Thiess, одна из крупнейших горнодобывающих компаний мира, намерена использовать предиктивную аналитику и статистическое моделирование для того, чтобы свести к минимуму поломки оборудования. Технической реализацией проекта занимается корпорация IBM.

Сбор и анализ информации о состоянии машин позволяет на ранней стадии замечать в показания датчиков аномалии и скрытые закономерности, указывающие на высокий риск выхода из строя тех или иных компонентов и другие потенциальные проблемы.

Предполагается, что возможность предсказывать поломки заранее значительно сократит простой оборудования, продлит срок службы используемых деталей и в конечном счёте увеличит эффективность работы всей компании.

«Комбинируя сведения о физической исправности оборудования с информацией о том, как оно должно быть использовано, мы сможем заранее узнавать, когда и что пойдёт не так, что нужно предпринять для устранения проблемы в корне ещё до того, как она случится», — объясняет Мэтью Денесюк из IBM Research.

BHP-Billiton-Newman-720x512

В некоторых отраслях такой подход уже стал нормой. Финансовые организации и телекоммуникационные компании давно обнаружили, что сбор и анализ данных даёт вполне ощутимый эффект. Однако у них есть важное отличие от горнодобывающей индустрии: для банков и телекома работа с информацией — основа их деятельности.

В горнодобывающей отрасли не только полезность, но даже необходимость «больших данных» куда менее очевидна. Работа угольного разреза никак не связана с информацией. Даже если там есть компьютеры, их сбой не вызовет особых проблем. Главное, чтобы не сломались самосвалы и экскаваторы.

Междут тем они ломаются — и чаще всего внезапно. Это приводит к ненужным простоям, лишним расходам и упущенной выгоде. Именно это и попытается исправить IBM.

Для этого специалисты IBM Research и Thiess собирают и анализируют информацию с датчиков, установленных на оборудовании, сведения об истории техосмотров и ремонтов, информацию о нагрузке и сотрудниках, эксплуатирующих машины, и данные об погодных условиях и состоянии грунта. Всё это позволяет составить статистические модели, которые помогают лучше планировать работу оборудования.

Помимо Thiess, аналогичные проекты начинают и другие горнодобывающие компании. В октябре 2013 года стало известно, что другой гигант этой отрасли, компания BHP Billinton, оптимизирует свою работу с помощью анализа данных:

«Компания утверждает, что на одном из угольных месторождений удалось повысить эффективность использования самосвалов на 25%. Кроме того, система увеличила действенность планирования ремонта и техобслуживания. Это, в свою очередь, сократило время простоя техники.

Другой пример удачной оптимизации, который приводят в BHP Billinton, — двадцатипроцентный рост эффективности загрузки железной руды в железнодорожные вагоны, достигнутый на одной из шахт компании всего за три месяца. После идентификации этой проблемы было принято решение использовать специальные измельчители, чтобы уместить побольше руды в каждый вагон.

Сценарии использования предиктивной аналитики в Thiess похожи. В пресс-релизе IBM Research приводится такой пример. Предположим, анализ данных показал, что несколько самосвалов вот-вот сломаются, а на носу важный заказ, который нужно выполнить в течение одиннадцати дней. Что делать?

В обычной ситуации этот вопрос просто не возник бы. Самосвалы сломались бы без предупреждения, когда этого никто не ждёт. В результате для того, чтобы спасти ситуацию, потребовались бы куда более серьёзные усилия.

Если же используется предиктивная аналитика, можно сразу спланировать решение проблемы. Поиграв со статистической моделью, можно, к примеру, обнаружить, что если нагружать «опасные» самосвалы не под завязку, а лишь на 85% и ехать на 20% медленнее обычного, то вероятность поломки в течение ближайших одиннадцати дней сокращается до минимума. А это выход, причём такой, который вряд ли оказался бы возможен без анализа данных.