Модель предсказания поломки оборудования

Задача

Сибур — крупнейший в России производитель полимеров и нефтехимической продукции. Экструдер полимеров выходит из строя из-за засоров. Засор нарастает постепенно по показаниям датчиков, но оператор замечает его только в момент финального отказа. Каждый незапланированный простой стоит дорого — потери производства, аварийный ремонт, срыв поставок.

Нужна система раннего предупреждения, которая заблаговременно сигнализирует о нарастании засора по данным датчиков.

Решение

Разработана модель предиктивного обслуживания на основе анализа временных рядов датчиков экструдера.

Методология разработки:

1. Анализ исторических данных — собраны временные ряды показаний всех датчиков за периоды штатной работы и аварийных остановок экструдера. Размечены моменты начала засора и финального отказа.

2. Поиск зависимостей между датчиками — какие комбинации показаний изменяются совместно при нарастании засора? Корреляционный анализ и построение зависимостей.

3. Детектирование аномалий — выявление паттернов в исторических данных, предшествовавших каждой остановке. Определение «сигнатуры» приближающейся поломки.

4. Определение порогов срабатывания — пороговые значения и комбинации показателей, при которых система с высокой вероятностью фиксирует приближение засора.

Работа системы в эксплуатации:

• Непрерывный мониторинг показаний датчиков в реальном времени
• При обнаружении признаков нарастающего засора — уведомление оператору
• Оператор выполняет плановую профилактическую остановку и чистку вместо ожидания аварийного отказа

Результат

• Доля предугаданных неполадок: ~80%
• Существенное снижение времени незапланированного простоя по техническим причинам
• Переход от реактивного аварийного ремонта к плановому профилактическому обслуживанию

Подход применим к любому непрерывному производственному оборудованию с датчиками: компрессоры, насосы, прессы, станки с ЧПУ.

Подход применим к любому непрерывному производственному оборудованию с датчиками: компрессоры, насосы, прессы, станки с ЧПУ, конвейерные линии, котлы. Это типовой сценарий внедрения ИИ на предприятии в тяжёлой промышленности. Требования: наличие датчиков с историческими данными за несколько месяцев работы, включая периоды аварийных остановок. Период обучения модели — от 2 до 4 недель.

Предиктивное обслуживание изменяет подход к производству: от планового ремонта по регламенту и аварийного ремонта по факту — к обслуживанию по реальному состоянию оборудования. Результат: меньше простоев, дольше жизненный цикл оборудования.