Прогнозната поддръжка чрез машинно самообучение се изплаща в рамките на една година при предприятията, за които непланираният престой е скъп (снимка: CC0 Public Domain)
Глобалният пазар на технологии за прогнозна поддръжка се изчислява на 5,5 милиарда долара за 2022 г. – ръст от 11% спрямо 2021 г. Предвижданията на специалистите са, че секторът ще расте средно с по 17% до 2028 г. Водещ фактор за това ще е интересът на големите предприятия, при които непланираният престой струва хиляди долари на час.
Един непредвиден отказ на производствената техника може да коства на бизнеса повече от 100 хиляди долара. При това положение значението на точното прогнозиране на повредите на важните активи никога не е било по-голямо, посочват от IoT Analytics, доставчик на пазарни проучвания и данни за стратегически бизнес-анализи в сферата на интернет на нещата (IoT).
Очаквания за растеж
Последните изследвания подчертават, че средните разходи за непланиран престой костват приблизително $125 000 на час. При критични непланирани прекъсвания в съоръженията в индустриални предприятия от сферата на преработката на нефт и газ, химикали или метали, инвестицията в прогнозна поддръжка може да се амортизира още с първата правилна прогноза, казват анализаторите.
За съжаление монетата има и обратна страна: точността на много решения за прогнозна поддръжка е по-ниска от 50%. Това създава главоболия за организациите за поддръжка. Нерядко се оказва, че те се обръщат към даден актив, само за да установят, че е напълно изправен – а подобни ситуации подкопават доверието в цялото решение.
Въпреки това доставчиците предприемат мерки, за да повишат точността на прогнозите. Предлагат се все повече източници на данни и по-добри методи за анализ, включително анализ, управляван от AI. Има положителни признаци, че тази решимост за по-висока точност на прогнозиране помага на крайните потребители. Изследването на IoT Analytics показва, че 95% от бизнесите, възприели прогнозна поддръжка, отчитат положителна възвръщаемост на инвестициите, като 27% от тях отчитат амортизация за по-малко от година.
Пазарът за прогнозна поддръжка достигна 5,5 милиарда долара през 2022 г. Несигурните икономически условия и други производствени приоритети през последните 2 години доведоха до скромните 11% ръст на пазара между 2021 г. и 2022 г. Сега обаче компаниите реинвестират в ефективност, безопасност и оперативна ефективност. Това води до очакването, че пазарът за прогнозната поддръжка ще нараства солидно – с по 17% годишно до 2028 г.
Изследването разкрива още, че индустрии с тежки активи и високи разходи за престой стимулират приемането на решения за прогнозна поддръжка (напр. нефт и газ, химикали, минно дело и метали).
3 различни типа предсказуема поддръжка
С развитието на пазара се обособиха три забележими типа прогнозна поддръжка: индиректно предсказване на повреда, откриване на аномалии, оставащ полезен живот (RUL). Разликата между тях до голяма степен се свежда до целите, методите за анализ на данни и типа изходяща информация, които предоставят. RUL е най-трудният за постигане вид. Така е поради изискванията за ресурси и факторите на околната среда. Непрякото предвиждане на неизправности е най-използваният подход, но пък изследването показва, че откриването на аномалии нараства най-много.
Индиректно предсказване на отказ: обикновено се използва подход на оценка на състоянието на машината, базиран на функция на изискванията за поддръжка, условията на работа и историята на работа. Този подход често разчита на общ анализ, за да получи крайния резултат, въпреки че могат да се използват контролирани методи за машинно обучение, ако е налично значително количество данни.
Ползите започват с мащабируемостта. Косвените прогнози за повреда могат да бъдат по-лесно мащабирани, тъй като те разчитат на спецификациите на производителите на оборудване, които са повече или по-малко еднакви за машини от същия тип. Полезно е и това, че е ефективно от гледна точка на разходите – непрякото предвиждане на повреда може да използва съществуващи сензори и данни, намалявайки нуждата от допълнителни инструменти.
Подходът има и своите ограничения. Едно от тях касае точността на времевия прозорец на повредата. Непрякото прогнозиране на повредата не дава времева линия кога машините ще се повредят. Това може да бъде проблем за организации с много скъп престой.
Откриване на аномалии: това е процес на намиране и идентифициране на нередности в данните (т.е. точки от данни, които се отклоняват от обичайните модели или тенденции). Докато косвеното предсказване на неизправност и подходите RUL използват данни за неизправности, за да предскажат бъдещи проблеми, откриването на аномалии използва „нормалния“ профил на актива, за да открие отклонения от нормата. Отклоненията могат да показват потенциални проблеми, като неизправности, грешки, дефекти или увреждания, които трябва да бъдат открити и отстранени навреме – преди да причинят сериозна повреда или прекъсване на работата.
Характерни тук са ниските изисквания за данни и хардуер. Моделите за откриване на аномалии могат да идентифицират проблеми, без да бъдат обучавани на данни за грешки. Освен това, тъй като тези модели се нуждаят от по-малко данни, те не изискват висока изчислителна мощност. Технологията се отличава и с висока мащабируемост и възможност за прехвърляне на модела. Моделите за откриване на аномалии се обучават на данни за нормална работа, така че лесно могат да бъдат приложени към различни апаратури без повторно обучение или адаптиране.
Ограниченията са главно от гледна точка на точност на времевия прозорец на повредата. Както при косвеното предвиждане на повреда, моделите за откриване на аномалии не дават времева линия кога машините ще се повредят. Това е предизвикателство за производствата, чиито престой е скъпоструващ.
Друга слабост са т. нар. фалшиви положителни резултати.
Оставащ полезен живот (RUL): RUL е очакваният живот на машината или оставащото време за използване, преди машината да изисква ремонт или подмяна. Животът или времето за използване се определя от гледна точка на съответното количество за измерване на живота на системата (напр. изминато разстояние, извършени цикли на повторение или времето от началото на работа).
Този подход разчита на индикатори за състояние, извлечени от данни от сензори – тоест, когато системата се влошава по предвидим начин, данните от сензорите съответстват на очакваните стойности на влошаване. Индикатор за състояние може да бъде всеки фактор, полезен за разграничаване на нормалните операции от дефектните. Тези индикатори се извличат от системни данни, взети при известни условия, за да се обучи модел, който може да диагностицира или прогнозира състоянието на система въз основа на нови данни, взети при неизвестни условия.
RUL е особено полезен за индустрии, където поддръжката е много скъпа и се нуждае от разширено планиране. Тъй като оценките на RUL разчитат на висококачествени и подробни данни, те обикновено са по-стабилни и надеждни.
Слабостта на технологията касае най-вече потребността от мощен изчислителен хардуер. Освен това различните среди и модели на използване могат да доведат до различни режими на повреда за един и същи тип оборудване. Това означава, че моделът трябва да бъде преквалифициран за всеки конкретен случай, намалявайки неговата мащабируемост и възможност за обобщаване.