Разбираем, что такое прогнозные модели, как они устроены и почему им можно доверить вашу технику — на примере прогнозной модели для масляного насоса дизель-генераторной установки тепловоза.

Масляный насос — важный элемент оборудования, который отвечает за непрерывную подачу масла в двигатель и за его циркуляцию. От работы насоса зависит срок жизни двигателя, расход топлива и уровень вредных выбросов. О неисправности узла может говорить повышенный расход масла, а также снижение или рост давления масла в двигателе. Однако выявлять потенциальную проблему лучше до таких проявлений — это снизит расходы на ремонт, а также случаи выхода техники из строя и остановки производственного процесса. 

Крупная сервисная компания попросила нас разработать систему, которая поможет оценивать состояние масляных насосов дизель-генераторных установок тепловозов. Рассказываем, какой инструмент применили для анализа, как собирали данные и какие получили результаты.

MX-модели для прогнозирования состояния оборудования

Для оценки состояния масляного насоса дизель-генераторной установки тепловоза использовалась собственная разработка — прогнозные модели для выявления предотказных состояний и прогнозирования поломок. Мы в Factory5 называем их MX-моделями, от английского «Mathematics & Experience» — математика и опыт. Это две составляющие, на которые опирается модель: физика процессов, протекающих в системе, и статистика ее работы. Инженерные модели дополняются методами анализа больших данных, такими, как машинное обучение и нейронные сети. Благодаря этому MX-модели выявляют аномальные режимы работы, которые практически невозможно заметить без методов машинного обучения.

Исходные данные телеметрии с датчиков двигателя:

• температура масла на входе/выходе дизеля;

• давление масла на входе/выходе дизеля;

• скорость вращения вала дизеля.

Как мы строили MX-модель для масляного насоса

При разработке любой прогнозной модели главное — найти такие переменные или их комбинации (так называемые признаки), которые характеризуют техническое состояние объекта. Ключевой показатель производительности масляного насоса — давление масла на входе в дизель. Так как насос имеет привод от двигателя, то давление напрямую связано с частотой вращения коленчатого вала. Cо временем, из-за износа зубьев, происходит медленная деградация насоса, и получается, что при той же частоте вращения насос уже не поддерживает нужное давление. Чтобы понять отличие исправного насоса от неисправного, мы построили график, отражающий зависимость давления масла на выходе из масляного насоса (то есть на входе дизеля) от частоты вращения коленчатого вала дизеля.

У исправного насоса эта зависимость будет линейной. По мере износа меняется угол наклона прямой, увеличивается уровень «шумов». Мы взяли выборку данных в 80 тысяч точек и построили на ней линейную модель, или, как ее еще называют, линейную регрессию. Это позволило сравнивать новые фактические данные с расчетными, а также оценивать изменение технического состояния насоса по величине и динамике отклонений.  

Ниже на графике показаны отклонения прогнозной величины от фактической, ось Y, для этой регрессии за 3 месяца.

Красными линиями отмечены существенные выбросы. Как мы писали выше, отклонение фактической величины от расчетной может свидетельствовать об ухудшении технического состояния. Но это также может говорить о каком-то дополнительном факторе, который модель не учитывает. В данном случае оказалось, что отклонения происходили, когда двигатель запускался при заниженной температуре масла.

Далее мы построили зависимость отклонения давления от температуры масла для такого набора исторических данных, когда система находилась в заведомо исправном состоянии. На следующем графике видно, что по мере повышения температуры масла снижается отклонение расчетного давления от фактического. Это значит, что линейная модель хорошо описывает горячий дизель-генератор, но при низких температурах масла она начинает ошибаться. Мы посчитали, какой вклад в ошибку вносит температура масла, и научили модель учитывать это.

При анализе ошибок линейной регрессии мы поняли, что засорение масляного фильтра существенно влияет на параметры масла — даже в течение одной поездки. Создается избыточный перепад давления на фильтре, снижается пропускная способность масляной системы. Как результат, падает давление на вход в дизель, а это ключевая характеристика производительности маслонасоса.

Перепад на фильтрах нельзя измерить с помощью датчиков — конструкция дизель-генераторной установки не предусматривает датчик на выходе из масляного фильтра. Оказалось, что по перепаду давления на самом дизеле можно судить о перепаде давления на фильтре. Мы модернизировали модель так, чтобы она учитывала перепад давления. Благодаря этому точность прогнозирования выросла.

Как применили модель и какие получили результаты

С помощью разработанной МХ-модели мы проанализировали исторические данные за 3 года для 50 локомотивов и выявили участки деградации качества работы насоса. Статистический анализ величины и динамики отклонений фактического давления от расчетного позволяет оценивать состояние насоса, или его индекс здоровья, в реальном времени.

Благодаря этой модели заказчик не только сократил количество поломок, но и избежал лишних и преждевременных ремонтных работ. На графике ниже показана динамика индекса здоровья (Health Index) насоса за 3 месяца. Мы видим, что с начала апреля за полтора месяца насос быстро деградировал, после чего в конце мая индекс здоровья резко вырос до нормального уровня. По информации из журналов, 30 мая неисправный насос поменяли на новый, что полностью соответствует графику. Это показывает корректность работы модели и расчета индекса здоровья.

Прогнозные модели позволяют оценить состояние техники и сделать его предсказуемым. Но часто такие модели считают «черным ящиком», результаты которого сложно интерпретировать: не всегда понятно, почему получен тот или иной результат. Поэтому люди не доверяют моделям и продолжают действовать по-старому. На примере маслонасоса дизель-генератора мы постарались объяснить, что модели могут учитывать принципы работы оборудования, а значит, им можно доверять. Точные математические расчеты вместе с умными алгоритмами помогают просчитать, когда установка будет нуждаться в обслуживании, и не тратить ресурсы на преждевременный или, наоборот, аварийный ремонт.