ПРИМЕНЕНИЕ ПРЕДИКТИВНОЙ ДИАГНОСТИКИ В ЦИФРОВОМ ПРОИЗВОДСТВЕ

APPLICATION OF PREDICTIVE DIAGNOSIS IN DIGITAL PRODUCTION

Vlad Ermolaev

Student, Department of information Systems, Moscow State University of Technology "STANKIN",

Russia, Moscow

АННОТАЦИЯ

В данной статье раскрывается смысл применение предиктивной диагностики в цифровом производстве.

ABSTRACT

This article reveals the meaning of the use of predictive diagnostics in digital production.

Ключевые слова: цифровое производство, предиктивная диагностика, современные технологии, цифровой двойник.

Keywords: digital production, predictive diagnostics, modern technologies, digital twin.

Понятие «цифровое производство» используется более 10 лет. Но за это время значение этого термина претерпело существенные изменения[2].

Сначала под ним понимали предприятие, активно применяющее автоматизированные системы на этапах производства и его подготовки.

Сейчас термин понимают более широко: цифровое производство предполагает не только использование технологий для увеличения производительности работы станка конвейерной линии. Помимо этого, речь идёт о создании для изделия либо процесса, или даже всего предприятия, цифрового «двойника».

Цифровые производственные модели («цифровые двойники») являются многоуровневыми макетами как технологических и производственных процессов, так и отдельных технологических операций, оперируют огромным количеством производственных объектов (оборудование, рабочие места сотрудников, сервисные службы и т. д). Функционирование таких моделей требует учёта и анализа огромного количества разнородных данных. Это одна из причин, почему цифровое производство в современном значении этого слова потребовало значительного развития технологий, прежде чем стать возможным.

Система предиктивной диагностики – это аппаратно-программный комплекс, который отслеживает состояние основного оборудования, выявляет неисправности на ранних стадиях, прогнозирует развитие неисправностей на основании анализа текущих данных, получаемых в режиме реального времени.

Своевременная диагностика оборудования повышает эффективность производственных процессов и предсказывает неисправности, которые не сумеют предсказать инженеры. Диагностика увеличивает срок службы производственных линий в целом и отдельных узлов в частности, избегая незапланированных остановок или сокращая время простоя.

Создание систем предиктивной диагностики охватывает ряд этапов[1]:

•  первичный сбор эксплуатационных данных оборудования, включая историю его работы;
•  анализ данных и построение прогностических моделей (на основе математических алгоритмов, обучения нейронных сетей, методов распознавания образов);
•  верификация и проверка точности моделей.

Стратегия обслуживания по техническому состоянию, те предиктивное обслуживание, по сравнению с традиционными формами организации ремонтного хозяйства имеет ряд преимуществ. К ним относят:

• сокращение времени простоев оборудования в планово – предупредительных ремонтах;
• сокращение времени внеплановых простоев оборудования;
• сокращение времени обнаружения неисправностей;
• сокращение расходов на ремонт и эксплуатацию оборудования;
• увеличение времени работы оборудования между ремонтами;
• повышение надежности работы оборудования;
• повышение производительности оборудования;
• минимизация отрицательного воздействия человеческого фактора.

Рассмотрим подробнее стратегию предиктивного обслуживания оборудования, как наиболее эффективную в условиях повсеместной цифровизации. Ее основными функциями являются:

• диспетчирование технологических процессов, т.е. сбор онлайн данных о работе оборудования с помощью всевозможных параметрических датчиков или датчиков состояния;
• обнаружение и регистрация аварийных событий;
• прогнозирование возможных состояний оборудования;
•  обеспечение сотрудников своевременной технической и эксплуатационной документацией.

В подходе предиктивной аналитики первично моделируется объект как набор алгоритмов и соответствующих правил[3, с.52.]. Оборудование разделяется на объекты мониторинга (в случае со станком это шпиндель, направляющие подачи, магазин инструмента и т. д.), для каждого из которых также генерируются свои частные алгоритмы и правила. Таким образом, появляется «цифровой двойник» оборудования, повторяющий поведение реального объекта. Далее реальные данные объектов мониторинга поступают в «цифровой двойник», и в режиме реального времени ведется анализ расхождений и разнообразных аномалий. За счет этого удается прогнозировать их состояние и выявлять неисправности на ранней стадии их возникновения.

Основной задачей предиктивного обслуживания является определение того момента времени, когда необходимо провести ремонтные работы.

Реализация данной задачи предполагает, что производственное оборудование имеет возможность генерировать информацию о своем фактическом состоянии. Цифровые платформы, используемые предприятием, обрабатывают эту информацию и формируют рекомендации персоналу по улучшению технического состояния оборудования и снижению вероятности поломки, начиная с краткосрочного периода от нескольких недель, до долгосрочных перспектив сроками 5-7 лет.

Цифровые платформы, используемые для обработки данных предиктивной диагностики, могут быть различных видов: цифровые двойники, рекомендательные цифровые системы и другие предиктивные модели.

Таким образом, предиктивная аналитика позволяет выявить любые отклонения в заданных параметрах, синтезировать их, при помощи предикативных моделей прогнозировать с высокой степенью достоверности, когда произойдет сбой в ходе технологического процесса.

Подводя итоги, следует отметить,  что в условиях непрерывного производства, когда простой рабочей установки вызывает серьезные финансовые потери, значительно выгоднее предвидеть и своевременно предотвратить отказ оборудования.

Список литературы:

1. Бекасов Д. Возможности «Сименс» для цифровой трансформации промышленных производств // Тематическое приложение «IIoT» к Control Engineering Россия. 2018. № 5.
2. Гайдукова Е. Что такое цифровое производство, 2020. [Электронный ресурс]: https://www.comindware.com/ru/blog-что-такое-цифровое-производство/#Цифровое_производство_с_чего_начать (Дата обращения: 20.03.2022)
3. Калмыков И. Предиктивная аналитика и «цифровая зрелость» [Электронный ресурс] // Отраслевой научно-технический журнал «ИСУП». - 2020 - № 6(90). –С.50-52. –URL: http://isup.ru/articles/68/ 16123/ (Дата обращения: 25.03.2022)