Научный портал “Атомная энергия 2.0” представляет тематическое интервью генерального директора компании Factory5 Дениса Касимова о развитии передовых цифровых AI-технологий для анализа, прогнозирования и оптимизации различных производственных процессов, активов и задач.
- Как и кем была создана компания Factory5? Какова её миссия, основные направления деятельности и области применения?
- Занимаясь предиктивным анализом технического состояния оборудования в компании Clover Group, (Денис Касимов был основателем и до 2019 года генеральным директором Clover — прим. ред.) у нас всегда было желание шагнуть дальше, посмотреть шире. Тогда же в Clover мы иногда брались за нетривиальные проекты, которые были интересными для нас, но не подходящими под общую стратегию и фокус компании. Понимая это, мы отбрасывали их, скрипя сердцем, потому что всегда было жалко отпускать классную или прорывную идею, хотелось ее реализовать и довести до результата. Можно сказать, у нас всегда было внутреннее желание сделать нечто большее, и мы сформулировали для себя новую задачу: создавать алгоритмы, способные помогать людям в принятии решений.
Сегодня существует разрыв между объектом управления и человеком, который принимает решение по поводу этого объекта. Чаще всего этот человек с опозданием получает ценную, иногда субъективную информацию, пропущенную через призму и интерпретацию других. Я верю, что мы как компания можем сократить этот разрыв с помощью алгоритмов, которые создаем, и инструментов, которые развиваем, с каждой строчкой кода, которую пишем, и документации, которую выпускаем.
- Какие возможности открывают сегодня современные технологии искусственного интеллекта, нейронных сетей и машинного обучения для анализа и управления промышленными процессами? Можно ли эти разработки использовать в других сферах, например, в финансовой или кадровой?
- Перечисленные технологии имеют большой потенциал для оптимизации промышленных процессов. Если говорить в целом, то уже сегодня они помогают трансформировать бизнес-модели, влияют на повышение эффективности, гибкости и надежности производства. И в основе этих возможностей лежит работа с данными.
Промышленные компании ежеминутно генерируют огромное количество данных, которые после обработки и анализа могут принести новую ценность для предприятия.
Например, благодаря телеметрии с оборудования можно ответить на вопрос «когда оно выйдет из строя?». Исходя из других имеющихся данных можно просчитать варианты принятия решений по этому оборудованию — замена на новый агрегат или ремонт, который позволит оборудованию работать еще какое-то время.
И в любой сфере, где есть большие данные, много ручных операций и запрос на совершенствование процессов, всегда найдется применение разработкам на базе искусственного интеллекта, нейронных сетей и машинного обучения. Однако просто инноваций недостаточно, бизнесу нужны приложения, которые позволят решать конкретные задачи.
- В чём заключаются основные принципы работы развиваемой вами интеллектуальной платформы? Как происходит получение и обработка данных, а также дальнейшая подготовка аналитических продуктов и их внедрение в существующие информационные системы компаний?
- Любой аналитический продукт состоит из получения данных, их обработки, включая обработку алгоритмами ИИ, и передачи результатов в существующие системы или их визуализации. Основной принцип, заложенный в нашу платформу, состоит в том, чтобы создание и масштабирование таких продуктов было быстрым и легким.
Типовой корпоративный ИТ ландшафт – это разрозненные системы со своими форматами данных, базами для их хранения. Для быстрого извлечения данных у нас есть широкие возможности для подключения к источникам – от промышленных OPC протоколов до современных «озер» данных. Когда источники подключены, то можно выстаивать процесс обработки данных, это делается через интерфейс без программирования, причем платформа может работать в режимах как потоковой обработки, так пакетной. Для аналитики у нас есть сервисы экспертных правил и моделей машинного обучения, и платформа может работать с большими данными в промышленных масштабах, анализируя до 10 Гб в секунду.
Что касается интеграции, то у каждого сервиса платформы есть открытый API. Так что можно не только свободно передавать результаты анализа в другие системы, но и встраивать в общий процесс обработки свои собственные этапы. С одной стороны, наша платформа гибкая и открытая, с другой стороны – удовлетворяет современным требованиям по информационной безопасности: шифрование, управление правами доступа, логирование и другие функции, потому что мы понимаем, что это сейчас актуально.
- Какие задачи решает, как работает и какие преимущества даёт постоянный мониторинг и прогноз технического состояния промышленного оборудования? По каким критериям вы оцениваете эффективность ваших методов? Можете рассказать о нескольких реализованных проектах из разных областей?
- Задача мониторинга и прогноза технического состояния – это выявление аномалий и дефектов на ранней стадии с целью своевременного планирования ТОиР и выделения необходимых для этого ресурсов. Внеплановые ремонты – это всегда дорого, мы это слышим от заказчиков, когда проводим исследования рынка. Оценка экономического эффекта всегда проводится при внедрении любых систем интеллектуальной аналитики данных. Однако он зависит от конкретной организации, внутренних процессов и структуры издержек. Возможные эффекты:
- Снижение затрат на ТОиР;
- Повышение готовности оборудования, то есть возможность производить больше на тех же мощностях;
- Снижение затрат энергоресурсов, так как оборудование в плохом состоянии тратит больше электроэнергии или топлива;
- Оптимизация складской программы запасных частей;
Принцип работы типовых систем прогноза технического состояния – это сбор данных о работе оборудования, их анализ с помощью предиктивных моделей машинного обучения и экспертных правил, и выдача результатов анализа. Результат анализа может выдаваться в виде отчетов и уведомлений об аномалиях и инцидентах, чтобы на основании этой информации принимать решения о планировании работ, или передаваться автоматически в системы планирования ТОиР. При построении самой модели могут использоваться исторические данные, физические принципы работы оборудования или оба подхода.
Но данные об оборудовании часто разрознены – телеметрия в архивах АСУТП, журналы ремонтов в ЕАМ системе или вообще в Excel-таблицах, система вибромониторинга в локальной базе хранит данные. Инженеры по надежности могут тратить много времени на сбор этой информации и ее ручной анализ. Поэтому сведение всех необходимых данных для всесторонней оценки технического состояния в одно место уже упрощает работу, а модели машинного обучения и экспертные правила помогают оцифровать существующий опыт инженеров.
Один из ярких примеров работы системы прогноза технического состояния от Factory5 – это предприятие, которое занимается сервисным обслуживанием подвижной техники. За счет раннего выявления предотказных состояний и аномалий удалось снизить количество внеплановых ремонтных работ на 60%, сократить время простоя в ожидании технического обслуживания на 20%, а трудозатраты на диагностику — на 150 тысяч человеко-часов. Также одним из косвенных эффектов было снижение потребления энергоресурсов на 1% за счет улучшения технического состояния оборудования.
Это привело к снижению прямых затрат на ремонт на 5-8% за счет минимизации восстановительных ремонтов, так как ремонтная служба устраняла дефекты на ранней стадии. Это дешевле, чем восстанавливать технику после аварии. Сокращение времени простоя привело к повышению коэффициента технической готовности (КТГ) на 4-10%. Это позволяет производить больше на тех же мощностях и избегать штрафных санкций за задержки, если они предусмотрены контрактом.
- Какие решения и продукты компания Factory5 может предложить для применения в атомной отрасли? Возможно ли вы использование вашей системы, например, для мониторинга оборудования энергоблока АЭС?
- Систему мониторинга и прогноза технического состояния F5 PMM от Factory5 можно применить для любого оборудования, которое оснащено АСУ или средствами сбора телеметрии. На АЭС это могут быть турбогенераторы, циркуляционные насосы, а также трансформаторы и вспомогательное оборудование, например, вентиляционное. Кроме атомных электростанций, в российской атомной отрасли есть множество предприятий, которые подготавливают сырье, производят оборудование и материалы – для них наше решение тоже применимо.
Одним из ключевых преимуществ F5 PMM является его интеграция с другим нашим продуктом – F5 EAM, которое автоматизирует процессы управления активами и ТОиР. Чтобы результаты работы систем предиктивной аналитики действительно приносили пользу на производстве, их необходимо встраивать в существующие бизнес-процессы, и интеграция с ЕАМ системами – это важная часть функциональности. Таким образом, мы можем предложить как комплексное решение на базе двух продуктов, так и отдельные системы с возможностью последующего расширения.
Для тех заказчиков, которые хотят разрабатывать собственные цифровые продукты, не только в области предиктивных ремонтов, мы можем предложить нашу платформу F5 Platform. Например, с ее помощью можно создавать цифровых двойников техпроцессов, «цифровых советчиков» и другие решения.
- Каким вы видите будущее развитие аналитических технологий на основе искусственного интеллекта? Могут ли они помочь сохранению окружающей среды и уменьшить техногенный след предприятий?
- Мы видим нарастающий интерес к углубленной аналитике данных с помощью искусственного интеллекта. Например, некоторые крупные промышленные предприятия уже включили предиктивные ремонты в свои программы цифровизации на ближайшие несколько лет, а также мы видим, что они развивают собственные Data Science отделы, чтобы накапливать экспертизу внутри компаний. Технологии ИИ совершенно точно могут помочь сохранению окружающей среды. Во-первых, для критичного оборудования на опасных производственных объектах предупреждение аварий за счет раннего выявления дефектов снижает экологические рисков и повышает уровень промышленной безопасности. Во-вторых, предиктивные модели могут быть обучены не на прогноз технического состояния, а на прогноз выбросов СО2 или других веществ. Одно из популярных направлений – это так называемые «цифровые советчики» для технологических процессов. Система обучается на исторических данных режимов работы и выдает рекомендации оператору по параметрам процесса, наиболее подходящим для текущей ситуации.
