Индустрия 4.0

Не по графику, а в соответствии с прогнозом

Основанная в 2008 году в Томске компания Rubius — сегодня вполне узнаваемый бренд. Компания имеет прочные позиции на внутреннем и внешнем рынках инженерного программного обеспечения в области автоматизации проектирования (САПР), а также геоинформационных систем (ГИС) и систем управления инженерными данными электронного документооборота (СЭД). На состоявшемся в рамках выставки «Металлообработка-2019» очередном заседании клуба цифровых лидеров Rubius представил свой продукт, решающий задачи прогнозирования технического состояния оборудования на основе искусственного интеллекта. Вот что рассказал о нем директор компании Илья Новосельцев:
20 августа 2019

— Представляемое сегодня здесь наше решение — это тот самый Machine Learning, о котором сейчас так много говорится. На протяжении всех 11 лет существования компании мы занимаемся автоматизацией промышленных предприятий — отечественных и зарубежных, то есть внедряем «классику» ПО — SAPR, CAM, PDM, PLM системы. При этом в проектах мы всегда применяем современные инновационные технологии, в том числе дополненную реальность, виртуальную реальность, BIG DATA, Machine Learning, а затем и БИМ. Это наша неизменная инновационная составляющая.

Один из наших наиболее известных и востребованных продуктов — это система технического обслуживания и ремонта оборудования. Она обеспечивает автоматизацию осмотров оборудования и плановопредупредительных работ (ППР). Мы активно развиваем и совершенствуем эту систему более десяти лет, задействуем в ней появляющиеся технологические новации. Так, несколько лет назад мы поняли, что на ее базе можно применять технологии BIG DATA и Machine Learning для анализа данных, хранящихся в наших системах. Это послужило импульсом для создания нашей системы машинного обучения, способной прогнозировать выход из строя оборудования. Известная проблема многих наших предприятий — оборудование ремонтируется в соответствии с планом, графиком, а не по принципу прогностического обслуживания. По разным статданным до 50% ремонтов оборудования осуществляется не тогда, когда нужно, а гораздо раньше. Для предприятий это в итоге оборачивается значительными потерями времени и денег. Мы своим заказчикам в данном случае предлагаем инструментарий для экономии и того, и другого. С помощью систем машинного обучения (искусственного интеллекта, прогнозных моделей) можно добиваться разных эффектов. Например, сокращения или увеличения времени работы оборудования, сокращения затрат на ремонт, оптимизации затрат на ремонтные службы. Наш продукт обеспечивает уменьшение ремонтных циклов, позволяет выстраивать оптимальные режимы работы оборудования с точки зрения разных параметров. Можно получить оптимальный режим за счет выработки какого-то ресурса, а можно — благодаря сокращению издержек. Этого можно достичь за счет математических моделей (искусственного обучения).

Как запускается эта система? На первом этапе собираются данные, необходимые для начала ее работы. Затем они обрабатываются, чтобы можно было использовать их для создания модели. То есть осуществляется предобработка данных, их анализ, распределение на нужные группы. Далее происходит предиктивный анализ, включающий в себя выявление аномальных состояний, построение различных моделей, выявление сложных режимов работы, обучение системы (самой модели). И этот цикл: сбор данных — предиктивный анализ — обучение — повторяется до тех пор, пока не будет получен нужный результат, то есть точность предсказания выхода оборудования из строя станет не менее 98%.

рубиус

Конечно, бывает и так, что в некоторых проектах желаемые цифры оказываются недостижимыми, либо достичь их можно такой ценой, что использовать такие подходы перестает быть оправдано экономически. Цена вопроса — всегда принципиальный момент. И здесь важно в первую очередь учитывать цели проекта и конкретные задачи, которые предполагается решить посредством внедрения нашей системы. Зачастую в этих проектах точность прогнозирования может разниться по ценам. Например, достичь точности — 90 процентной точности — это одни затраты, а 91-процентной — другие. Выбор варианта — за заказчиком.

Когда достигнуты намеченные показатели по точности, мы переходим к последнему этапу — визуализации. Это предоставление информации непосредственно сотрудникам, которые будут с ней работать.

Приведу для примера два кейса — это внедренные проекты, где уже видны результаты.

Первый пример — решение задачи снижения издержек на ремонт и содержание вагонов-цистерн у предприятия, осуществляющего в них перевозки сжиженного газа. У заказчика — собственный парк таких вагоновцистерн, составляющий около пяти тысяч единиц. Для этого проекта были получены данные за пять лет по обслуживанию и работе вагоновцистерн. На их основе была построена математическая модель, на входе проанализировано 150 параметров, от которых может зависеть состояние вагонов-цистерн. В результате мы выявили, что только пятнадцать параметров имеют прямое влияние на состояние вагона-цистерны, пять из них являются ключевыми. Затем для заказчика была разработана система, которая работает очень просто и при этом эффективно. Оператор в CRM системе производит отгрузку, т.е. ставит задачу одну из цистерн загрузить определенным топливом и отправить заказчику. И когда «снаряд» сформирован, система выдает информацию, что цистерна с вероятностью 64% не доедет, в пути у нее сломается колесная пара. Статистически доказана эффективность использования этой системы, в первую очередь благодаря ей предотвращаются поломки в пути, самые сложные для заказчика.

Еще один пример связан с эксплуатацией газовых турбин. В нашем распоряжении были исторические данные с телеметрии за большой промежуток времени собранные МЕС системой. Мы проанализировали данные на то, как работает эта система, что можно по ней предсказать. По факту подтвержден колоссальный экономический эффект от того, что мы научились предсказывать выход из строя нескольких ключевых агрегатов турбины. Но здесь есть очень интересный момент, относящийся к машинному обучению. На предприятии две газовые турбины, они одного года выпуска, от одного производителя, одной марки, в одно время были введены в эксплуатацию. Когда стартовал проект, мы сделали математическую модель для одной газовой турбины, внедрили ее и убедились, что результат заказчика удовлетворяет. Мы стали эту модель внедрять и для второй турбины, но результат оказался значительно хуже. Это вполне очевидная вещь для машинного обучения, но она неочевидна для заказчика. Турбины в течение этих 20 лет работали по-разному, их по-разному обслуживали, у них были разные производственные циклы. В результате их состояние значительно отличается и потому математическую модель для одной турбины нельзя применять для такой же другой турбины. Ее нужно адаптировать. И такой подход применим ко всему оборудованию. В текущих проектах мы подтверждаем эту теорию — необходимо для каждого типа оборудования делать свою математическую модель, которая ее бы описывала и помогала нам решать проблемы эксплуатации.

Этот наш продукт, как и ряд других, широко известен как на внутреннем, так и на внешнем рынках. Причем, основная масса заказов — зарубежные, они составляют около 70% от оборота компании Rubius. А на российском рынке работается труднее. Мы зарабатываем в основном за рубежом и инвестируем в России. Что касается маркетплейсов и других форм работы с заказчиками: сейчас мы плотно работаем с технопарком Сколково, его резидентами, рассматриваем Сколково как некую витрину для поиска заказчиков. Иностранных заказчиков привлекаем только по результатам наших поездок за рубеж. В США у нас организуется бизнес трип, в ходе которого мы посещаем конференции, в рамках которых завязываются необходимые деловые контакты. В развитых экономиках также эффективно работают системы рекомендаций, когда ваши заказчики рекомендуют вашу фирму своим партнерам, но для этого надо прежде наработать устойчивую репутацию надежного производителя. Наши самые лучшие проекты за рубежом начинались с доверия, с личного общения с собственником, причем даже не о задачах их бизнеса — мы беседовали о нашей философии в бизнесе. Рассказывая о том, как организована работа в компании, как растим наших программистов, сколько в это вкладываем — мы рассказываем о наших ценностях. И если заказчик говорит: мол, на уровне ценностей вы нам подходите, давайте поработаем, то начинаем с небольшого проекта. В России у нас впервые в прошлом году получился такой диалог с потенциальным заказчиком на уровне ценностей, но в целом в России такой подход не работает, здесь правила игры другие.