Россия
Москва, г. Москва и Московская область, Россия
Россия
ВАК 2.1.2 Основания и фундаменты, подземные сооружения (Технические науки)
ВАК 2.1.3 Теплоснабжение, вентиляция, кондиционирование воздуха, газоснабжение и освещение (Технические науки)
ВАК 2.1.5 Строительные материалы и изделия (Технические науки)
ВАК 2.1.6 Гидротехническое строительство, гидравлика и инженерная гидрология (Технические науки)
ВАК 2.1.7 Технология и организация строительства (Технические науки)
ВАК 2.1.8 Проектирование и строительство дорог, метрополитенов, аэродромов, мостов и транспортных тоннелей (Технические науки)
ВАК 2.1.9 Строительная механика (Технические науки)
ВАК 2.1.10 Экологическая безопасность строительства и городского хозяйства (Технические науки)
ВАК 2.1.11 Теория и история архитектуры, реставрация и реконструкция историко-архитектурного наследия (Технические науки)
ВАК 2.1.12 Архитектура зданий и сооружений. Творческие концепции архитектурной деятельности (Технические науки)
ВАК 2.1.13 Градостроительство, планировка сельских населенных пунктов (Технические науки)
ВАК 2.1.14 Управление жизненным циклом объектов строительства (Технические науки)
ВАК 2.1.15 Безопасность объектов строительства (Технические науки)
УДК 004.65 Cистемы управления базами данных (СУБД)
УДК 51-37 с помощью вычислительных машин
УДК 696.117 Краны. Запорные задвижки. Вентили. Прочая арматура
ГРНТИ 67.01 Общие вопросы строительства
ББК 308 Монтаж, эксплуатация, ремонт машин и промышленного оборудования
Введение. Наиболее распространенные на сегодняшний день, современные платформы предиктивной аналитики такие как: «Аналитическая платформа Форсайт», KNIME Analytics Platform, SAS Enterprise Miner, Loginom, обладают рядом особенностей, ограничивающих их использование в условиях малых предприятий. Материалы и методы. В рамках работы над диссертационной работой на тему «Управление техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов» была выдвинута гипотеза о том, что комбинированное применение кластерного и квалиметрического анализа больших данных позволяет с точностью не менее 95% прогнозировать изменение фаз жизненного цикла, что обеспечивает снижение эксплуатационных затрат, не менее чем на 15-20% за счет оптимизации сроков технического обслуживания и замены элементов инженерного оборудования. Результаты исследования. В статье проведено сравнение современных платформ предиктивной аналитики с разрабатываемой в диссертационной работе методикой. Рассматривается внедрение разработанной методики в условиях производства. Выводы. Разработанная методика управления техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов представляет интерес в области строительства.
Производство строительных материалов, управление техническим состоянием, кластерный анализ, предиктивная аналитика, квалиметрия, жизненный цикл, системы прогнозирования.
ВВЕДЕНИЕ
Первые прогнозные модели начала формироваться в 1940-х годах, с появлением линейного программирования, метода Монте-Карло и симуляций нейронных сетей. С 1970-х по 1990-е годы, с развитием компьютерной техники, эти технологии получили широкое применение в бизнесе. Ведущие технологические компании сыграли ключевую роль в популяризации предиктивной аналитики — IBM (платформы IBM SPSS и Watson Analytics), Google (инструменты Google BigQuery ML и TensorFlow), Microsoft (платформа Azure Machine Learning), Amazon (платформа Amazon Web Services) и др. [1].
МАТЕРИАЛЫ И МЕТОДЫ
Наиболее часто применяемые на сегодняшний день платформы реализующие инструменты предиктивной аналитики: «Аналитическая платформа Форсайт», KNIME Analytics Platform, SAS Enterprise Miner, Loginom. В рамках проведённого исследования выполнено сравнение этих платформ с Microsoft Excel [2]. В качестве основных рассматриваемых показателей были выбраны следующие: простота использования, встроенные функции анализа, доступность, гибкость, стоимость лицензии, поддержка продвинутых методов анализа, работа с большими данными (от 1 до 100 ТБ), автоматизация процессов анализа, визуальное программирование, отсутствие необходимости в дополнительном обучении, встроенная поддержка временных рядов, объединение инструментов из разных областей. Общие результаты представлены в виде таблицы (рис.1) [3].
Рисунок 1– Сравнение современных платформ для прогнозирования.
Выбор инструмента Excel, можно обосновать следующим:
- Если данные небольшие (до 1ТБ), а задача ограничивается базовым анализом или визуализацией, Excel будет быстрее и удобнее.
- Excel проще в использовании для новичков, не имеющих опыта работы со специализированными платформами.
- Если задача не требует автоматизации или сложных методов анализа, Excel будет предпочтительнее.
- Самая доступная стоимость лицензии, значительно снижающая порог вхождения в задачи прогнозирования.
Научно-техническая гипотеза представленного исследования предполагает возможность совместного использования кластерного анализа и квалиметрических методов при обработке больших массивов эксплуатационных данных инженерного оборудования позволяет прогнозировать смену фаз его жизненного цикла с точностью ≥95%. Данный подход способствует сокращению затрат на эксплуатацию на 15–20% за счёт корректировки интервалов технического обслуживания и своевременной замены компонентов.
Методологическая основа исследования. В работе применены следующие методы анализа:
- Контрольные карты Шухарта для фильтрации исходных данных на первоначальном этапе, с целью исключения из последующего анализа бракованных элементов.
- Кластерный анализ, для группировки объектов выборки в однородные совокупности (кластеры), с целью получения эталонной модели, для следующего этапа анализа.
- Квалиметрия, для предсказания изменения фаз жизненного цикла ключевого элемента фасовочного оборудования, на основании полученных данных и эталонной модели, с целью повышения эффективности управления техническим состоянием инженерного оборудования [4-6].
Исходные данные для анализа были предоставлены ООО НТЦ «Гидрол-Кровля» (г. Москва) и обрабатывались в среде Microsoft Excel. На подготовительном этапе осуществлялась предварительная обработка данных, включающая:
- Экспертную оценку достоверности информации
- Применение методов статистического контроля [7].
Ключевые анализируемые параметры:
- Фактическая наработка в часах
- Количество циклов включения
- Объем переработанного полимерного материала
Кластерный анализ состоит из следующих этапов:
- Процедура нормализации, для обеспечения сопоставимости разно размерных параметров.
- Расчёт Евклидова расстояния в целях оценки степени различия между объектами.
- Расчёт эталонной модели.
Квалиметрический анализ проводился в три этапа:
- Расчёт процентного отклонение от эталонных значений, с целью оценки погрешности.
- Нормализация данных для анализа.
- На финальном этапе обработки производились: ранжирование объектов по возрастанию значений; расчет интервальных показателей; определение среднего геометрического для интервалов.
Математические инструменты были подробно рассмотрены автором статье «Современное состояние и перспективы развития систем предиктивной аналитики в области строительства» [8].
Итоги вычислений, полученные путём сложения порядковых номеров изделий в ранжированных промежуточных таблицах и номеров их кластеров, представлены в виде таблицы и диаграммы (рис. 2, 3).
Рис. 2 –Итоговая таблица квалиметрического анализа системы
Рис. 3 – Итоговая диаграмма квалиметрического анализа
Исследуемые шнеки по результатам проведённого квалиметрического анализа разделились на три группы: первая шнеки № 2, 5, 7, 10 с рекомендацией провести полный внеочередной контроль; во второй группе № 3, 4, 6, 8 работают в штатном режиме; № 1, 9, из третей группы, находящиеся в наилучшем состоянии.
Для проверки методики был проведён фактический замер износа шнеков и сравнение замеров с моделью, полученной в результате прогноза. Результаты сравнения представлены в виде таблицы и диаграммы (рисунок 4, 5) [9].
Рис. 4 – Сравнение результатов прогноза и фактических замеров таблица
Рис. 5 – Сравнение результатов прогноза и фактических замеров диаграмма
Анализ сравнения результатов прогноза и фактических замеров остатка ресурса шнеков:
- Общие наблюдения. В таблице представлены данные по 10 шнекам, включая прогнозируемые и фактические значения износа (в %), а также процент отклонения прогноза от реальных данных. Нормализация значений позволяют провести сравнение прогноза и фактических замеров остатка.
- Ключевые выводы. Точность прогноза – наибольшее занижение прогноза (факт> прогноз) у шнека №3 (–17,11%), шнека №4 (–13,51%), шнека №2 (–13,17%); наибольшее завышение прогноза у шнека №5 (+18,41%), шнека №8 (+12,49%), шнека №10 (+14,77%); наиболее точные прогнозы у шнека №7 (+1,30%), шнека №9 (+7,53%), шнека №6 (+8,61%)
- Средняя величина отклонения составила 1,09%.
Модель демонстрирует приемлемую среднюю точность, но требует доработки для уменьшения крайних отклонений. Такие результаты обусловлены экспериментальным характером работы и небольшим объёмом данных, полученных на момент проведения анализа [10].
ЗАКЛЮЧЕНИЕ И ОБСУЖДЕНИЕ
Проведенное исследование подтвердило выдвинутую гипотезу о возможности эффективного управления техническим состоянием инженерного оборудования фасовки и дозирования при производстве строительных материалов, методами анализа больших данных с использованием комбинированного подхода, использующего кластерный и квалиметрический подход. Разработанная методика обладает существенными преимуществами перед существующими аналогами для задач, когда ключевое значение имеет низкая стоимость программного обеспеченья, низкий порог вхождения, новизна области исследования и может быть рекомендована к внедрению в промышленности и строительстве.
