МИТИОГЛО | Предиктивное обслуживание оборудования: зарубежный и отечественный опыт

Мировой объем рынка систем предиктивного обслуживания стремительно растет. В 2020 году этот объем оценивался в 4,5 млрд долларов, а по прогнозам к 2030 году может составить уже 64 млрд долларов. Это впечатляющие цифры, которые показывают, что многим компаниям найдется свое место в этой сфере с внушительными объемами продаж. Вполне закономерно, что на Западе существует практически 2 тысячи различных стартапов, так или иначе связанных с предиктивной аналитикой. В то же время в России количество подобных стартапов – единицы. Рынок промышленного IoT (интернет вещей) достигает лишь 0,2 % от мирового, а потенциал его в разы больше – до 10 %. Совокупные инвестиции российских компаний за весь период в разработки систем PdM (системы управления данными об изделии) не превышают уровня $100 млн. Это меньше, чем инвестиции даже одной зарубежной компании ABB (шведско-швейцарская транснациональная корпорация, специализирующаяся в области энергетического машиностроения). До 2022 года российские производственные компании покупали решения Bentley, Nevada, AVEVA, CISCO, Siemens и другие, не вкладываясь в отечественные системы. После 2022 года производственные компании в авральном режиме начали искать сопоставимые отечественные решения, но это оказалось весьма трудной задачей, подходящих решений на рынке практически не было. Одной из главных причин оказалась разница нашего отечественного подхода и подходов в других технологически развитых странах.

Митиогло Алексей Михайлович

Статья написана Митиогло Алексеем Михайловичем — специалистом по предиктивной аналитике данных, членом рабочей группы, занимающейся стандартизацией применения технологий искусственного интеллекта в промышленности. Он является директором ООО «Предикта», команды профессионалов с пятнадцатилетним опытом в создании киберфизических систем и реализации сложных проектов.

Подходы к развитию систем предиктивного обслуживания

Западная модель – бизнес запускает развитие «снизу»

На Западе технологические лидеры задают глобальный тренд, основанный на исследованиях в области «прорывных» решений науки и технологий, которые будут доступны в ближайшей перспективе (5-6 лет). Инвесторы вкладываются в перспективные стартапы или разработки крупных компаний, тем самым создаются новые и конкурентоспособные продукты в рыночной среде. Как и разработчики продуктов, так и инвесторы заинтересованы в развитии предлагаемых решений, ведь быстрое занятие доли на растущем рынке несет существенную выгоду. При этом компании из одной отрасли зачастую на добровольной основе объединяют усилия для разработки новых базовых технологий для сохранения конкурентоспособности отрасли и каждой компании в отдельности на мировом рынке.

Китайская модель – государство запускает развитие «сверху»

В Китае государство играет значительную роль в развитии современных и прорывных технологий. Например, в 2021 году государство обязало 100 крупнейших фабрик (корпораций) внедрить технологии 5G на своих производствах. Китай выбрал для страны стандарт 5G, как технологическую платформу IoT, где он будет одним из ведущих игроков и независимым от западных игроков. Это безусловно запустило сквозные проекты по всей цепочке создания собственного «зрелого» продукта от ЭКБ и создания периферийных IoT-устройств на основе 5G до агрегирующих сервисов на основе этой технологии.

Российская модель – «по щучьему велению, по моему хотению»

В России, к сожалению, бизнес не готов к крупным инвестициям в значимые НИОКРы в области PdM (даже в зрелые стартапы), но при этом ждет готовых цифровых продуктов. Государство при этом генерирует различные стратегии по цифровой трансформации и прочие документы, а также предоставляет определенные субсидии, но зачастую это просто «капля в море», ведь на создание зрелого и сложного продукта нужны крупные финансы. Таким образом на рынке формируется «зоопарк» сырых локальных решений, неспособных запустить системное развитие сквозных технологий.

Проблемы развития систем PdM на уровне предприятий

Другой проблемой на пути развития отечественной предиктивной аналитики является практически тотальная неготовность наших предприятий к внедрению систем предиктивной аналитики. Не отсутствие желания и намерений, а именно неготовность, выраженная в следующих аспектах:

• Отсутствие четких требований к системе PdM и как она будет использоваться в бизнес-процессах ТОиР (техническое обслуживание и ремонт). Разные требования к системе на уровне разных специалистов на одном предприятии – нет консенсуса по одному и тому же вопросу, нет одного окна для решения всех вопросов;
• Завышенные ожидания, что система PdM решит все вопросы без усилий и участия со стороны Заказчика;
• Нет понимания того, что система PdM это не коробочное решение, а динамичная технология, которая требует постоянного развития, обучения и настройки;
• Пилотные версии программного обеспечения для Заказчика выпускаются ради пилотов. Даже успешные пилоты не имеют продолжения. Пилот в одной компании группы не имеет никакого значения для другого предприятия этой же группы компаний;
• Часто ключевым критерием является какие-то специальные технические требования, а не функциональность и стоимость. Например, одним нужна поддержка LoRaWAN, другим Nb-IoT/GSM, третьим Zigbee и т.д. Нет понимания общей картины, есть зацикленность на деталях;
• Мнимая критичность некритичных данных. Невозможность получения данных от Заказчика о работе агрегата для настройки системы даже на пилотных проектах – только разворачивание системы на сервере предприятия.

Из описанных пунктов видно, что отсутствует системный подход к внедрению предиктивной аналитики. А именно системность подхода и дает максимальную эффективность, когда все детали проекта складываются словно из паззла в одну общую картину. Каким образом происходит разворачивание системы предиктивной аналитики. Рассмотрим, к сожалению, на иностранных, а не отечественных успешных примерах внедрения. Основные шаги:

1. Разрабатывается инженерный проект. Идет обследование площадки и создание инженерного проекта с выработкой индивидуализированной архитектуры. На этом этапе крайне важным является согласование подхода и после его утверждения - заключение прямого контракта под масштабирование. Без пилотов, без тендерных процедур, без дополнительных требований со стороны подразделений, которые не являются заказчиком системы.
2. Осуществляется дооснащение систем нижнего уровня. Проводится обвязка оборудования необходимыми датчиками и установка систем диагностики и анализа данных. Этот пункт является одним из самых важных в проекте, далее будет приведено объяснение.
3. Начинается сбор и накопление статистики. Организуется хранение массива исторических данных с полевых систем.
4. Создается математическая модель процессов, а на ее основе разворачивание диагностического аппарата с выдачей прогнозов на основе экспертного мнения.
5. Только после этого идет внедрение ML (машинного обучения). Несмотря на все разговоры о том, что машинное обучение может решить любые проблемы, создание автоматизированного прогностического сервиса с машинным обучением происходит только после того, как уже налажена основная система предиктивной аналитики. Машинное обучение в этом случае гармонично дополняет созданную математическую модель и выявляет новые закономерности в правильно собранных качественных данных.
6. Идет работа предписывающего сервиса в штатном режиме. Происходит создание единого пространства оперативного контура планирования и реализации сервисных стратегий.

Важность грамотной установки необходимых датчиков на оборудовании и корректного сбора данных

Каким образом опытный специалист определяет причину поломки оборудования и предсказывает заранее его выход из строя? Все дело в накопленном объеме информации о работе этого оборудования. Когда грамотный инженер или механик проводит несколько лет, а то и десятилетий на предприятии, он знает все шумы вокруг наизусть. И это уже не интуиция, а именно знания. Именно поэтому так сложно вырастить этих специалистов, даже хорошее образование требует долгого опыта работы непосредственно на производственной площадке. А если учесть, что и математическая модель предиктивной аналитики, и модель машинного обучения также требует этих накопленных знаний для хорошей работы, то очевидным становится вопрос корректной установки соответствующих датчиков. Модель предиктивной аналитики должна также «наизусть» знать абсолютно все узлы оборудования. И так как тут работает уже не механик и не инженер, то для модели необходимы датчики, снимающие эту информацию. Основным моментом здесь является то, что нужно снимать с оборудования только лишь необходимую информацию в определенном количестве. Этот баланс тяжело, но реально настроить, когда вся необходимая информация регулярно и своевременно приходит в систему, но при этом система не перегружается информационным потоком об абсолютно неважных аспектах работы оборудования. Очевидно, что это работа не только программистов. Тут, как и при обучении новичков на предприятии, опытный специалист должен передать свои знания, только уже не человеку, а цифровой системе. Именно технический специалист знает, каким образом поставить датчики, как они должны работать, какую информацию собирать, какие условия окружающей среды могут мешать датчикам. А дальше уже правильно настроенная система с достаточным объемом данных сможет выдавать прогнозы о работе оборудования не хуже, чем человек.

Перспективы стратегического партнерства в области предиктивной аналитики

Стратегическое партнерство в проведении НИОКР может быть очень выгодным. Например, в свое время пять крупнейших немецких производителей автомобилей договорились и сделали совместный заказ в компанию KUKA (немецкий производитель промышленных роботов) на разработку 20-ти координатного робота с определенными характеристиками и требуемой конечной ценой изделия. Стоимость разработки робота составляла 100 млн евро. Вместо того, чтобы каждому искать «своего» разработчика и платить каждому по 100 млн евро, компании решили «сброситься» по 20 млн евро на базу – самого робота. Каждый получил нужного (по сути, одинакового по его возможным функциям) робота за цену в 5 раз меньше и экономию на будущей техподдержке, так как решение универсально. Затем, каждое предприятие просто «написало» для этого робота программу исходя из специфики своего производства. В результате такого рода стратегических партнерств появляется ряд важных преимуществ:

• Поддерживается здоровая конкуренция на управленческих технологиях, использующих универсальные «зрелые», динамично развивающиеся цифровые инструменты. Исключается хаос в развитии, когда миллионы и миллиарды уходят впустую, финансы идут на конкретное развитие технологий;
• Предлагается минимальная цена оборудования и сервиса, за счет унификации и больших объемов производства, ведь одно дело содержать команду разработчиков в одиночку, другое – поделить расходы на всех;
• Происходит непрерывное улучшение продукта за счет обратной связи от разных пользователей и оперативное реагирование на внешние угрозы;
• Высокая выживаемость компании-разработчика на весь жизненный цикл продукта, за счет объемов. Компания не будет фирмой-однодневкой, испарившись за пару дней в сложной ситуации.

При благоприятном развитии событий, в сфере предиктивной аналитики также может развиваться стратегическое партнерство на платформе компаний, производящих датчики для оборудования. В этом случае датчики будут стоить не так дорого, так как производственные партии будут уже достаточно крупными, также датчики будут постоянно совершенствоваться и подстраиваться в плане необходимой точности под конкретные нужды заказчиков. А дальше каждый производитель программного обеспечения уже сможет создать свою систему предиктивной аналитики, по максимуму используя свои компетенции в этой области.

Основные выводы

На данный момент рынок предиктивной аналитики в России находится на ранней стадии развития. Нет как крупных частных инвестиций, так и всесторонней государственной поддержки. Тем не менее, у руководства производственных компаний растет понимание важности этой технологии, значит развитие предиктивной аналитики можно ожидать в любом случае. На данном этапе важно отметить ключевую роль качества собираемой информации об оборудовании для создания моделей предиктивной аналитики. При правильно организованном подходе к сбору информации модели предиктивной аналитики смогут выдавать прогнозы не хуже профильных опытных специалистов, особенно при грамотном дополнении систем возможностями машинного обучения.

Автор: Митиогло Алексей Михайлович