Энергетические предприятия обладают наиболее благоприятной почвой для цифровизации из-за развитой инфраструктуры и автоматизации. Большое количество стационарных датчиков и микропроцессорных систем управления позволяют собирать данные и переводить предприятие в «цифру». С помощью систем класса AI — интеллектуальной аналитики — энергетические компании могут анализировать все собранные данные и прогнозировать техническое состояние оборудования. Одним из решений для интеллектуальной диагностики и предиктивного анализа является Clover PMM (Predictive Maintenance & Monitoring) — разработка российской компании Clover Group. Внчачале рассмотрим решаемые задачи с помощью Clover PMM в энергетике. В основе Clover PMM – два модуля: поиска аномалий (ненормальных состояний) в работе оборудования и модуль прогнозирования, который строит прогноз отказа конструктивного элемента или оборудования.
Первый модуль интеллектуально диагностирует оборудование – позволяет выявить аномальные состояния в режиме реального времени. Например, для одной генерирующей компании Clover выявил превышение температур в пазах статора турбогенератора. Само превышение было некритичным, но такие случаи система находит и выводит автоматически. Во-вторых, система понимает, что такого рода ситуации приведут к отказу оборудования, особенно, если продолжать эксплуатировать в высоконагруженных режимах. Поэтому система обязательно показывает это пользователю – это и есть интеллектуальная диагностика.
Модуль предиктивного анализа прогнозирует состояние агрегатов и обучается по мере поступления обратной связи от инженеров и технологов. Данный модуль позволяет понять состояние конструктивного элемента в течение определенного времени перед тем, как принять решение о ремонте или утилизации оборудования.
Например, по плану необходимо вывести агрегат в ремонт через полгода. До этого Clover уже нашел превышение температур и сейчас строит прогноз – к чему приведет аномалия, проявится ли в виде дефекта или отказа, когда это случится – в течение полугода или позже. То есть, прогнозирование помогает принять решение о судьбе оборудования и сформировать план ремонта на основе фактического и прогнозного состояния. Также Clover PMM дообучается инженерами, технологами с помощью машинного обучения.
Основная задача, которую решает Clover PMM в энергетике — правильное формирование программы ремонтов относительно текущего и прогнозного технического состояния оборудования.
Пользователи Clover PMM
Так как Clover PMM умеет прогнозировать остановку, поломку, находить предотказные состояния и выводит эту информацию на экран компьютера, то оперативный персонал, который управляет изменениями и режимами – основные пользователи. Например, служба главного инженера, которая отвечает за эксплуатацию оборудования. Для них важно обеспечить надежность оборудования и бесперебойность его работы.
Для ремонтных и сервисных компаний Clover PMM удобен при планировании материально-технических ресурсов и состава ремонтных бригад электростанции. Clover позволяет увидеть настоящее и прогнозное техническое состояние по каждому агрегату, как по основному, так и вспомогательному, за счет этого формируется программа ремонтов «по состоянию».
Этапы и сроки внедрения интеллектуальной аналитики
В основе аналитики лежат данные, основные источники которых АСУ ТП, ERP, MES, ТОиР, любые другие системы, хранящие информацию с датчиков, о ремонтах; внешние факторы (влажность, температуры и т.д.). Данные передаются специалистам Clover Group для подготовки к анализу: структурированию и обогащению.
Важно понимать, что от количества данных зависит точность прогноза: если заказчик накопил достаточное количество данных, то модуль предиктивного анализа заработает сразу и можно получать эффекты прямо сейчас. Если данных недостаточно, то после внедрения Clover PMM сборы только начинаются, и настройка предиктивной модели займет несколько месяцев.
Для каждого оборудования нужно разное количество данных. Например, для вспомогательного оборудования, компрессора компании Atlas Copco достаточно было данных одного года. После сбора данные загружают в экспертно-аналитическую систему Clover, где математики совместно с отраслевыми экспертами выделяют аномальные состояния и дефекты работы оборудования, идентифицируют нарушения режимов эксплуатации и строят прогнозную модель отказов агрегатов.
Система дообучается отраслевыми экспертами и инженерами, то есть оцифровывает опыт экспертов и применяет его в анализе. Например, при поломке конструктивного элемента или появлении аномалии, можно классифицировать причину почему так произошло, например, из-за нарушения режима эксплуатации. Для этого нужны знания экспертов, они поясняют, что стало причиной аномалии, а математики записывают это правило в систему, дообучая ее на основе экспертного мнения.
Для вывода результатов Clover PMM интегрируется с ИТ-инфраструктурой заказчика, например, класса ERP, EAM. В данную систему передаются предотказные состояния оборудования, данные о фактическом и прогнозном техническом состоянии конструктивного элемента и оборудования. Если нет системы управления ремонтами, Clover встраивается в другую — зависит от особенностей инфраструктуры заказчика.
Важно понимать, что PMM — это система аналитики больших данных, которая позволяет выдернуть ценное зерно в вид физических зависимостей и на основе этой информации принимать решения об оборудовании, а не классическое АСУ ТП, основная функция которого – управлять оборудованием по уставкам параметров. Данные системы хорошо дополняют друг друга: АСУ ТП отдает данные, а Clover PMM анализирует.
Эффекты и выгоды для энергетических компаний
Наибольший эффект и выгоды получат генерирующие компании — те, кто напрямую сталкивается с ремонтами и у кого от работоспособности оборудования зависит экономика предприятия. Например, Clover PMM поможет избежать штрафов из-за аварийного отключение агрегата.
Краткосрочные выгоды будет видно с первых дней работы — оптимизация планирования в части заказа необходимых запасных частей и материалов для ремонта оборудования, уменьшение количества внеплановых ремонтов, снижение затрат на ремонт оборудования, контроль нарушений режимов эксплуатации. Ключевой долгосрочный эффект — изменение ремонтных норм, ремонт по состоянию, а это повышение надежности оборудования и его «понимание».
Источник: http://isicad.ru/
