Введение
Предиктивная аналитика развивается в мире бурными темпами, причем в ее основе лежат как классические методы анализа данных, так и современные методы машинного обучения. Комбинация классических методов и машинного обучения позволяет прогнозировать выход из строя промышленного оборудования и другие внештатные ситуации на производстве с высокой точностью. Применение предиктивной аналитики помогает производственным компаниям наиболее эффективно организовывать работу оборудования, снижать риски дорогостоящего и долгосрочного ремонта, и тем самым показывать значительную экономию финансовых и трудовых ресурсов. Однако, несмотря на стремительное развитие этой области, существует ряд сложностей, которые замедляют внедрение и повсеместное использование предиктивной аналитики. Основные трудности в развитии предиктивной аналитики.
Справка об эксперте.
Митиогло Алексей Михайлович
Статья написана Митиогло Алексеем Михайловичем — специалистом по предиктивной аналитике данных, членом рабочей группы, занимающейся стандартизацией применения технологий искусственного интеллекта в промышленности. Он является директором ООО «Предикта», команды профессионалов с пятнадцатилетним опытом в создании киберфизических систем и реализации сложных проектов.
Основные трудности в развитии предиктивной аналитики
Хотя предиктивная аналитика представляет собой мощный инструмент для повышения эффективности в промышленности, ее внедрение сопряжено с рядом трудностей, которые препятствуют развитию и широкому применению.
Специфичность подходов
Один из ключевых вызовов заключается в том, что существующие подходы и модели, как правило, разрабатываются для специфического оборудования или деталей, а не для универсального использования. Это создает проблему, так как каждая система требует разработки уникальной модели, которая будет учитывать особенности конкретного оборудования или процесса. Например, система предсказания поломок в одном типе оборудования может не работать для другого типа оборудования.
Предиктивные модели должны учитывать особенности таких факторов, как рабочая нагрузка, тип используемых сенсоров, и даже условия эксплуатации, что делает сложным создание универсальных решений. Это приводит к необходимости создавать множество моделей для разных задач, что увеличивает затраты на разработку и внедрение. Каждая модель при этом требует регулярной адаптации и обновления по мере изменения оборудования или условий эксплуатации.
Например, для станка, который массово выпускает однотипную деталь, можно использовать модель вибрационного профиля изделия. Отклонения от эталонного профиля говорит о нарушении технологии или деградации подшипников, в зависимости от показателей. Если этот же станок будет выпускать единичные изделия, эта модель не подойдет.
Низкое качество данных из-за агрессивной промышленной среды.
Вторая большая проблема – это наличие зашумленных или ошибочных данных. В промышленной среде датчики, откуда поступают данные для обработки, часто работают в сложных условиях: вибрации, высокие температуры, влажность и наличие химических веществ могут негативно сказываться на их работе. Как следствие, данные, поступающие с таких датчиков, могут содержать шумы, ошибки или пропуски, что усложняет их анализ и снижает точность прогнозов.
Например, если датчик, отслеживающий вибрации на станке, оказывается поврежден из-за перегрева, это может привести к тому, что модель будет генерировать ложные прогнозы о скором выходе оборудования из строя. Работа с такими данными требует дополнительных усилий на этапах очистки, фильтрации и предварительной обработки, что увеличивает время и ресурсы, необходимые для внедрения предиктивных моделей.
Обработка больших объемов данных.
Современные промышленные объекты и предприятия генерируют огромные объемы информации, которые нужно собирать, передавать и обрабатывать нон-стоп. Это представляет собой технический вызов, особенно если учитывать, что данные поступают с сотен или тысяч сенсоров, расположенных на объекте. Например, на одном производственном участке могут находиться сотни единиц оборудования, каждое из которых оснащено несколькими сенсорами, передающими данные каждые несколько секунд.
Собрать такие массивы данных, передать их по сети и затем оперативно обработать – это крайне ресурсоемкий процесс. Системы сбора данных должны быть гибкими и способными масштабироваться в зависимости от нагрузки. Кроме того, хранение таких данных требует больших объемов памяти и сложной инфраструктуры, которая также должна учитывать безопасность и защиту данных. На данный момент зачастую наблюдается «цифровое варварство», когда через определенный промежуток времени собранные данные стираются (например, каждые 14 дней). А для качественного обучения моделей необходимы данные за продолжительный срок (какой-либо цикл, например, полный год).
- Излишние усилия предприятий по защите некритичных промышленных данных.
Очевидно, что разглашать информацию о всех подробностях работы производственной площадки не хочется ни одному руководителю предприятия. Но далеко не вся информация о производственных процессах является чувствительной, к тому же есть все инструменты и варианты соглашений по передаче, обработке и хранению этой информации таким образом, чтобы информация не попала в свободной доступ и ей не смогли воспользоваться конкуренты.
Например, норвежские морские платформы оснащены беспроводными датчиками компании ABB. Информация с датчиков передается в «облако» компании ABB, где система мониторит и контролирует состояние агрегатов и при необходимости оповещает персонал платформ о критических ситуациях. Данные состоянии агрегатов не являются критичными и как правило обезличены. Их потеря или раскрытие не несет угроз.
- Боязнь специалистов, что их заменят системы предиктивной аналитики.
При этом люди в данных системах являются ключевыми звеньями – они направляют и помогают развитию предиктивной аналитики. Тяжелый и часто опасный труд обходчиков, заменяется датчиками, а персонал контролирует состояние за компьютером.
Варианты решения сложностей
Несмотря на перечисленные проблемы, существует несколько возможных путей для их решения, которые помогут улучшить развитие и внедрение предиктивной аналитики.
Создание более общих моделей предиктивной аналитики.
Для решения проблемы специфичности моделей можно разрабатывать более универсальные и гибкие решения, которые могут адаптироваться под разные типы оборудования и условий. Один из подходов к этому – унификация применяемых датчиков и стандартизация данных, которые они собирают. Если предприятия будут использовать стандартизированные сенсоры и подходы к сбору информации, это облегчит разработку более общих моделей, способных работать на разных объектах.
Еще один подход — использование модульных моделей, которые могут настраиваться под разные задачи с минимальными изменениями. Такой подход позволит создавать более гибкие и масштабируемые решения, которые можно будет адаптировать под конкретные потребности.
Применение современных методов предварительной обработки данных.
Для решения проблемы с низким качеством данных можно применять методы, уже хорошо зарекомендовавшие себя в других сферах применения ИИ, например, в компьютерном зрении или обработке естественного языка. Методы фильтрации шума, автоматической коррекции ошибок и восстановления пропущенных данных могут значительно улучшить качество данных, поступающих с промышленных датчиков.
Кроме того, можно использовать современные подходы к анализу данных, такие как глубокое обучение, которое способно само адаптироваться к неидеальным условиям данных и выявлять скрытые закономерности даже в зашумленных и неполных данных.
Использование гибкой архитектуры сбора и обработки данных.
Для эффективного сбора и обработки больших объемов данных можно применять распределенные системы хранения и обработки информации. В таких системах данные собираются с сенсоров и передаются на обработку на локальные сервера или облачные платформы, что позволяет снизить нагрузку на сети и ускорить процесс анализа.
Кроме того, можно внедрять решения, использующие технологии, которые позволяют предварительно обрабатывать данные непосредственно на месте их сбора. Это снижает объем передаваемой информации и уменьшает задержки в принятии решений.
Гибкая архитектура также включает в себя возможность масштабирования по мере роста объемов информации и интеграции с другими системами. Это позволяет компании постепенно развивать свою инфраструктуру для обработки данных без траты ресурсов на полную замену уже существующих решений.
- Создание государственных платформ промышленных данных
Государственная платформа будет внушать доверие и гарантировать то, что никакие данные не уйдут конкурентам и бизнесу не будет нанесен ущерб.
- Развитие и обучение специалистов на предприятиях.
Специалисты не должны бояться, что новые технологии лишат их работы. Повышение их квалификации даст им уверенность в завтрашнем дне, специалисты перестанут бояться цифровых технологий, если смогут разбираться в них и даже сами создавать решения на основе этих технологий.
Оснащение умными системами, это прежде всего новые возможности получения и обработки данных, недоступных при традиционном планово-предупредительном ремонте с периодическими обходами.
Заключение
Предиктивная аналитика – это мощный инструмент, который помогает компаниям повышать эффективность своей работы, снижать затраты и минимизировать риски. Однако ее развитие сопряжено с рядом сложностей, таких как специфичность моделей для различных объектов, наличие зашумленных данных и необходимость обработки больших объемов информации. Для преодоления этих проблем могут использоваться различные подходы, такие как создание более универсальных моделей, использование современных методов обработки данных и внедрение гибкой архитектуры сбора и анализа данных.
Решение этих задач потребует времени, ресурсов и координации между разными участниками рынка, но результаты будут оправдывать затраченные усилия, так как предиктивная аналитика обещает стать неотъемлемой частью работы практически любой современной производственной компании в ближайшие годы.
Автор статьи: Митиогло Алексей Михайлович
