Износ, старение и простой насосного оборудования, представляет серьёзную проблему для многих предприятий. В условиях, когда обновление парка оборудования невозможно из‑за финансовых, санкционных или технологических ограничений, а также с учётом высокой цены этого самого простоя, особенно остро встаёт вопрос поддержания надёжности и эффективности работы существующих агрегатов. Одним из ключевых решений этой проблемы является внедрение предиктивной аналитики, которая позволяет прогнозировать поломки и снижать риски выхода оборудования из строя или же перейти на ремонт «по состоянию» и максимально продлить срок эксплуатации оборудования и минимизировать затраты на обслуживание и ремонт.

В данной статье мы остановимся на описание нашего опыта применения предиктивного долгосрочного анализа к насосному оборудованию.

Для насосного оборудования, предиктивная аналитика стала актуальным инструментом. Она позволяет предприятиям не только поддерживать работоспособность механизмов, но и значительно сократить затраты на обслуживание за счёт раннего выявления потенциальных проблем. В условиях растущих требований к надёжности и эффективности промышленных систем, такой подход становится ключевым фактором в поддержании конкурентоспособности и устойчивости бизнеса.

Важность предиктивной аналитики для старого оборудования

Предиктивная аналитика предоставляет возможность не только контролировать текущее состояние оборудования, но и предсказывать будущие сбои на основе исторических данных. Это особенно важно для старых насосных установок, которые подвержены повышенному износу и внезапным отказам. Традиционные методы профилактического обслуживания часто неэффективны, поскольку основаны на среднем сроке службы компонентов и не учитывают индивидуальные особенности каждого агрегата. Предиктивная аналитика, напротив, использует данные с датчиков и историческую информацию для создания модели поведения оборудования, что позволяет предсказать отказ до его наступления и принять меры по устранению потенциальных проблем.

Для насосного оборудования такие предсказания могут включать в себя оценку вибрации, температуры, давления, уровня жидкости и других критических параметров. Благодаря этому становится возможным планировать ремонты и замену деталей таким образом, чтобы минимизировать время простоя и затраты на обслуживание.

Технологии предиктивной аналитики: подход нашей команды

Прежде чем приступить к работе с данными, необходимо определить основные причины большинства отказов оборудования и метрики, на основе которых будут приниматься решения. Основной причиной отказов является износ оборудования. Процесс износа сопровождается повышением энергопотребления, а его начальные стадии, как и весь последующий износ, чётко проявляются на вибрационных измерениях.

На основании данного факта можно определить, какие данные необходимы для анализа: вибрационные параметры и показатели тока потребления.

Теперь следует определить показатель качества модели. Использовать такие метрики, как MAPE, MAE и MSE представляется нецелесообразным.

Например, в подавляющем большинстве случаев установка электроприводного центробежного насоса (УЭЦН) функционирует в нормальном режиме, что приведёт к высоким значениям указанных метрик. Это может создать ложное впечатление, что модель работает корректно, поскольку в ±90% случаев можно с уверенностью утверждать, что поломка не произойдёт, и это окажется верным прогнозом.

Данная задача относится к классическим задачам бинарной классификации. Наиболее адекватные метрики для оценки эффективности работы модели, определяющие её способность к обнаружению объектов целевого класса, включают:

• Точность (Accuracy) — доля всех правильных предсказаний (как переходов, так и отсутствия переходов) от общего числа предсказаний. Это общая метрика, показывающая, насколько модель правильно классифицирует состояния насосов.

• Полнота/Чувствительность (recall) — сколько переходов между зонами от общего числа мы сможем предсказать на трое суток (для краткосрочного прогноза) и 14 суток вперёд (для долгосрочного прогноза);

• Достоверность (precision) — количество предсказанных переходов от зелёной до красной зоны, которые действительно оказались переходами.

• F1-Score — это совместная метрика для оценки качества алгоритма предсказания, которая учитывает обе метрики.

После сбора данных, устранения выбросов и заполнения пропусков, был построен размеченный датасет с учётом режимов работы и журнала ремонтов.

Первоначальной идеей было использование методов на основе деревьев решений, что выглядит логичным подходом, так как данные обладают значительными взаимосвязями. Действительно, получение удовлетворительных результатов на начальном этапе не вызвало затруднений. Однако, после полной загрузки данных и продолжительного подборов гиперпараметров результаты оказались не лучше, чем простая угадайка по среднему значению:

С самого начала мы не испытывали иллюзий по поводу нахождения простых зависимостей в данных. Учитывая ограниченный объём данных, у нас остаются не так много вариантов архитектур нейронных сетей, которые бы работали с временными рядами, так что перебираем очередной ворох научных публикаций и проводя кучу экспериментов, приходим к LSTM. Согласно исследованию, именно эта архитектура показывает наилучшие показатели в задачах прогнозирования.

После нескольких месяцев тонкой настройки, переработке архитектур, для каждого типа вибрации, удалось поднять точность до 90% (MAPE = 10.1%), хоть полнота и точность выросли не так сильно, но уровня 60–80% по показателю F1 достичь удалось.

Ниже приведены некоторые результаты работы предиктивного модуля, где на первом графике входные, выходные и реальные значений, другие же показывают дополнительные временные ряды, которые учувствовали в принятии решения модели.

После обучения модули и кодовая база для их запуска заворачиваются в exe файл для локальной или удалённой(на сервере) работы. Вся работа модуля автономна, но для удобного восприятия результатов используется система SAFE PLANT, где мы и разбирались с имеющимися данными.

Пару слов о нём: пакет SAFE PLANT предоставляет гибкую архитектуру для внедрения предиктивной аналитики, поддерживающую подключение к различным типам датчиков и сбор полученных данных в отчёте, что является важным преимуществом. Наша команда обеспечивает полный цикл развёртывания, начиная от сбора данных и обучения моделей, заканчивая интеграцией с существующими системами управления ремонтами на предприятии. Подход позволяет минимизировать время на внедрение и адаптацию новых технологий, а также обеспечивать непрерывность производственного процесса.

Заключение

Несмотря на то, что данный вариант является финальным на текущем этапе, мы продолжаем активно развивать архитектуру LSTM, стремясь приблизить её к современным моделям. Однако основным препятствием по‑прежнему остаются данные. Надеемся, что наши клиенты уделят должное внимание качеству собираемых данных, что позволит нам не только предсказывать значения параметров, но и с ещё большей точностью определять конкретные причины будущих отказов оборудования.