Зачастую вывод о повышении надежности оборудования делается на основании метрик, в числе которых можно увидеть высокое соотношение планового и внепланового технического обслуживания, большее количество плановых остановок, чем внеплановых, и множество других привлекательных индикаторов. Однако увеличение объема работ по техническому обслуживанию не всегда приводит к повышению надежности.

Цель RCM-анализа заключается не в увеличении объема ТО, а в том, чтобы согласовать программу ТО со следующими факторами:

1. фактические виды отказов,
2. уровень риска оборудования,
3. условия эксплуатации,
4. последствия отказа.

Объектом анализа был насос, работающий в системе водяного охлаждения на нефтеперерабатывающем заводе, который выбран из-за его эксплуатационной важности. С точки зрения эксплуатации, насос находился в приемлемом состоянии, работал в обычном режиме и поддерживался существующими программами профилактического обслуживания и технического обслуживания по состоянию. Работы по техническому обслуживанию (ТО) были надлежащим образом зафиксированы в информационной системе (CMMS), а история ТО была хорошо документирована. Таким образом, с точки зрения организации, оборудование считалось работающим в приемлемых и управляемых условиях.

В ходе проверки основное внимание было уделено тому, насколько существующие программы ТО соответствуют видам отказов оборудования, условиям эксплуатации и уровню риска. Иными словами, главный вопрос был не в выявлении причин отказа. В действительности вопрос заключался в следующем: «Действительно ли существующие программы и мероприятия по ТО предотвращают критические отказы оборудования?».

Проверка RCM3 для данного оборудования проводилась в соответствии с принципами SAE JA 1011, NAVAIR и ISO 14224. На первом этапе были рассмотрены условия эксплуатации оборудования, определены его границы, техническая документация, история эксплуатации за предыдущие четыре года и условия окружающей среды нефтеперерабатывающего завода.

Проверка оборудования показала, что насос:

• установлен на открытом воздухе.
• подвергается воздействию пыли из окружающей среды.
• эксплуатируется в условиях изменяющейся температуры и влажности.
• эксплуатируется в прерывистом режиме.

В соответствии с принципами ISO 14224 границы оборудования были четко определены, и электродвигатель был отнесен к области, находящейся за пределами анализа. Далее, с использованием принципов и структуры классификации ISO 14224 и OREDA были определены функции оборудования, виды отказов, последствия и критичность отказов, что обеспечило соответствие анализа стандартным отраслевым стандартам и передовой практике.

Анализ показал, что около 73% заданий на работы, выданных для этого оборудования, не вносили эффективного вклада в управление отказами. Иными словами, организация выполняла работы, которые не обязательно предотвращали отказы.

Многие виды деятельности из программы ТО:

• были определены как повторяющиеся рутинные задачи,
• не имели прямой связи с конкретным видом отказа,
• проводились главным образом на основе организационных привычек,
• или потому что были созданы внутри CMMS.

Причем, ремонтная бригада, работавшая с этим насосом много лет, была осведомлена о его неисправностях и обладала достаточным опытом в выявлении основных причин отказов. Проблема заключалась не в отсутствии информации о неисправности или данных анализа первопричин. Настоящая проблема заключалась в качестве принимаемых решений по техническому обслуживанию.

Например:

• Какие виды отказов действительно требуют профилактического ТО?
• Какими видами отказов следует управлять с помощью ТО по состоянию?
• Для каких видов отказов экономически не оправдано профилактическое ТО?
• Какими видами отказов можно управлять в рамках стратегии "эксплуатация до отказа"?

Одним из видов отказов данного насоса является постепенная деградация подшипников, которая со временем может привести к повышению уровня вибрации и снижению надежности насоса. На основе проведенного анализа, вместо задачи планового периодического ТО было принято решение управлять этим видом отказа посредством обслуживания по состоянию. 

Один из важнейших уроков этого проекта заключается в следующем. Надежность оборудования не достигается за счет создания большего количества заявок на ТО. Повышение надежности начинается с принятия более взвешенных решений о том, как следует управлять каждым видом отказов.

В журнале "Экономика космоса" опубликована статья "Формирование иерархии производственно-технологического оборудования с применением рационального подхода анализа его критичности", подготовленная головным экономическим научно-исследовательским институтом ракетно-космической промышленности (АО «Организация «Агат»).

В статье рассматривается формирование иерархии активов организаций ракетно-космической промышленности с целью оптимизации операционных и капитальных затрат, повышения эффективности производства путем внесения разовых преобразований в стратегию технического обслуживания и ремонта и выбора политик управления отказами производственно-технологического оборудования. Приводится обоснование целесообразности формирования иерархической структуры производственно-технологического оборудования организаций отрасли с применением методов анализа его критичности. 

Рассматриваются принципы формирования иерархической структуры объектов обслуживания на основе оценки критичности отказов производственно-технологического оборудования. Автором предлагается к рассмотрению методика формирования иерархической структуры оборудования с целью определения стратегии снижения производственных рисков. 

Список литературы включает 10 источников, три из которых - публикации НПП СпецТек.

Иерархическая структура производственного оборудования, сформированная на основе анализа его критичности, является гибким инструментом  инженерных служб (ТОиР) предприятия, позволяющим: 

• своевременно проводить работы по изменению периодичности обслуживания и ремонта производственного оборудования с целью сокращения операционных затрат (корректировка стратегии ТОиР и определение приоритетов при планировании ее ресурсного обеспечения);
• осуществлять работы по мониторингу и профилактике возникновения новых «узких мест» в производственном (технологическом) процессе для нивелирования рисков отказа оборудования (останова производства);
• осуществлять приоритизацию перечня планируемого к закупке оборудования в процессе проектирования и реализации инвестиционных мероприятий (для предоставления входных данных в программу капиталовложений с тем, чтобы оборудованию с наибольшей критичностью был присвоен более высокий приоритет для обновления или замены).

Выбранные по результатам анализа политики управления отказами должны привести к снижению операционных затрат, направленных на ликвидацию последствий от отказов оборудования, произошедших за межремонтный период, привести к увеличению наработки до отказа критичной группы оборудования (снижению вероятности отказа). В свою очередь это приведет к сокращению доли критичных и умеренно критичных групп оборудования и сокращению «узких мест» в производственном процессе с одновременной оптимизацией длительности производственного цикла целевого изделия.

Компания LEW Verteilnetz Network (LVN) вошла в число первых сетевых операторов в Германии, получивших сертификат в соответствии с новой версией стандарта управления активами ISO 55001:2024. Сертификацию провела компания TÜV Nord Cert.

Сертификация подтверждает, что LVN управляет своей сетевой инфраструктурой — линиями электропередач, подстанциями и крупными трансформаторами — в соответствии с четкими и едиными принципами. Это гарантирует, что оператор сети эффективно и оптимально использует свои инвестиции, а также эксплуатационные и технические затраты в соответствии с установленными целевыми показателями. 

В частности, оператор сетей принимает решения о расширении, обновлении и техническом обслуживании оборудования, используя структурированный процесс управления. Это включает в себя такие вопросы, как: следует ли модернизировать трансформаторную подстанцию ​​или построить более крупную? Следует ли строить новую подстанцию? Когда следует прокладывать подземные кабели для воздушной линии среднего напряжения? LVN оценивает такие решения по пяти критериям: безопасность, качество электроснабжения, эффективное и рациональное использование финансовых ресурсов, соответствие законодательству и экологическим нормам, а также надежность для муниципалитетов и потребителей сети. Постоянный мониторинг обеспечивает успешное выполнение этих целевых критериев.

Отделы планирования, эксплуатации и управления активами, совместно с центральной проектной группой, разработали логику оценки и включили ее в свои рабочие процессы. Это включает в себя стандартизированные критерии для анализа состояния активов, оценки рисков и возможностей, определения приоритетов инвестиций и постоянного мониторинга того, способствуют ли и каким образом принимаемые меры достижению поставленных целей.

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.