Использование Big Data и предиктивной аналитики для оптимизации процесса технического обслуживания и ремонта (ТОиР) тепловой электростанции

Денис Геннадьевич Григорьев
Выпускник группы MBA CIO-69
Школы IT-менеджмента Института ЭМИТ
РАНХиГС при Президенте РФ

Без внедрения инновационных решений и передовых технологий невозможно соответствовать высоким современным стандартам производства, поддерживать конкурентоспособность и продолжать добиваться высоких финансовых результатов. На современном рынке нельзя добиться успехов только улучшая качество, необходимо изменять процесс оказания услуг. К процессу технического обслуживания и ремонта (ТОиР) это относится в самую первую очередь.
На сегодняшний день самое передовое направление технического обслуживания это использование больших данных (Big Data) о техническом состояний деталей, узлов и всего производственного оборудования, создание систем предиктивной аналитики. Внедрение таких систем на производственных предприятиях дает возможность заранее предусматривать выход оборудования из строя, спрогнозировать сроки его технического обслуживания или ремонта. Такие системы позволяют с достаточной точностью планировать поставки запчастей и необходимых деталей на предприятия для выполнения своевременного ремонта производственных линий. Планируют расходы на ТОиР и потребность в обслуживающем персонале, квалифицированных специалистах. Актуальность данной работы обусловлена необходимостью снижения аварийности и повышения бесперебойности генерации тепловой и электрической энергии. Главными угрозами генерации энергии являются непредсказуемые аварий, ведущих к длительным нерегламентированным простоям оборудования. Изменение процесса технического обслуживания с возможностью создания информационных архивов позволит оперативно получать актуальные или архивные сводки о текущем состоянии оборудования электростанции и оперативно реагировать на любые изменения. Возможность создание предиктивной модели позволит снизить количество отказов производственного оборудования и вместо обслуживания по регламенту перейти на модель обслуживания, исходя из текущего состояния.
Целью данной аттестационной работы является разработка методов создания программного обеспечения для снижения времени простоя оборудования на предприятии, генерирующем энергию (далее - Предприятие), оптимизация процесса ТОиР за счет использования современных инструментов прогнозирования работы оборудования на основе анализа данных.
Объектом исследования данной работы является Мини ТЭС, состоящая из трёх газопоршневых электростанций (ГПУ) общей мощностью 12 МВт, две котельные общей мощностью 20 МВт. Предприятие согласно стратегии развития топливно-энергетического комплекса Республики Татарстан построило Мини ТЭС на территории Потребителя энергии. Предприятие планирует запуск еще нескольких подобных электростанций.
Предметом исследования выступает процесс ТОиР, а именно прогнозирование возможных отказов оборудования и сокращение непредвиденных простоев Мин ТЭС.
Для достижения поставленной цели были поставлены следующие задачи:
- Выявить основные проблемы существующего процесса ТОиР.
- Выполнить анализ решений в области хранения данных на производстве.
- Выполнить анализ моделей и методов машинного обучения применяемых для прогнозирования отказов и состояние оборудования.
- Разработать схему оптимизации процесса ТОиР с применением предиктивной аналитики.
- Разработать документы проекта создания программного обеспечения.
- Собрать доступные данные мониторинга работы оборудования.
- Провести анализ причин случившихся простоев оборудования.
В данном работе основное внимание уделялось разработке документов проекта создания программного обеспечения, выбору методов и средств хранения данных на производстве для прогнозирования работы оборудования, основанного на данных.
В первой теоретической части приводится обзор проблем применения данных на производстве, таких как: хранения данных, избыточность, несоответствие, противоречивость, ненадёжность. Рассматривается опыт применения методов обучения, основанных на алгоритмах и методов глубокого обучения с использованием искусственных нейронных сетей в исследованиях прогнозирования отказов оборудования.
Выводы по первой части:
1. Для реализации проекта и решения проблем использования данных, описанных в данной главе, необходимо определить методы и технологии работы с данными.
2. Процесс ТОиР оборудования электростанции необходимо разделить на разные направления, такие как: прогнозирование отказов, техническое обслуживание на основе состояния, определение остаточного срока эксплуатации оборудования, прогнозирование значений параметров.
3. Для создания предиктивной модели по каждому направлению необходимо использовать свой метод.
Во второй методической части описываются методы и технологии, применяемые для решения поставленных задач. Описаны два существующих метода интеграции данных: хранилище данных (DW), озеро данных (DL). Описаны протоколы, использующиеся в производстве для сбора данных: MTConnect, OPC-UA. Описаны методы хранения: файловая система, базы данных. Возможность применения облачного решения или кластера из компьютеров для хранения большого объема данных.
В данной части проведен сравнительный анализ методов машинного обучения (ML) в том числе методов глубокого обучения (DL). Описаны три типа подхода обработки данных и часто применяемые методы обучения в исследованиях прогнозирования отказов оборудования.
Вывод второй части. Для построения системы на предприятии определены технологии сбора и хранения данных с учетом существующих программных средств. Проведен анализ и предложены возможные алгоритмы машинного обучения для создания программного обеспечения. Для повышения точности прогнозирования предлагается использовать ансамбль алгоритмов обучения
В третье практической части сформулирована цель создания программного обеспечения по методике SMART.
Снижение времени простоя газопоршневых установок, используемых для выработки электроэнергии, работающих в режиме 24/7 по причинам возникновения непредсказуемых аварий, (S) на 480 часов в год для каждой установки (M) за счет внедрения системы предиктивной аналитики ТОиР (A) на предприятии, генерирующем энергию (R), к 01.12.2024 г. (T).
Задачи:
1. Спроектировать архитектуру системы предиктивной аналитики с применением существующих программных средств и инфраструктуры;
2. Разработать модели и методы основанных на данных для анализа и формирования прогнозов простоя оборудования;
3. Разработать программное обеспечение, реализующие предложенные модели и методы;
4. Провести испытания разработанных решений и протестировать эффективность моделей и методов;
5. Внедрить разработанное решение.
В третьей главе разработано техническое задание на разработку, включая функциональные и нефункциональные требованиями с обязательными атрибутами качества. Составлена дорожная карта, включающая основные этапы: организация сбора и обработки данных с технологического оборудования, анализ полученных данных, обработка и отладка модели, внедерение разработанного решения. Для каждого этапа назначено ответственное лицо из предполагемой команды проекта. Прописаны меры по недопущению основных рисков: отсутствие должного финансирования, уход ключевых специалистов, срыв сроков проекта, потеря интереса заказчика, превышение стоимости проекта, потеря результатов работы, технологическое отставание от конкурентов.
Методом управления проектом разработки программного обеспечения выбран SCRUM. Для разработки выбраны следующие программные средства:
- Язык программирования Python.
- Протокол связи с системами SCADA выбран OPC-UA.
- База данных для хранения тэгов SCADA Firebird.
- Создание моделей машинного обучения и нейронных сетей - Scikit Learn, Keras.
- База данных для хранения выборок и моделей машинного обучения – MongoDB.
- Создание веб-приложений - Django-Framework.
Для решения поставленной задач по сбору данных и анализу работы оборудования автор с согласия предприятия настроил на автоматизированном рабочем месте (АРМ) диспетчера Мини ТЭС базу данных FireBird. На полученных данных объемом 12 ГБ выполнен анализ причин простоев оборудования в виде графиков и таблиц.
Вывод по третьей части. Основные проблемы бесперебойной генерации энергии это непредсказуемые аварий. Для решения проблемы разработаны документы проекта создания ПО и схема оптимизации процесса ТОиР.
Результат аттестационной работы.
- Выполнен анализ решений в области хранения данных на производстве.
- Выполнен анализ моделей и методов машинного обучения.
- Выявлены основные проблемы существующего процесса ТОиР на предприятии, разработана схема оптимизации процесса с применением предиктивной аналитики.
- Собраны доступные данные мониторинга работы оборудования, проведен анализ причин случившихся простоев оборудования.
Сформированные методы разработки программного обеспечения и процесс ТОиР позволят предприятию снизить затраты, связанные с внеплановыми простоями и обслуживанием оборудования. Разработанные мероприятия обеспечат выполнение проекта с высоким качеством и превосходящим эффектом.