CC BY
0DOI 10.47576/2949-1878_2023_12_53 УДК 338.4:004
ВНЕДРЕНИЕ ПРЕДИКТИВНОЙ ДИАГНОСТИКИ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НА СУДОСТРОИТЕЛЬНОМ ПРОИЗВОДСТВЕ
Неснова Мария Валентиновна,
преподаватель кафедры управления судостроительным производством, Санкт-Петербургский государственный морской технический университет, Санкт-Петербург, Россия, [email protected]
В статье выдвинута следующая гипотеза: автоматизация технологического оборудования судостроительных предприятий на основе интеллектуального анализа данных сократит длительность и стоимость жизненного цикла судна, что позволит удовлетворять существующий спрос в судах. Сделаны соответствующие выводы о необходимости и эффективности внедрения предиктивной диагностики на промышленные предприятия.
Ключевые слова: предиктивная диагностика; интеллектуальный анализ данных; судостроение; автоматизация производства; инвестиционная привлекательность.
UDC 338.4:004
INTRODUCTION OF PREDICTIVE DIAGNOSTICS OF TECHNOLOGICAL EQUIPMENT IN SHIPBUILDING
PRODUCTION
Nesnova Maria V.,
Lecturer of the Department of Shipbuilding Production Management, St. Petersburg State Maritime Technical University, St. Petersburg, Russia, mary.nesnova@gmail. com
In this research, a hypothesis is put forward: automation of technological equipment of shipbuilding enterprises based on data mining will reduce the duration and cost of the ship's life cycle, which will meet the existing demand in ships, and relevant conclusions are also drawn.
Keywords: predictive diagnostics; data mining; shipbuilding; production automation; investment attractiveness.
В современных условиях встал остро вопрос о развитии оборонно-промышленного комплекса (ОПК) России. Границы Российской Федерации преимущественно морские (более 60 %). Это говорит о том, что основной акцент в развитии ОПК будет сосредоточен именно на судостроительной отрасли. Модернизации промышленности требует и гражданский сектор - развитая сеть внутренних водных путей, которая позволяет выстраивать логистику на территории всей страны.
Для судостроительной промышленности характерно:
- средний износ технологического оборудования на судостроительных предприятиях - 80 %;
- работа оборудования "до отказа";
- непостоянная загрузка производства.
Основной проблемой отрасли является
длительный и дорогой жизненный цикл судна - 76 лет [2-6]. Это приводит к тому, что актуальная потребность в судах удовлетворяется на 45 %.
В настоящее время проблема на производстве решается:
- через контрольные карты;
- медленное внедрение ТРМ (всеобщий уход за оборудованием);
- планирование производства "до отказа", пока производственные мощности не выйдут из строя.
В данном исследовании выдвинута гипотеза: автоматизация технологического оборудования судостроительных предприятий на основе интеллектуального анализа данных сократит длительность и стоимость жизненного цикла судна, что позволит удовлетворять существующий спрос в судах.
Ключевым элементом автоматизации судостроительных предприятий в Российской Федерации был выбран метод предиктивной аналитики, который включает сбор всей информации с производства, использование цифровых двойников и применение интеллектуального анализа данных [1; 7].
Предиктивная аналитика нашла применение в разных нишах и набирает популярность. Стоимость внедрения зависит напрямую от компании, однако окупаемость в каждой нише не превышает 2 лет. При этом такая инвестиция идет не только в техническое перевооружение, но и в нематериальные активы, что увеличивает капитализацию компании минимум на 25 %. Как следствие, предиктивная аналитика позволяет сократить количество ремонтов и минимизирует их стоимость, позволяет выявлять аномалии на ранних стадиях и предугадывать наступление того или иного события, которое может привести к поломке. Также предиктивная диагностика работает со всем объемом данных и позволяет оптимизировать процесс организации и планирования производства [10]. Добавление регулярного мониторинга фактического состояния технологического оборудования и систем позволяет сократить количество катастрофических, неожиданных отказов оборудования в среднем на 55 %. Для сравнения использовалась частота непредвиденных отказов машин до внедрения программы профилактического обслужи -вания с интенсивностью отказов в течение двухлетнего периода после добавления в программу мониторинга состояния. Прогнозы показывают, что за счет регулярного мониторинга фактического состояния машины можно добиться сокращения на 90 процентов. Анализ действующих предприятий с использованием методов предиктивной диа-
гностики показал, что 50 % увеличения объема производства можно добиться просто за счет повышения операционной эффективности существующего производственного процесса. Ряд других преимуществ может быть получен из программы управления профилактическим обслуживанием:
- проверка состояния нового оборудования,
- проверка ремонтных работ и работ по восстановлению,
- улучшение качества продукции.
Методы профилактического обслуживания
могут использоваться во время приемочных испытаний на месте для определения состояния установленных машин, оборудования и систем предприятия. Это дает возможность проверить состояние приобретенного нового оборудования перед его приемкой [7]. Проблемы, обнаруженные до приемки, могут быть решены, пока у продавца есть основания (счет-фактура не оплачен), чтобы исправить любые недостатки. В настоящее время во многих отраслях промышленности требуется, чтобы все новое оборудование включало эталонную сигнатуру вибрации при покупке. Любое ненормальное отклонение от эталонной сигнатуры является основанием для отказа от нового оборудования без штрафных санкций. По этому соглашению продавец обязан исправить или заменить бракованное оборудование. Эти методы также можно использовать для проверки ремонта или реконструкции существующего оборудования завода [9].
Анализ вибрации, ключевой инструмент профилактического обслуживания, может использоваться для определения того, устранил ли ремонт существующие проблемы и/или создал ли дополнительную ненормальную работу перед повторным запуском системы. Это устраняет необходимость во втором отключении, которое часто требуется для исправления неправильного или неполного ремонта.
Данные, полученные в рамках программы профилактического обслуживания, можно использовать для составления расписания и планирования простоев предприятия. Многие отрасли пытаются исправить серьезные проблемы или запланировать профилактическое обслуживание во время ежегодных перерывов в обслуживании. Прогнозные
ЖУРНАЛ ПРИКЛАДНЫХ ИССЛЕДОВАНИЙ
данные могут предоставить информацию, необходимую для планирования конкретного ремонта и других действий во время простоя [11]. Доказано, что общие преимущества предиктивного управления техническим обслуживанием существенно улучшают общую работу как производственных, так и технологических установок [9]. Во всех рассмотренных случаях преимущества, полученные от использования управления по состоянию, компенсировали затраты на капитальное оборудование, необходимые для реализации программы в течение первых трех месяцев. Использование микропроцессорных методов диагностического обслуживания еще больше снизило ежегодные эксплуатацион-
В ходе сравнения решений были выявлены преимущества предиктивной диагностики и сформулировано УТП для судостроительного производства:
- раннее выявление аномалий,
- прогнозирование развития отклонений,
- разработка цифрового двойника
ные расходы на методы диагностического обслуживания, так что любое предприятие может достичь рентабельного внедрения этого типа программы управления техническим обслуживанием [8].
В рамках данной работы было выполнено сравнение существующего решения автоматизации судостроительного производства -мониторинга оборудования и предиктивной диагностики (проектное решение). Было выделено 15 ключевых характеристик обоих решений, которые позволяют оценить актуальность и эффективность предлагаемого метода. Сравнение мониторинга оборудования и предиктивной диагностики представлено в табл. 1.
- обучение нейронной сети по данным в реальном времени
Далее были рассчитаны показатели экономической эффективности внедрения на судостроительных предприятиях системы предиктивной диагностики в сравнении с мониторингом оборудования. Экономическая эффективность представлена в табл. 2.
Таблица 2 - Показатели экономической эффективности базового и проектного вариантов
Показатели Базовый Проект
Годовой объем выпуска продукции (продаж) на 3-ий год реализации
в натуральном выражении 21 5
в стоимостном выражении 31,5 45
Себестоимость единицы продукции 1,05 2,68
Таблица 1 - Сравнение решений мониторинга оборудования и предиктивной диагностики
Характеристика Мониторинг оборудования Предиктивная диагностика
Интеграция с системами MES, ERP, PDM есть зависит от конфигурации
Прямое подключение к ЧПУ есть зависит от конфигурации
Контроль дискретных и аналоговых параметров (температура, мощность, ток, вибрация) есть зависит от конфигурации
Идентификация персонала есть зависит от конфигурации
Контроль энергопотребления есть зависит от конфигурации
Раннее выявление аномалий нет есть
Локализация неисправности есть есть
Выдача рекомендаций по исправлению есть есть
Прогнозирование развития отклонений нет есть
Доступ к эксплуатационной документации есть есть
Отображение трендов, архивов событий зависит от конфигурации есть
Разработка цифрового двойника нет есть
Адаптация процессов под отрасль зависит от конфигурации есть
Планирование ремонтов и модернизация оборудования есть есть
Обучение нейронной сети по данным в реальном времени нет есть
Себестоимость годового объема 22,05 24,12
Численность работников 10 8
Выработка на 1 рабочего 3,2 5,63
Трудоемкость изготовления продукции 38 26,7
ФОТ 9,7 12,4
Среднемесячная зп 1 раб 62 100
Прибыль от реализации продукта 9,45 20,88
Рентабельность продукта 42,9 86,57
Стоимость ОС 29 11
Фондоотдача 1,09 2,65
Фондовооруженность 2,9 1,38
Материалоемкость 3,04 0
Период окупаемости инвестиций 1,9 1,3
Можно сделать вывод, что на третий год после внедрения предиктивной аналитики на судостроительном производстве будет сокращено количество сотрудников - с 10 до 8, задействованных в данной технологической операции, но необходимо будет повысить их квалификацию. Также будет увеличена выработка на одного рабочего почти в два раза, что сократит постоянные издержки на фонд оплаты труда и страховые взносы. Срок оку-
паемости проекта 1 год и 4 месяца с учетом начала продаж (на третий год).
Стоимость внедрения предиктивной диагностики значительно дороже, нежели мониторинга. Если смотреть со стороны разработчика системы, то получается, что при 5 продажах по 9 млн руб. годовой объем выпуска продукции будет 45 млн руб. Если со стороны предприятия, то это рост стоимости нематериальных активов и дальнейшее увеличение
Рисунок 1 - Оценка конкурентоспособности ЖУРНАЛ ПРИКЛАДНЫХ ИССЛЕДОВАНИЙ
стоимости самой компании. Исходя из графического материала, можно сделать вывод, что рынок имеет растущий тренд и есть возможность за 2 года забрать 1,5 % с выручкой 321 млн руб., соответственно. Среди основных конкурентов предиктивной диагностики было выделено 5 компаний, занимающихся преимущественно бизнес-аналитикой. Компаний, которые специализируется на разработке систем предиктивной диагностики специально для производственных предприятий, на рынке Российской Федерации нет.
Рассмотренные компании успешно занимаются разработкой систем предиктивной аналитики, однако не учитывают специфику производства и работают без использования цифровых двойников, которые позволяют моделировать максимально приближенный к реальности технологический процесс.
Информация по оценке конкурентоспособности предлагаемого решения представлена на рис. 1.
Следовательно, при оценке конкурентной среды было выявлено, что основными конкурентными преимуществами относительно компаний, можно выделить:
- гибкость решения,
- стоимость,
- УТП,
- эффективность.
Оценка инвестиционной привлекательности показала, что проект, с учетом старта продаж на третий год, инвестиционно привлекателен (NPV значительно больше 0). Информация по денежным потокам за все время реализации проекта представлена на рис. 2.
Рисунок 2 - Инвестиционная привлекательность проекта
При ставке инфляции - 12 %, точка безубыточности на первый год: 12,4 млн руб., на третий год: 24,12 млн руб. NPV = 123,96 млн руб.
Следовательно, разработка решения пре-диктивной диагностики для автоматизации судостроительного предприятия инвестиционно привлекательна, экономически и технически эффективна и может быть принята к рассмотрению.
Представленные в работе расчеты приведены для разработки системы предиктивной диагностики для одного производственного участка. Нельзя разработать единую систему предиктивной диагностики абсолютно для всех производственных участков предприятий, занимающихся выпуском схожей номенклатуры продукции, - сложность системы и ее стоимость зависят непосредственно от
установленного оборудования и степени износа производственных мощностей. В расчетах было использовано оборудование с 20 % физическим и моральным износом.
Применение предиктивной диагностики в судостроительном производстве может иметь следующие преимущества:
1. Снижение риска аварий и простоев.
2. Оптимизация обслуживания и ремонта.
3. Улучшение надежности и долговечности оборудования.
4. Снижение операционных расходов.
5. Улучшение планирования производства.
Однако необходимо учитывать, что внедрение предиктивной диагностики требует достаточного уровня автоматизации и сбора данных, а также компетентности и опыта в области анализа и интерпретации полученных данных. Это может потребовать дополнительных инвестиций в оборудование, программное обеспечение и подготовку персонала. В целом, предиктивная диагностика может быть полезным инструментом на судостроительном производстве, позволяющим повысить надежность, эффективность и устойчивость оборудования, а также сократить операционные расходы и риски аварий.
В целом можно сделать вывод, что вне-
дрение системы предиктивной диагностики позволит повысить качество выпускаемой продукции, снизить трудоемкость производства, увеличить рентабельность на всех этапах производства судов, оптимизировать производственные процессы, снизить стоимость производства и минимизировать количество ремонтов производственного оборудования.
Поставленная в исследовании гипотеза проверена и подтверждена. Автоматизация производства посредством внедрения системы предиктивной диагностики технологического оборудования сократит длительность и стоимость жизненного цикла оборудования за счет минимизации ремонтов, брака и разработки прогнозирования загрузки оборудования, что имеет положительный экономический эффект для оптимизации производства. Также стоит отметить, что проект внедрения системы предиктивной диагностики инвестиционно привлекателен и будет способствовать быстрой цифровизации предприятия. Данное явление позволит решить вопрос отставания судостроительной промышленности от стран-лидеров, обеспечит рост экономики, посредством быстрого развития оборонно-промышленного комплекса Российской Федерации.
Список источников _
1. Аунг Т. К., Третьяков С. Д. Промышленная автоматизация на основе кибефизических технологий // XLVIII научная и учебно-методическая конференция Университета ИТМО. 29 января - 1 февраля 2019 год. 2019.
2. Бушуев С. Д., Бушуева Н. С. Развитие технологической зрелости в управлении проектами // Управление проектами и развитие производства. 2003. № 2 (7).
3. Гоголюхина М. Е., Мамедова Л. Э., Жинкина Т. Н. Прогнозирование жизненного цикла судостроительной продукции с использованием универсальной экспоненциальной зависимости // Kant. 2022. № 4 (45). С. 35-40.
4. Жинкина Т. Н. Математическая модель жизненного цикла товара в задачах прогнозирования показателей экономической деятельности предприятия // Мат-лы конфер. МОРИНТЕХ. 2001. СПб.: НИЦ - Моринтех, 2001.
5. Мамедова Л. Э., Гоголюхина М. Е., Жинкина Т. Н. Экономико-математическое моделирование в ценообразовании судостроительной продукции // Kant. 2022. № 3(44). С. 42-48.
6. Мамедова Л. Э., Гоголюхина М. Е. Анализ некоторых аспектов ценообразования в судостроении // Экономика и управление. 2018. № 10(156). С. 75-79.
7. Михайлов А. Б., Третьяков С. Д., Аунг Т. К., Самко М. Л. Применение платформы промышленного интернета вещей для создания цифровых моделей производства // Наука и бизнес: пути развития - 2019. № 11(101). С. 79-82.
8. Соловьева Ю. Н. Конкурентные преимущества и бенчмаркинг : учебное пособие для бакалавриата и магистратуры. М.: Юрайт, 2011. 297 с.
9. Фельдштейн Е. Э., Корниевич М. А. Автоматизация производственных процессов в машиностроении: учебное пособие. М.: Инфра-М, 2019. 208 с.
10. Организация производства: учеб.-метод. пособие. СПб.: ГУМРФ им. адмирала С. О. Макарова, 2013. 127 с.
11. Шишмарев В. Ю. Автоматизация производственных процессов в машиностроении : учебник. Ротов-на-Дону: Феникс, 2018. 64 с.
ЖУРНАЛ ПРИКЛАДНЫХ ИССЛЕДОВАНИЙ
References _
1. Aung T. K., Tretyakov S. D. Industrial automation based on cyber-physical technologies. XLVIII scientific and educational-methodical conference of ITMO University. January 29 - February 1, 2019. 2019.
2. Bushuev S. D., Bushueva N. S. Development of technological maturity in project management. Project management and production development. 2003. № 2 (7).
3. Gogolyukhina M. E., Mammadova L. E., Zhinkina T. N. Forecasting the life cycle of shipbuilding products using universal exponential dependence. Kant. 2022. No. 4 (45). Pp. 35-40.
4. Zhinkina T. N. Mathematical model of the product life cycle in the tasks of forecasting indicators of economic activity of the enterprise. Mat-ly konfer. MORINTECH. 2001. St. Petersburg: SIC - Morintech, 2001.
5. Mammadova L. E., Gogolyukhina M. E., Zhinkina T. N. Economic and mathematical modeling in the pricing of shipbuilding products. Kant. 2022. No. 3(44). Pp. 42-48.
6. Mammadova L. E., Gogolyukhina M. E. Analysis of some aspects pricing in shipbuilding. Economics and management. 2018. No. 10(156). Pp. 75-79.
7. Mikhailov A. B., Tretyakov S. D., Aung T. K., Samko M. L. Application of the industrial Internet of Things platform for creating digital production models. Science and business: ways of development - 2019. No. 11(101). Pp. 79-82.
8. Solovyova Yu. N. Competitive advantages and benchmarking : textbook for undergraduate and graduate studies. M.: Yurayt, 2011. 297 p.
9. Feldstein E. E., Kornievich M. A. Automation of production processes in mechanical engineering: textbook. M.: Infra-M, 2019. 208 p.
10. Organization of production: studies.-method. stipend. St. Petersburg: GUMRF named after Admiral S. O. Makarov, 2013. 127 p.
11. Shishmarev V. Yu. Automation of production processes in mechanical engineering: textbook. Rotov-on-Don: Phoenix, 2018. 64 p.
