У. Эдвардс Деминг сказал: «Мы верим в Бога, а все остальные приносят данные». В настоящее время данные доступны в изобилии. Особенно после появления Интернета вещей и Индустрии 4.0 миллионы машин, работающих в промышленном секторе, генерируют множество операционных данных в формате временных рядов. Но, как однажды сказал Рональд Коуз,
«Пытайте данные, и они признаются во всем»,
эти огромные операционные данные полезны только в том случае, если они хорошо проанализированы и выжаты из каждой унции понимания, которое у них есть, на благо отрасли.
Современная философия обслуживания и эксплуатации активов включает в себя такие концепции, как прогностический и упреждающий подход, который гласит: «Исправьте это в нужное время». Даже для оборонных операций такие концепции, как техническое обслуживание по состоянию плюс (CBM+), выявляют необходимость внедрения технологий, таких как искусственный интеллект, для анализа данных о состоянии активов в режиме реального времени для точной оценки надвигающихся отказов и усовершенствований логистического реагирования.
Если вы согласны со мной в том, что данные рассказывают истории, а у каждого актива есть своя история, вы также согласитесь с тем, что эти истории данных могут быть выложены для отображения поведения каждого актива в отдельности. После того, как вы отобразили обычное или нормальное поведение актива, вы можете определить разницу между успехом и неудачей, т. е. вы можете наблюдать за поведением актива, чтобы определить его ненормальное поведение. Asset Digital Fingerprinting использует данные временных рядов, которые существуют почти везде в обрабатывающей промышленности и оборонных операциях. Особенно в оборонных операциях и техническом обслуживании это имеет большое значение, поскольку все основные капитальные активы или платформы должны проходить циклы технического обслуживания или переоборудования по истечении фиксированного периода времени. Прелесть использования снятия отпечатков активов в оборонных операциях заключается в том, что он использует историческое поведение активов в режиме реального времени не только для удаленного мониторинга актива, но и для определения его поведения после любого капитального ремонта/ремонта. Используя самые современные методы искусственного интеллекта и машинного обучения, временные данные, связанные с активом и его подсистемами, полностью используются для понимания нормального рабочего состояния актива. В обычном случае профилактического обслуживания или удаленного мониторинга активов ИИ используется для выявления аномалий и обнаружения предвестников любых неблагоприятных условий задолго до фактического события отказа. Однако эту же функцию можно использовать для снятия отпечатков пальцев и анализа актива во время оценки актива после капитального ремонта. Здесь специалисту по обслуживанию будет помогать платформа искусственного интеллекта временных рядов, чтобы определить поведенческое состояние актива до и после капитального ремонта. (Интересно прочитать: Видение 2022: Что дальше для умного производства?)
Недавно крупнейший авианосец USS Gerald R. Ford был испытан на корабельные удары во время ходовых испытаний, чтобы определить ударные характеристики корабля. Оперативная и боевая обстановка имитировались путем подрыва боеприпасов на заданных расстояниях от корабля. Данные, собранные во время таких тестов, могут находиться в диапазоне от нескольких терабайт до десятков терабайт на тест. Эти данные временного ряда могут быть переданы ИИ для их анализа почти в режиме реального времени и выявления различных аномалий в тысячах подсистем носителя после ударов. Это позволит централизовать усилия, получить более быстрые результаты и, самое главное, обеспечить точную оценку на уровне компонентов каждой системы.
Во время таких ходовых испытаний любого корабля системы отремонтированного корабля испытываются в реальных условиях эксплуатации в море, а их реакции записываются или наблюдаются операторами. Эти наблюдения затем сравниваются с нормальными параметрами или пределами для определения реакции системы. Даже в военной авиации воздушные средства, т. е. самолеты, вертолеты, имеют конечные эксплуатационные ограничения, в основном с точки зрения наработки моточасов. Обычно это называется плановым обслуживанием или профилактическим обслуживанием. Некоторые самолеты западного производства следуют концепции гибкого обслуживания, когда каждая подсистема или компонент должны проходить техническое обслуживание по своему собственному независимому графику. Вы можете себе представить сложности, с которыми приходится сталкиваться PMO по техническому обслуживанию при планировании технического обслуживания и оперативной готовности. После капитального ремонта самолета его системы сначала тестируются в автономном режиме с использованием имеющихся STTE и тестовых наборов обслуживающим персоналом. Затем системы тестируются на земле при небольшой рабочей нагрузке, чтобы наблюдать за нормальным рабочим поведением, прежде чем подвергаться испытаниям на полной мощности. После подтверждения удовлетворительных результатов испытаний на земле он подвергается контрольно-испытательному полету (CTF), когда квалифицированный и опытный пилот испытывает самолет на взлетно-посадочной полосе (годен / не годен), а также в реальном полете. Большинство этих тестов основаны на наблюдениях, показаниях на земле и их проверке по известным «нормальным» параметрам. Аналогичный процесс выполняется при производстве нового коммерческого и военного самолета.
Снятие отпечатков активов с использованием ИИ может помочь в значительной степени сократить общее время тестирования с точными результатами. Это не означает, что потребность в малых и средних предприятиях отпадает, поскольку их операционный опыт по-прежнему необходим, однако цифровое поведение актива на системном уровне, а также на уровне компонентов будет оцениваться в реальном или близком к реальному времени. Приложения ИИ могут находить шаблоны в нескольких источниках данных и сопоставлять их с известным «нормальным» шаблоном для обнаружения аномалий. Такие методы расчета корреляции и подобия могут сэкономить не только затраты, но и ценное рабочее время для развертывания с повышением точности тестирования.
Как уже говорилось ранее, данные необходимо выжимать для каждого понимания и каждого возможного применения. Цифровой отпечаток актива позволяет использовать данные для интеллектуального анализа на протяжении всего жизненного цикла актива, тем самым экономя время, затраты, усилия и многократно повышая точность тестирования.
