Коммунальные предприятия по своей сути занимаются управлением активами.
Для генерации и поставки электроэнергии, газа или воды требуется огромная инфраструктурная база, а поддержание этой инфраструктуры в рабочем состоянии поглощает значительную долю операционных расходов (OpEx) коммунальных предприятий. Когда критически важный актив выходит из строя, ущерб выходит далеко за рамки стоимости самого ремонта. Это может привести к отключениям, сбоям в работе, а для специализированного оборудования — к длительным срокам замены.
Именно поэтому предиктивное обслуживание является столь естественной сферой для применения ИИ коммунальными предприятиями.
Расходы на ИИ растут, и перед бизнес-лидерами все чаще встает прямой вопрос: какова окупаемость? Предотвращение выхода из строя дорогостоящего актива дает гораздо более наглядный ответ, чем очередной изолированный пилотный проект.
Если коммунальное предприятие сможет выявить проблему достаточно рано, чтобы избежать критической поломки, это принесет реальную экономию на операционных расходах и финансовую выгоду.
Начните с наиболее важных активов
Аргументы в пользу предиктивного обслуживания на базе ИИ наиболее убедительны, когда ценность и критичность актива высоки.
Рассмотрим сложный силовой трансформатор. Такое оборудование может быть изготовлено по особым требованиям конкретного предприятия, а это значит, что в случае поломки равноценной замены на складе может не оказаться.
Возможность заключается в том, чтобы объединить информацию, которая уже существует вокруг этого актива: данные датчиков, историю нагрузок, анализ растворенных газов, тепловизионные снимки и другие индикаторы состояния. Если рассматривать любой из этих сигналов изолированно, он расскажет лишь часть истории. Объединяя их регулярно, ИИ получает гораздо более прочную основу для выявления ухудшения состояния, особенно через анализ тенденций.
Этот принцип применим ко всему сектору коммунальных услуг.
Для предприятий водо- и газоснабжения данные инспекций могут выявить истончение стенок, точечную коррозию и другие изменения состояния трубопроводов. Сочетание этих наблюдений с другой оперативной информацией дает коммунальным предприятиям более раннее представление о том, где могут возникнуть утечки газа или прорывы водопроводов.
Именно здесь экономика процесса становится убедительной. Цель состоит не в том, чтобы применять один и тот же уровень аналитики к каждому активу. Главное — сосредоточиться в первую очередь на том оборудовании, отказ которого влечет за собой наибольшие финансовые и операционные последствия.
Данные должны освободиться от систем-наследников
Коммунальные предприятия уже располагают огромными объемами данных об активах и их обслуживании. Более сложная задача — получить к ним доступ в форме, пригодной для использования ИИ.
Значительная часть этой информации остается запертой в устаревших приложениях или разобщена по разным системам. По сути, данные заключены в тюрьму технологий, которые никогда не проектировались для тех целей, ради которых коммунальные предприятия хотят их использовать сегодня.
Это делает управление данными, их качество и контроль частью проблемы предиктивного обслуживания. То же самое касается и технического долга.
Это не значит, что каждое устаревшее приложение нужно сносить и заменять. Во многих случаях коммунальные предприятия могут в достаточной степени модернизировать свою среду, чтобы предоставить доступ к информации через API и объединить данные из разных источников.
Это важно, поскольку данные, рассматриваемые в одном контексте, редко рассказывают всю историю целиком.
Как только ИИ начинает сопоставлять информацию из разных систем, могут проявиться закономерности, которые было бы трудно обнаружить с помощью одной лишь человеческой интуиции. Если бы эти взаимосвязи были очевидны сразу, инженеры, вероятно, уже выявили бы их, проверили и приняли меры.
Истинная ценность ИИ заключается в его способности расширять поле зрения и давать инженерам более полную картину состояния активов и связанных с этим рисков.
Направляйте средства на обслуживание туда, где это нужнее всего
Лучшее прогнозирование имеет значение только тогда, когда оно меняет решения по техническому обслуживанию.
Исторически большая часть обслуживания коммунальных сетей зависела от времени и графиков. Актив достигал определенного возраста или интервала обслуживания, и бригада отправлялась на его осмотр или ремонт.
Но сам по себе возраст не говорит о том, где кроется наибольший риск.
Старый актив в слабо загруженной и некритической цепи может работать безопасно дольше. В то же время где-то в другом месте более новый актив может быть в худшем состоянии, сильно загружен и обеспечивать работу критически важной части сети.
Это совершенно разные приоритеты технического обслуживания.
ИИ позволяет коммунальным предприятиям учитывать состояние, риск и критичность сети в рамках одного решения. Вместо того чтобы распределять работы по обслуживанию преимущественно в соответствии с календарем, команды могут направлять ресурсы на самые проблемные активы в наиболее критически важных точках сети.
Это меняет экономику обслуживания, поскольку дефицитные полевые ресурсы и ремонтные бюджеты направляются туда, где вмешательство приносит наибольшую пользу.
Это также сокращает разрыв между прогнозом и действием. Раннее предупреждение полезно только тогда, когда оно меняет график техобслуживания, инициирует выезд на объект или позволяет предприятию вмешаться до того, как произойдет сбой.
ИИ должен дополнять суждения, а не заменять их
Это не значит, что каждое решение по техобслуживанию должно приниматься автономно.
Чем критичнее актив, тем теснее техобслуживание связано с принятием оперативных решений. Вывод сильно загруженного актива из эксплуатации может потребовать окна отключения и тщательного анализа того, что происходит в других частях сети.
ИИ может сначала выявить риск, но инженер все равно должен понимать более широкие последствия принятия мер.
Именно здесь человеческое суждение остается незаменимым.
Существует разница между использованием ИИ для повышения эффективности экспертных знаний и простым перекладыванием принятия решений на технологии. Последнее я называю когнитивной капитуляцией, и именно ее должны избегать коммунальные предприятия.
При принятии решений с более низким уровнем риска у автоматизации гораздо больше простора для работы. По мере роста операционного и бизнес-воздействия люди должны оставаться непосредственно вовлеченными в процесс.
Цель состоит в обслуживании под управлением и при поддержке ИИ, в то время как люди по-прежнему контролируют принятие решений, несущих самые тяжелые последствия.
Думайте шире оборудования, принадлежащего коммунальным предприятиям
Тот же подход не должен ограничиваться только инженерными активами.
Растительность — отличный пример. Коммунальные предприятия могут не владеть деревьями, окружающими их сети, но они часто несут ответственность за управление рисками, которые эти деревья представляют для линий электропередач и другой инфраструктуры.
Традиционное управление растительностью может потребовать значительных усилий на огромных территориях, причем не всегда удается точно определить, где именно кроется наибольшая угроза.
Новые источники информации меняют это уравнение. Спутниковые снимки, LiDAR, радары и данные многоспектральной съемки обеспечивают более полное представление о растительности вокруг сети. ИИ может использовать эту информацию, чтобы определить, где сосредоточены риски, и помочь коммунальным предприятиям точечно планировать вмешательство.
Это также доказывает, почему одного лишь прогнозирования недостаточно.
Опасное дерево может находиться за пределами полосы отчуждения коммунального предприятия, но все равно упасть на линию. ИИ может выявить риск, но затем коммунальному предприятию необходимы оперативные процедуры для получения доступа, разрешения и устранения этого риска.
Технология находит проблему, но операционная модель определяет, будет ли вообще что-то сделано в результате.
От прогнозной аналитики к лучшей экономике активов
Предиктивное обслуживание на базе ИИ в конечном счете сводится к простой задаче коммунальных предприятий: как извлечь больше пользы из огромной базы активов, снизив при этом затраты и сбои, связанные с отказами?
Ответ начинается с объединения фрагментированных данных и использования ИИ для создания более полной картины состояния активов. Затем эти аналитические данные должны определять приоритеты технического обслуживания, полевые работы и операционные решения.
Когда эти элементы объединяются, коммунальные предприятия могут отказаться от обслуживания активов просто потому, что подошел срок по календарю, и перейти к вмешательству на основе состояния, риска и критичности.
Именно здесь предиктивное обслуживание становится чем-то большим, чем просто сценарий использования ИИ, и приводит к совершенно новому способу управления активами коммунальных предприятий, направляя инвестиции в техническое обслуживание туда, где они создают наибольшую операционную и финансовую ценность.
