Что такое предиктивное техническое обслуживание?
Оригинальное название: What is Predictive Maintenance?
Статья разграничивает предиктивное и обслуживание по состоянию: оба подхода относятся к профилактическому обслуживанию, так как применяются до отказа, однако предиктивный подход, по мнению автора, предполагает использование модели на основе машинного обучения или искусственного интеллекта. Такая модель объединяет данные мониторинга состояния с фактическими данными об отказах, чтобы оценить деградацию, вероятность отказа, остаточный срок работы и момент требуемого вмешательства. Автор рекомендует не начинать развитие программы профилактического обслуживания с дорогостоящих предиктивных решений: сначала следует выстроить базовые практики, процессы исполнения, планирования и диспетчеризации работ.
В статье говорится, что термин predictive maintenance нередко используют как синоним condition-based maintenance, однако автор считает это неверным в современных условиях. Развитие искусственного интеллекта, машинного обучения и удешевление датчиков, по его мнению, создали ясное различие между этими подходами. Предиктивное обслуживание отнесено к профилактическому, поскольку действия предпринимаются до наступления отказа. При этом оно описывается как более продвинутая форма обслуживания по состоянию: по разным параметрам процесса определяют, отклоняется ли оборудование от устойчивых рабочих условий, а развитые системы прогнозируют остаточный срок эксплуатации и время вмешательства.
Материал подчёркивает, что предиктивное обслуживание эффективно лишь при двух условиях: имеются разнообразные измерения, по которым можно судить о приближении отказа, и существует валидная модель для построения прогнозов. Технологическая база для таких практик заметно изменилась с 1990-х годов. С начала 1990-х скорость микропроцессоров выросла более чем в 10 000 раз, а стоимость почти всех типов датчиков значительно снизилась. Интернет стал массовым, облачные вычисления — нормой, а машинное обучение и искусственный интеллект за последнее десятилетие существенно продвинулись. В результате отрасль быстро движется к более широкому применению обслуживания по состоянию и предиктивного обслуживания.
Этот сдвиг технологий обеспечил развитие четвёртого поколения обслуживания. Но автор предупреждает, что многие предприятия по всему миру тратят ресурсы впустую, стремясь к практикам четвёртого поколения без выстроенной основы. Они пытаются перескочить от реактивного состояния первого поколения сразу к продвинутому предиктивному обслуживанию, расходуют сотни тысяч долларов на программное обеспечение и технологии, но получают мало улучшений надёжности либо не получают их вовсе.
Вместо этого, как указывают авторы, необходимо сформировать результативную и эффективную программу профилактического обслуживания. Она должна сочетать практики второго, третьего и затем четвёртого поколения. Одни виды отказов эффективно контролируются обслуживанием по времени, другим требуется обслуживание по состоянию, и лишь очень малая доля видов отказов способна дать экономическую выгоду от предиктивного обслуживания.
Мониторинг состояния назван важной частью предиктивного подхода. Собираемые при мониторинге данные дают сведения о текущем и историческом состоянии предприятия и оборудования. В предиктивном обслуживании эти данные соединяют с фактическими данными об отказах, создавая модель деградации: она должна описывать, как оборудование может ухудшаться, когда оно может отказать и когда требуется вмешательство. Таким образом, ключевое отличие от обслуживания по состоянию состоит в наличии модели на базе машинного обучения или ИИ, которая предсказывает вероятность отказа и момент необходимых работ.
Обслуживание по состоянию автор представляет как трёхшаговый процесс: обнаружить, проанализировать и устранить. В предиктивном обслуживании появляется четвёртый этап — прогнозирование: результаты анализа экстраполируются для определения того, какое вмешательство требуется и когда его проводить. Именно модель машинного обучения или ИИ, которая отличает эти близкие подходы, делает внедрение предиктивного обслуживания сложным и дорогим. Для обучения модели нужен значительный массив данных об отказах; это не всегда возможно, а в отдельных случаях даже нежелательно. Разработка моделей также требует много времени, усилий и дорогостоящей экспертизы, поэтому она оправданна только в сложных или высокоценных применениях.
Хотя направление предиктивного обслуживания быстро развивается, автор советует не поддаваться маркетинговым заявлениям и сохранять фокус на фундаментальных основах качественного обслуживания. Для большинства активов предиктивный подход не должен быть ранним приоритетом. При создании или улучшении программы профилактического обслуживания не следует сразу приобретать предиктивные решения либо другое продвинутое ПО. Начинать предлагается с базовых мер для выхода из цикла реактивного обслуживания: выявить возрастные виды отказов и внедрить регламентные работы по времени, а также задачи поиска скрытых отказов — особенно для защитных функций.
Затем следует применять простые, но результативные практики обслуживания по состоянию для большинства видов отказов с постоянной интенсивностью отказов. Необходимо также обеспечить своевременное устранение выявленных проблем через действенный процесс исполнения обслуживания; без этого ценность обслуживания по состоянию реализовать не удастся. Для этого нужны надёжные процессы планирования и диспетчеризации. По мере развития программы можно использовать относительно низкую стоимость датчиков, получать больше оценок состояния, расширять отдачу от обслуживания по состоянию и, возможно, внедрять обслуживание на основе риска. Лишь после выполнения этих шагов, заключает автор, стоит изучать, добавит ли предиктивное обслуживание ценность бизнесу. Для большинства компаний оно должно быть одним из последних улучшений программы профилактического обслуживания.