Статистика аварий промышленных конструкций демонстрирует, что ошибочная оценка технического состояния — одна из основных причин разрушения материалов помимо естественного износа. Эта проблема особенно актуальна в связи с обострением дефицита опытных специалистов, занятых в эксплуатации сооружений.

Обследование и мониторинг технического состояния строительных конструкций традиционно является одной из сложных предметных областей в строительной отрасли. Как правило, при определении степени аварийности исследуемого строительного объекта, главным фактором выступает категория технического состояния, а основным методом ее определения являются экспертные оценки. Однако для того, чтобы определить категорию технического состояния, требуется учитывать множество связанных между собой факторов, иметь глубокие знания в области строительства и существенный реальный опыт экспертизы строительных объектов. Для этого требуется не один год практической деятельности.

При этом, за более чем 35-летний опыт мониторинга и обследования строительных конструкций накоплена существенная база данных в виде технических отчетов в электронном виде. Однако информация о диагностике технического состояния строительных конструкций изложена в них на естественном языке, что в определенной степени затрудняет использование этой информации в автоматизации процесса. Опираясь на возможности технологии искусственного интеллекта, в частности, нейронных сетей и их «способностях», аналогичных навыкам человека-эксперта (извлечению знаний из данных, способности к обобщению), учеными Пермского Политеха принято решение использовать эту технологию для автоматизированного процесса принятия решения о техническом состоянии наиболее массовых зданий перегрузочных узлов на территории рудоуправлений.

Результатом работы ученых Пермского Политеха стала архитектура нейросети для определения категории технического состояния, а также назначения ремонтных мероприятий для основных строительных конструкций зданий перегрузочных узлов на основе материалов детальных обследований. В перспективе это позволит снизить трудозатраты экспертов, повысит точность и скорость в оформлении технических отчетов. Для ее обучения использовали материалы технических отчетов за 1997-2024 годы.

В выборку для обучения нейросети вошли колонны, стойки фахверка, вертикальные и горизонтальные связи, главные балки перекрытий и покрытия, второстепенные балки перекрытий. Также в выборку включались данные о монолитных плитах перекрытия, сборных железобетонных ребристых плитах покрытия и сборных керамзитобетонных стеновых панелях. В качестве входных данных учитывались все параметры, встречающиеся при обследовании перегрузочных узлов: уровень коррозии материала, состояние защитного покрытия, узлов, данные расчетов, нарушения целостности. В зависимости от их сочетания друг с другом ИИ определяет, к какой категории следует отнести конструкцию и требуется ли ей ремонт.

— В ходе экспериментов модель показала до 95% точности и уже может применяться в строительстве. В дальнейшем мы планируем проверить ее на большем количестве данных и доработать в полноценного бота в Телеграме. Там молодым специалистам будет гораздо удобнее и проще работать с программой, — комментирует Галина Кашеварова, профессор кафедры «Строительные конструкции и вычислительная механика» ПНИПУ, доктор технических наук.

Разработка ученых Пермского Политеха позволит применять автоматизированные решения в области экспертных оценок, повысить качество обследований и, как следствие, обеспечить надежную и безопасную эксплуатацию зданий перегрузочных узлов.

Р.И. Фатхутдинов, А.Н. Махнёва. Анализ причин и последствий аварийности на объектах нефтегазодобычи за 2003-2019 гг.

Авторы статьи, на основе анализа обширных данных по аварийности, травматизму, их предпосылках и последствиях сформировали некий аналог пирамиды Генриха-Бёрда для нефтегазовой промышленности. Установлено наличие связей между авариями и инцидентами, смертельным травматизмом, ущербом, уровнем добычи нефти, количеством нефтегазодобывающих организаций, административными штрафами Ростехнадзора, предложенными службами производственного контроля мероприятиями. Определены основные группы причин аварий, выявленных Ростехнадзором и службами производственного контроля нарушений.

Получаются довольно интересные факты: в среднем 1 авария уносит жизнь 1 человека и наносит ущерб в размере 54 млн руб. Этой аварии предшествует в среднем 470 инцидентов; 1593 нарушений, выявленных Ростехнадзором; 364 проверок Ростехнадзора; 13 приостановок деятельности; 857 проверок служб производственного контроля (ПК); 1607 мероприятий по итогам ПК.

Наблюдается заметная линейная связь между авариями и инцидентами. Соответственно, через анализ причин инцидентов, устранение их последствий и предупреждение повторения можно управлять аварийностью. Анализ показал наличие умеренной линейной связи между количеством аварий и случаями смертельного травматизма. Соответственно, уменьшение количества аварий должно снизить и количество случаев смертельного травматизма. 

Сделан вывод, что для снижения аварийности и смертельного травматизма необходимо управлять нарушениями на уровне производственного контроля предприятий и Ростехнадзора, не позволяя переходить в область инцидентов и аварий.

Зрелость технического обслуживания является ключевым вопросом для любого промышленного предприятия, и его целью всегда будет повышение уровня зрелости. Как организации оценивают уровень зрелости своего технического обслуживания?

Свет на этот вопрос пролил отчет о техническом обслуживании за 2024 год "Эффективность в центре внимания", разработанный в Великобритании компанией RS (глобальный поставщик услуг в области технического обслуживания) в сотрудничестве с Институтом инженеров-механиков (IMechE). Отчет собрал ответы почти 400 специалистов по техническому обслуживанию. Наиболее распространенной должностью, указанной респондентами, была должность инженера по техническому обслуживанию, но также были хорошо представлены менеджеры по проектированию и техническому обслуживанию, технические менеджеры, старшие инженеры-механики и менеджеры по техническому обслуживанию.

Менее трети (почти 30%) специалистов по техническому обслуживанию уверены, что их работа соответствует высокому уровню зрелости. В то же время 53% оценивают свою зрелость как среднюю. Почти каждый пятый (19%) считает ее низкой.

Опасения по поводу качества данных означают, что такая оценка зрелости, скорее всего, оправдана. Согласно отчету RS, одной из основных причин, по которой организации считают, что их функции обслуживания не настолько совершенны, как могли бы быть, является качество данных, на которые они полагаются. В отчете говорится, что 57% респондентов считают свои данные надежными, в то время как 28% придерживаются нейтрального мнения. В то же время 12% считают их ненадежными, и эта величина возрастает до 41% среди тех, кто также оценивает свою общую зрелость как низкую.

Кроме того, руководители, как правило, меньше доверяют данным по сравнению с теми, кто выполняет практические функции: только 47% старших руководителей доверяют информации по сравнению с 62% оперативного персонала. Это может быть случай,
когда те, кто выполняет оперативные функции, не всегда понимают более широкую картину.

Отсутствие надежных данных означает, что истинный источник проблемы никогда по-настоящему не определяется, и поэтому его труднее устранить. Хуже того, некачественные данные могут привести к неправильному решению проблемы. Однако, несмотря на необходимость улучшения управления данными, многие организации по-прежнему полагаются на устаревшие инструменты. Согласно отчету, 62% респондентов используют автоматизированные системы управления техническим обслуживанием (CMMS), а 59% по-прежнему используют электронные таблицы Excel. Около 37% опрошенных полагаются на бумажные документы. Использование электронных таблиц Excel наиболее распространено среди организаций с низким уровнем зрелости, где 68% обращаются к ним для управления техническим обслуживанием.

Более половины (62%) придерживаются планового технического обслуживания, а 38% внедрили прогностическое техническое обслуживание (predictive maintenance). Значительные 42% придерживаются реактивной стратегии обслуживания, причем этот показатель выше среди тех организаций, которые заявляют, что у них низкий уровень зрелости обслуживания, где он увеличивается до 61%.

Организации с более высоким уровнем зрелости чаще практикуют обслуживание, ориентированное на надежность (RCM), что является приоритетом для 34% этой группы, по сравнению со средним показателем, составляющим 19% в целом.

То, что организации измеряют, также дает некоторое представление об общей зрелости их функций по техническому обслуживанию. Наиболее распространенным ключевым показателем эффективности является доля невыполненных заказов на техническое
обслуживание (44%), за которым следует соблюдение бюджета (41%) и общие затраты на техническое обслуживание (39%). Менее распространены более сложные показатели: 31% используют общую эффективность оборудования (OEE), 30% измеряют среднее время наработки на отказ (MTBF) и 22% среднее время восстановления (MTTR).

Средняя организация тратит 15 часов в неделю на внеплановое техническое обслуживание, по сравнению с 20 часами в предыдущем исследовании. Это обнадеживает и отражает то внимание, которое профессионалы в этой области уделяют планированию, а также более жесткому контролю за расходами. Но внеплановые простои по-прежнему составляют 24 часа в неделю более чем в каждой пятой (21%) организации. Простои, связанные с плановым техническим обслуживанием, составляет в среднем 19 часов в неделю и более 24 часов у двух из пяти респондентов (40%).

Опрос GlobalData на рудниках, проведенный в период с февраля по апрель 2023 года, показал, что, прогнозное обслуживание мобильного оборудования станет ключевым направлением инвестиций в ближайшие два года. По данным исследования, 40 % опрошенных горняков планируют либо инвестировать в технологию впервые, либо увеличить инвестиции в эту технологию.

Если сравнивать различные регионы, то очень высокая доля респондентов из Австралии (74 %) планирует инвестировать средства в прогнозное обслуживание мобильного оборудования в ближайшие два года, за ними следуют 37 % респондентов из Африки и Америки и 36 % респондентов из Европы и Ближнего Востока. В настоящее время респонденты из Австралии также считают, что они достигли наибольшего прогресса в отношении своих инвестиций: 12% заявили, что они полностью внедрили эту технологию, 53% заявили, что вложили значительные средства, а 18% - умеренные.

Техническое обслуживание, основанное на прогнозировании (п. 7.4 стандарта ГОСТ Р 57329-2016), или прогнозное техническое обслуживание (Predictive Maintenance, PdM), постепенно занимает своё "место под солнцем". Его ниша – технически сложные объекты, находящиеся в динамически меняющихся условиях эксплуатации, критичные с точки зрения последствий отказа.

Программы профилактики таких объектов, как правило, имеют большой объем, требуют останова и соответственно снижают эксплуатационную готовность объекта и увеличивают стоимость его жизненного цикла.

Альтернативой профилактике является PdM, при котором обслуживание и ремонт выполняются только при повышении риска отказа. С этой целью в рамках PdM осуществляется прогнозирование отказов по видам и срокам, а исходя из этого определяются сроки, вид и объем предупредительных работ.

Для прогнозирования отказов используются большие объемы данных о техническом состоянии оборудования и технологии их обработки, таких как моделирование, машинное обучение и т.д. Ключевая роль принадлежит машинному обучению, которое предполагает выявление закономерностей в обучающей выборке данных, а затем распознавание их в анализируемой выборке для прогноза по аналогии.

Компания MaintainX опубликовала отчет о состоянии промышленного технического обслуживания, содержащий подробный анализ проблем, тенденций и возможностей, формирующих этот сектор. В исследовании приняли участие 1165 специалистов по техническому обслуживанию, ремонту и эксплуатации (MRO) со всего мира, из разных отраслей экономики, представляющих предприятия разного масштаба.

В то время как большинство респондентов (85,2%) сообщили о стабилизации или даже сокращении (45%) числа внеплановых простоев за прошедший год, значительная часть (29,4%) столкнулась с увеличением финансовых последствий этих сбоев. Эти, казалось бы, противоречивые данные подчеркивают необходимость более глубокого понимания внеплановых простоев и факторов, влияющих как на частоту, так и на стоимость.

Средняя стоимость часа незапланированного простоя колеблется около 25 000 долларов, но для более крупных организаций эта цифра может вырасти до более чем 500 000 долларов. 72% предприятий объяснили увеличение стоимости незапланированных простоев ростом стоимости запчастей и их доставки. Фактически, 58,9% предприятий, которым удалось снизить затраты на внеплановые простои, объяснили это улучшением управления запасами запасных частей.

64,6% респондентов указали на улучшение своей стратегии технического обслуживания как на один из основных факторов сокращения внеплановых простоев в 2024 году. При этом 43% в качестве такого фактора назвали замену стареющего оборудования, а 27% - повышение качестве и интенсивности обучения персонала.

65,7% из тех предприятий, где за последние 12 месяцев действительно наблюдалось увеличение внеплановых простоев, указали на нехватку рабочей силы и отсутствие необходимых навыков в качестве причины увеличения. Эти результаты подчеркивают важность высококачественного обучения и повышения квалификации в борьбе с нехваткой квалифицированной рабочей силы и внеплановыми простоями.

Несмотря на то, что замена устаревающего оборудования остается преобладающей стратегией снижения операционных рисков (67,95%), текущие экономические условия создают серьезные проблемы для такого подхода. По мере старения оборудования техническое обслуживание выходит на первый план. 47,1% респондентов, которые считают старение оборудования основной причиной незапланированных простоев в будущем году, указали, что они будут совершенствовать свою стратегию технического обслуживания для борьбы с этим явлением. Улучшение технического обслуживания стареющего оборудования может свести к минимуму риск непредвиденных отказов и помочь поддерживать его в рабочем состоянии до тех пор, пока вы не сможете заменить его.

Предприятия также стремятся инвестировать в более качественное и интенсивное обучение, чтобы сократить сбои в работе из-за устаревания оборудования. Более четверти (28,3%) респондентов, сталкивающихся с проблемами устаревания оборудования, планируют повысить качество и частоту обучения для решения этой проблемы. Вы не всегда сможете позволить себе роскошь заменять устаревающее оборудование, поэтому вы должны контролировать то, что в ваших силах.

86,8% предприятий-участников сообщили об активном использовании профилактического обслуживания (планового технического обслуживания). Но несмотря на широкое внедрение профилактического обслуживания, большинство предприятий по-прежнему находятся в цикле реактивного технического обслуживания, посвящая большую часть своего времени незапланированным мероприятиям: 59% предприятий уделяют плановому техническому обслуживанию менее половины своего времени. Эта суровая реальность свидетельствует о значительном разрыве между намерениями и действиями: большинство предприятий понимают ценность профилактического обслуживания, но нуждаются в помощи для его внедрения. 5% предприятий сообщили, что реактивное обслуживание - единственная программа, действующая на их предприятии.

60% отметили нехватку квалифицированной рабочей силы как основную проблему, с которой они сталкиваются при совершенствовании своей программы технического обслуживания. Молодое поколение, вырастая, не мечтает стать механиком. И по мере того, как старшие поколения уходят на пенсию, становится все сложнее найти замену этому человеческому капиталу.

Поэтому компании все чаще обращаются к технологиям для накопления и сохранения институциональных знаний, повышения квалификации своих сотрудников и оптимизации процессов. Современные компьютеризированные системы управления техническим обслуживанием (CMMS) обеспечивают централизованное хранение важной информации, делая ее доступной для опытных членов команды и следующего поколения технических специалистов.

Большинство предприятий (64,4%) выделяют на техническое обслуживание 5-20% своего годового операционного бюджета. Примерно каждое пятое предприятие выделяет на техническое обслуживание более 20% своего годового операционного бюджета.