ИИ как экосистема, бизнес и рынок

Рис. 3.16. Изменение состояния во времени и возможности и стратегии предотвращения отказов

Конструкционные материалы, испытывающие механические нагрузки, со временем начинают изнашиваться, что приводит к наступлению стадии аномальной работы оборудования - такое состояние не обязательно требует полной остановки, но должно рассматриваться как предупреждение о том, что машина находится в неоптимальном режиме работы и требует проведения технического обслуживания.

Одна из проблем, с которой сталкиваются производственные предприятия и АЭС в частности, заключается в сложности ранней диагностики аномалий, поскольку в накапливаемых данных нет примеров для точного описания аномального поведения установок [141]. Промышленная предиктивная аналитика для технического обслуживания, часто с использованием цифровых копий реальных объектов, является одной из центральных областей, где применяется ИИ. Развитие данной экспертизы внутри Госкорпорации "Росатом" важно для создания систем мониторинга технического состояния и оценки остаточного ресурса оборудования, что позволяет оптимизировать проведение обслуживания сложного дорогого оборудования, снизить количество необходимых ремонтов и число внеплановых остановок.

Аварийная остановка турбогенератора на АЭС может обходиться оператору в 1 млн евро за каждый день простоя. При этом использование предиктивного управления техническим обслуживанием и возможность прогнозирования аномального поведения в работе оборудования дает возможность перевести внеплановую остановку в плановую, что позволяет избежать штрафных санкций за недовыработку энергии.

Центры компетенций по предиктивной аналитике в промышленности внутри Госкорпорации "Росатом" есть в компании ЧУ "Цифрум", в АО "Концерн Росэнергоатом" на базе компании АО "КОНСИСТ-ОС", в топливной компании АО "ТВЭЛ", АО "Атом-энергопромсбыт" и других.

В 2022 г. на Нововоронежской АЭС завершился первый этап реализации пилотного проекта по внедрению системы предиктивной аналитики, которая призвана прогнозировать состояние оборудования и вероятность его выхода из строя в будущем, усовершенствовать его работу, избежать простоев, экономических убытков и, в конечном итоге, повысить надежность, безопасность и эффективность производства [142].

В рамках первого этапа на энергоблоке № 6 с реактором ВВЭР-1200 были созданы предиктивные модели генератора, турбины и четырех циркуляционных насосов. Данные о работе оборудования поступают в режиме онлайн в АО "ВНИИАЭС", где с помощью комплекса программ анализируются сотни параметров и выявляются закономерности, которые помогут предсказать, как оборудование будет вести себя в будущем и какие оптимальные решения и действия в связи с этим должны быть предприняты персоналом.

В задаче мониторинга технического состояния очень редко удается поставить задачу в терминах обучения с учителем полноценно, так как примеров разметки (аварийных событий) в реальной практике крайне мало. Более того, если на установке происходит происшествие, которое влечет за собой замену установки или значительной ее части, это может обесценивать накопленные исторические наборы данных.

Таким образом, в рассматриваемом проекте решалась не задача классификации отклонений, а задача поиска аномалий. То есть была описана работа оборудования в нормальном режиме, и все, что от него отклоняется, рассматривается как аномалия и фиксируется для дальнейшего анализа. Информация по отклонениям используется для верификации модели, то есть модель прогоняется через все события, которые известны, и проверяется ее адекватность.

На Нововоронежской атомной станции приступили к реализации второго этапа проекта, который предполагает подключение к системе предиктивной аналитики более 50 единиц оборудования турбинного и реакторного цехов энергоблока № 6.

Отработанные на Нововоронежской АЭС решения войдут в состав так называемого Цифрового шаблона эксплуатации АЭС - интегрированного комплекса цифровых платформ и инструментов, который обеспечивает оптимальное функционирование процессов на АЭС с момента запуска объекта и до его вывода из эксплуатации и который должен быть внедрен на всех российских станциях, а также предложен в качестве нового продукта для АЭС российского дизайна, сооружаемых Госкорпорацией "Росатом" на зарубежных площадках.

Платформенное решение в области предиктивной аналитики "Атом Майнд" в 2022 году также представила топливная компания "ТВЭЛ". "Атом Майнд" - это low-code-платформа, обеспечивающая быструю разработку сервисов и приложений, использующих данные, полученные от устройств, машин и механизмов для повышения эффективности решаемых задач.

В узком смысле "Атом Майнд" - это система для управления качеством изделий и состояния оборудования. В широком - это отечественная платформа цифровизации, с единым интерфейсом и набором интеграционных инструментов для встраивания в ИТ-архитектуру предприятия, позволяющая обеспечить быструю разработку сервисов для увеличения эффективности производственных процессов.

Внедрение решения "Атом Майнд" на предприятии позволяет экономить на техобслуживании до 10% затрат, увеличить производительность оборудования, заметно снизить брак, повысить качество продукции.

В качестве еще одного примера применения предиктивной аналитики в Госкорпорации "Росатом" следует назвать пилотные проекты, выполненные специалистами ЧУ "Цифрум" совместно с Машино-строительным заводом в г. Электросталь, в котором решались задачи мониторинга состояния оборудования и предсказания качества продукции в процессе производства топливных таблеток для АЭС. Целью проекта была проверка состоятельности ряда гипотез на данных, однако в результате реализации было создано несколько моделей машинного обучения, которые продолжают использоваться.

Мониторинг состояния оператора

Нештатные ситуации на АЭС могут произойти не только по причине сбоев оборудования, но и по причине ошибок операторов, работающих в стрессовых условиях. Согласно исследованию [143], человеческий фактор является основной причиной (70-90%) аварий на АЭС. В аномальных ситуациях обученные операторы должны установить неисправность в режиме реального времени, анализируя аварийные сигналы. Во время аварийного события на АЭС типична ситуация, когда возникает ряд сигналов от нескольких систем одновременно, что затрудняет возможность оперативного принятия решений и приводит к перегрузке оператора.

Работа оператора (человека) зависит от множества факторов (здоровье, состояние организма, стрессоустойчивость, настроение и т. п.) и от внешних факторов (температура, давление, нагрузка на внимание, качество интерфейсов "человек - компьютер", нестабильность работы оборудования). В этой связи очевидно, что нужны мониторинг и прогноз поведения не только оборудования, но и опе-ратора. И решения для комплексной оценки состояния и здоровья оператора активно разрабатываются.

Одно из подобных решений - это система "здоровый оператор" Healthy Operator, которая позволяет измерять физические параметры оператора (пульс, температуру тела, положение, движение и так далее) с использованием носимых устройств и датчиков окружающей среды (рис. 3.17). Эти данные интегрируются и могут быть использованы для предоставления предупреждений о состоянии здоровья оператора в режиме реального времени. В результате синтеза данных, связанных со здоровьем, можно извлечь полезную информацию, такую как предупреждения о рисках, предложения и правила для улучшения состояния оператора.