Эра смарт-производства
В процессе реализации проектов по цифровой трансформации мы сталкивались с «зоопарками» различных источников данных. Сегодня технологический стек позволяет делать то, о чем еще в начале 2010-х можно было только мечтать. Можно предсказывать жирность молока, находить оптимальные параметры технологических процессов в горнорудной промышленности, предсказывать объемы продаж и загрузку производств, объемы потребляемой энергии для целых городов. Вся эта магия становится возможна с помощью исторических данных и ML-платформы. Комплексный подход позволил нам создать целую систему промышленной безопасности.
В контуре предприятия, как правило, действует множество информационных и автоматизированных систем. Источниками данных выступают различные программные и аппаратные средства. Важно обеспечить платформенный подход — объединить их, заставить взаимодействовать. Единство технологий и данных помогают промышленным компаниям обеспечить максимальную эффективность работы. Достижение синергии данных позволяет экономить время и средства производства до 30%. Полная картина производственных процессов, объективная статистика необходимы для принятия правильных управленческих решений, основанных на имеющихся сведениях.
А в числе наиболее актуальных спектров технологий можно выделить компьютерное зрение, «Интернет вещей», анализ данных и предиктивную аналитику.
В чем суть цифровой трансформации любого бизнеса? Это устойчивая возможность принимать управленческие и технологические решения, основываясь на данных, а не на субъективном человеческом опыте.
Для этого данные нужно сначала собрать с помощью датчиков, сенсоров. Это огромные объемы информации (технологический слой IIoT).
Далее собранные большие данные нужно где-то хранить, а хранят их в облаках или на собственных серверах (технологический слой Big Data).
На следующем этапе собранные большие данные нужно обработать, найти закономерности и паттерны, обучить нейронные сети и предсказать результат или спрогнозировать будущие события. За это отвечает искусственный интеллект, машинное обучение и компьютерное зрение (технологический слой Ai+ML+CV+DS).
На последнем этапе обработанные данные визуализируются и интерпретируются, позволяя принимать на их основе решения разных уровней, в зависимости от того, кто является потребителем итоговой информации (технологический слой BI).
Описанный процесс упрощен для ясности понимания — на самом деле он гораздо сложнее и зависит от бизнес-задачи и решения, тем не менее этот процесс накладывается на любую индустрию, где идет цифровая трансформация.
Компьютерное зрение
Машинное зрение помогает обнаружить дефекты готовой продукции. Своевременное обнаружение брака позволяет вовремя изменить параметры производства или остановить техпроцесс, пока вся партия продукции не будет безвозвратно испорчена. Это могут быть как десятки километров сверхпроводников, движущихся по конвейеру, так дефектоскопия самих конвейерных лент.
«Интернет вещей» и цифровые двойники, компьютерное зрение и машинное обучение в горно-обогатительном производстве снижают потери металлов. ML и компьютерное зрение могут увеличить выработку металлов до 3%, а потери в пустом материале («хвостах») снизить до 20%.
Также эти технологии помогают избежать простоя оборудования — например, мельницы, которая измельчает руду для дальнейшего выделения из нее металлов. Сутки простоя мельницы, перерабатывающей 600 тонн руды в час, могут обойтись предприятию в 160–180 млн рублей. Камеры и системы компьютерного зрения способны классифицировать руду, которую конвейер подает в мельницу, тем самым помогая оптимизировать процесс.
Еще один из интересных сценариев применения машинного зрения — возможность определить, по какой траектории должен двигаться ковш экскаватора, чтобы техника тратила меньше энергии при погрузке и разгрузке горной породы. Также используются системы, которые следят за наличием на ковше зубьев, ведь их поломка не только снизит производительность, но и при отправке этого элемента в дробилку поломает оборудование.
«Интернет вещей»
Промышленный «интернет вещей» — один из наиболее актуальных спектров технологий. Его использование может оказать серьезное воздействие на эффективность производства и безопасность персонала. Можно выделить несколько основных трендов на поле IIoT.
Первый — геопозиционирование. «Умные каски» позволяют отследить, надел ли сотрудник это средство индивидуальной защиты, а также быстро определить факт удара или падения человека. Трекеры в виде браслетов, RFID-меток или тех же касок с «умным» модулем помогают узнать, не находится ли кто-то в опасной зоне, составляют карту перемещений и могут даже определить тип операций, которые выполняет сотрудник — красит он вагон или забивает гвозди. А специальные антенны на транспорте определяют местоположение с точностью до 0,5 метра, чтобы избежать столкновений.
Второй тренд — контроль здоровья и производительности труда. Снова на помощь приходят «умные» браслеты: они снимают ряд показателей, таких как пульс и температура, активность, гидратация организма, общее состояние. Система подскажет, когда сотруднику стоит отдохнуть, а когда — требуется вызов врача. Дело в том, что работа на производстве происходит в тяжелых или даже экстремальных условиях, поэтому необходимо следить за состоянием каждого сотрудника и предотвращать трагедии.
Третий — системы видеоаналитики. Линейные камеры и 3D-сканеры выявляют дефекты продукции. Видеокамеры «смотрят», надел ли сотрудник каску, жилет, маску, перчатки и не находится ли в опасной зоне. Также они определят задымление или пожар. В состав системы контроля и управления может входить система распознавания лиц, которая позволит автоматически открывать двери для сотрудников. Шлагбаумы также могут открываться автоматически благодаря распознаванию автомобильных номеров.
Четвертый тренд — виртуальная и дополненная реальность. С помощью специального приложения и очков дополненной реальности решения категории «удаленный эксперт» связывают человека, который находится на производстве, с другим специалистом, обладающим дополнительными компетенциями, и подсказывает первому, как действовать в той или иной ситуации. Так эксперт из другого конца страны помогает коллеге выполнять сложные задачи. AR-очки позволяют увидеть инструкции по обслуживанию оборудования. В виртуальной реальности можно тренироваться отрабатывать различные операции, будь то ремонт двигателя или покраска вагона, что позволяет новым сотрудникам получить необходимые знания и подготовиться к работе на реальном производстве.
Анализ данных и предиктивная аналитика
Предприятиям необходимо принимать решения с учетом анализа всех существующих данных. Множество датчиков программных комплексов отправляют большие объемы информации, для обработки которых явно не хватит Excel-таблиц. Но более эффективные инструменты решают множество самых разных интересных задач.
Нефтеперерабатывающие заводы должны контролировать качество продукции и часто используют для этого лабораторные методы. Подобный процесс занимает от одного до трех часов, поэтому в случае, если бензин не отвечает всем требованиям, в течение данного срока завод будет выдавать брак. Исправить ситуацию помогают автоматические онлайн-анализаторы, которые в режиме реального времени на основе данных ИК-спектроскопии и построенной математической модели сообщают о качестве бензина.
Эксплуатационная модель насосного оборудования скважин способна подобрать оптимальную конфигурацию с учетом исторической информации об отказах различных узлов. Результат — сведение к минимуму инцидентов, требующих выезда ремонтной бригады на скважину, и снижение эксплуатационных и капитальных затрат.
Исторические данные по отказам прошлого позволяют также создавать экспертные системы в других отраслях, в том числе для атомных станций. Модель отслеживает нештатные ситуации, позволяя сотрудникам их исправить.
Сбор данных со всех устройств, их нормализация и обогащение с помощью технологий машинного обучения и искусственного интеллекта обеспечивают предиктивную аналитику в различных отраслях. Облачные инструменты анализа данных от IoT-устройств анализируют тренды, ищут новые паттерны, отслеживают изменения, выполняют кластеризацию данных в зависимости от того, какую информацию предоставляет инструментарий. Некоторые инструменты собирают сырые данные с датчиков. Чтобы он работал эффективно, эти данные необходимо нормализовать и обогатить, и здесь на помощь приходят AI и ML.
Работать с данными также важно для проектов, связанных с вопросно-ответными системами (интеллектуальный поиск помогает сотрудникам находить ответы на вопросы среди массивов данных), мониторингом тендерных закупок, нормированием цен на различные товары и услуги.
Итог
В каждой из отраслей большее влияние могут оказывать те или иные технологии, необходимые для повышения эффективности производства. При этом их не зря называют сквозными — часть решений применима как в ретейле или на транспорте, так и в горнодобывающей промышленности, в металлургической и других отраслях. С уходом ряда зарубежных компаний, создающих датчики и платформы для обработки данных, российские игроки получили импульс для создания и развития новых продуктов, что необходимо для достижения технологического суверенитета.
Опубликовано 27.07.2023
