Публикации

В пресс-центр

«Прогноз погоды» на производстве

Как в нашем далеко не стабильном мире в целом, так и в бизнесе в частности многим предпринимателям хотелось бы обзавестись даром предвидения, чтобы предсказывать развитие событий. А пока в рядах промышленников не появились Нострадамусы нового времени, технологии неплохо заменяют провидцев прошлых столетий и здорово выручают производителей своими подсчетами. Как вы уже догадались, речь идет о прогнозной аналитике, демонстрирующей возможные исходы определенной деятельности. По мнению экспертов, машинное вычисление способно предотвратить большие денежные потери и уберечь от неосторожных и неверных управленческих решений. Но так ли идеальна система предиктивной аналитики и так ли неприхотлива? Подробнее о «строительных» данных анализа, прогнозах «по гарантии» и «приложенной руке» искусственного интеллекта ко всему этому в новом лонгриде «Умнпро».

О выполнимых задачах

Отметим, сам процесс прогнозного анализа включает в себя несколько этапов: постановку задачи для определения бизнес-целей проекта; сбор, анализ и подготовку данных; создание и внедрение прогнозной модели, обеспечивающей возможность получения прогнозных данных для принятия оперативных или управленческих решений в автоматизированном режиме. Для реализации задач предиктивной аналитики применяются различные подходы. Наиболее привычные и популярные — классическая математика и статистический анализ, считает руководитель по развитию решений в области анализа данных и машинного обучения NAUMEN Никита Кардашин. К примеру, для прогнозирования будущих значений определенной метрики (допустим, потребления электричества) применяется метод скользящей средней (Moving Average-MA). В более сложных случаях может использоваться экспоненциальное сглаживание, учитывающее сезонность — алгоритм Хольта-Винтерса, нейронные сети, случайные леса и многие другие.


— Безусловно, выбор методов существенно зависит от решаемой задачи, но в основном, сегодня применяются приемы прикладного статистического анализа и машинного обучения. С помощью математической статистики выполняется разведочный анализ и очистка данных, а также их визуализация. Непосредственно задача прогнозирования рассматривается как задача машинного обучения, когда применяемый алгоритм пытается выявить закономерности в прошлых данных, которые помогут ему предсказать будущее. Сама область машинного обучения охватывает широкий набор методов: от простейших линейных регрессионных моделей до сложных архитектур искусственных нейронных сетей, — отмечает директор по развитию в компании GoodsForecast Сергей Котик.


Сергей Котик,
директор по развитию в компании
GoodsForecast

— Применительно к проектированию и эксплуатации оборудования, прогнозная аналитика связана с математическими методами, среди которых можно выделить имитационное численное моделирование и машинное обучение. К имитационному моделированию относится трехмерное (3D) численное моделирование, которым наша компания занимается на уровне объектов, и 1D/0D системное моделирование. Эти технологии являются связанными, дополняющими друг друга и могут содержать расчетные элементы прогноза, позволяющие изучить, как поведет себя объект в различных сценариях «что, если». Методы машинного обучения используют накопленную статистику и отвечают на вопрос «Что произойдет дальше в зависимости от входных переменных?». Существует также еще один метод предсказания надежности оборудования во время его эксплуатации — это RCM-анализ, связанный с ТОиР. Данная технология основана на построении деревьев отказов и сбора статистики. Она позволяет смоделировать и сделать прогноз по надежности и выполнению ремонтно-восстановительных работ.

Важным аспектом является выполнение прогнозной аналитики в режиме, максимально близком к реальному времени. Ключевую роль здесь играет быстродействие. Ее могут обеспечить современные методы машинного обучения и нейронные сети, содержащие необходимые данные, а также облегченные численные 1D/0D-модели, которые можно конвертировать в специализированный FMU-стандарт или исполняемый C/ST-код, а затем записать на контроллер. Это позволит выполнять все заложенные в ней прогнозы в режиме именно реального времени, — соглашается с «коллегами по прогнозам» технический директор по направлению IoT и AR в компании «КАДФЕМ Си-Ай-Эс» Олег Маковельский.

При применении методов машинного обучения стоит учитывать, что существует некая матрица параметров, влияющая на ключевые моменты. Рассмотрим это на примере нефтеперерабатывающего завода. Допустим, нам нужно предсказать, сколько топлива будет потребляться на конкретной технологической установке через неделю, 2 дня или какой-либо другой временной промежуток. Чтобы рассчитать расход горючего, нужно понять несколько влияющих на это факторов: температура окружающей среды и поступающего сырья, давление, перепад температур и др.

— Строится такая модель, в которой есть управляющее воздействие (то, что влияет на расход топлива), и то, за чем мы следим — непосредственно само потребление. Далее модель обрабатывается алгоритмами машинного обучения. Это может быть линейная регрессия, логистическая регрессия или метод «случайный лес».

Все эти методы самообучаемые. Вы задаете им исходные данные, какой-то прогноз делается с ошибкой, потом берется фактическое потребление, и можно увидеть ошибку — дельту. Ее корректируют, и получается расчет. И так несколькими итерациями происходит дообучение модели. Чем больше исходных данных она в себя возьмет (именно входных, фактических), тем точнее будет прогноз. По прошествии времени она уже будет понимать: если температура пошла вверх на полградуса в интервале 5 минут, то, значит, в дальнейшем она будет расти с такой-то последовательностью. Это, в свою очередь, даст понимание того, на сколько нужно будет корректировать подачу топлива в печку. Таким образом происходит прогнозирование.

Всего методов очень много, у каждого есть плюсы и минусы. Если мы берем модель линейной регрессии, то она работает с непрерывными данными. Если нужно делать какие-то классификации, например, прогнозировать получение кредитов людьми в возрасте от 30 до 35 лет — это логистическая регрессия или ансамбли. А вот «случайный лес» и модель линейной регрессии применяются для непрерывного производства. Стоит отметить, что второй используется чаще, — рассказывает о методах руководитель по развитию программного продукта ООО «Наука» Эмиль Гасанов.


Эмиль Гасанов,
руководитель по развитию
программного продукта ООО «Наука»

Существует также несколько типов производств: дискретное, непрерывное, проектное и распределенное (смешанное). В каждом из них есть место для прогнозной аналитики, причем на разных уровнях: на уровне актива (прогноз поведения), производства, работы с заказчиком (прогноз спроса, количества комплектующих, запасных частей, материалов и пр.). В дискретном производстве прогнозная аналитика используется для проверки оборудования, поскольку для него наиболее характерны механические виды дефектов. Предиктивная аналитика вместе с классическими средствами диагностики позволяет дополнять потоковые данные моделями для расчета точки разрушения и выхода из строя отдельных его агрегатов, а также потери точности при обработке. Среди задач, которые она решает — прогнозирование износа инструмента, ухудшение геометрических характеристик, симулятор выполнения управляющих программ, прогнозирование спроса на конфигурации выпускаемых изделий.

О применимых областях

Наиболее востребованная область применения предиктивной аналитики в промышленности — прогнозирование параметров производственных процессов и функционирования оборудования, а также предиктивное обслуживание. В процессе планирования прогнозируется спрос, рассчитываются оптимальные уровни запаса готовой продукции, которые необходимо поддерживать, чтобы данный спрос удовлетворить, и строятся производственные планы, позволяющие изготовить эту продукцию с минимальными издержками. Получается, чем лучше предпринимателям удастся спланировать свои действия (не стоит путать планирование с предсказанием будущего), тем более экономически эффективно будет работать их предприятия.

— Фактически область применения предиктивной аналитики ничем не ограничена. Существуют решения для прогнозирования качества, объема необходимых материалов и компонентов, сроков доставки для логистических подразделений, решения по предупреждению «узких мест» на производственных линиях, прогнозное обслуживание и др. Мы видим спрос на решения по прогнозной аналитике в большинстве отраслей промышленности. Вот лишь краткий список отраслей, в которых мы реализуем наши проекты: обработка древесины, авиастроение, автомобилестроение, фармацевтика, энергетика, пищевая промышленность и т. д.

Наша компания реализовала проект по внедрению автоматизированных ИТ-систем в компании OMCO, представляющей отрасль стекольной промышленности. Во время проекта нам удалось проанализировать все бизнес-процессы компании и внедрить систему ERP, чтобы ускорить согласованность в рабочих группах, наладить более централизованный обмен информацией и способствовать централизации и росту компании. С внедрением автоматизированных решений на базе SAP ERP операционные характеристики предприятия стали более качественными. Теперь на предприятии есть технологии для быстрого анализа данных, что позволяет взглянуть на производственные процессы под разным углом, а главное — делать выводы относительно работы оборудования, выпуска продукции и прочего на основании полученных данных, — директор департамента бизнес-приложений и платформ Atos в России Яна Шабанова.


Яна Шабанова,
директор департамента бизнес–приложений
и платформ Atos в России.

Предиктивный анализ, выявление трендов и аномалий помогут выявить проблемы в работе оборудования и избежать аварий, сформировать правильные товарные запасы и резервы ЗИП, вывести на смену нужное количество персонала и многое другое. Точек оптимизации всегда много, а первоочередные выявляются всегда из потребностей бизнес-заказчика. В России традиционно лидерство в применении интеллектуальных механизмов в производстве захватывали металлургические предприятия и предприятия нефтегазовой сферы, однако они применимы и в других отраслях: машиностроении, энергетике, информационных технологиях и телекоме, ЖКХ и даже медицине.

Одно из частых применений предиктивной аналитики — это прогноз технического состояния оборудования или его отдельных узлов. Его еще называют предиктивным обслуживанием. За счет раннего оповещения о приближающихся отказах можно заранее планировать обслуживание, заказывать запасные части и избегать внеплановых простоев и срывов производства. Генеральный директор Factory5 (входит в ГК Ctrl2GO) Денис Касимов отметил и другие возможные применения прогнозной аналитики, к примеру, прогноз энергопотребления, оптимизация технологического процесса, расчет качества продукции. По его мнению, «предиктивка» чаще используется на предприятиях с дорогостоящим оборудованием. Это металлургия, энергетика, нефтегазовая отрасль, железнодорожный и авиатранспорт, горнодобывающая отрасль.

По данным McKinsey, предиктивная аналитика позволяет сократить время простоя оборудования на 30- 50% и увеличить срок его службы на 20–40%. Технологию уже используют такие компании как, Air New Zealand для отслеживания состояния самолета при нахождении на аэродроме или Mercedes-AMG для улучшения процесса производства двигателей.

— Думаю, предиктивная аналитика на текущий момент все-таки больше необходима среднему и крупному бизнесу. Для получения отдачи от инвестиций, вложенных в развитие подобных моделей, нужен определенный масштаб производства. Да и степень автоматизации, и качество данных, которые необходимы для корректной работы моделей, у крупных компаний выше, — подмечает директор по развитию в компании GoodsForecast Сергей Котик.

В целом, как уже отмечалось, предиктивная аналитика — это средство увеличения операционной эффективности. Т. е. производство может функционировать и без нее. Выделим причины, по которым для предприятий ее внедрение будет максимально эффективным: большие доли затрат на техническое обслуживание и ремонт, по причине их оптимизации; большой парк однотипного оборудования, поскольку успешное внедрение на одном экземпляре можно масштабировать на другие; присутствие ОЕМ производителей, осуществляющих сервис и для сервисных компаний, потому что они часто связаны договорными обязательствами по поддержанию определенного уровня технической готовности оборудования заказчика.

— Основная задача в предиктивной аналитике — предсказать значение некого параметра (производственного, логистического или экономического) в будущем на основании исторической информации о его прошлых значениях, а в ряде случаев еще и классифицировать предсказанные значения на предмет соответствия ожиданию (выявление аномалий). К примеру, на основании текущих параметров работы некой установки (поступающее сырье, окружающая среда, энергопотребление и т. д.) предсказать возможные поломки и в целом наработку на отказ, для формирования верных резервов ЗИП и планирования загрузки обслуживающего персонала. Другой востребованный кейс — прогнозирование результата технологического процесса на основании входных условий. Допустим, как скажется на параметрах выплавляемой стали изменение распределения исходных материалов в загружаемой в печь шихте. Экспериментально на этот вопрос отвечать дорого, а математическое моделирование и прогнозирование может позволить сформировать ожидание без эксперимента, — говорит руководитель по развитию решений в области анализа данных и машинного обучения NAUMEN Никита Кардашин.


Никита Кардашин,
руководитель по развитию решений
в области анализа данных и машинного обучения NAUMEN

Задача предиктивного обслуживания производственных мощностей позволяет избежать дорогостоящих поломок оборудования или сократить количество остановок предприятия для регламентного обслуживания. И то, и другое существенно снижает производственные издержки. С помощью ПА предприниматели могут заранее спрогнозировать ремонты и рассчитать период отказа оборудования или отдельного узла, например, «высокая вероятность отказа компрессора в течение 72 часов»; скорректировать свои планы по выработке продукции в целях экономии времени, денег, ресурсов или выявить причины инцидентов и отклонений: «неисправность маслонасоса».


Возможно заранее увеличить межремонтные пробеги. Допустим, межремонтный пробег оборудования составляет 2 года, но по ситуации мы видим, что оно работает исправно, что на нем использовались хорошие комплектующие и смазочные материалы. Тогда предприниматели прогнозируют его бесперебойную работу еще на полгода и смещают межремонтный интервал. ПА помогает промышленникам самостоятельно предсказывать экономическую стратегию развития, опираясь на тенденции рынка. Так, например, перераспределять контракты.

Конечно, во многом определение задач зависит от отрасли. Например, на горно-обогатительном комбинате предиктивная аналитика может использоваться для определения причин нарушения допустимых характеристик крупности дробления руды и сокращения процента брака при механической обработке руды. Для этого нужно в прогнозную модель добавить показатели пополняемости руды, процент содержания железа и прочих примесей в минеральном образовании, производительность дробилок, ток и мощность, потребляемые оборудованием, скорость и нагрузка конвейеров и т. д. Далее на основе построенной модели можно выявить факторы, способные обусловить уменьшение брака крупности руды.

О «строительных» данных и этапах

Для корректного процесса прогнозирования требуется большое количество фактических данных. Она реализуется по принципу «чем больше, тем лучше»: чем больше фактических данных, чем больше приборов учета, приборов измерений на предприятии (допустим, на конкретном узле), тем лучше. Тот же самый выход оборудования (компрессора или насоса) из строя: можно мониторить несколько параметров этого компрессора (температура подшипника, качество прогоняемого сырья и т. д.). Нужно, чтобы прогноз был многофакторным, тогда будет проще использовать алгоритмы, которые работают по конкретным данным.

Также в качестве источника информации могут выступать системы АСУТП и MES, собственные параметры оборудования, если оно содержит систему самомониторинга и может ее отдать, также сведения внешних датчиков (окружающей среды, параметров электроснабжения и т. д.) и многое другое. Известно, что для предиктивного анализа оборудования как минимум нужна информация телеметрии и об отказах и дефектах. В таком случае можно выявить взаимосвязи между данными и построить предиктивную модель, которая будет предсказывать отказы. Если у вас есть только телеметрия, то возможен поиск именно аномалий: предиктивный анализ будет сообщать о том, что «что-то не так». Также могут понадобиться данные окружающей среды — температура, влажность, давление, и данные лабораторных систем, ведь, качество сырья или топлива может влиять на работу оборудования.

— Если речь идет об имитационном численном моделировании, то требуется цифровой макет актива, например, BIM-модель предприятия или его участка, а также параметры материалов. Для машинного обучения и RCM-анализа нужны статистические технологические данные с оборудования и некоторая эксплуатационная и конструктивная информация. Если говорить про отдельные единицы оборудования, машинное обучение требует в большей степени эксплуатационных данных, но также очень большую пользу несут знания экспертов при построении моделей. В SCADA-системах есть модуль, отвечающий за архивирование производственной потоковой информации, собранной с оборудования, — считает технический директор по направлению IoT и AR в компании «КАДФЕМ Си-Ай-Эс» Олег Маковельский.

— Предиктивная диагностика анализирует взаимосвязь между различными показателями, которые снимают датчики, установленные на оборудовании. Общее правило для обучения любой нейросети — чем больше данных, тем точнее работает нейросеть. На определенном временном участке — минимум три месяца — строятся взаимосвязи всех параметров работы оборудования по парам. То есть если у нас исторические данные по параметрам x1, x2 и x3, то будут построены взаимосвязи x1-x2, x2-x3, x1-x3, и на основе этих линейных взаимосвязей обучится объемная модель нейросети. Чем больше снимается параметров, тем точнее будет модель — т. е. граница, которую она воспринимает как зону нормальной работы механизма, будет максимально снижена, — говорит менеджер по развитию бизнеса компании Schneider Electric в России и СНГ Алексей Селезнев.

Генеральный директор Factory5 (входит в ГК Ctrl2GO) Денис Касимов выделил шесть этапов построения прогноза:

Поставить бизнес-задачи. Важный момент, где предстоит определить проблему, которую нужно решить с помощью предиктивной аналитики. Например, в первую очередь, снизить затраты на ТОиР с помощью оптимизации перечня работ или снизить количество внеплановых остановок для предотвращения простоев производства. 2. Выявить оцифрованное оборудование и текущий набор данных. Какое оборудование наиболее критичное? Какие датчики сейчас установлены на нем и в каких местах? Куда передается информация и как к ней получить доступ? Есть ли данные о дефектах, отказах и ремонтах? 3. Исследовать данные. Главный вопрос этого этапа: достаточно ли информации для построения такой модели, которая решает исходную бизнес-задачу? Проводится анализ качества телеметрии и данных по отказам, ремонтам, а также анализ возможности выявления инцидентов и выполнения прогнозов по имеющимся данным. 4. Разработать модели. На этом этапе специалисты определяют метрики качества модели, зависимости между данными телеметрии и их связь с инцидентами. Выделяют признаки, тестируют математические алгоритмы и сравнивают результаты их работы. Здесь используется так называемая обучающая выборка. Это часть исходного набора данных, в которой есть и данные телеметрии, и данные по дефектам. 5. Верифицировать модели. Для проверки модели используется новая выборка исторических данных о работе оборудования, которую модель «не видела» раньше. Результат работы модели на тестовой выборке сравнивают с реальным перечнем инцидентов на том же периоде. Таким образом проверяют, сможет ли система делать корректные предсказания о состоянии оборудования в будущем. 6. Запуск на производстве. После верификации систему можно запускать в эксплуатацию. В процессе эксплуатации модель обогащается новыми данными и ее точность повышается. Эксперты анализируют результаты ее работы, вносят информацию о новых типах дефектов, а модель «учится» их распознавать.

О прогнозе по гарантии и затратах

Предиктивная аналитика необходима современному производству. По данным исследования Zion Market Research, глобальный рынок предиктивной аналитики к 2022 достигнет примерно 10,95 млрд долларов при среднегодовых темпах роста 21% (GAGR).


Прогнозный анализ довольно затратен, но эффект от внедрения может помочь сэкономить суммы в десятки и сотни миллионов рублей. Если данных телеметрии достаточно и есть точная информация об отказах и ремонтах, то финансовые вложения в «предиктивку» относительно небольшие. Когда окажется, что на тех данных, которые существуют, нельзя построить модель, то потребуется дооснащение дополнительными датчиками и инфраструктурой для передачи сведений, в таком случае понадобятся дополнительные затраты.

Обратим внимание на типовые эффекты от прогнозирования — это снижение затрат на ТОиР оборудования за счет снижения доли восстановительных ремонтов, сокращение внеплановых простоев и повышение коэффициента технической готовности. Возможные косвенные эффекты — оптимизация складских запасов МТР и снижение потребления энергоресурсов, так как если оборудование своевременно обслуживается, оно потребляет меньше топлива или электроэнергии.

— Использование предиктивной аналитики в большинстве случаев рентабельно и быстро окупаемо. Например, предиктивная вибродиагностика способна сэкономить до 70% затрат на планово-предупредительные работы, поскольку позволяет решать проблему с оборудованием точечно, не разбирая его полностью. В результате внедрения решений прогнозной аналитики предприятиям удается уменьшить количество поломок оборудования в среднем на 30–35%, сократить расходы на его обслуживание на 10–20%, уменьшить время простоя ресурсов на 15–25% и на 10–15% увеличить объем производства.

Все зависит от уровня цифровизации на предприятии. Если изначально индекс цифровой зрелости низкий, то предиктивный анализ потребует очень больших вложений, поскольку нужно будет оснащать все оборудование измерительными системами. Если предприятие достаточно автоматизировано и нужно просто использовать имеющийся объем данных, то это менее затратно. Для точного определения нужно тщательно проанализировать индекс цифровой зрелости и выяснить, собираются ли данные с оборудования, есть ли инструменты для их сбора и специалисты, которые могут участвовать в анализе. В итоге стоимость может сильно варьироваться. Но этот процесс обязательно нужно начинать, иначе предприятие рискует остаться «вне игры» и потерять определенные сегменты рынка, — думает технический директор по направлению IoT и AR в компании «КАДФЕМ Си-Ай-Эс» Олег Маковельский.


Олег Маковельский,
технический директор по направлению IoT и AR
в компании «КАДФЕМ Си–Ай–Эс»

Конечно, определенные затраты есть, но экономический эффект значительно превосходит их. В практике единичное предотвращение аварии на производстве «отбивает» все затраты, вложенные в реализацию проекта по внедрению предиктивных моделей. Другая статья возврата инвестиций — оптимизация процессов закупок, ТОиР, складских запасов запчастей и простоев технического персонала, которые позволяют экономить значительные суммы из бюджетов обслуживания инфраструктуры и оплаты труда. Как правило, окупаемость подобных проектов наступает уже в 1–2 год эксплуатации, а в некоторых случаях — и раньше, — предполагает руководитель по развитию решений в области анализа данных и машинного обучения NAUMEN Никита Кардашин.

— В практике Atos есть опыт внедрения решений, когда повысилась не только точность получаемых данных, но и их ценность при меньших затратах. Приведу пример работы с компанией Renom Energy Services, лидером индийского рынка возобновляемых источников энергии. На предприятии была внедрена технология цифрового двойника и ИТ-решение AMPS7, благодаря которой у компании появилась возможность принимать решения, основанные на предоставляемой через эти программы аналитике. Все это обеспечивает полное представление об активах, важных компонентах, а также предоставляет возможности для прогнозирования производительности. Этот пример очень показателен, потому что при небольших затратах на внедрение решений удалось сократить время сбора данных для анализа неисправностей на 57%, а также благодаря дистанционному управлению удалось снизить операционные расходы на топливо на 12%, — приводит статистические данные директор департамента бизнес-приложений и платформ Atos в России Яна Шабанова.

Какие гарантии есть у прогнозной аналитики или это всего лишь предположения и рассчитывать на какие-либо точные результаты не стоит? Эксперты одинаково уверены: в любом процессе, основанном на анализе данных и применении вероятностных моделей, нельзя говорить об абсолютной точности. Она может зависеть от многих параметров — качества и актуальности данных, их релевантности решаемой задаче, правильности формирования обучающей выборки и настройки самой модели, но даже в предельном случае точность будет стремиться к 100%, но никогда их не достигнет. Ведь не все возможно предсказать в принципе — многие события вызваны внешним воздействием (к примеру, ошибками персонала или злонамеренными действиями), которое является труднопредсказуемым. Однако в большинстве задач это не является стоп- фактором, ведь даже вероятность в 80% по выявлению риска аварии значительно лучше, чем 0%, которые есть без аналитических систем. Естественно, работу вероятностных моделей необходимо учитывать в «обязывающем» их бизнес-процессе, чтобы люди правильно воспринимали поступающую информацию.

Каждая модель имеет ограничения, связанные как с качеством и количеством исходных данных, так и с алгоритмами, заложенными в самой модели. Но точность 95% и 98% бессмысленно сравнивать в отрыве от конкретной задачи. В одном случае 95% будет достаточно, а в другом даже 98% станет мало. Кроме точности прогноза есть и другие параметры его качества, например, полнота. Что лучше: не предсказать отказ вообще или предсказать, но ошибиться? Это зависит от исходной задачи. Например, для критичного оборудования важно не пропустить отказ, поэтому более весомым будет параметр полноты. Обратной стороной будут возможные ложноположительные прогнозы.

— Предиктивная аналитика действенна, когда есть эффект от ее внедрения. Для начала нужны конкретная бизнес-задача на предприятии, цели внедрения и достаточное количество данных для анализа. Не менее важный вопрос — это интерпретация результатов прогноза и принятие решений на его основе. Предиктивная аналитика — не панацея и не замена реальным сотрудникам, она дает информацию, но финальное решение принимает человек, например, останавливать агрегат для ремонта или нет, проводить дополнительные ремонтные работы или нет. Если результаты прогноза не влияют на бизнес-процессы предприятия, то эффекта не будет, — отмечает генеральный директор Factory5 (входит в ГК Ctrl2GO) Денис Касимов.


Денис Касимов,
генеральный директор Factory5
(входит в ГК Ctrl2GO)

Данные прогнозной аналитики активно используются для выявления тенденций, шаблонов, прогнозирования, поиска корреляций и т. д. Изучение массивов данных для поиска неявной, но полезной, с точки зрения развития компании, информации лежит в основе бизнес-аналитики. Но, безусловно, любую прогнозную модель всегда необходимо проверять в реальных условиях производства и эксплуатации оборудования. Ее также нужно верифицировать, подстраивать и вносить дополнительные параметры, влияющие на формирование прогноза.

— Вообще предиктивная аналитика — это предположение. Приведу аналогию не с производством, чтобы было понятней. Допустим, мы прогнозируем ситуации с ценными бумагами на рынке. Тут мы никогда не угадаем точную стоимость, поскольку невозможно учесть все факторы. Например, в результате встречи двух президентов могут быть введены какие-то новые ограничения между странами. Это не всегда можно спрогнозировать. Таким образом, мы можем проследить тенденцию и спрогнозировать. И то система ошибется с вероятностью 99,9%. Это рекомендация, но не призыв к действию. Мы можем прислушаться к результатам предиктивной аналитики, проверить их и в дальнейшем подтвердить, — уверяет руководитель по развитию программного продукта ООО «Наука» Эмиль Гасанов.

— Гарантировать можно только то, что солнце встает каждый день. Все остальное происходит с той или иной степенью вероятности. Возьмем реальный случай работы предиктивной диагностики. Появляются моменты, когда реальная работа механизма в какой-то период расходится с тем, что предсказывает механизм. Такое бывает часто, потому что на производстве постоянно что-то меняется, и диагностируемый механизм реагирует на эти изменения. Так что у предиктивной аналитики есть определенный уровень чувствительности, чтобы не «засыпать» механика предупреждениями. Поэтому в определенный момент специалист получает первичный сигнал: чем раньше это произошло, тем меньше точность полученного предупреждения (тренд только начал расти). Долгий рост тренда дает большую вероятность существования определенной неполадки. Задачей механика становится правильное определение момента вмешательства, ведь молниеносное вмешательство специалиста в процесс работы механизма после первых (часто ложных) предупреждений часто является неоправданным. Зато, если оно все-таки верное, мы предупредим неисправность на максимально раннем этапе и исправим ее максимально быстро и дешево. Если мы ждем роста тренда, то, чем дольше мы это делаем, тем больше повреждается механизм в процессе работы. Так что стоит воспринимать предиктивную диагностику как составную часть рискоориентированного техобслуживания, а не как Дельфийского оракула, — считает менеджер по развитию бизнеса компании Schneider Electric в России и СНГ Алексей Селезнев.


Алексей Селезнев,
менеджер по развитию бизнеса компании
Schneider Electric в России и СНГ

О неидеальной среде и AI

В основе предиктивной аналитики лежит набор методов анализа данных, который на основе исторических данных по объекту может предсказать его поведение в будущем. Для прогнозирования используются математические модели, методы интеллектуального анализа данных, машинного обучения. Для этого успешно применяются интеллектуальные системы, которые могут проанализировать состояние технологического процесса в реальном времени, спрогнозировать дальнейшее протекание процесса, определить уровень оптимальности и, при необходимости, изменить управляющие параметры или дать рекомендации диспетчеру.

Существуют целая линейка профессиональных программ, реализующих системный подход к анализу данных и включающих методы Data Mining и Business Intelligence (BI). Практически во всех этих системах доступны методы визуализации и разведочного анализа в базах и хранилищах данных, методы построения конкретных моделей для оптимизации логистических процессов предприятий с целью достижения оптимального уровня затрат при желаемом уровне сервиса для клиентов. Но на сегодняшний день некой идеальной системы не существует, хотя ее пытаются создать. Однако для разных видов производства актуальны разные задачи и методики прогнозирования. Сейчас это пытаются объединить, однако такая задача требует серьезной проработки и времени. Попыткой создания такой системы сегодня являются цифровые двойники, — отмечает технический директор по направлению IoT и AR в компании «КАДФЕМ Си-Ай-Эс» Олег Маковельский.

— Для анализа данных существуют популярные инструменты с открытым исходным кодом, которыми пользуются аналитики и специалисты по data science в любой предметной области. Есть две составляющие: научная и инженерная. Разработать предиктивную модель недостаточно, нужно запустить ее в работу в существующем ИТ-окружении. На промышленных предприятиях мы часто имеем дело с потоковыми данными, наглядным примером которых является телеметрия. Система предиктивной аналитики должна уметь работать с ними, чтобы обрабатывать данные в режиме, максимально приближенном к реальному времени. Также система должна подключаться к различным источникам данных, обеспечивать предобработку и очистку данных, иметь среду исполнения модели, и передавать результат анализа во внешнее ИТ-окружение (например, в ERP или EAM) и визуализировать его пользователю. Также может понадобится масштабирование системы на другие объекты. С учетом этих общих требований можно сказать, что для предиктивной аналитики лучше использовать специализированные программные продукты, — говорит генеральный директор Factory5 (входит в ГК Ctrl2GO) Денис Касимов.

Директор по развитию в компании GoodsForecast Сергей Котик уверен, что подходящий программный продукт должен встраиваться в бизнес-процессы компании и оптимизировать их. Математика без понимания бизнес-процессов сама по себе не поможет.


Общеизвестный факт, что при помощи искусственного интеллекта (ИИ,AI) возможно более оптимизированное и быстрое прогнозирование. Если говорить конкретнее, то ИИ — это разновидность машинного обучения, связанная с глубокими нейронными сетями. А машинное обучение присутствует в разных системах — ERP, BI, MES и т. д. — в которых происходит сбор статистики. Оно может применяться для сложных, динамических и слабо изученных процессов с большим количеством параметров. Сегодня машинное обучение используют для создания следующих аналитических систем прогнозирования: качества продукции, поломок и отказов, хода технологического процесса и экономических показателей (например, цены и спроса).

В России уже создаются и внедряются новые ИТ-решения для оптимизации операционных процессов при помощи прогнозной аналитики. Очень активно этот процесс идет в турбомашиностроении. Создаваемые системы будут отслеживать и прогнозировать техническое состояние газотурбинных установок, турбогенераторов, дожимных компрессорных установок и сообщать о возможных нарушениях. Многие отечественные компании выступают за разработку систем класса «цифровой ассистент», особенно полезных для непрерывных и рецептурных видов производства. Эти системы собирают данные и дают подсказки оператору. Известно, что некоторые нефтехимические производства сейчас пытаются внедрять и запускать аналогичные пилотные проекты. В дискретном производстве сейчас активно внедряются системы мониторинга работы станочного технологического оборудования со встроенными средствами диагностики и элементами предиктивного анализа.

— Насколько развито данное взаимодействие на российском производстве? За счет моделей машинного обучения можно добиваться более высокой точности прогнозирования во многих случаях. Мы активно используем в своих продуктах комбинацию методов машинного обучения и классических моделей прогнозирования, и это на текущий момент самый передовой подход. В прошлом году мы заняли 2 место в самом представительном конкурсе по прогнозированию в мире — М5 Forecasting Competition, в котором участвовало более 5500 команд из 100 стран. И нам, и победителям конкурса 2018 года из Uber, успех принес именно искусственный интеллект, — рассказывает Сергей Котик.

Виктория Ненашева
Умное производство

Ссылка на источник