Надёжная КнигаНадёжность — новости
Предиктивное ТО · Мир

Как более качественные данные могут повысить надёжность прогнозов затрат на остановочные ремонты

Оригинальное название: How Better Data Can Support More Reliable Turnaround Cost Predictions

Публикация рассматривает применение машинного обучения для прогнозирования фактической стоимости проектов Turnaround and Inspection на примере данных за четыре года по 14 нефтегазовым объектам. Нейросеть MLP с семью входами показала R² 0.866241 в исследуемом наборе, однако разрыв между тестовым RMSE 149.629 и обучающим RMSE 56.094 подчёркивает необходимость независимой проверки. Авторы предлагают использовать прогноз как контрольное значение наряду с традиционной сметой, опираясь на качество данных, сравнение простых и сложных моделей, анализ ошибок, прослеживаемость и сохранение экспертного решения.

Редакционный пересказ: Reliability.newsИсточник: ReliableАвтор оригинала: Mohammed Alotaibi

Авторы указывают, что сметы затрат определяют решения задолго до начала остановки: от финансирования и контрактования до планов по персоналу, готовности материалов и сроков работ, способных повлиять на весь объект. В проектах Turnaround and Inspection (T&I) задача особенно сложна: в коротком окне исполнения могут возникать результаты инспекций, изменения объёма работ и ресурсные ограничения, которые трудно учесть на основе одного допущения. В статье говорится, что машинное обучение (ML) способно анализировать несколько переменных одновременно и выявлять закономерности, неочевидные для традиционного сметного подхода. Его назначение — не заменить руководителей объектов, сметчиков и проектные команды, а дать им дополнительную опору на данные до окончательного утверждения бюджета или плана остановки.

Практический пример основан на данных за четыре года по 14 нефтегазовым объектам. Записи содержали подразделение, тип оборудования, плановую стоимость, плановую и фактическую продолжительность, центр затрат и год; целевой переменной стала Total Actual Cost. Хотя исходные данные относятся к одной операционной среде, материал подчёркивает более общую проблему: организации часто располагают многолетней историей завершённых проектов, но не всегда превращают её в инструмент для будущих решений. Диапазон плановой стоимости составлял от 0 до 15,370,198, фактической — от 0 до 1,717,027. Средняя плановая продолжительность равнялась 355.2 дня, фактическая — 56.7 дня. В наборе присутствовали нулевые фактические затраты и даже отрицательная продолжительность. По мнению автора, это показывает, что качество данных — не отдельная ИТ-задача, а часть самой задачи прогнозирования.

Начинать инициативу следует с решения, которое она должна поддерживать, а не с выбора алгоритма. Для модели затрат T&I целью может быть ожидаемая фактическая стоимость на конкретной стадии планирования. Команда должна определить, какие сведения действительно доступны в этот момент, какая ошибка прогноза приемлема и какие действия последуют, если модель заметно разойдётся с обычной сметой. Такой подход не позволяет создать модель, которая хорошо выглядит в исследовании, но использует информацию, отсутствующую в реальной точке принятия решения. Модель должна отвечать на вопрос планирования, а не просто демонстрировать технически высокий результат.

Для надёжного набора данных завершённые проекты необходимо собирать по единым определениям. Минимальный состав полей может включать актив или тип оборудования, плановую стоимость, плановую продолжительность, организационную область, центр затрат и год. При наличии данных полезны также возраст оборудования, трудозатраты, объёмы материалов, рост объёма работ, состав подрядчиков, сроки закупок, работы, выявленные в ходе исполнения, и изменения графика. Очистку данных следует документировать: пропуски, необъяснённые нулевые затраты, несогласованные даты и выбросы требуют сверки с первичными записями. Аномалия может означать ошибку, отменённый объём работ либо законный исключительный проект, и эти варианты имеют разные последствия. Удаление необычных значений лишь потому, что они осложняют обучение, способно сделать данные чище, но инструмент планирования — менее реалистичным.

В исследовании сопоставлялись Multiple Linear Regression (MLR), Support Vector Machines (SVM) и нейросеть Multilayer Perceptron (MLP). Авторы рекомендуют сначала применять простую базовую модель: усложнение оправдано только тогда, когда оно заметно улучшает результаты на ранее не использованных данных. Иначе более простой метод может быть легче объяснять, контролировать и сопровождать. Выбранная MLP предназначена для улавливания нелинейных взаимосвязей между несколькими входами — это важно, когда ни одна переменная сама по себе не объясняет стоимость достаточно хорошо, но их сочетания содержат полезную информацию. Модель использовала семь входов, масштабирование и слои перцептронов для прогноза Total Actual Cost.

Отдельные связи с фактической стоимостью в рассматриваемом наборе были в целом слабыми. Корреляция плановой стоимости с фактической стоимостью составила 0.106, плановой продолжительности — 0.268, фактической продолжительности — 0.236; тип оборудования также имел лишь ограниченную связь. Широкий разброс фактических затрат при похожих плановых затратах или длительности предостерегает от использования одного показателя как упрощённого прогнозного ориентира. Вместе с тем базовые графики до обучения модели позволяют увидеть выбросы, неожиданные кластеры и слабые места в сметных предположениях, а также определить, какие дополнительные переменные стоит собирать в будущих проектах.

Данные были разделены на обучающую, валидационную и тестовую части в пропорции 80-10-10. Обучающая выборка использовалась для подгонки модели, валидационная — для выбора и настройки, тестовая — для независимой проверки. Такое разделение необходимо, поскольку модель может хорошо усвоить исторические записи, но плохо предсказывать следующий проект. Статья рассматривает несколько метрик: Mean Squared Error (MSE), усиливающую влияние крупных ошибок; Root Mean Squared Error (RMSE), выражающую ошибку в исходном масштабе; Mean Absolute Error (MAE), показывающую среднюю абсолютную разницу прогноза и результата; и коэффициент детерминации R², отражающий долю объяснённой вариации. Ни одну метрику не следует считать исчерпывающим вердиктом.

Нейросеть обучалась квазиньютоновским методом 27 эпох. Заявленная ошибка обучения снизилась с 5.8847 до 0.0721, ошибка отбора — с 1.9593 до 0.6143. Сообщённое R² составило 0.866241, то есть выбранные входные данные объяснили около 86.6% вариации фактической стоимости в исследуемом наборе. Однако автор предостерегает от трактовки результата как доказательства универсальной точности. Тестовый RMSE равнялся 149.629 против 56.094 на обучении, а на графике соответствия фактических и прогнозных значений более дорогие наблюдения демонстрировали больший разброс. Это подтверждает принцип: важнее не качество подгонки к историческим данным, а работа на проектах, которых модель не видела при обучении.

Наиболее полезное внедрение прогноза — не автоматическое одобрение бюджета, а его использование рядом с традиционной сметой как контрольного или проверочного значения. Если расхождение превышает установленный порог, команда может пересмотреть предположения: необычен ли объём работ, изменились ли рыночные условия относительно исторического периода, отсутствует ли важная информация и не упустила ли традиционная оценка регулярно повторяющуюся закономерность. После каждого завершённого T&I организация может сопоставлять прогноз и факт, фиксировать причины крупных отклонений и решать, какие новые переменные следует собирать. Так набор данных становится не только больше, но и полезнее.

Для организаций по управлению объектами основным эффектом может быть не единичное процентное улучшение точности, а повышение согласованности оценок. Документированная модель даёт командам общую точку отсчёта, а расхождение с обычной сметой создаёт формализованный повод проверить допущения. Это особенно актуально в портфелях, где знания распределены между планировщиками, специалистами по ТОиР, проектными инженерами, подрядчиками и финансовыми подразделениями. Прогноз становится инструментом обсуждения: он показывает, где опыт согласуется с историческими данными, а где до выделения ресурсов нужно дополнительное изучение.

В числе пяти практик для команд названы: считать качество данных операционной ответственностью, при которой команды объектов и проектов отвечают за смысл полей стоимости, длительности и объёма работ, а специалисты по данным поддерживают структуру и контроль; использовать базовый метод до усложнения; сегментировать ошибки, поскольку общая портфельная оценка может скрывать слабые результаты для дорогостоящих остановок, отдельных классов активов или объектов; обеспечивать прослеживаемость, фиксируя версию модели, период обучения, переменные, исключения, показатели и связанное с прогнозом человеческое решение; а также проверять модель на других объектах, типах проектов, регионах и экономических условиях до масштабирования. Итоговый вывод статьи состоит в том, что ценность ML для планирования T&I появляется при дисциплинированных данных и ясной управленческой цели. Нейросеть может находить полезные многомерные закономерности даже при слабых корреляциях отдельных факторов, но более высокие ошибки на новых данных напоминают об ограничениях любого прогноза. Переносимый урок — выстроить повторяемый процесс: определить решение, улучшить исторические записи, сравнить методы, независимо протестировать результат, изучать ошибки и сохранять профессиональный контроль.

Открыть оригинал ↗