Данных много, а я один: трудовая рутина специалистов по диагностике и инженеров по надежности тесно связана с архивами SCADA, журналами дефектов и ремонтов, многостраничной документацией на оборудование. Однако работа с большими данными может быть эффективной и простой, если в арсенале есть современные инструменты. Сегодня мы расскажем о возможностях выявления отклонений в работе оборудования с помощью решения F5 PMM от российского разработчика Factory5, который может прийти на помощь диагностам даже с минимальным количеством имеющихся данных телеметрии.
Трудности в работе диагностов и инженеров по надежности
Эти специалисты занимаются предварительным анализом видов и причин отказов, определяют критичность оборудования, прогнозируют состояние и дальнейшие события, связанные с оборудованием, и вероятные последствия в случае определенного события или отказа, планируют корректирующие мероприятия. Большую часть такой работы занимает рутинная сверка документации, физико-математические расчеты, составление отчетов.
Анализ и прогноз технического состояния оборудования — задача не новая, ранее она решалась вручную или с помощью других инструментов. Но главная проблема в её решении на многих предприятиях остается по сей день: данных много, а времени мало. Один из современных методов решения этой проблемы — применение предиктивной аналитики состояния оборудования. Она предполагает анализ больших данных для предсказания состояния и поведения оборудования в будущем.
Предиктивная аналитика решает следующие задачи и проблемы:
• Предотвращение остановок в работе оборудования;
• Снижение количества внеплановых ремонтов;
• Оценка технического состояния оборудования;
• Выявление причин поломок оборудования;
• Оповещения о приближающихся сбоях и отказах.
Для предиктивной аналитики нужны данные — и не только исторические данные с датчиков, но и информация о режимах работы, разузловке, статистика отказов и другие данные. В зависимости от количества имеющихся данных и степени их структурированности, для предприятий любого уровня цифровой «зрелости» можно подобрать своё решение, позволяющее прогнозировать состояние оборудования и повышать надежность его работы.
Какие данные нужны для предиктивной аналитики? Уровни зрелости
![](https://habrastorage.org/getpro/habr/upload_files/fc7/951/9f9/fc79519f9620e290d9c83374f67b5da1.png)
Что делать, если из данных есть только выгрузка архива АСУТП? Даже в таких случаях машинное обучение может прийти на помощь диагностам и инженерам по надёжности. Можно обучить модель на исторических данных, соответствующих нормальному режиму работы, и запустить ее на актуальных данных — она будет выявлять отклонения от нормы (аномалии) и сигнализировать о том, что что-то идет не так. Система F5 PMM позволяет законченное решение для любого уровня зрелости, но сегодня мы расскажем именно о его возможностях для выявления аномалий.
Детектор аномалий – простой инструмент для инженера
В наш продукт F5 PMM мы добавили отдельный сервис — понятный инженерный инструмент «детектор аномалий», который не только помогает найти аномалии, но и выявить их причины. Для запуска нужны исторические данные только о периоде, когда оборудование работало нормально. Данные обо всех отказах и их причинах не требуются.
Рассмотрим работу детектора по шагам — их всего четыре.
![](https://habrastorage.org/getpro/habr/upload_files/6e4/572/2f6/6e45722f6b8240aefb1eb21494132a3e.png)
Детектор аномалий в F5 PMM отличается от других систем тем, что здесь предусмотрен этап интерпретации аномалий, на котором можно сделать выводы и перейти к действиям. Это не «голая математика» и абстрактные алгоритмы, а практически применимый инструмент, проверенный в промышленных условиях с нужными параметрами.
Интерпретация результатов и выявление причин
![](https://habrastorage.org/getpro/habr/upload_files/bcd/4d4/aa5/bcd4d4aa5413f9e902da504dd5e02523.png)
На данной схеме мы видим наличие и вероятность аномалий, а также вклад в аномалию каждого из сенсоров — например, это могут быть вибрация, температура и давление. Используя эту информацию, можно двигаться дальше: выявить причины ещё не произошедших отказов и вовремя их предотвратить.
Важно понимать, что такой базовый алгоритм – не оракул и не магический шар, он не даст точного ответа о том, в чём причина. Но используя полученные с его помощью данные в сочетании с экспертизой сотрудника, можно обнаружить первые признаки зарождающихся дефектов, предотвратить отказы и в конечном итоге повысить степень готовности оборудования. Тут важный дисклеймер: инструмент не заменяет работу сотрудника полностью, но может значительно снизить долю рутинного труда и помочь сэкономить рабочее время.
Мы рекомендуем обучать модель для каждой конкретной единицы оборудования отдельно, так как каждый агрегат уникален, и даже у экземпляров из одной серии могут быть значительные различия в технологических параметрах. Также стоит отметить, что в детекторе аномалий на одних и тех же исходных данных можно создать несколько моделей например, для отдельных узлов оборудования.
Выбор алгоритма с точки зрения инженера
Разработчики систем предиктивной аналитики, описывая преимущества своих алгоритмов, часто глубоко погружаются в детали, описывают принципы их работы — но это всё математика, которая не нужна для конечного пользователя. В практическом применении перед инженером всегда стоит один вопрос: какой алгоритм лучше выбрать для конкретного оборудования?
В F5 PMM мы используем четыре встроенных и универсальных алгоритма, которые опробованы нами в разных промышленных отраслях. Выбор определяется тем, насколько велика экспертиза инженера по оборудованию: известно ли, какие параметры влияют на технического состояние? Какие параметры взаимосвязаны? Какие параметры к каким узлам относятся?
![](https://habrastorage.org/getpro/habr/upload_files/814/ac4/fa2/814ac4fa204fe2cd72f93c63b0cc74a0.png)
Первый вариант — PCA подходит в случаях, когда у инженера есть только архив и количество тегов, но он не знает досконально, какие сенсоры к какому узлу относятся, и нет четкого понимания того, какие параметры можно использовать как параметры состояния.
Алгоритм Isolation Forest актуален, когда есть некое представление о параметрах и разузловке, влияющих на состояние оборудования, но при этом используются не все датчики.
Третий вариант, Smart Isolation Forest будет полезен инженеру, который не только понимает, что влияет на состояние агрегатов, но и знает, что в наборе данных есть сильно коррелирующие параметры. Актуально для систем взаимосвязанных узлов, многие параметры которых взаимосвязаны.
Наконец, Регрессор требует ещё более глубокого понимания работы оборудования – когда у инженера есть вся ранее перечисленная информация и возможность разделить параметры на входные и выходные, то есть на управляющие воздействия и результат воздействия. Например, давление на выходе насоса является результатом увеличения частоты вращения двигателя.
От выявления аномалий — к законченному решению
Мы рассмотрели лишь один из сервисов нашего продукта F5 PMM, который представляет собой гораздо больше, чем просто детектор аномалий. F5 PMM — это сервис мониторинга и прогноза состояния оборудования с тремя блоками функциональностей. Система умеет забирать данные с разных уровней (это и OPC-протоколы, и подключение к разным базам данных, и протоколы более низкого уровня) и привязывать данные к реестру оборудования. Все эти подготовленные данные поступают на анализ.
![](https://habrastorage.org/getpro/habr/upload_files/db0/a66/fb6/db0a66fb6498c70b00f08691bd9764c5.png)
Выбор аналитических инструментов зависит от уровня зрелости, которые мы описывали ранее. Для начального уровня, когда есть только исторические данные, подойдет детектор аномалий и экспертные правила. На более продвинутых уровнях можно использовать математический сервис, который позволяет запускать прогнозные модели, использующие машинное обучение, физическое моделирование или гибридные варианты.
С помощью F5 PMM можно составлять наглядные отчеты по инцидентам в разрезе оборудования, типов, причин возникновения. Конструктор отчетов позволяет формировать документы по стандартам и требованиям предприятия. При этом можно выбрать наиболее удобный способ представления данных: таблицы или диаграммы.
Интеграция в процессы ТОиР и управления активами — важный критерий успешного внедрения систем предиктивной аналитики. Для этого в F5 PMM предусмотрен интеграционный сервис для передачи параметров состояния, вероятностей отказов и выявленных инцидентов в информационные системы ТОиР для автоматизированного создания рабочих заданий. Таким образом можно создать сквозное решение — от сбора и анализа данных до действий на основе результатов анализа.