Локомотив – сложная машина, у нее порядка 7 тыс. конструктивных элементов. От их исправности и оперативности ремонта в случае поломки зависят не только возможность бесперебойной перевозки грузов и пассажиров, но и успешность железнодорожных компаний, и экономики России в целом. Если перевести это на язык железнодорожников, то коэффициент готовности локомотива к эксплуатации (КГЭ), показывающий, сколько времени машина находится на линии и готова к работе, должен быть как можно выше. По итогам минувшего года этот показатель у ОАО «РЖД», основного владельца локомотивов в России, перешагнул порог в 90%, а в 2021 году цифра должна составить уже 95%.

Предпосылки для запуска проекта

• Простои оборудования и техники
• Большие сроки и затраты на ремонт
• Необходимость понимания реального технического состояния транспорта
• Потребность в прозрачности существующих процессов

Проект выполнила ГК «ЛокоТех». Компания имела опыт внедрения автоматизированной системы управления (АСУ) «Сетевой график», которая позволяла формировать перечень сверхцикловых работ на основании расшифровки данных микропроцессорной системы управления (МСУ) при заходе локомотива в сервисное депо. Анализ данных МСУ выполнялся группами диагностики в ручном режиме, что не исключало влияния человеческого фактора, а обработка сведений занимала порядка четырех часов.

Полученный опыт работы с данными бортовых систем локомотивов учли при работе над проектом «Умный локомотив» в 2016 году.

Решение

Проект «Умный локомотив» – это система предиктивной аналитики, которая проводит мониторинг технического состояния оборудования и прогнозирует отказы с указанием конкретного узла локомотива, оборудованного датчиками.

Цель проекта «Умный локомотив» – трансформировать бизнес-процессы предприятия, перейти от планово-предупредительных ремонтов на ремонты по состоянию.

Обслуживание по состоянию – инновационная модель сервиса, которая сочетает в себе большой перечень инструментов индустрии 4.0.

При создании системы широко применялись такие сквозные технологии, как искусственный интеллект, большие данные, машинное обучение и промышленный интернет вещей.

Это дает возможность оценивать и прогнозировать состояние узлов и агрегатов локомотива, отслеживать аномалии, в автоматическом режиме выводить информацию о технологическом состоянии оборудования и, как следствие, предсказывать неисправности локомотивов и оборудования между плановыми ремонтами.

В основу проекта «Умный локомотив» легла платформа Clover Group. Она предназначена для обработки и анализа больших данных производственных и сервисных предприятий. На базе этой платформы создана интеллектуальная система для риск-ориентированного управления производственными активами и планирования технического обслуживания и ремонта Ctrl@Maintenance, включающая библиотеку правил, а также математические модели (MX-модели), которые сочетают в себе математику и глубокое понимание физических процессов оборудования локомотивов.

Данные системы «Умный локомотив» поступают и хранятся на платформе Ctrl@Maintenance, которая на их основе предсказывает возможные поломки. С учетом этих сведений за неделю до того, как локомотив придет на ремонт, автоматически формируется заявка на запчасти для отделов закупок и снабжения. Также создаются еще одна заявка – на работы по неисправностям, обнаруженные до их фактического возникновения.

Продукт интегрирован с системами планирования ресурсов предприятия, решениями SAP и 1С. «Умный локомотив» позволяет проверить качество ремонта и обслуживания.

Возможности умного локомотива

Промежуточные итоги

К началу 2020 года система «Умный локомотив» использовалась для работы с телеметрией 8,5 тыс. секций локомотивов в 59 сервисных локомотивных депо. Она анализирует работу 23 видов оборудования по 300–500 параметрам в зависимости от серии локомотива и способна находить свыше 60 видов сбоев в работе оборудования, автоматически определять нарушения эксплуатации, связанные с неправильными действиями локомотивной бригады. Ежемесячно система обрабатывает более 1терабайта данных.

Запущен в опытную эксплуатацию модуль поиска аномалий. Он позволяет анализировать 260 параметров по тепловозам 2ТЭ116У и 3ТЭ116У, 308 параметров по тепловозам ТЭП70У и ТЭП70БС, 270 параметров по 2ТЭ25КМ. Для тепловозов 2ТЭ116У разработаны математические модели предиктивной аналитики, которые позволяют заблаговременно выявить предотказные состояния оборудования и оперативно принять меры для недопущения отказа локомотива на линии.

Прогнозная аналитика с применением технологий искусственного интеллекта и нейронных сетей дала возможность управлять процессами технического обслуживания и ремонта в режиме реального времени, оценивать и прогнозировать техническое состояние узлов и агрегатов машин. При этом система предлагает наиболее оптимальное решение по времени и объему работ. Ремонтное подразделение может планировать свою деятельность задолго до постановки машины на ремонт или обслуживание.

Благодаря системе «Умный локомотив»:

– в три раза снизились затраты на аварийный ремонт;

– на 12% снизилось время простоя локомотивов на сервисном обслуживании;

– на 154 тыс. человеко-часов в год сократилось время диагностики;

– с 4 часов до 20 минут сократилось время диагностики локомотива (по данным МСУ).

Перспективы

Функционала системы «Умный локомотив» будет расширен. Добавятся возможности автоматического формирования графика ремонтов, в котором локомотивы будут распределяться на основании реального технического состояния, дислокации, пробега и загрузки самих депо. Как следствие, производительность депо, по предварительным оценкам, увеличится дополнительно еще на 22%.

Благодаря проекту на 12% снизилось время простоя локомотивов на сервисном обслуживании

2016 Сентябрь

На InnoTrans компания «ЛокоТех» презентовала «Умный локомотив»

2016 Ноябрь

Система «Умный локомотив» – победитель в номинации «Инновация» национальной премии в области импортозамещения «Приоритет-2016»

2016 Март

Завершена опытная эксплуатация модуля поиска аномалий в 5 пилотных депо

2017 Сентябрь

1,3 тыс. секций локомотивов в 20 сервисных локомотивных депо

2017 Октябрь

Накоплен достаточный объем данных для обучения моделей предиктивной аналитики

2018 Сентябрь

6,4 тыс. секций локомотивов в 40 сервисных локомотивных депо

2018 Декабрь

Реализация решения Clover SmartMaintenance для «ЛокоТеха» – победитель категории «Искусственный интеллект и цифровая экономика» премии «Время инноваций»

2019 Февраль

Решение Clover SmartMaintenance вошло в топ-100 кейсов АНО «Цифровая экономика»

2019 Июнь

7,5 тыс. секций локомотивов в 59 сервисных локомотивных депо

2019 Июль

Запущен в опытную эксплуатацию модуль предиктивной аналитики, позволяющий заблаговременно выявить предотказные состояния оборудования

2020 Январь

8,5 тыс. секций локомотивов в 59 сервисных локомотивных депо, запуск системы «Умный локомотив» в промышленную эксплуатацию

Анализируемое оборудование

• Генератор тяговый
• Электродвигатель тяговый
• Насосы топливные, масляные
• Радиатор водяной
• Турбокомпрессор
• Тормоз реостатный, рекуперативный
• Компрессор тормозной
• Реле и контакторы
• Фильтры масляные, топливные
• Аккумуляторная батарея
• МСУ
• Мотор-вентиляторы охлаждения
• Форсунки
• Водомасляный теплообменник
• Возбудитель
• Выпрямительно-инверторный преобразователь
• Преобразователи собственных нужд
• Пантограф

Фото: Shutterstock/FOTODOM