На отраслевом ресурсе добывающей промышленности опубликована статья с комментариями НПП СпецТек на актуальную тему: цифровизация, данные, искусственный интеллект.

Основные тезисы, вошедшие в статью:

1. Проблема избытка данных порождена технологическим развитием, которое обеспечило доступность инструментов сбора данных и возможность хранения неограниченных объемов данных, и тем самым сформировало соблазн собирать как можно больше данных только по той причине, что они считаются полезными.
2. Существует причина, по которой данных много, а извлечь из них пользу нельзя: либо у них нет нужных атрибутов, либо где-то не добрали ключевых данных из-за эпизодичности их сбора, либо наблюдается разнобой в структурировании данных, собираемых разными подразделениями, либо просто нет доступа к данным.
3. Особую сложность в проектах цифровизации имеет задача интеграции со смежными системами. Учитывая, что каждый бизнес структурирует свои данные совершенно по-разному, готовых интерфейсов «из коробки» не существует.
4. Искусственный интеллект не понимает технические объекты. Он берет входные данные и выявляет в них закономерности. Он не видит механизмов неисправности, породившей эти данные. Он будет не обращать внимания на проблемы, если его не научить, на что обращать внимание.
5. Один из самых опасных рисков, связанных с ИИ, это «галлюцинации», когда инструмент с ИИ уверенно выдаёт ошибочный вывод. Проблема в том, что ИИ не понимает, когда он чего-то не понимает. Вот почему так важна экспертная оценка выводов ИИ человеком.

Более 90% машин оснащены подшипниками качения. Для достижения производственных целей подшипники качения работают непрерывно в различных условиях эксплуатации и окружающей среды. Это приводит к различным типам дефектов в компонентах подшипников, таким как усталость, износ, вибрации, недостаточная смазка, ошибки проектирования, пластическая деформация, образование борозд, коррозия и неправильная установка. 

Значительная доля отказов (около 40% отказов вращающегося оборудования) связана именно с дефектами подшипников. Следовательно, они являются одними из наиболее важных компонентов. Любые серьезные дефекты в них повлияют не только на производительность, но и на доступность, безопасность и надежность.

В этом обзоре систематизированы методы диагностики подшипников качения с акцентом на методы машинного обучения и передовые методы глубокого обучения. 

Традиционные методы диагностики дефектов в значительной степени основаны на процессе, частоте появления признаков или извлечении признаков неисправности из характеристик подшипникового узла. Для диагностики используют такие традиционные методы, как:

1. Визуальный осмотр, который позволяет обнаружить трещины, коррозию, изменения цвета металла и другие дефекты.
2. Аудиальная диагностика - прослушивание шумов и вибраций с помощью стетоскопа или акустических датчиков.
3. Инструментальный контроль - измерение вибраций, температуры, токов, анализ состояния смазки и продуктов износа.
4. Термография, которая позволяет визуализировать распределение температуры по поверхности подшипникового узла и выявить аномальные зоны нагрева.

Однако, традиционные методы сталкиваются с ограничениями при обнаружении дефектов сложного оборудования, поскольку в значительной степени зависят от практического опыта и профессиональной экспертизы, требуют специальных знаний. С другой стороны, сигналы со статистическими характеристиками (вибрационные и другие) можно анализировать с помощью вычислительных методов выявления закономерностей и аномалий, что облегчает идентификацию и диагностику неисправностей. К таким методам относятся, в частности: 

1. анализ огибающей, 
2. вейвлет-преобразование,
3. быстрое преобразофание Фурье,
4. эмпирическое разложение по модам (EMD).

Они давно используются, но их возможности ограничены шумами и нестационарными сигналами. Недавние исследования интегрируют передовые методы обработки сигналов с подходами машинного обучения. Алгоритмы машинного обучения (ML) уменьшают зависимость от субъективной интерпретации признаков неисправности и повышают точность диагностики в сложных условиях эксплуатации. Обучившись на трендах из вибрационных и других сигналов, излучаемых подшипником, алгоритмы ML автоматически обнаруживают и распознают неисправности.

Существуют различные алгоритмы машинного обучения, которые включают:

1. классификационный анализ, 
2. регрессионный анализ, 
3. кластеризацию данных,
4. обучение ассоциативным правилам, 
5. инженерию признаков для уменьшения размерности, 
6. методы глубокого обучения (ANN, CNN, LSTM, DNN, RNN). 

Как поверхностные, так и глубокие методы машинного обучения способствуют идентификации, локализации и оценке серьезности неисправностей. Поверхностные модели позволяют проводить модульный, интерпретируемый анализ, в то время как глубокое обучение обеспечивает автоматическое извлечение признаков и сильную обобщающую способность в сложных условиях. 

Методы, основанные на искусственных нейронных сетях (CNN), способны изучать сложные шаблоны данных. Подходы глубокого обучения, такие как сверточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM), эффективно моделируют деградацию и распространение неисправностей. Они могут изучать сигнатуры неисправностей непосредственно из необработанных данных без необходимости ручного извлечения характеристик. 

В обнаружении неисправностей подшипников искусственные нейронные сети (ANN) широко используются для диагностики таких дефектов, как дефекты внутреннего кольца, наружного кольца и сепаратора. Как правило, сигналы вибрации или акустической эмиссии сначала предварительно обрабатываются с использованием статистических мер или вейвлет-преобразований, чтобы подчеркнуть характеристики, связанные с неисправностью, и уменьшить шум. При этом ANN на основе вейвлетов достигают точности классификации выше 99% для сценариев сложных неисправностей 

Для повышения эффективности диагностики EMD был интегрирован со сверточными нейронными сетями (CNN). Гибрид EMD–CNN продемонстрировал заметный успех в обнаружении ранних признаков неисправностей и обработке нестационарной динамики, при этом несколько исследований подтвердили его применимость на эталонных наборах данных и реальных промышленных системах. 

В диагностике подшипников CNN все чаще используются благодаря их способности автоматически изучать дискриминантные признаки из необработанных или слегка обработанных данных, устраняя необходимость в ручной разработке признаков. CNN очень эффективными для классификации типов неисправностей и оценки остаточного срока службы (RUL).

Глубокие нейронные сети (DNN) представляют собой более широкий класс нейронных архитектур, характеризующихся множеством скрытых слоев, которые постепенно преобразуют входные данные в представления более высокого уровня. Каждый слой применяет нелинейные преобразования, что позволяет DNN улавливать сложные взаимосвязи и иерархические закономерности в вибрационных или акустических данных. Сила DNN заключается в их способности исключать ручную разработку признаков путем автоматического извлечения признаков из необработанных входных данных датчика. Ранние слои улавливают низкоуровневые признаки, такие как пики и края сигнала, в то время как более глубокие слои кодируют абстрактные сигнатуры деградации, обеспечивая надежное обнаружение неисправностей, задачи регрессии и оценку остаточного срока службы. Помимо традиционных областей, таких как распознавание речи и изображений, DNN успешно применяются для обнаружения неисправностей, обнаружения аномалий и прогнозирующего технического обслуживания вращающегося оборудования.

Хотя DNN обеспечивают высокую точность диагностики, они являются вычислительно затратными и требовательными к данным, что требует тщательной регуляризации во избежание переобучения. Их интерпретируемость также остается ограничением, поскольку более глубокие слои работают как модели «черного ящика».

Рекуррентные нейронные сети (RNN) предназначены для улавливания временных зависимостей путем включения петель обратной связи, что делает их особенно подходящими для последовательных данных, таких как сигналы вибрации. В отличие от сетей прямого распространения, RNN сохраняют память о предыдущих входных данных, что позволяет им моделировать временную динамику во вращающихся механизмах, где признаки неисправностей изменяются со временем. Это делает RNN очень эффективными для обнаружения неисправностей подшипников и мониторинга состояния в нестационарных средах.

RNN часто интегрируются с методами предварительной обработки, такими как вейвлет-преобразование или быстрое преобразование Фурье, для улучшения представления признаков. Экспериментальные оценки показали, что модели на основе RNN могут стабильно достигать точности классификации неисправностей, превышающей 95%, на различных наборах данных.

Тем не менее, RNN представляют собой проблемы, такие как высокая вычислительная стоимость, длительное время обучения и ограниченная интерпретируемость изученных временных признаков. Для решения этих проблем используются такие методы, как ограничение градиента и механизмы внимания.

Ученые Пермского Политеха создали математическую модель, способную с точностью до 95% предсказывать износ наиболее уязвимых частей мостов — «мостовых суставов», содержащих полимерные вставки.

Мосты в России работают в экстремальных условиях: перепады температур, вибрация и растущие нагрузки. Слабое место конструкции — опорные части с полимерными вставками, которые работают как «суставы». Полимерные вставки широко применяются в мостовой архитектуре, поскольку позволяют эффективно гасить вибрацию мостовых пролетов, снижать трение и обеспечивать необходимую подвижность пролетов под нагрузкой. Полимерные вставки работают как своеобразный хрящ, если сравнивать их с человеческим суставом.

Одним из перспективных решений для таких узлов является сверхвысокомолекулярный полиэтилен — пластик, устойчивый к износу и обладающий низким коэффициентом трения. Проблема в том, что в мировой практике существующие методы испытаний и расчетов антифрикционных материалов не позволяют точно предсказать их поведение при экстремальных нагрузках и перепадах температур. В лаборатории их проверяют, например, просто сжимая с постоянной скоростью или нагревая до определенной температуры. А стандартные компьютерные модели учитывают только упругость, то есть полное восстановление формы после снятия нагрузки.

Но в реальности мост постоянно испытывает сочетание разных воздействий. За ночь он может промерзнуть до –30 °C, а утром резко нагреться на солнце, не считая внутреннего повышения температуры от натирания элементов друг о друга. Из-за этого в полимере возникают сложные внутренние напряжения. Добавьте к этому вес и удары от машин или поездов — и материал начинает необратимо деформироваться. Даже когда нагрузка уходит, форма не восстанавливается, что может привести к поломке опорной части. 

Именно для учета этих факторов и создания достоверного прогноза работы конструкций при нагреве и нагрузках ученые Пермского Политеха создали математическую модель, которая впервые позволяет предсказать поведение сверхвысокомолекулярного полиэтилена с точностью до 95%, в условиях, максимально приближенных к реальной работе моста. 

PT Perusahaan Gas Negara Tbk (PGN) получила сертификат ISO 55001 на систему управления активами от британской BSI Group Indonesia с областью действия - инфраструктура передачи и газораспределения Южной Суматры-Западной Явы.

Компания PGN входит в состав Gas Pertamina, контролирует 91,36% доли национального рынка природного газа. Операционная область компании включает 18 провинций и 78 городов/округов, с более чем 822 000 клиентов, обслуживаемых через сеть газопроводов длиной более чем 33 490 километров.

Корпоративный секретарь PGN Fajriyah Usman отметил:

«Внедрение ISO 55001 обеспечивает прочную основу для оптимального управления активами. При структурированном управленческом подходе PGN способен повысить операционную эффективность при оптимизации эксплуатационных расходов компании. В будущем PGN стремится продолжать поддерживать и улучшать возможности управления инфраструктурой природного газа. При организованном управленческом подходе каждое инвестиционное решение может быть принято путем сбалансированного рассмотрения аспектов затрат, рисков и производительности. Это окажет непосредственное влияние на повышение надежности инфраструктуры, а также на устойчивость бизнеса компании в долгосрочной перспективе».

Travis Richardson из Noria Corporation в своей статье еще раз напоминает о недостатках бумажной системы ТОиР и достоинствах цифровой системы на примере обходов оборудования, точнее – на примере смазки.

Типичный бумажный рабочий процесс создает препятствия практически на каждом этапе. Планировщики создают, распечатывают и передают задания на плановые осмотры с маршрутами. Техники проводят осмотры на месте и вручную записывают результаты. Фотографии могут быть сделаны на смартфон, но отправлены отдельно по SMS или электронной почте. Заполненные техниками формы в конечном итоге возвращаются к планировщику или специалисту по составлению графиков, который должен интерпретировать записи и внести информацию в другую систему.

Такой рабочий процесс может технически «работать», но зачастую он работает за счет потерь времени, раздробления полезной информации и усложнения визуализации и использования данных о надежности. В частности, для задач смазки ограничения очевидны. Смазка — это повторяющийся, маршрутный и требующий высокой детализации процесс. Если работа не определена четко, не задокументирована и не проверена, мелкие ошибки могут накапливаться и приводить к дорогостоящим поломкам.

Неэффективность становится более очевидной при обнаружении нештатных ситуаций. Предположим, техник обнаружил утечку в линии подачи смазки на редукторе. В протоколе осмотра может быть указано «обнаружена утечка», но подтверждающее фото может находиться где-то в другом месте: на телефоне техника, в текстовом сообщении, в переписке по электронной почте или в общей папке. Если кто-то вручную не свяжет изображение с протоколом осмотра, ключевой контекст будет потерян.

Раздробление информации имеет значение. В письменной заметке можно описать проблему, но фотография может показать ее серьезность, местоположение, доступность, риск загрязнения и то, ухудшается ли состояние. Когда фотографии, заметки и записи о выполненных работах разрознены, у планировщиков и руководителей по обеспечению надежности остаются лишь фрагменты информации вместо полного отчета о техническом обслуживании.

Цифровая система управления помогает объединить все эти данные. Результаты проверки, фотографии, аннотации, записи об активах, история задач и последующие действия — все это может оставаться взаимосвязанным. Это не только делает документацию более понятной, но и повышает полезность информации. 

Более эффективное планирование и составление графиков

Одним из главных преимуществ цифрового управления смазочными работами является улучшенное планирование и составление графиков. Работы по смазке часто носят повторяющийся характер, выполняются по маршрутам и зависят от доступности оборудования. Графики производства меняются. Время простоя смещается. Численность персонала меняется. Некоторые задачи могут потребовать перераспределения, группировки или приоритизации в зависимости от условий эксплуатации.

Когда эта работа ведется на бумаге, изменения в расписании часто требуют перепечатки маршрутов, перераспределения документов и ручной сверки выполненных задач. Это добавляет лишние усилия и увеличивает вероятность того, что что-то будет упущено или даже неправильно отражено в отчете.

Цифровая система позволяет планировщикам отслеживать предстоящие работы по смазке, переносить даты, корректировать маршруты и легче координировать работу. Такая гибкость важна, поскольку профилактическое техническое обслуживание — это не просто создание задач. Речь идет о том, чтобы обеспечить выполнение правильной работы в нужное время, с предоставлением необходимой информации человеку, выполняющему работу.

Для руководителей отдела технического обслуживания это обеспечивает лучшую прозрачность выполнения работ. Они могут видеть, что было сделано, что было упущено, какие были обнаружены нештатные ситуации и где может потребоваться дальнейшее вмешательство. 

Преобразование полевых наблюдений в достоверные данные

Но самый веский аргумент в пользу цифрового управления смазыванием — это не удобство, а качество данных.

Бумажные формы планово-профилактического обслуживания плохо справляются с преобразованием полевых наблюдений в пригодные для использования данные о надежности. Даже если техники точно заполняют формы, информацию часто приходится интерпретировать и вводить вручную, прежде чем кто-либо сможет ее проанализировать. Это приводит к задержкам, ошибкам при переписывании и несогласованной терминологии. Это также увеличивает вероятность того, что важные наблюдения могут наброска карандашом и никогда не будут рассмотрены после непосредственного завершения маршрута.

Цифровая система управления рабочим процессом упрощает сбор и отслеживание информации, связанной со смазкой, с течением времени. Это может включать в себя пропущенные задачи, повторяющиеся утечки, расход смазочного материала, аномальные результаты осмотра, наблюдения за загрязнениями, места повторных отказов, показатели выполнения маршрута и корректирующие действия, разработанные на основе результатов планового технического обслуживания.

Эти данные позволяют группам технического обслуживания задавать более качественные вопросы:

1. Возникают ли у некоторых устройств периодические проблемы, связанные со смазкой?
2. Часто ли одни и те же маршруты оказываются неполными?
3. Выявляют ли технические специалисты проблемы, которые не поддаются устранению?
4. Выполняются ли работы по смазке одинаково часто в разных сменах или на разных объектах?
5. Устраняются ли повторяющиеся протечки, места загрязнения или проблемы с доступом?

Эти вопросы выводят программу за рамки простого заполнения галочек. Завершенное плановое техническое обслуживание полезно только в том случае, если работа была выполнена правильно, а полученная информация приводит к принятию более обоснованных решений по техническому обслуживанию. 

Поддержка в связи с текучестью рабочей силы

Многие предприятия также сталкиваются с изменениями в составе рабочей силы. Опытные техники уходят на пенсию, а новые сотрудники приходят в отрасль с другим опытом и набором навыков. Раньше знания о смазке часто передавались неформально, в рамках «племенной» системы знаний. Они знали, до каких фитингов трудно добраться, какие редукторы склонны к протечкам, какие подшипники чувствительны к чрезмерной смазке и какие машины требуют особого ухода.

Проблема в том, что такие коллективные знания хрупки. Когда опытные люди уходят, большая часть этих знаний уходит вместе с ними.

Цифровая система управления поможет преобразовать практические знания в структурированные процедуры. Каждая задача в ней будет включать в себя информацию о правильном типе смазки, количестве нанесения, методе, маршруте, критериях проверки, фотографиях, примечаниях и мерах безопасности. Это дает начинающим специалистам более четкие инструкции и помогает уменьшить зависимость от памяти или неформального обучения.

Это не исключает необходимости практического обучения. Смазка по-прежнему является деятельностью, требующей определенных навыков, но улучшенные процедуры облегчают закрепление знаний в процессе обучения и стандартизацию выполнения работ. 

Сокращение объемов переделок и административных издержек

В бумажных документах часто требуется многократно обрабатывать одну и ту же информацию. Планировщик создает или распечатывает план технического обслуживания. Техник заполняет его вручную. Планировщик проверяет его. Кто-то вносит результаты в другую систему. Кто-то другой может позже искать подтверждающие фотографии, сканировать документы или сверять историю выполнения задач.

Это ненужная переделка, и в итоге она обходится недешево.

Цифровая система учета процесса смазки позволяет превратить данные, внесенные техником на месте, в документацию. Заметки об осмотре, статус выполнения, фотографии и комментарии фиксируются один раз и остаются привязанными к задаче и оборудованию. Это сокращает объем административной работы и снижает вероятность потери информации между местом проведения работ и отделом планирования.

Для технических специалистов это может обеспечить более четкие инструкции по выполнению задач. Для планировщиков это может сократить время, затрачиваемое на расшифровку рукописных заметок или поиск недостающей информации. Для руководителей по обеспечению надежности это может улучшить прозрачность в отношении того, правильно ли выполняется плановое техническое обслуживание и принимаются ли меры по устранению выявленных проблем.