При помощи технологий на основе big data производственные компании:
Производство получает конкурентное преимущество, если использует информацию, извлекаемую из данных. Источником такой информации, например, может стать датчик вибрации на агрегате: поступающие с него показания дают возможность предсказывать механические поломки. В ряде случаев это позволяет сократить денежные потери от простоя более чем на 25%. Технологии big data чаще всего используют отраслевые лидеры, которые уже решили для себя вопрос выживания и стремятся зарабатывать больше. Однако они актуальны и для небольших компаний.
Конкуренция с каждым годом становится все более явным триггером процесса внедрения инноваций. Как только производственная компания видит, что у ее непосредственного конкурента ниже себестоимость продуктов того же качества, эффективнее решаются проблемы логистики, простоя складов и оборудования, она начинает задумываться о том, как:
Все эти инсайты лежат в области big data.
Для начала давайте представим специфику работы крупной производственной компании. Обычно такая компания объединяет несколько заводов или других объектов, цеха которых оснащены оборудованием. Ресурсы (материалы) поступают на объекты, последовательно проходя несколько контролируемых стадий. Например, выплавка и прокат стали или разметка и разрезка ткани.
В результате многочисленных операций получается готовый продукт. Производство управляется и контролируется с помощью АСУ ТП и датчиков, установленных на оборудовании. Эти датчики с заданной периодичностью измеряют и передают показатели, такие как температура, сила звука или амплитуда вибрации. Используя эти показатели, можно фактически «отмотать» время назад и увидеть, в каком состоянии находилось оборудование предприятия в нужный момент.
Контроль за состоянием и событиями производственного процесса дает локальное представление ситуации по отдельным узлам и агрегатам. В то же время руководству предприятия важно контролировать и общую картину происходящего. Это поможет как минимум сделать так, чтобы ресурсы поступали в цеха в назначенное время, обеспечивая постоянную загрузку мощностей. Информацию о бизнес-процессах, в рамках которых шла конкретная работа, не получить с отдельных датчиков. Автоматизированные системы управления технологическим процессом (системы АСУ ТП) ей также не обладают, зато обладают различные системы управления производственными процессами (MES) и ресурсами предприятия (ERP). Они позволяют увязать сугубо технические данные с датчиков и из АСУ ТП с задачами, поставленными в MES и ERP. Помимо MES и ERP для дополнения общей картины могут использоваться данные коммерческого, маркетингового, логистического и других отделов, ведущиеся в прочих информационных системах.
Говоря о прочих информационных системах, нужно отметить, что собирать данные для дальнейшего анализа можно не только со станков и производственных механизмов. Так, автомобиль, отвечающий за поставку готового продукта, едет по определенному маршруту. На автомобиле установлены многочисленные датчики. Они передают в хранилище данных информацию о качестве того или иного отрезка пути, а также состоянии узлов и агрегатов автомобиля. Анализируя данные, поступившие с большого количества автомобилей и сопоставляя их с внешними данными (например, о погоде и пробках), можно оптимизировать размещение складов, СТО, маршрутов и автоматизировать направление автомобиля на ремонт еще до поломки.
Логистика
Оптимизация логистики возможна за счет размещения складов в нужных географических точках, уменьшения пробега транспорта (последней мили), контроля за поставками, динамического ценообразования.
Важный элемент сокращения расходов на логистику – применение оптимизационных алгоритмов при формировании отгрузки как между производственными площадками одного предприятия, так и конечным получателем продукции. Эти алгоритмы используют данные от производства (факт/прогноз выхода продукции) и информацию о заказах от сбытового подразделения. Оптимизировать можно размер партии, форму поставки, выбор транспортного средства и склада, с которого будет производиться отправка продукции, и другие параметры, напрямую влияющие на стоимость доставки.
Предиктивные ремонты
Здесь big data помогают существенно снизить человеческий фактор и ресурсы, требуемые для ремонта. Задачи, которые человек выполняет дольше машин (например, локализация места произошедшей аварии, подсчет 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.
При поточном производстве или аналогичном процессе, последовательно задействующем множество разных узлов и агрегатов, отказ всего лишь одного узла может остановить или существенно замедлить конвейер из множества составляющих. Если понять заранее, какой узел требует ремонта, для какого узла нужно заказать запчасти или какой неремонтопригодный узел скоро полностью и насовсем выйдет из строя, можно существенно сократить время простоя, а в случае аварии – еще и не тратить время на локализацию инцидента. Такой прогноз можно построить на основании данных от встроенных в оборудование датчиков. Переход на предиктивные ремонтные мероприятия помогает существенно сократить или вовсе устранить простои производства и риски по 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 количество ремонтируемых узлов.
В совокупности, по оценкам консалтинговой компании McKinsey, упомянутые мероприятия позволяют повысить утилизацию оборудования (прирост до 20%) и существенно снизить затраты на ремонт. 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 расчеты, 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 определенными свойствами, в нее добавляют легирующие элементы, после чего настраивают режимы работы агрегатов сталеплавильного производства. Зафиксированные в деталях результаты плавки и ее ход создают базу для обучения нейросети. Впоследствии нейросеть сможет оптимизировать количество и состав используемого сырья, а также оптимизировать режимы работы оборудования, что может повысить срок наработки на отказ и сократить энергопотребление.
Сегодня технологии становятся более доступными благодаря в том числе ПО с открытым исходным кодом. Создается комьюнити людей, которым интересно развивать это направление. Реальный сектор для них уникален потому, что там существует наибольшее количество физически и географически распределенных устройств, с которыми нужно работать в рамках единых моделей.
Цифровизация производственных компаний рождает термин «Цифровая платформа». Каждый видит ее по-своему, но большинство сходятся во мнении о 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.