Как Big Data помогает производственным и промышленным компаниям

Почему на производствах внедряют инновации

При помощи технологий, построенных на использовании Big Data, компании реального сектора экономики стараются уменьшить себестоимость производимых продуктов, оптимизировать логистику, минимизировать простой складов и оборудования, снизить человеческий фактор. Конкурентным преимуществом для производства сейчас становится информация, извлекаемая из данных, которые раньше практически не использовались. Например, её источником может стать датчик вибрации на агрегате: поступающие с него показания дают возможность научиться предсказывать механические поломки. Это в ряде случаев позволяет сэкономить на простое более 25%. Использование таких подходов — выбор отраслевых лидеров, которые уже решили для себя вопрос выживания на этом рынке, и стремятся зарабатывать больше. Однако для прочих участников рынка технологии больших данных становятся вопросом выживания, так как без них сложно показать сопоставимый с компаниями-визионерами результат. Конкуренция с каждым годом становится всё более явным триггером процесса внедрения инноваций. Как только производственная компания видит, что у её непосредственного конкурента ниже себестоимость получения продуктов того же качества, эффективнее решаются проблемы логистики, простоя складов и оборудования, она начинает задумываться о том, какие действия позволят ей сократить процент отбраковки продукции, уменьшить амортизацию, оптимизировать количество сырья и расходных материалов, сократить сопутствующие расходы (например, стоимость электроэнергии), минимизировать длительность простоя и оптимизировать количество сотрудников. Все эти инсайты лежат в области Big Data.  

Что представляет собой Big Data в производственных предприятиях

Для начала давайте представим специфику. Обычно крупная производственная компания — это несколько заводов или других объектов, цеха которых оснащены разнообразным оборудованием, туда поступают ресурсы (материалы), проходящие несколько контролируемых стадий. Например, выплавка и прокат стали или разметка и разрезка ткани. В результате многочисленных операций получается готовый продукт. Помимо информации из систем, управляющих технологическим процессом, производство описывается ещё и датчиками, установленными на оборудовании, которые с заданной периодичностью выдают результат измерения контролируемых показателей. Информация с одного датчика за период времени — это набор из значений показателя и соответствующим точкам времени его измерения. Обладая этой информацией, можно «отматывать» время назад и видеть, в каком состоянии находилось всё оборудование предприятия в нужный момент времени. Помимо контроля за состоянием и событиями производственного процесса, выполняемым через датчики, важно чтобы ресурсы поступали в цеха в назначенное время, а оборудование не простаивало. Этой информацией обладают различные MES и ERP-системы, с помощью которых по структурированным данным и запланированным мероприятиям можно увязать технические данные с датчиков и из систем управления техническими процессами с поставленными задачами. Информации в MES и ERP относительно мало, но она крайне важна для классификации данных с датчиков. Также структурированные данные поступают из других отделов, например, коммерческого, маркетингового, логистического. Сбор и анализ показателей оборудования применим и к непроизводственным средствам. Так автомобиль, отвечающий за поставку готового продукта, едет по определённому логистическому маршруту. На нём установлены многочисленные датчики, передающие в хранилище данных информацию о качестве того или иного отрезка пути и состоянии узлов и агрегатов автомобиля. Анализируя данные, поступившие с большого количества машин и сопоставляя их с внешними данными (например, о погоде и пробках), можно оптимизировать размещение складов, СТО и маршрутов, и автоматизировать направление авто на ремонт ещё до поломки.  

Какие кейсы реализуют производственные компании при помощи больших данных

• Логистика. Тут целых два кейса. Первый — это оптимизация логистики за счёт, в том числе, размещения складов в нужных географических точках, уменьшения пробега транспорта (последней мили), контроля за поставками, исходя из динамического спроса и ценообразования.

Второй: сокращение себестоимости логистики за счёт применения оптимизационных алгоритмов при формировании отгрузки (как между производственными площадками одного предприятия, так и конечным получателям продукции). Они основаны на реальных данных (факт/прогноз от производства и информация о заказах от сбытового подразделения).

• Предиктивные ремонты. Существенно снижается человеческий фактор и ресурсы, требуемые для ремонта. Задачи, которые человек делает дольше машин (например, локализация места произошедшей аварии, подсчёт большого количества чего бы то ни было) — эффективнее отдать машине. Пример: производственная компания проверяет наличие ржавчины на трубах при помощи дронов и приложений на смартфонах сотрудников, так как алгоритмы компьютерного зрения лучше распознают ржавчину в темноте, чем человеческий глаз. На основании собранных данных можно наметить краткосрочные планы ремонта и составить среднесрочный график замены части труб, превратив обслуживание в проактивное из реактивного.

Кроме того, внедрение предиктивной аналитики помогает спрогнозировать выходы из строя агрегатов поточного производства (или аналогичного ему). Это происходит на основании данных встроенных в оборудование датчиков. Как следствие, переход на предиктивные ремонтные мероприятия позволяет существенно сократить или вовсе устранить простои производства и риски по невыходу или выходу некачественной продукции. Аварии почти всегда выводят из строя дополнительные элементы узлов и агрегатов, а не только те, в которых кроется причина аварии, поэтому предсказание поломки может уменьшить объём ремонтируемых узлов. Из других плюсов: экономия времени за счёт прогнозирования поставки расходных материалов для ремонта и запчастей на станциях техобслуживания. В совокупности, по оценкам экспертов, всё это позволяет достигнуть экономического эффекта в 30% от стоимости затрат на ремонты, включая ФОТ и материалы. Нельзя также не отметить, что при проактивном подходе к ремонту оборудования, которым оперируют люди, может весомо снизиться риск производственных травм персонала.

• Оптимизационные математические модели. Не все расчёты, выполненные на бумаге, точно ложатся на реальность, и потому наработанный практический опыт важно сохранить во всех деталях, чтобы в будущем построить математическую модель не по учебникам, а средствами data science — на реальных данных. Например, чтобы сталь обладала определёнными свойствами, в неё добавляют легирующие элементы и настраивают режимы работы агрегатов сталеплавильного производства. Зафиксированные в деталях результаты плавки и её ход создают базу для обучения нейросети, которая впоследствии сможет оптимизировать количество и состав используемого сырья, а также оптимизировать режимы работы оборудования, что может повысить срок наработки на отказ и сократить энергопотребление.

 

Как развиваются производства

Сегодня активно развивается интернет вещей (IoT) и роботизация. Технологии становятся более доступными, благодаря, в том числе, open source ПО. Создаётся коммьюнити людей, которым интересно развивать это направление. А реальный сектор для них уникален потому, что там существует наибольшее количество физически и географически распределённых устройств, с которыми нужно работать в рамках единых моделей. Цифровизация производственных компаний рождает термин «Цифровая платформа». Каждый видит ее по-своему, но большинство сходятся в ее основном предназначении: обеспечение доступа к реальным производственным данным и повышение скорости внедрения нового функционала (снижение Time-To-Market). В основе такой платформы лежит слой данных, так как они должны быть едины и одинаковы для всех создаваемых цифровых сервисов: нельзя переносить «бумажные» архаизмы в «цифровой» мир. Спикеры:

• Антон Балагаев, директор по консалтингу компании Arenadata,
• Антон Денисов, директор по работе с ключевыми заказчиками IBS.

Источник публикации: РБК