Предсказать поломку оборудования до того, как она произойдет, — задача, над которой сегодня работают инженеры и ученые во всем мире. В Орловском государственном университете имени И. С. Тургенева такие исследования ведутся в лаборатории интеллектуальных технологий мониторинга и предиктивного диагностирования критически важных узлов оборудования.

О том, как работают технологии предиктивной диагностики и где они применяются на практике, рассказал доцент кафедры машиноведения, мехатроники и робототехники Политехнического института имени Н.Н. Поликарпова, кандидат технических наук Максим Бондаренко в новом выпуске рубрики «Говорят ученые ОГУ».

Максим Бондаренко — автор десятков научных публикаций, в том числе в международных журналах, индексируемых в SCOPUS, разработчик программ для прогнозирования ресурса узлов машин и участник научно-исследовательских проектов с промышленными предприятиями и научными организациями. Сегодня он также руководит лабораторией интеллектуальных технологий мониторинга и предиктивного диагностирования, созданной в университете для развития современных методов анализа состояния техники.

— Сегодня вы работаете в лаборатории интеллектуальных технологий мониторинга и предиктивного диагностирования. Чем занимается лаборатория?

— Лаборатория занимается теоретическими и практическими исследованиями в области прогнозирования остаточного ресурса различных узлов и деталей технических машин и агрегатов.

Наша задача — научиться заранее определять, сколько еще сможет работать тот или иной элемент оборудования и когда потребуется его обслуживание или замена.

— Предиктивная диагностика — достаточно сложный термин. Как можно объяснить, как она работает на практике?

— На практике это выглядит следующим образом: с оборудования с помощью датчиков собираются различные данные, после чего они анализируются с использованием математической модели объекта. На основе этого можно спрогнозировать остаточный ресурс работы механизма.

Если говорить простым языком, можно привести пример индикатора заряда батареи в телефоне. Без него пользоваться устройством было бы намного сложнее — непонятно, когда его нужно зарядить и сколько он еще сможет работать.

В технике ситуация похожая, только последствия могут быть гораздо серьезнее. Выход из строя какого-либо механизма может привести к большим финансовым затратам — например, на транспортировку неисправного оборудования и последующий ремонт.

Можно, конечно, проводить частые плановые ремонты, но это приводит к простоям оборудования и увеличению издержек. Поэтому разработка инструментов предиктивной диагностики позволяет находить баланс — избегать аварийных ситуаций и одновременно снижать расходы.

— Где такие технологии уже применяются?

— Подобные технологии начинают активно применяться в транспорте, энергетике и других критически важных отраслях промышленности.

Фактически это возможность заранее оценивать состояние оборудования и принимать решения о ремонте не по графику, а исходя из реального состояния техники.

— Вы сотрудничаете с крупными промышленными предприятиями и научными организациями. Среди ваших партнеров — машиностроительные предприятия, энергетические компании, а также зарубежные исследовательские центры. Какой из проектов оказался для вас наиболее интересным?

— Одним из наиболее интересных для нас является сотрудничество с компанией «Трансмашхолдинг». Работы, выполненные для этого партнера, можно назвать отправной точкой в развитии данного направления исследований в стенах нашего университета.

Кроме того, сейчас ведется активная работа с зарубежными партнерами из Китая. Для них выполняются расчеты остаточного ресурса подшипника скольжения для ветрогенератора.

— Сегодня активно используются методы машинного обучения. Как они помогают в диагностике оборудования?

— Методы машинного обучения позволяют сделать используемые модели более быстродействующими и повысить точность оценки состояния оборудования.

В целом сейчас прослеживается тенденция перехода от планового ремонта техники к ремонту по ее текущему состоянию. Именно поэтому исследования в области предиктивной диагностики становятся все более востребованными.

Развитие таких технологий позволяет не только повышать надежность сложных технических систем, но и снижать затраты на их эксплуатацию. Исследования, которые ведутся в Орловском государственном университете имени И. С. Тургенева, направлены именно на решение этих задач — чтобы техника работала дольше, безопаснее и эффективнее.