Предиктивная аналитика продается как инструмент, который позволяет подготовиться к ремонту и замене оборудования до его выхода из строя. Сидишь ты, начальник службы КИП, плюешь в потолок, а тебе каждое утро падает в почту отчет: 100 приборов к поверке, 50 приборов к замене, 20 приборов на ТОиР передай. Да где ж ее взять, такую предиктивную-то?

В каждом рекламном буклете описываются ожидания по снижению процента внеплановых отказов оборудования, обещания чуть ли не полного исчезновения аварийности производства, и, конечно, сокращение затрат на простой производства при проведении ремонтных работ. Ведь за тебя программа уже подсчитала, когда тебе оборудование менять и на что.

Вот только нет такой аналитики нигде. Только в буклетах.

Потому что в самом лучшем случае известные на рынке продукты используют вовсе не аналитику, а всяческие производные от паспортного срока службы оборудования и фантазируют при этом в меру образованности, как ни печально. Кто коэффициент припашет к делу, вычитанный в чужой методичке, кто аспирантскую работу родственника внесет в алгоритм.  Некоторые программы через свою службы рассылки автоматизируют процесс заказа и закупки расходников для ТО. Ну хоть минимальное оправдание для потраченных денег. Если б не программа, пришлось бы, как в старь, держать ради этой рассылки отдельную должность в штате.

А когда паспортный срок службы подходит к концу, то такая «аналитика» ничего кроме  замены «просроченного» оборудования на «новое» предложить не может. При этом из алгоритма анализа полностью исключается фактическое состояние прибора на момент «просроченности». Хотя эмпирически и «задним умом» любой специалист от эксплуатации понимает, что условия работы для прибора в каждом технологическом процессе индивидуальные. И в ряде случаев статус списываемого изделия попадает в категорию «еще бы походил». Но вот сколько он «походит»? И как это доказать?

Несмотря на кажущуюся сложность создания «правдивой и честной» предиктивной аналитики, методики такого моделирования давно известны. Некоторых из них в недалеком будущем ожидает столетний юбилей. А исходные данные для таких моделей лежат у заводов фактически «под ногами». Речь, конечно же, идет о фактических трендах отказов эксплуатируемого оборудования, которые уже сегодня мертвым грузом хранятся на серверах систем управления КИП, МСО и ВО, MMS. Кому из вас Emerson смог продать свой IАMS? Может быть, у кого-то развернута целая Yokogawa RPM? А кто хоть раз проводил централизованный сбор и передачу этой статистики куда-то дальше архивного сервера? Тем не менее, именно эти системы, поставленные на многих заводах в РФ ради «веяния моды», являются базовым кирпичиком в основе той самой «правильной» предиктивной аналитики. Дальнейший грамотный анализ подобных данных как раз позволяет предсказывать приближенную к реальности частоту отказов оборудования в зависимости от времени эксплуатации и условий работы. И вот с этими-то исходными данными, да еще и положенными в правильную математическую модель старения прибора можно наконец дойти до приятных будней начальника службы КИП, описанных в первом абзаце. И приборы можно менять только тогда, когда уже показатели отказоустойчивости в красную зону уезжать начинают, а не когда сказал паспорт.

Конечно, есть и проблемы. Основным оплотом на пути предиктивки в любом секторе промышленности стоит служба ИБ и вообще чрезмерная конфиденциальность данных со стороны предприятий, особенно по отказам приборов. «А вдруг конкуренты узнают о том, что у нас отказало аж целых 10 приборов?» — примерно такую реакцию встречаем мы, когда объясняем про важность централизованного накопления данных на проблемных интервью. Но что мешает скопировать best practice из стран, более продвинутых в вопросах применения IEC 61508? За рубежом эти данные давно собирают в форматах статистических баз данных для закрытого объединения среди участников определенного сегмента или отрасли. Не хочет Газпром делиться своими отказами с Роснефтью – вольному воля. Хотя, уверяю, они нашли бы немало общих корреляций в связи со схожей спецификой предприятий.  Не смущает же их писать одинаковые СТО по одним и тем же вопросам? В этом случае – каждая корпорация может создать свою собственную базу по отказам.

Правда, матстатистика гласит, что данные тем точнее, чем шире выборка. Слияние подобных баз в обезличенном формате (например, по регионам, а не по конкретным заводам) могло бы решить вопрос утечек конфиденциальной информации. Взамен хотя бы внутри страны мы получаем условия для совместного обучения и улучшения моделей предсказаний, а также просто богатейшую на вариации базу данных. В конечном итоге это создаст конкурентные преимущества для нашей продукции и улучшит возможности предприятий для оптимизации. Нередко заводы РФ сталкиваются с высокой стоимостью конечной продукции на внешних рынках относительно аналогов из-за рубежа. Никто не задумывался, сколько рублей в этой стоимости появилось из-за простоя по вине замены датчика, который слишком рано был списан в утиль? Или наоборот, остановил производство тогда, когда паспорт еще вполне предсказывал ему долгие годы работы.

Но нужно ли это кому-нибудь? За последние несколько лет хотя бы разговоры о подобных системах начинались только там, где на проект приходил иностранный контрактор. В импортозамещенных случаях мы с упорством достойным лучшего применения продолжаем проектировать и эксплуатировать по принципу «мы всегда так делали». Высоки ли начальные затраты на внедрение? Да. Сложно ли начинать подобные проекты, когда никто из конкурентов не захотел становиться «первым подопытным кроликом»? Несомненно. Но может быть, уже завтра вы скажете себе спасибо, подписывая первую обоснованную дефектную ведомость, точно зная, что списали оборудование, которое действительно отработало свой срок на все 100%.