Интеллектуальные системы на службе заводов: как предсказать поломку и сэкономить миллионы. Технологии умных фабрик и прогнозируемое обслуживание. Монография
- -
- 100%
- +
Ключевые тенденции цифровой трансформации и их взаимосвязь представлены в следующей Таблице 2 [24,25,26,27,28]:
Таблица 2. Ключевые тенденции цифровой трансформации
Таким образом, цифровая трансформация российской промышленности находится в процессе перехода от теоретического осмысления в практическую плоскость (от цифровой экономики к экономике данных), ускоряемым геополитическими вызовами, изменениями и императивом технологической независимости. На фоне смены глобальных цепочек создания стоимости и необходимости структурной перестройки экономики, актуальным становится вопрос о ключевых технологических векторах, которые будут формировать конкурентные преимущества отечественной индустрии в следующем десятилетии.
На основании проведенного выше анализа, в качестве основы, определим пять взаимосвязанных направлений, внедрение которых будет носить в ближайшее время стратегический характер для преодоления сырьевой зависимости, роста производительности и обеспечения национальной безопасности:
— Промышленный искусственный интеллект и предиктивная аналитика. Искусственный интеллект трансформируется из инструмента для пилотных проектов в основу для принятия решений на всех уровнях — от станка до корпоративной стратегии. Алгоритмы машинного обучения будут повсеместно использоваться не только для визуального контроля качества или прогнозируемого обслуживания оборудования, но и для оптимизации сложных технологических параметров, генерации инженерных решений и управления целыми производственными участками. Появится специфическое применение генеративных моделей для проектирования деталей с заданными свойствами, автоматизации подготовки технической документации и планирования нестандартных производственных операций. Это сократит время цикла «идея-изделие» и компенсирует дефицит высококвалифицированных инженерных кадров. Ключевым вызовом станет не алгоритмическая часть, а формирование культуры управления данными и создание «цифровых следов» — структурированных исторических данных, необходимых для обучения моделей. Успешные внедрения будут сконцентрированы там, где возможен быстрый экономический эффект (логистика и управление запасами, энергоэффективность, контроль качества).
— Цифровые двойники, как ядро жизненного цикла продукта и актива. Цифровой двойник эволюционирует от текущей модели к динамической виртуальной копии, отражающей состояние, поведение и износ физического объекта в реальном времени. Для России это направление имеет особое стратегическое значение. В условиях ограниченного доступа к иностранному оборудованию и программному обеспечению, цифровые двойники становятся критически важными для реинжиниринга, модернизации и создания аналогов критически важных производственных линий и продуктов. Двойник будет связывать все этапы жизненного цикла: виртуальные испытания и оптимизацию изделия на этапе НИОКР, мониторинг и управление физическим активом в реальном времени, а также прогноз его остаточного ресурса. Это позволит создавать более надежную и ремонтопригодную технику, что критично для ОПК, энергетики и авиастроения.
— Промышленный Интернет вещей и периферийные вычисления. Развитие IIoT сместит фокус с подключения устройств на извлечение смысла из потоков данных в режиме, максимально приближенном к реальному времени. Будет происходить массовое оснащение нового и модернизируемого оборудования отечественными датчиками и контроллерами. Параллельно резко возрастут требования к кибербезопасности АСУ ТП, что станет отдельным направлением развития и импортозамещения. Для снижения задержек, обеспечения отказоустойчивости и обработки конфиденциальных данных непосредственно в цеху получат распространение периферийные вычисления. Анализ видеопотоков для контроля безопасности, базовая предиктивная аналитика для станков будут выполняться на локальных Edge — серверах или Edge — датчиках, а не в центральном облаке. Развертывание сетей передачи данных на промышленных предприятиях станет инфраструктурным фундаментом для реализации проектов с беспроводными датчиками, мобильными роботами и дополненной реальностью.
— Аддитивные и гибридные производственные технологии. 3D-печать перестанет быть инструментом для прототипирования и превратится в полноценную промышленную технологию, меняющую логистику, конструкцию изделий и подход к ремонту. В высокотехнологичных отраслях (авиация, космос, медицина) аддитивные технологии позволят изготавливать неразборные узлы со сложной внутренней геометрией, что невозможно при традиционной обработке. Это приведет к облегчению конструкций, повышению эффективности и возможности массовой кастомизации продукции. Один из самых значимых эффектов для России — создание цифровых складов запчастей. Вместо физического хранения десятков тысяч наименований для устаревшего парка оборудования (например, в ЖКХ или на транспорте) будет храниться цифровая модель, а деталь печататься по требованию на месте или в региональных центрах. Это решит проблему зависимости от прекративших поставки иностранных вендоров. Будут развиваться гибридные станки, сочетающие в одном рабочем центре аддитивную (наплавку) и субтрактивную (фрезерование, обработку) технологии, что позволит изготавливать, ремонтировать или наращивать функциональность детали за одну итерацию.
— Промышленные платформы и экосистемы. Фрагментированные ИТ-ландшафты, состоящие из разрозненных плохо интегрируемых систем, станут главным тормозом трансформации. Будущее за интеграцией. Ключевым направлением станет развитие отечественных промышленных сервисных платформ и цифровых экосистем на их основе. Эти платформы будут объединять функционал систем управления производством (MES), системы управления активами предприятия (EAM), системм планирования ресурсами (ERP), системм управления качеством продукции (QMS), системы управления техническим обслуживанием (CMMS), аналитических, прогнозных и экспертных систем. Платформы станут ядром для формирования открытых индустриальных экосистем, где производители оборудования, разработчики ПО, интеграторы и конечные предприятия смогут взаимодействовать, обмениваться цифровыми моделями и приложениями. Это ускорит распространение лучших практик и создаст рынок для отечественных промышленных ИТ-решений. В условиях «многовекторности» процессов поставок оборудования критически важным станет разработка и принятие единых отечественных стандартов обмена данными и протоколов, обеспечивающих совместимость разнородных систем.
Внедрение указанных технологий неизбежно столкнется со следующими барьерами, преодоление которых, во многом, является обязательным условием успеха: кадровый дефицит, инфраструктурные ограничения, нормативно-правовое регулирование, инвестиционная модель.
Таким образом, цифровая трансформация промышленности России к 2035 году будет определяться не одной «прорывной» технологией, а синергией пяти выделенных направлений. Искусственный интеллект станет, условно говоря, «мозгом», цифровые двойники — «виртуальным отражением», промышленный интернет вещей и сети передачи данных — «нервной системой», аддитивные технологии — «новыми руками», а платформы — «единой цифровой средой» для цифровой промышленности, как единого «организма».
Успех будет принадлежать не тем промышленным предприятиям, которые будут использовать больше роботов или датчиков, а тем предприятиям, которые смогут органически интегрировать эти технологии в обновленные бизнес-процессы, построить новую культуру принятия решений на основе данных и сформировать вокруг себя кооперационные цифровые экосистемы. Реализация этого сложного пути является основным условием для достижения технологического суверенитета Российской Федерации, перехода к экономике знаний и обеспечения долгосрочной конкурентоспособности страны на мировой арене.
Глава 2. Роль современных технологий искусственного интеллекта (ИИ) в создании и развитии автоматизированных систем прогнозируемого обслуживания
Основные положения и результаты исследования, содержащиеся в данной главе, были опубликованы в журнале «Современная наука актуальные проблемы теории и практики» (ВАК К3).
В текущих экономических условиях, когда концепция развития цифровой экономики сменяется новым трендом развития — экономикой данных, внедрение передовых вычислительных и прорывных информационных технологий в промышленных экосистемах является приоритетным направлением цифровой трансформации промышленных предприятий различных отраслей экономики.
Цель цифровой трансформации промышленных предприятий должна заключаться в реализации ряда комплексных программ и проектов основывающихся на прорывных и перспективных технологиях «Индустрии 4.0», которые, прежде всего, включают в себя технологии искусственного интеллекта (ИИ), позволяющие создавать на первом этапе новую промышленную инфраструктуру, а в итоге — цифровую экосистему сетевых предприятий, способную объединить разрозненные цифровые и платформенные решения. [29,30,31,32].
Одними из наиболее востребованных для промышленности являются автоматизированные системы прогнозируемого (англ. Predictive Maintenance) или предписывающего обслуживания (англ. Prescriptive Maintenance), предназначенные для прогнозирования выхода оборудования из строя и предотвращения поломок. В их основе лежат современные информационные технологии, которые обеспечивают сбор и обработку больших объемов разнородных данных, поступающих от сотен или даже тысяч интеллектуальных датчиков промышленного Интернета вещей (англ. Industrial Internet of Things, IIoT).
Выделяют четыре основных вида прогнозируемого обслуживания [33]:
— Прогнозируемое обслуживание на основе состояния. Это система, которая при помощи датчиков собирает в реальном времени данные о состоянии и производительности оборудования. Она предназначена для планирования мероприятий по обслуживанию оборудования до возникновения неисправности и после проверки его состояния.
— Прогнозируемое обслуживание по времени. Это система, которая работает в строго отведенные ей временные интервалы в соответствии с регламентами и планами мероприятий по обслуживанию.
— Прогнозируемое обслуживание по требованию. Это система, которая учитывает среднее ежедневное время использования оборудования и воздействие условий окружающей среды на него. На основе полученных данных устанавливается крайний срок для будущей проверки.
— Предписывающее обслуживание. Это более совершенное прогнозируемое обслуживание на основе состояния, которое позволяет предвидеть (прогнозировать) возникновение неисправности, и, с той или иной долей вероятности, определить ее первопричину в долгосрочной перспективе.
С появлением новых информационных технологий, это разделение становится весьма условным. Тем не менее, далее по тексту, для упрощения понимания материала, для систем прогнозируемого и предписывающего обслуживания, будет использоваться единое сокращение «PdM».
Выделим следующие приоритетные информационно-технологические направления, с учетом которых требуются создавать и развивать автоматизированные системы прогнозируемого / предписывающего обслуживания:
1. Инжиниринг ИИ
— Использование методологии DevOps (англ. Development & Operations) для автоматизации процессов сборки, настройки, развертывания и интеграции программного обеспечения в технологических, производственных и бизнес-процессах.
— Применение подхода DataOps (англ. Data Operations) для процессно-ориентированной разработки и обеспечения доступа к большим объемам разнородных данных.
— Реализация MLOps (англ. Machine Learning Operations) для развертывания, управления и поддержки моделей машинного обучения в рамках промышленных автоматизированных систем.
2. Объяснимый и доверенный ИИ
— Создание и применение этичных, объяснимых и безопасных промышленных интеллектуальных систем. Подробнее на этих вопросах мы остановимся в отдельной главе.
— Соблюдение законодательства и рекомендаций соответствующих организаций в области защиты информации и персональных данных.
3. Композитный ИИ
— Комбинирование различных технологий и систем ИИ (экспертные, аналитические и прогнозные системы; языковые и графические системы ИИ, и др.) для повышения достоверности и точности результатов анализа данных и прогнозов.
— Объединение разнородных мультимодальных данных (структурированных, неструктурированных, временных рядов, изображений и других) для всестороннего и комплексного анализа.
4. Периферийный ИИ для промышленного Интернета вещей
— Использование периферийного ИИ (англ. Edge AI) для оперативного сбора и обработки данных на самих «умных» датчиках, контроллерах и устройствах в режиме реального времени. Подробнее Edge AI будет рассмотрен в отдельной главе.
— Уменьшение вычислительной нагрузки на централизованные дата-центры и каналы передачи данных посредством локального сбора и обработки данных.
5. Интеллектуальные помощники
— Разработка программного обеспечения с интеллектуальными функциональными возможностями, которые предоставляют возможность профильным специалистам принимать актуальные и обоснованные решения.
— Использование виртуальных помощников для автоматизации простых операций с данными.
6. Облачные сервисы
— Применение облачных сервисов для хранения, верификации, анализа и представления больших объёмов разнородных данных.
— Использование облачных сервисов для машинного обучения и формирования аналитических данных и отчетов, а также построения прогнозной аналитики.
7. Автономные автоматизированные системы
— Создание самообучающихся и самонастраивающихся автоматизированных систем, способных самостоятельно приспосабливаться обработке новых разнородных данных, поступающих из разных источников данных, работающего оборудования в разных условиях эксплуатации.
— Внедрение автономных решений для минимизации человеческого фактора в работе и эксплуатации оборудования.
8. Цифровые двойники
— Создание виртуальных копий физического оборудования для моделирования, обработки и прогнозирования его состояния.
— Использование цифровых двойников для тестирования сценариев и улучшения производственных процессов обслуживания промышленного оборудования.
9. Обработка больших данных
— Применение технологий больших данных для сбора, хранения и обработки информации от множества датчиков, оборудования, автоматизированных и информационных систем.
— Использование глубокой аналитики для выявления закономерностей в появлении аномалий и прогнозирования отказов оборудования.
10. Информационная безопасность
— Обеспечение защиты от кибератак, особенно в условиях использования данных с распределенных датчиков и систем промышленного Интернета вещей.
— Внедрение механизмов авторизации, аутентификации и шифрования передаваемых и хранимых данных.
11. Нейроморфные вычисления и квантовые технологии
— Исследование и применение нейроморфных вычислений для повышения эффективности обработки данных.
— Использование квантовых технологий для решения сложных задач оптимизации и прогнозирования.
12. Интеграция с производственными системами
— Интеграция системы прогнозируемого обслуживания с системой управления производственными ресурсами и системой управления производством позволяет повысить качество реализации ключевых технологических, научно-исследовательских и производственных процессов промышленного предприятия.
13. Блокчейн для точного учета и контроля процессов
— Использование распределенных технологий обработки данных для обеспечения конфиденциальности, целостности и доступности данных, получаемых с датчиков и оборудования.
14. Гибридные модели машинного обучения
— Комбинирование традиционных методов машинного обучения с глубоким обучением для повышения точности прогнозов.
— Использование моделей, адаптированных под специфику конкретного предприятия, оборудования и условий эксплуатации.
15. Роботизация процедур обслуживания
— Использование роботизированных систем для автоматизации простых рутинных задач диагностики и технического обслуживания промышленного оборудования.
Уровень зрелости некоторых из перечисленных технологий представлен на кривой зрелости технологий Garner на Рисунке 4:
Рисунок 4. Кривая зрелости технологий Gartner
Все вышеперечисленные направления в создании и развитии промышленных автоматизированных систем формируют основу для создания современных, эффективных и надёжных систем прогнозируемого / предписывающего обслуживания, которые способны значительно снизить производственные риски и повысить эффективность работы промышленных предприятий [34,35].
Еще раз обращу ваше внимание на то, что основная задача создаваемых автоматизированных систем прогнозируемого обслуживания заключается в реализации сквозной автоматизации сложных и трудоемких процессов сбора и обработки больших объемов разнородных мультимодальных данных, поступающих от большого числа интеллектуальных устройств в рамках промышленного Интернета вещей. Эти системы должны предоставлять цифровые сервисы для обработки и анализа данных с использованием технологий ИИ, включая современные промышленные облачные распределенные системы ИИ (англ. Cloud AI Services) и периферийный ИИ (англ. Edge Artificial Intelligence, Edge AI). Целью таких решений является извлечение новых знаний и создание дополнительной ценности из имеющихся данных для повышения эффективности, безопасности и качества производства продукции и услуг [36].
Технологии ИИ уже активно преобразуют различные секторы промышленности, предоставляя инновационные решения для прогнозируемого технического обслуживания, мониторинга качества продукции, выявления дефектов, прогнозирования рыночного спроса, оптимизации производственных процессов и решения других задач.
Согласно отчету IoT Analytics о рынке промышленного ИИ 2020—2025, компании, внедряющие ИИ, получают следующие значительные преимущества: снижение затрат, повышение эффективности управления и производства, а также улучшение безопасности. С ростом рынка промышленного ИИ до $72,5 млрд долларов США к 2025 году и ежегодным темпом роста в 31%, эти технологии станут ключевым фактором конкурентоспособности в промышленности на ближайшие годы [37].
Рисунок 5. Десять передовых индустриальных направлений использования технологий ИИ. Отчет IoT Analytics о рынке промышленного ИИ 2020—2025
Нужно отметить, что современное производство становится всё более сложным и технологичным, что, в свою очередь, требует реализации новых подходов к управлению промышленными предприятиями на основе новых информационных технологий. Как вы уже поняли, одна из таких прорывных технологий — это искусственный интеллект, который позволяет обеспечить высокий уровень автоматизации, темп и точность принятия решений. Интеграция ИИ с такими системами, как система управления производством, система планирования ресурсами, система управления качеством продукции, система управления активами предприятия, компьютеризированной системой управления техническим обслуживанием и другими отраслевыми производственными системами, открывает новые возможности для управления рисками, повышения производительности и улучшения качества выпускаемой продукции [38].
Рассмотрим несколько примеров возможного взаимодействия производственных системам с искусственным интеллектом:
— Система управления производством (MES) управляет и контролирует производственные процессы в реальном времени. ИИ может значительно расширить функциональность MES, добавляя возможности прогнозирования, анализа данных и принятия решений. ИИ совместно с PdM способен анализировать данные с датчиков и оборудования, предсказывать возможные сбои в производстве и предлагать оптимальные пути их устранения. Это позволяет минимизировать простои и повысить общую производительность.
— Система управления активами предприятия (EAM) отвечает за контроль процессов их своевременного технического обслуживания. ИИ может помочь в оптимизации и контроле данных процессов.
— Система планирования ресурсами (ERP), на сегодняшний день, является одной и обеспечивающих подсистем, которая контролирует финансовые потоки, бюджетирование, планирование и реализацию закупок, производство продукции и управление персоналом. ИИ может расширить функциональные возможности ERP. Например, ИИ может анализировать текущую ситуацию на рынке и предсказывать спрос на выпускаемую продукцию. В качестве примера на Рисунке 6 представлено решение задачи автоматизации прогнозирования спроса.
— Система управления качеством продукции (QMS) отвечает за контроль качества производимой продукции. ИИ способен значительно ускорить процесс выявления брака и существенно минимизировать затраты на его устранение. На сегодняшний день, возрастает роль специалистов, которые тщательно контролируют технологические процессы производства и сертификации соответствующей продукции с использованием интеллектуальных автоматизированных систем, которые умеют собирать, обрабатывать и анализировать соответствующую информацию.
Рисунок 6. Пример автоматизации прогнозирования спроса
Существуют и специальные автоматизированные системы, которые осуществляют контроль качества воздуха, водоемов и сточных вод, радиационного фона и окружающей среды, на основе данных, собираемых специальными датчиками. Все эти системы требуют особых подходов в их создании и эксплуатации (от математического описания проблемы, программирования, сбора и верификации данных, моделирования, обработки и проверки результатов до получения итогового результата) [39]. На сегодняшний день, доля рынка систем автоматизации процессов контроля качества и обнаружение дефектов продукции на промышленных предприятиях составляет 20,5%, что является существенной частью рынка промышленной автоматизации. В связи с тем, что на многих предприятиях технологический процесс производства продукции точно формализован, сам процесс создания или совершенствования автоматизированных систем строго детерминирован. Четкое понимание того, как реализуется технологический процесс позволяет нам определить на каких этапах и для решения каких задач автоматизации будут использоваться те или иные информационные технологии сбора, обработки и анализа данных, в том числе позволяет оценить возможность и целесообразность применения технологий ИИ. Например, применение глубокого машинного обучения для анализа данных, получаемых с производственных линий, позволяет решить задачу контроля качества с высокой точностью и в режиме реального времени. На Рисунке 7 представлен пример технологического процесса контроля качества продукции, который раскрывает общий системный подход к его автоматизации.
Рисунок 7. Пример автоматизации процесса контроля качества продукции
Автоматизация входного контроля материалов и раннее обнаружение дефектов, позволяют предотвратить перемещение дефектной продукции по производственной линии, что сказывается на повышении качества выпускаемой продукции. В свою очередь, сбор и накопление исторических данных с производственных линий, посредством датчиков промышленного Интернета вещей, позволяют значительно улучшить работу промышленных систем контроля качества.