< Назад ко всем идеям

Цифровая трансформация производства

Технологии управления производством постоянно эволюционируют. Огромный объем информации, с которым компаниям приходится иметь дело, быстрая смена бизнес-моделей, появление инновационных инструментов управления – реальность нынешней бизнес-среды.

 

Чем раньше компании адаптируются к новой реальности, тем выше их шансы в конкурентной борьбе. Цифровая трансформация – это не новомодное изобретение, это необходимость выживания в мире, где информация играет ключевую роль. Эксперты DuPont считают, что цифровая трансформация может вывести компанию на новый уровень развития и эффективности бизнеса. 

 

История повторяется. Когда новые технологии становятся доступными, происходят существенные изменения в привычном для людей мире. Так, например, переломный момент в сфере информационных технологий произошел, когда стоимость микропроцессов снизилась до доступной для человека цены. Коммерческий интернет, в свою очередь, стал возможным только после того, как стоимость вычислительных мощностей – серверов сократилось в несколько раз, и подключение к интернету через модем стало экономически оправданным.

 

То же произошло и с большими данными («Биг дата»). После того, как традиционные технологии управления и обработки данных были усовершенствованы и их стоимость значительно сократилась, появилась возможность хранить и обрабатывать большой объем неструктурированных данных для извлечения из них ценной информации.

 

В последние годы ведущие промышленные компании заметно повысили свой уровень оприборивания производства, установив достаточное количество датчиков и сенсоров для визуализации технологического процесса в режиме реального времени. Для таких компаний само наличие данных не является проблемой, основная сложность – извлечение пользы из огромного неупорядоченного объема разрозненной информации, где традиционные методы упорядочивания (реляционные базы данных) и анализа не применимы. По оценкам экспертов более 70% всех сгенерированных данных не используется предприятием. Тем не менее, менеджмент компаний понимает, что эти данные могут быть в дальнейшем полезны для проведения продвинутой аналитики. Например, для осуществления своевременной замены оборудования в момент, когда это целесообразно вместо стандартного подхода - планово-предупредительных ремонтов – необходим точный прогноз выхода из строя оборудования или его компонентов.

 

Руководители также осознали, чтобы лучше понимать технологический процесс, ключевые факторы, влияющие на качество продукции, расход сырья, энергии, необходима более глубокая аналитика, которая позволяет на основании огромного множества входящих данных смоделировать оптимальное протекание сложных процессов, определив наилучшие значения для технологических параметров.

После того, как технологии больших данных показали свою эффективность в технологических индустриях (телекоммуникационная, банковская и ритейл) интерес к цифровым технологиям проявили и промышленные компании различных отраслей. И в этом нет ничего удивительного. Для того, чтобы совершенствовать бизнес необходимо его лучше понимать, а данные, переработанные в информацию, позволяют это осуществить.  Соответственно применение технологий больших данных в промышленности является логическим продолжением повышения уровня зрелости компании - улучшение сквозных производственных показателей: расход материалов, энергии, повышение уровня качества, выхода годного, производительности, надежности.

 

В связи с развитием цифровых технологий, таких как интернет вещей и связанных с ним устройств, роботов и дронов, а также ИТ решений в области обработки и анализа данных, промышленные компании могут не только генерировать огромный объем данных, но и в кратчайшие сроки анализировать его для принятия своевременных решений. То, что ранее было черным ящиком в доменном цехе или ректификационной колонне, понятным только нескольким технологам на предприятии, стало прозрачным благодаря инструментам больших данных. Имея данные о параметрах входящего сырья в режиме онлайн, большие данные могут спрогнозировать с высокой долей вероятности выход стали с заданными характеристиками качества или, например, рекомендовать оптимальные значения параметров оборудования, которые оператору необходимо соблюдать.  

 

Ведущие компании из нефтехимической, горнодобывающей, металлургической, нефтегазовой и автомобильной областей промышленности стали закладывать в основу своей корпоративной стратегии аспекты больших данных. Например, если одним из приоритетов стратегии является повышение качества, то производителям необходимо заранее спланировать место и тип устанавливаемых датчиков на продукцию для отслеживания ее использования. Применяя постпродажный мониторинг, производители могут заранее выявлять недочеты в дизайне модели, улучшать качество продукции, анализируя данные об эксплуатации, а также предлагать дополнительные решения, дополняющие основной продукт. 

В данный момент существует множество небольших компаний, предлагающих решения, позволяющие решать производственные задачи в режиме реального времени. При этом алгоритм постоянно совершенствуется и устраняет ошибки прошлого, сопоставляя ретроспективные данные с полученным результатом, извлекая ценный опыт. В отличие от программ с закодированными вручную инструкциями для выполнения конкретных задач, метод машинного обучения позволяет системе научиться самостоятельно или с помощью эксперта распознавать, что является приемлемым, а что нет. По результатам трех – четырех месяцев (при условии достаточного количества данных для обучения) алгоритм сможет максимально точно рекомендовать значения параметров технологического режима для повышения выхода годного продукта или сокращения потребляемых в производственном процессе материалов. 

 

Таким образом, методы машинного обучения, имея в своем арсенале достаточно обширное количество математических библиотек и необходимую скорость обработки данных, могут практически мгновенно рекомендовать наиболее оптимальные решения, при этом каждый раз улучшая используемую математическую модель.

 

Однако установив зависимость между параметрами технологического процесса на одном из своих установок, компания все еще не получит устойчивого эффекта от внедрения цифровой технологии. Во-первых, решенная производственная задача носит локальный характер и не как не связана с предыдущим и последующим переделами, во-вторых – операторы, работающие на данной установке должны пройти обучение и научиться доверять рекомендательной аналитике системы, в-третьих – должен быть механизм отслеживания применения рекомендаций системы операторами и эффекта от ее использования, в - четвертых – должны быть произведены изменения в смежных бизнес-процессах, в-пятых – в технологические инструкции и управленческую отчетность должны быть внесены изменения, а цели пересмотрены и доведены до каждого уровня организации. 

 

Рассмотрим упрощенный пример сокращения расхода металлошихты в электросталеплавильной печи. Допустим, что благодаря методам машинного обучения удалось сократить расход металлошихты на 4 кг/тонну. Для закрепления результата необходимо:

 


1.       Обучить операторов использованию рекомендаций продвинутой аналитики и в случае разногласий с системой выстроить понятный механизм эскалации вопроса до линейного персонала.



2.       Обучить мастеров, старших мастеров отслеживанию применения рекомендаций системы операторами. Это может быть просмотр сравнения сохраненных записей рекомендованных системой значений параметров с фактическими значениями параметров, которые были использованы операторами.



3.       Значение нового расходного коэффициента должно быть учтено при планировании производства, так как теперь с одной тонны металлошихты можно получить больше жидкой стали. В связи с изменениями в планировании производства смежные бизнес-процессы тоже должны быть пересмотрены: в закупках – объем закупок лома и уровень запасов должен быть сокращен, соответственно в логистике должен быть пересмотрен объем транспортируемого лома и как следствие уменьшение объема вагонов на погрузку лома и т.д. Более того, после таких изменений должен быть скорректирован оперативный бюджет для отражения снижения себестоимости.



4.       Нормативные документы также должны быть пересмотрены, в частности в технологическую инструкцию операторов по управлению печью необходимо внести новые значения параметров для закрепления результата.



5.       Управленческая отчетность по достижению установленных целевых значений ключевых показателей эффективности также должна претерпеть изменения, затронув мастера, старшего мастера, начальника участка, начальника цеха, главного технолога и вплоть до генерального директора предприятия.

 


Таким образом, для достижения устойчивого эффекта от использования методов машинного обучения необходимо чтобы проводимые технологические изменения были отражены в соответствующих бизнес-процессах и все уровни организации были проинформированы, обучены и поддерживали применение цифровых технологий в организации.

Основные области применения и выгоды

Машинное обучение и искусственный интеллект все больше проникают в различные сферы деятельности, где выгоды от их использования огромны. В целом в разных отраслях и видах бизнеса машинное обучение используется для достижения одних и тех же целей – сокращения затрат и/или увеличения выручки путем решений, который человек за короткий период времени не в состоянии найти самостоятельно. Сложность состоит в том, что в этих задачах количество входящих данных и набор возможных сценариев достаточно велик для определения оптимальных выходных параметров. Основными областями применения машинного обучения в производстве являются следующие:

Большинство экспертов сходятся во мнении, что одной из наиболее приоритетных задач в промышленности является оптимизация производственного процесса путем стабилизации процесса за счет устранения человеческого фактора и усовершенствования процесса с помощью имеющейся экспертизы технических специалистов в машинном обучении. Это позволит промышленникам перейти на качественно новый уровень эффективности производства. По мнению аналитиков, потенциал от использования больших данных в горнодобывающей промышленности и металлургии за последующие 8 лет до 2025 года составит 11 млрд. долларов, в нефтегазовой – еще больше.

 

Технологии машинного обучения и искусственного интеллекта в горнодобывающей промышленности находят достаточно широкое применение. Проекты реализуются как в области безопасности, так и области повышения операционной эффективности. В рамках повышения уровня промышленной безопасности машинное обучение используется для увеличения точности прогнозирования ударной волны, возникновения опасности притока воды в глубокие закрытые рудники, обвала горной породы.  В операционной эффективности в основном применяется продвинутая аналитика данных для оценки руд, повышения времени безотказной работы технологического транспорта, оптимизации расходов на буровзрывчатые вещества, технологии обогащения.

 

В нефтяной промышленности две области применения машинного обучения заслуживают особого внимания. Первая область – более точное определение границ пласта, что позволяет, в дополнение к основным преимуществам, значительно сокращать капитальные инвестиции на добычу и переработку.  Некоторые компании начали использовать 4-D сейсмическую визуализацию, чтобы добавить измерение времени в традиционное трехмерное изображение для измерения и прогнозирования изменений жидкости в пластах. Это улучшенное цифровое представление о пластах обычно повышает нефтеотдачу, увеличивая доход на добычу до 5 процентов.

 

Другой областью применения является прогнозирование отказов оборудования, используемого для добычи нефти. По оценкам экспертов Дюпон, использование предиктивной аналитики позволит нефтяными компаниям сократить бюджет ремонтов до 13%, повысив при этом уровень надежности оборудования, что в конечном итоге положительно скажется на объеме добываемой нефти.

 

Перспективы больших данных и искусственного интеллекта на производстве

 

Любой современный производственный процесс имеет большое количество контрольно-измерительных приборов (КИП), которые в реальном времени предоставляют информацию о том, как протекает процесс. Операторы за пультами управления следят за его параметрами и принимают решения по ходу процесса. К сожалению, возможности оператора по анализу поступающей информации ограничены. Поэтому выбирается определенное количество основных параметров, на основании которых принимаются управленческие решения.

 

Таким образом анализируется около 5% информации, которая доступна в каждый момент времени. Использование «помощника» в виде вычислительной системы может существенно увеличить этот процент вплоть до 100%. Такой помощник может на основании исторических данных и текущих показателей параметра предсказать дальнейшее развитие ситуации и порекомендовать оптимальные режимы.

 

Применение таких систем не ограничивается одной установкой или участком. При анализе и оптимизации режимов всей технологической цепочки – от сырья до готовой продукции – возможно значительное сокращение операционных затрат (до 10%), повышение качества готовой продукции, сокращение простоев оборудования.

 

Отдельное место занимают системы, позволяющие «запомнить» опыт лучших операторов. Например, у одного из операторов доменной печи показатели выплавки стали выше, чем у его коллег. Несмотря на то, все они специалисты соблюдают технологические режимы, у одного из них есть опыт, который помогает работать более эффективно. Машинное обучение позволяет запомнить этот опыт и передать его менее квалифицированным коллегам, тем самым снизив зависимость от «человеческого фактора». Это лишь один из примеров повышения среднего уровня эффективности.

 

В России уже есть примеры применения таких систем. Одной из крупнейших металлургических компаний удалось добиться сокращения расхода ферросплавов на одном из производственных участков. В дальнейшем этот эффект, без сомнения, может быть распространен на всю производственную цепочку.

 

Если следовать тенденциям и не терять времени, Россия может стать лидером не только в области автоматизации, но и в сфере цифровизации производства. Исторически сложившийся потенциал страны в области информационных технологий и НИОКР высок, и промышленные предприятия должны использовать это преимущество.

 

Цифровая трансформация производства

Основной этап цифровой трансформации производства – обучение цехового персонала правильному использованию информационных систем, обрабатывающих данные по производственному процессу.

 

Любая трансформация требует пристального внимания руководства, выделения лучших ресурсов и формирования позитивного имиджа компании, способного объединять персонал. Для цифровой трансформации также необходимы определенные компетенции действующих сотрудников наряду с созданием новых рабочих мест для специалистов, ответственных за сбор и анализ производственной информации.

Можно выделить следующие основные этапы цифровой трансформации:

Большинство промышленных предприятий уже сейчас имеют высокую степень автоматизации производственных процессов. Некоторые из них даже строят Дата – центры, внедряют облачные решения и современные технологии хранения и обработки данных. Однако, как уже говорилось ранее, производственный персонал редко извлекает пользу из этой информации. Нехватка компетенций для системного анализа информации является ключевым барьером к получению результатов от тотальной автоматизации. Это приводит к неверным действиям, авариям и простоям из-за невозможности правильно оценивать текущее состояние технологического процесса.

 

Поэтому развитие технической инфраструктуры является необходимым, но не достаточным условием для цифровой трансформации предприятия. Более сложным этапом в трансформации компании является перестройка всех процессов организации, развитие компетенций персонала по использованию продвинутой аналитики и создание культуры доверия новым цифровым технологиям. Руководству компании необходимо стимулировать и поддерживать культуру цифровизации производства для того, чтобы внедряемые цифровые технологии стали неотъемлемой частью компании.

 

Даже после того, как внедренные цифровые технологии прочно укоренились в организации, руководству компании необходимо постоянно поощрять и развивать культуру экспериментирования с новыми технологиями, так как, например, недавно изобретенные методы машинного обучения и искусственного интеллекта могут уже через 2-3 года морально устареть. Соответственно, чтобы быть конкурентоспособным необходимо с более высокой скоростью, чем конкуренты использовать новые цифровые технологии на практике.   

 

Выгоду от цифровой трансформации можно начать получать уже в процессе, когда производственный персонал сможет использовать информацию, ранее не попадавшую в поле зрения.

 

К сожалению, многие компании в России и СНГ скептически относятся к идее цифровой трансформации производства. Основные причины этого: недоверие к новым информационным технологиям, риски, связанные с безопасностью данных, и консерватизм. По оценке экспертов, 2018 год станет началом цифровой революции в производстве. Эти изменения, несомненно, к лучшему – при правильном подходе они приведут к автоматизации рутинной работы, повышению компетенций персонала, улучшению уровня безопасности, надежности и предсказуемости сложных технологических процессов на производстве.

 

Мероприятия, направленные на обработку большего объема информации для принятия решений, можно начинать уже сейчас. Чем раньше начнется трансформация, тем больше потерь в производственном процессе – от сырья до конечного продукта – сможет выявить компания. Ранее недоступные решения по усовершенствованию производственных процессов могут стать закономерными, что в конечном итоге приведет к общему улучшению показателей эффективности бизнеса.