Предиктивная аналитика: как прогнозы в промышленности помогают повысить маржинальность

Ситуация на рынке в 2025 году такова, что для сохранения бизнеса промышленному предприятию необходимо детально разобраться в своих технологических процессах и повысить их рентабельность, найти возможности для существенного роста. При текущих ставках банковских кредитов только эффективные процессы в компании могут обеспечить прибыль. У большинства предприятий нет проблем с выручкой, что отражает Росстат: ВВП страны растет второй год во многом за счет промышленности. Соответственно, необходимо сокращать издержки. Модернизацию привычной работы в цехах, которая обеспечит прибыль, надо делать уже сейчас. Тем более что примеры таких изменений есть — мы в Лиге Цифровой Экономики реализовали ряд проектов в промышленности, где нам удалось совместно с клиентами увеличить рентабельность отдельных активов на 30–50%, а в целом по предприятию дать рост маржинальности на 6–15%.

Что такое предиктивная аналитика

Системы предиктивной аналитики как часть Индустрии 4.0 — это информационные системы, которые реализуют процесс или несколько процессов построения прогнозов на базе исторических и актуальных данных о состоянии объектов. 

К этим методам относятся машинное обучение и нейронные сети, статистический анализ, параметрический анализ, эмпирическое моделирование, большие языковые модели, такие, как GPT и другие. 

Важность сбора данных на предприятии

Общей чертой систем предиктивной аналитики является потребность в сборе большого объема исторических данных о состоянии объекта прогнозирования. Для начала предприятие должно обеспечить применение на производстве систем цифрового контроля, охватывающих параметры работы оборудования, его состояния и обслуживания, а также действия персонала. Кроме того, необходимо иметь качественную и количественную информацию о сырье, продукции, ресурсах, используемых в этот же интервал времени. Для некоторых отраслей, таких, как энергетика, важно получать данные о погоде и других окружающих факторах, имеющих влияние на параметры производственных процессов. 

Предприятие, реализующее проект внедрения системы предиктивной аналитики, становится пользователем целого набора передовых технологий. Сбор данных на протяжении нескольких лет потребует внедрения систем измерений параметров и сбора данных (IIoT), обработки и хранения данных (DWH и Big Data), их аналитики (BI). Строго говоря, этот этап автоматизации не относится к построению систем предиктивной аналитики, многие промышленные предприятия уже выполнили его с целью создания контроля существующих производственных процессов. 

Потребуются технологии искусственного интеллекта (AI), такие, как нейросети и машинное обучение (ML), а также модели обработки естественного языка (LLM и GPT). Цифровые двойники и эмпирические модели позволяют обучить систему строить прогнозы с помощью науки о данных (Data Science). 

Созданные таким образом предиктивные системы работают непосредственно на производстве, во взаимодействии с оборудованием и людьми. Технологии информационной безопасности обязательно должны применяться для защиты систем и данных. Конечно, применение предиктивных систем внутри технологических процессов делает производство более зависимым от ИТ. Но и более рентабельным и конкурентоспособным.

Какие задачи решает предиктивная аналитика

Выделю несколько направлений, где предиктивная аналитика способна помочь предприятию повысить эффективность работы: 

• прогнозирование отказов оборудования и переход на обслуживание «по состоянию»,
• оптимизация и повышение операционной эффективности производственных процессов,
• прогнозирование влияния различных факторов на параметры продукции,
• прогнозирование потребления ресурсов,
• прогнозирование вероятного наступления внештатных ситуаций. 

Приведу пример из отрасли энергетики. Крупные генерирующие компании имеют опыт использования предиктивных систем в интервале более 5 лет. Применяются цифровые двойники, обученные на исторических данных и на базе эмпирических правил, для оптимизации режимов работы турбинных установок при генерации энергии заданной мощности. Машинисту, управляющему турбиной, сложно постоянно учитывать множество факторов, влияющих на себестоимость произведенной энергии, он решает главную задачу — удержать показатели выработанной мощности энергии в допустимом коридоре значений. 

Вместе с человеком функционирует система оптимизации, учитывающая текущие параметры работы установки, стоимость топлива по разным контрактам, техническое состояние оборудования, прогноз выработки, скорость «отклика» турбины на управляющие команды и прочее. 

Система вырабатывает управляющие команды в режиме реального времени, которые реализует машинист. Такой подход дает эффект в экономии затрат на топливо на 5–6%. Кроме того, гарантирует отсутствие претензий из-за нарушения заданного уровня произведенной мощности, сокращает амортизацию оборудования и продлевает межремонтный интервал (при обслуживании «по состоянию»), сокращает «углеродный след». 

Совокупный эффект повышения рентабельности одной установки достигает 9–12%.

Системы предиктивной аналитики и цифровые модели физических объектов справляются с задачей прогнозирования внештатных ситуаций на производстве, стоимость устранения которых может достигать огромных сумм, превышающих выручку предприятия за годы. Сразу несколько наших клиентов в ТЭК за последние 5 лет выполнили проекты внедрения систем прогнозирования состояния статического нефтегазового оборудования, таких, как емкости хранения ГСМ и трубопроводы. Идут проекты тиражирования цифровых продуктов на все объекты, где есть риск аварийности с крупными последствиями для предприятия.

Экономический эффект от предиктивной аналитики

Другой пример. Несколько предприятий разного масштаба по производству стали 6–7 лет назад начали внедрение лучших практик в процессы управления надежностью. Перешли с обслуживания «по состоянию оборудования» к подходу предиктивного обслуживания наиболее дорогих механизмов. Создание и внедрение систем, которые помогли прогнозировать и предотвращать отказы оборудования в конвертерных цехах в процессе литья заготовок, дали целевые результаты. В среднем машина по розливу стали простаивает 420 часов в год для проведения плановых ремонтов и еще 150 — во время внеплановых. 

За счет разработки и применения моделей прогнозирования отказов удалось снизить время простоев на 120–130 часов в год. При цене простоя часа одной машины в 1,5 млн рублей экономический эффект составляет 195 млн рублей в год. Обычно в цехе от двух до четырех таких машин. 

Еще один пример из производства стали: автоматизация прогнозирования параметров качества продукции в зависимости от исходного сырья и условий техпроцесса. Внедрение модели предсказания в процесс изготовления топлива для доменных печей (кокса) дало возможность снизить содержание дорогих углей в смеси сырья для производства и обеспечивать требуемый уровень качества кокса в процессе плавки чугуна и стали. Модель учитывает не только накопленные данные о параметрах сырья (угольных шихт), полученных от разных поставщиков, но и данные о запасах сырья и параметрах логистики, особенности техпроцесса изготовления кокса. 

Экономический эффект на крупном предприятии составил более сотни миллионов рублей в год. Он достигнут за счет экономии затрат на исходном сырье: увеличивается доля дешевых углей с примесями и сокращается содержание дорогих углей (с гарантированным уровнем качества конечного продукта в заданном диапазоне).

Особенности внедрения предиктивной аналитики

У проектов создания и внедрения систем предиктивной аналитики есть свои общие черты, которые существенно отличаются от привычных проектов в ИТ. Первую характерную черту я описал выше, когда говорил о необходимости накопить исторические данные достаточно большого объема. Без них, как правило, невозможно обучить систему предсказывать будущее с хорошей вероятностью. Хотя и тут есть исключения, когда данные накоплены не в электронном виде, а ими обладает эксперт, проработавший с оборудованием в этом цехе продолжительное время. В таком случае можно создать экспертную систему.

Состав участников проектной группы тоже имеет отличия от команды классического ИТ-проекта. Для внедрения системы предиктивной аналитики необходимы:

• эксперты в конкретных технологических процессах, для которых будут обучать модели,
• специалисты ремонтных служб, имеющие длительный опыт обслуживания оборудования, входящего в проект,
• эксперты из смежных техпроцессов, на которые есть влияние (часто логистика или сбыт, учет ресурсов и сырья),
• дата-сайентист.

Этапы проекта предиктивной аналитики

Рабочая группа чаще всего движется последовательно по этапам создания системы. Сначала производится сбор и очистка данных. Накопленная информация на предприятии обычно находится в разных системах. Ее надо извлечь и очистить от ошибочных записей. В результате получаем набор исторических данных для последующего обучения моделей. 

На втором этапе проводят подбор модели машинного обучения, применяя тестовые выборки из массива исторических данных и сравнивая показатели, такие, как время обучения и точность полученных прогнозов по отношению к содержащимся в выборке фактическим значениям прогнозируемых событий. По завершении принимается решение о том, какие модели будут использоваться. 

Третий этап — обучение выбранных моделей на всем объеме накопленных данных. Часто весь процесс разбивают на части. Сначала работают ИТ-специалисты, установив основные параметры обучения, исходя из скорости. После к работе подключаются специалисты-технологи, предметно разбирая отклонения прогноза модели от фактически полученных на производстве данных. Выявленные причины отклонений айтишники учитывают в настройках модели и повторяют обучение. Снова сравнивают прогноз с фактом вместе с опытными технологами и корректируют параметры обучения модели. Точность прогноза снова возрастает, но все же остаются неточные предсказания. 

На четвертом этапе выполняют подгонку обученной модели. Анализируются все неточные прогнозы. Технологи и дата-сайентисты совместно изучают влияние разных факторов на точность прогноза. Выявляются зависимости факторов, на базе обученной модели строятся графики, отражающие связь параметров и результата. Выявляются расхождения данных в модели и реальных данных. Выявленные причины расхождений учитывают, исправляя обученную модель, и продолжают обучение. В результате качество прогноза достигает целевого значения. Можно считать, что модель точно воспроизводит реальный технологический процесс или работу оборудования с высокой точностью. 

На пятом этапе на базе зависимостей и корреляций, выявленных обученной моделью или с использованием самой модели, создают прикладную систему: оптимизатор параметров процесса или планировщик заявок на ремонтные работы и т. п. Проводят тестирование прикладной системы, сравнивая эффект за период работы производства с применением системы предиктивной аналитики и без нее. В сравнении результатов можно оценить и экономический эффект. 

Средняя продолжительность всех этапов проекта создания и внедрения предиктивных систем составляет 8–10 месяцев.

Основной риск при внедрении предиктивной аналитики

При всей кажущейся сложности подготовки данных, подбора ML-моделей и самого процесса обучения основной риск таких проектов я вижу в другом. Итоговая обученная модель кажется людям в цехах «черным ящиком», непонятно как выдающим прогнозы и рекомендации. Ответственному за производство лицу сложно принять решение о применении выдаваемых системой рекомендаций, так как он несет полную ответственность за последствия. И данный этап может стать решающим с точки зрения конечного успеха проекта. 

Есть способы помочь преодолеть этот барьер, часто они требуют участия не только проектной команды, но и руководства компании — для обеспечения благоприятных условий ответственным сотрудникам, их мотивации к принятию изменений. 

Людям на производстве будет проще решиться применить выработанную системой рекомендацию, если они сами непосредственно участвовали в создании цифрового продукта на протяжении всего внедрения. И айтишники должны на каждом этапе объяснять экспертам-технологам, как работает система.

Проекты внедрения средств предиктивной аналитики позволяют оптимизировать технологические процессы, помогают специалистам на производстве выполнять работу с большей производительностью, обеспечивая возможности роста оплаты труда. Тем самым способствуют решению задач роста и развития в масштабе страны.

^{Обложка: downloaded from Freepik}