация предприятия на основе данных и искусственного интеллекта

Данную тему поднимал в своей презентации менеджер по технологиям Питер Босманс (Peter Bosmans) и Педро Дурлингер (Pedro Durlinger) из Sitech Services, которая имеет десятилетний опыт технического обслуживания 30+ заводов и более 5 лет опыта работы с Индустрией 4.0.
Питер Босманс знакомит с основными ежедневными задачами их клиентов (см. рис. 1) и в тоже время говорит про преимущества, которые обусловлены искусственным интеллектом, такие как:
Уменьшение затрат на техническое обслуживание на (15-50)%;
Снижение эксплуатационных расходов на (10-20)%;
Повышение производительности и ОEE до 15%.
Рисунок 1. Ежедневные задачи для клиентов Sitech Services
Также довольно детально описывает методологию (см. рис. 2), которая состоит из:
Связь информации, событий и телеметрии;
Очистка данных;
Очистка по событию;
Очистка на основе дисперсии;
Особенности и взаимодействия;
Моделирование, более крупный поиск по сетке;
Проверка модели;
Выбор модели;
Развертывание моделей: контейнеры функций Azure.
Рисунок 2. Методология UltraGrid
Как примеры, Питер Босманс показывает два кейса по техническому обслуживанию:
Профилактическое техническое обслуживание (Predictive maintenance) электродвигателя, где в одной из обмоток электродвигателя обнаружена проблема ещё до выхода оборудования из строя.
1
Рисунок 3. Профилактическое техническое обслуживание на базе электродвигателя
Предупредительное техническое обслуживание (Prescriptive maintenance) теплообменника (ТО), в котором после очистки ТО видно изменение его поведения. Именно по изменению соотношения между давлением и расходом можно определить, что ТО неисправен.
2
Рисунок 4. Предупредительное техническое обслуживание на базе ТО
Питер Босманс заметил, что перед традиционной очисткой ТО поток уменьшился, а давление повысилось. В то время, как после очищения мы получили больший поток и меньшую разность давления на ТО.
Рисунок 5. Массив данных по потоку и разностью давления в ТО
Если увеличивать давление/поток над ТО в течение определенного периода (даже выше запроектированных пределов), то работа ТО становится более эффективной, поскольку при меньшей разности давлений возможен больший поток.
Рисунок 6. Массив данных по потоку и разностью давления в ТО
Проанализировав данные, Питер Босманс выдвинул гипотезу про то, что если увеличить давление и поток через ТО, будет ли он работать лучше? После чего был проведен эксперимент, где один раз полностью продули ТО (при максимальном давлении, максимальном расходе на проектных пределах). Далее произошло то, что эта очистка «в процессе» имела тот же эффект, что и традиционная очистка: больше потока и меньшая разность давления.
Рисунок 7. Массив данных по ТО в период с 06.2019 по 06.2021
Таким образом, можно сделать вывод о том, что гипотеза, основанная именно на анализе данных, подтверждена, и традиционная очистка ТО больше не требуется. В результате ежегодная экономия составляет 10 тыс. евро на теплообмен.
В подтверждении Питер Босманс приводит бизнес-кейс, где показывает следующие значения:
Средние расходы на восстановление ТО, включая человеко-час (на ТО, каждые 3 года): 20 000 евро;
Производственные потери на материалы (на ТО за 3 года): 18 000 евро;
Производственные потери на человеко-часов (на ТО за 3 года): 3 500 евро.
Общая средняя стоимость очистки составляет около 41500 евро за ТО на 3 года.
Теперь эта очистка заменена решением для мониторинга анализа данных. Стоимость: 3500 евро за ТО в год.
Комментарий Максима Тютюнника
Peter Bosmans из Sitech Services поднимает актуальные проблемы заказчиков, характерные и для отечественных предприятий - простои, необработанные данные, потеря квалифицированного персонала из технической службы вследствие большого числа не творческих работ. В описанных примерах использования ИИ - анализ тока электродвигателя и увеличение интервала мойки теплообменника впечатляет объем переработанных данных. Повышение потока в любом пластинчатом теплообменнике действительно снижает отложения, но вызывает вопросы к правильности выбора теплообменника для конкретного приложения.
В любом случае, применение ИИ в промышленности, для обработки массивов данных, уже вышло на уровень проверенной и доступной технологии.
Olena Nekrashevich
Старший преподаватель кафедры АТЭП, КПИ им. Игоря Сикорского, член технического комитета ТК 185 «Промышленная автоматизация» и эксперт стандарта ISO 22400 проекта aCampus (Awarainess CAMPaign to better Use of Standards).