Однако в последнее время преимущества, которые данные могут принести инженерам, поднялись еще на один уровень. Сегодня инженерам проще и экономичнее генерировать большие объемы релевантных данных, получать к ним доступ, а затем применять их для получения эксплуатационных выгод во всех аспектах своей работы - от инженерного проектирования до устранения неполадок.

Они приводят к снижению цен на оборудование и стоимости его подключения к сети. Параллельно с этим развитие таких технологий, как периферийные и «туманные» вычисления, открывает инженерам доступ к большему объему данных, а повсеместное распространение облачных систем дает компаниям возможность объединить разрозненную информацию и подготовить ее для анализа.

Таким образом, инженеры получают все больше данных, и им становится все легче получить к ним доступ и применить их к своим бизнес-задачам. Все это дает инжиниринговым компаниям возможность получить значительные преимущества в своей деятельности, но для того, чтобы не упустить их, предприятия также должны думать о том, как именно они используют данные.

Согласно обычным представлениям, старшие сотрудники, работающие с высокоточными инженерными моделями, не тратят много времени на погружение в производственные данные, но в реальности это необходимо им для проверки моделей. Если этим инженерам предоставить актуальные производственные данные, это значительно улучшит работу предприятий. Инженеры смогут улучшить свои модели и рабочие процессы в целом, а предприятия получат значительные преимущества в области эксплуатации, охраны труда и окружающей среды и повышения безопасности.

Это - ключевой первый шаг. Однако то, что по-настоящему изменило правила игры в этой сфере, - это все последние достижения в таких областях, как искусственный интеллект, машинное обучение и наука о данных.

Традиционно наиболее распространенный способ оптимизации ресурсов, используемый инженерными компаниями, — построение моделей, отражающих особенности и характеристики объекта. Он предполагает получение данных в реальном времени, ввод их в модель и поиск отклонений от ожидаемых параметров. С этим способом связаны некоторые базовые трудности, в частности то, что компаниям требуется достаточное число опытных сотрудников для создания моделей всех ресурсов, которые необходимо защитить. Это сложная задача, которая неизбежно удлиняет путь к конечному результату и затрудняет распространение этого способа на большее количество приложений, а иногда делает это невозможным.

Новейшие достижения в области машинного обучения и, в частности, обработки данных, позволяют реализовать новый подход — предписывающую аналитику. Инструменты предписывающей аналитики выявляют в данных характерные признаки и алгоритмы, которые служат для инженерной компании сигналом приближающейся аварийной ситуации, например, сбоя или полной остановки предприятия, и дают возможность провести профилактику.

Еще одна важная особенность этого подхода — он помогает определить источник проблемы. Например, он указывает не только на то, что приближается сбой компрессора, но и на то, что этот неизбежный сбой напрямую связан с попаданием жидкости в газопроводную систему при определенной концентрации или с очень медленным изменением регистрируемого давления.

Кроме того, этот процесс идет гораздо быстрее. Вместо шести месяцев, необходимых для доработки приложения до производственного уровня с использованием моделей, инженерным компаниям достаточно шести недель, а иногда даже шести дней. Это упрощает задачу масштабирования приложения в производственной среде и позволяет выполнить ее в обозримый срок.

Итальянская энергетическая компания Saras использовала этот подход на нефтеперерабатывающем заводе мощностью 300 тыс. баррелей в день, который расположен в средиземноморском регионе. Компания применила машинное обучение для оборудования четырех типов: сырьевых насосов, насосов промывочного масла, компрессоров подпиточного водорода и рециркуляционных компрессоров. Программа внедрения цифровых технологий была запущена всего за несколько недель и позволила точно прогнозировать сбои для каждого компонента оборудования без ложных срабатываний.

Благодаря этим возможностям компания прогнозирует сбои с опережением в 24–45 дней. Теперь Saras поставила цель сократить незапланированные простои на 10 дней, повысить доход на 1–3 процента и снизить затраты на техническое обслуживание и эксплуатацию нефтеперерабатывающего оборудования на 1–5 процентов.

Преимущества в различных областях деятельности

Компания Saras добилась выгод от такого подхода во многих областях своей деятельности. Для инженерных компаний и инженеров мы также видим множество преимуществ, не только от способности генерировать больше данных, обеспечивать доступ к ним и легче консолидировать их, но и от способности применять к ним новейшие методы машинного обучения и науки о данных, управляемые с помощью технологий искусственного интеллекта.

Кроме того, в перспективе эти преимущества можно будет использовать в нескольких сферах. Например, предписывающий подход к обслуживанию не только несет в себе выгоду для отдела технического обслуживания, снижая стоимость ремонта, но и повышает эффективность эксплуатации, помогая избежать незапланированных простоев. Подобные усовершенствования становятся приоритетными для руководителей инженерных предприятий. Они стремятся разрушить разрозненные эксплуатационные модели и объединить их в новые схемы для получения дополнительной прибыли. Именно в этом может заключаться долгосрочная выгода, которую дает оптимизация использования данных.

Автор : Роберт Голайтли (Robert Golightly), Старший менеджер по маркетингу продукции и производству компании AspenTech