Привет, Хабр! Сегодня хотелось бы обсудить такую интересную тему, как предиктивная аналитика. За последние несколько лет предиктивная аналитика стала весьма востребованным направлением в промышленности. Это вполне логично, ведь она дает возможность предсказать выход из строя оборудования или элементов этого оборудования задолго до самой поломки.

Все это тесно связано с устойчивым развитием – одним из определяющим фактором конкурентоспособности компаний, причем не только промышленных. Устойчивость важна для любого бизнеса, будь то добыча и переработка, энергетика или машиностроение. Технологии развиваются и дают возможность компаниям просчитывать риски, планировать ремонты, улучшать логистику. Но как это работает?

Цифровые модели и предиктивная аналитика

Для того, чтобы понимать, о чем идет речь, приведем несколько подробностей о работе системы. Сначала о цифровых моделях.

Статистическая математическая модель – это, если так можно выразиться, "цифровой портрет" оборудования, которое работает правильно. Создается "портрет" на базе данных о функционировании всей системы и отдельных ее компонентов в разных режимов. Разработка такой модели основана на принципе многомерных контрольных карт Хотеллинга. Исходные данные – максимальное, минимальное и медианное значения работы исправного оборудования. На их основе и формируется модель.

Можно сказать, что статистическая модель – эталон, с которым сравниваются данные работающего реального оборудования. При сравнении формируется специальный интегральный показатель, отражающий изменения технического состояния системы в режиме реального времени.

Превышение показателя на определенную величину – индикатор потенциальной поломки. В большинстве цифровых моделей система автоматически выделяет ключевые параметры, влияющие на зарождающийся дефект и ранжирует их по степени влияния. Это облегчает поиск и локализацию неисправности.

Физическая математическая модель. Это уже чисто математическое описание определенного технологического процесса. Описание создается на базе информации о работе  идеального оборудования, по его конструкторской документации. Физическая модель применяется в режиме имитационного моделирования, когда технологи рассчитывают параметры процесса в разных узлах оборудования. 

Результаты расчета – показания виртуальных датчиков, которые генерируются моделью в определенных режимах работы. Они сравниваются с показаниями реальных датчиков. Ну а разница между показаниями используется для предсказания поломки, на ее основе строится индекс деградации, который и отражает изменения в состоянии оборудования. Как и в предыдущем случае, чем выше значение, тем вероятнее выход оборудования из строя.

Физическая модель дает возможность быстро локализовать причину дефекта с добавлением рекомендаций по исправлению ситуации. Физическая модель позволяет моделировать режимы работы оборудования при выходе из строя разных компонентов. 

Зачем все это?

В предиктивной аналитике используются как отдельные модели, так и их комплекс в виде гибридной цифровой модели. В России одна из наиболее известных систем предиктивной аналитики и удаленного мониторинга – "Прана".

Сегодня она используется компаниями энергетической отрасли – от добычи и транспортировки нефти и газа до электроэнергетики. В каждом из секторов есть свои отличия. Так, в энергетике агрегаты  работают большую часть времени в стационарных режимах, а вот работа турбин и других агрегатов, используемых в нефтегазовой отрасли, характеризуется крайне большим количеством переходных режимов с быстрыми пусками и остановами, что делает условия их эксплуатации практически экстремальными.

Именно поэтому и были разработаны гибридные модели. Одна из них уже была опробована – это кейс компании "Ротек" и одного из ведущих предприятий газотранспортной отрасли в РФ. Прототип разработан на базе описанных выше двух моделей.

В ходе тестирования оказалось, что статистические модели дают отличную сходимость на стационарных режимах работы. Это означает высокую степень точности прогноза состояния оборудования на долгосрочной перспективе, благодаря чему регистрируются более общие тренды развития дефектов. А вот физические модели показали более высокую степень сходимости в краткосрочной временном интервале (в десятках минут). Методика физического моделирования дает дополнительный инструмент анализа, незаменимый при контроле состояния оборудования, занятого в нефтегазовой и нефтегазотранспортной системах.

Таким образом, гибридная модель позволяет охватить большинство режимов работы, встречающихся на контролируемом оборудовании, в том числе и переходные. Обеспечивая взаимное дополнение друг друга, методы значительно повышают достоверность прогнозирования.

В результате отрасль в целом получает новый эффективный инструмент, который дает возможность  избежать повторения технологических аварий, снизить риск ущерба, заранее предупреждая о состоянии того или иного агрегата. Благодаря предиктивной аналитике компании могут существенно расширить горизонт планирования ремонтных работ и всей сопутствующей логистики. Причем энергетика и нефтегазовая промышленность – это только вершина айсберга. В ближайшие годы мы станем свидетелями активного проникновения предиктивной аналитики в другие отрасли.