Предиктивное обслуживание с использованием ИИ и машинного обучения — AI-PdM — один из самых окупаемых юзкейсов ИИ в промышленности. По подсчётам Global Trade Magazine, AI-PdM может сократить расходы на техобслуживание и ремонт оборудования на 25%, уменьшить время простоев на 30–50% и увеличить ресурс работы машин на 20–40%. Рассказываем, как его используют российские промышленные компании.

О чём речь
PdM — это класс решений, в которых искусственный интеллект анализирует состояние промышленного оборудования, от станков до самосвалов, и предсказывает их поломки по ранним признакам.

Комплекс PdM — конвейер передачи и обработки данных. Разнообразные датчики собирают информацию об оборудовании. Список показателей зависит от самих машин: это может быть давление, температура, частота колебаний, состав моторного масла и так далее. Некоторые решения анализируют сразу сотни параметров. Данные передаются моделям ML или Edge-AI, которые ищут аномалии. 

PdM можно вписать в более широкий контур систем ERP (планирование ресурсов предприятия) и CMMS (компьютеризированная система управления техническим обслуживанием). Это позволит учитывать предсказанный ИИ ремонт вместе с другими затратами и процессами предприятия.

Кто использует
В РЖД создали PdM систему Ctrl@Maintenance для контроля за состоянием локомотивов, в которую включены 59 сервисных депо. Через неё в месяц проходит около 1,5 ТБ данных. Затраты на аварийный ремонт уменьшились втрое, время диагностики оборудования сократилось с 4 часов до 20 минут, у компании высвободилось 154 тысячи человекочасов в год. 

«Газпром нефть» разработала сервис G-Lab: ИИ с помощью данных о состоянии масла прогнозирует износ и поломки техники. Результат анализа масла он сопоставляет со сведениями из базы данных компании и предугадывает ситуации, требующие ремонта. Компания использует решение на горнодобывающих предприятиях, и уже за первые полгода оно помогло предотвратить десятки поломок. 

СИБУР внедрил PdM для мониторинга 200 критичных агрегатов — насосов, компрессоров, турбоустановок — на разных площадках. Алгоритмы анализируют примерно 150 параметров с каждого агрегата, и этой системой управляют всего четыре сотрудника. Ранние алерты о поломках позволили избежать внеплановых остановок на 1 млрд рублей.

Подписывайтесь 👉 @yab2btech