Цифровизация производства отметает традиции привычной автоматики. Сочетание промышленных и информационных технологий порождает новые возможности. И хотя не все ожидания оправдываются, проблемы и риски уже обозначены. Решать их придется на отраслевом и международном уровне.

Роботы и революция

Четвертую промышленную революцию, или «Индустрию 4.0», которой отроду менее десятилетия, можно назвать итогом столкновения волны новейших информационных технологий с технологиями промышленной автоматизации, которые десятилетиями развивались относительно «неспешно». Синергия двух направлений дала огромный экономический эффект, который уже начал проявляться в работе промышленных предприятий:

  • появляется более точное и качественное производство с меньшими эксплуатационными расходами,
  • сокращаются простои на профилактику оборудования,
  • сокращаются расходы на логистику, сроки поставок,
  • снижается травматизм.

Пока мы говорим об «образцово-показательных» предприятиях, это единичные проекты. Но аналитики уверены, что в ближайшем будущем рынок ждет массовая перестройка производства.

Однако уже обозначились нестыковки старого с новым. Проявились серьезные принципиальные проблемы в области интеграции и стандартизации, правового регулирования и конфликта коммерческих интересов.

Наконец, особое место в новой системе занимает вопрос безопасности людей – как сотрудников производства, так и живущих в непосредственной близости от промышленных объектов. Такие вопросы невозможно устранить простым обновлением мобильного приложения или операционной системы.

Все перечисленное означает, что сегодня нельзя объединить весь комплекс производства в единый «организм».

Впервые термин «Индустрия 4.0» (Industry 4.0) появился в национальной стратегии развития Германии на 2011 год. Он прозвучал в привязке к технологиям встраиваемых систем (embedded systems). Термин обозначает отход от примитивной автоматизации производства с ее многочисленными автономными индустриальными роботами к уровню сетевых «кибер-физических систем». Речь информационной координации между системами и персоналом. Для этого используются сенсоры и ввод данных человеком.

В послании Федерального министерства образования и исследований Германии, которое представило новую стратегию развития, была расшифровка: «Машины, которые взаимодействуют друг с другом, сообщают друг другу о неполадках в процессе производства, определяют сокращение запасов производственных материалов и заказывают их пополнение… именно таково видение Индустрии 4.0».

Индустрия 4.0 – это революционный путь развития производства, а не эволюционное объединение интернета вещей, больших данных, аналитики и машинного обучения с производственной техникой.

От простоев к монобрендам

В традиционной промышленности до 80% времени технического обслуживания оборудования тратится на ремонт неисправностей. Почти половина незапланированных простоев – результат аварий из-за износа оборудования. Согласитесь, обидно, когда поломка пустяковой детали ведет к дорогостоящему простою конвейера или цеха.

Прогнозирование аварий, планирование технического обслуживания и заблаговременная замена оборудования исключат влияние сбоев на производственный цикл. Для бизнеса это огромные сэкономленные деньги и поддержка репутации.

Концепция компьютеризированных систем управления техническим обслуживанием (Computerized Maintenance Management Systems, CMMS) зародилась не вчера – разработки ведутся с 1960-х годов. Известны даже ранние разработки на основе мейнфреймов. Но до появления концепции Индустрии 4.0 решения базировались на ручном вводе данных. Они собирались из отчетов о техобслуживании, информации датчиков. Не было и речи о полноценном охвате данных с сенсоров и глубоком анализе этих данных в масштабе производства.

На рынке уже появились CMMS нового типа, но… проявился правовой индустриальный конфликт. Проблема в том, что датчики устанавливаются вендором оборудования, который судит о необходимости техобслуживания или ремонта. Однако эти же данные могут быть коммерческой тайной промышленного предприятия. Кроме того, некоторые производители обязательно расценят профилактику оборудования в процессе эксплуатации как угрозу снижения доходов. В результате крупные промышленные предприятия создают собственные производственные линии с интегрированными системами прогнозирования.

Роботы Bossa Nova Robotics сканируют полки в магазинах Walmart и передают данные о ценах, расположении и запасах в корпоративное облако 

Роботы Bossa Nova Robotics сканируют полки в магазинах Walmart и передают данные о ценах, расположении и запасах в корпоративное облакоИсточник: Walmart

General Electric пошла по этому пути. Ее разработка Predix помогает планировать техобслуживание реактивных двигателей. На основании телеметрических показателей минимизируется влияние простоев на бизнес клиентов GE. Для каждой единицы оборудования и набора датчиков разработчики GE Software создали библиотеки данных, которые используются для раннего обнаружения износа.

GE использует возможности Predix и в менее «механизированных» условиях. Например, для анализа данных о погоде в канадском Квебеке, чтобы смоделировать рост деревьев и предсказать, когда они станут угрозой для линий электропередач. GE адаптировала Predix для анализа данных о производительности электростанций и других факторов энергетического рынка. Прогнозы системы помогают операторам рынка энергетики принимать своевременные финансовые решения.

«Умные инструменты» для сборки самолета на заводе Airbus в рамках собственной инициативы «Фабрика будущего» для Индустрии 4.0

Источник: Airbus 

Amazon использует прогностическое моделирование (Amazon Prime) в логистике – для предварительного формирования запаса товаров в зависимости от планируемого спроса.

Понятно, что область массового внедрения не может быть завязана на монобрендовые решения, которые к тому же принадлежат лидерам рынка. Необходим типовой конструктор за доступные деньги. До этого далеко, но ИТ-вендоры уже предлагают рынку первые системы.

Предложения вендоров

Система Maximo разработана IBM на базе платформы интернета вещей IBM Watson IoT. Решение обрабатывает данные с интегрированных датчиков и внешних источников информации производственного цеха для прогнозирования сроков техобслуживания. Особенность Maximo – применение искусственного интеллекта для дополнительного обучения алгоритмов в процессе эксплуатации системы. То есть предусмотрена «индивидуальная настройка» эффективности.

Дополнительная возможность системы – анализ данных по всем производственными процессам вместе взятым. Предполагается, что Maximo укажет на узкие места техпроцесса и другие проблемы, которые снижают производительность и увеличивают операционные расходы.

В рамках корпоративной стратегии перехода к Индустрии 4.0 компания L’Oreal перевела производственный цикл на платформу IBM Maximo в 2017 году, о чем и заявила в январе 2018 года. С тех пор в открытых источниках новой информации о проекте нет. Вряд ли молчание говорит об успешности инвестиций.

Есть решения и для самостоятельного конструирования CMMS уровня 4.0. Компания MathWorks предлагает набор инструментов MATLAB Predictive Maintenance Toolbox, с помощью которого можно создать собственную систему прогнозирующего обслуживания на базе технологий машинного обучения. К сожалению, оценок экономического эффекта на реальных проектах также нет.

Как данные не превращаются в знания

Теоретики & практики. Несмотря на значительный прорыв технологий прогностики, остается проблема совместимости теории и практики. Поэтому актуальна старая компьютерная пословица «мусор на входе, мусор на выходе» не теряет актуальности.

Методологи по обработке «чистых данных» и прикладные разработчики говорят на разных языках. Предполагается, что в эпоху Индустрии 4.0 появятся принципиально новые инструменты для моделирования, которые будут понятны обеим группам. Случится качественный скачок в развитии прогностических систем.

Не хватает отказов. Другая проблема, как это ни парадоксально, вытекает из слишком хорошей работы производственного оборудования. Как говорят специалисты MathWorks, для обучения алгоритмов предикативных моделей требуется значительный объем данных о сбоях. Но на практике почти вся информация говорит о нормальной работе техники.

Можно тестировать оборудование «до отказа» в экстремальных условиях. Но тогда данные будут говорить о режим эксплуатации за пределами нормальных рабочих параметров техники. Потому что в реальности целенаправленная эксплуатация дорогостоящего и сложного оборудования «на износ» или на пределе возможностей встречается крайне редко. Сегодня применяется компьютерное моделирование, которое имитирует технологический процесс. Алгоритмы, обученные на таких моделях, интегрируются в системы прогнозного обслуживания с дополнительной адаптацией к локальным реалиям.

Точка расчета. Венчает пирамиду потенциальных проблем вопрос о том, где, как и когда обрабатывать производственные данные.

  1. Если решение по итогам вычислений связано с безопасностью или скоростью реагирования, есть смысл обрабатывать данные вблизи от производственной линии. Алгоритмы анализа можно встроить непосредственно в процессор или логический контроллер оборудования.
  2. Данные, анализ которых требует решений в реальном времени, но не завязан на безопасность, можно обрабатывать на серверах, расположенных поблизости.
  3. В остальных случаях – долгосрочное прогнозирование с доступом к другим массивам информации, применение значительных компьютерных мощностей и сложных вычислительных приложений – есть смысл использовать корпоративный дата-центр или облако.

Системы прогнозирования General Electric Predix и IBM Maximo как раз рассчитаны на облачную модель. Алгоритмы MathWorks могут работать как на локальном оборудовании, так и в облачной среде, в том числе в облаке GE Predix.

Корректные и некорректные предсказания по итогам обучения модели с помощью ПО MathWorks

Источник: MathWorks 

Возможно, стоит подумать о комбинации. Специалисты MathWorks рекомендуют начинать с запуска наиболее критичных систем прогностики и затем продвигаться в сторону внедрения более комфортных в использовании облачных решений.

Угрозы революционной цифровизации

Концепция Индустрии 4.0 несет потенциал новых и плохо изученных рисков в сфере безопасности. Удачная кибератака на оборудование может привести к разрушительным последствиям, например к трагедиям на производстве, масштабным аварийным отключениям энергосистем, экологическим катастрофам.

С точки зрения безопасности, взлом системы прогнозного моделирования менее опасен, нежели решения, которое управляет оборудованием. Но последствия могут быть неприятными. Взлом не даст доступа к запатентованным секретам или чертежам деталей, но при серьезной обработке сырых данных с применением анализа больших данных злоумышленники или конкуренты могут получить информацию о производственных технологиях, эффективности фабрики. Аналитика может быть использована для промышленного шпионажа или косвенного доступа к гостайне.

Еще большую угрозу может нести смешение производственных и традиционных технологий – особенно в случае подключения автономных систем к интернету. Тогда разрушения могут затронуть муниципальные коммуникации, например управление умным городом, дорожные камеры, светофоры. Что может привести к вымогательству, саботажу и терактам.

Традиционно защита производственных технологий от кибератак строится на протоколах промышленного контроля, которые отличаются у различных поставщиков оборудования. С приходом интернета вещей требуется совершенно иной уровень безопасности, особенно в сегментах с потенциальной угрозой жизни людей. Речь о химической и горной промышленности, энергетике и других критических отраслях.

Опыт General Electric и других разработчиков систем предсказания говорит о положительных результатах блокировки нежелательного сетевого трафика с помощью межсетевых экранов. В промышленности облачные вычисления отделены от внешнего интернета виртуальными частными сетями и другими системами безопасности. Тем не менее мы регулярно слышим о взломах в новостях. В каждом случае роботизации каждому предприятию необходимо всесторонне оценить безопасность всех каналов передачи данных. Кроме того, необходимы соответствующие стандарты и регламенты.

Инвестиции в исследования

Чтобы преодолеть перечисленные проблемы, нужно проделать огромную исследовательскую работу. Евросоюз запустил проект под названием «Европейская ассоциация предприятий будущего» (European Factories of the Future Research Association) и профинансировал его развитие суммой в 1,15 млрд евро.

В аналогичный проект развития «фабрик будущего» инвестировало правительство США. В частности, Министерством обороны страны, которое считает эти исследования основой будущей промышленной базы оборонного производства.

Так, у Агентства перспективных исследовательских проектов в области обороны США (Defense Advanced Research Projects Agency, DARPA) есть несколько интересных исследовательских проектов. В рамках программы «Производство адаптивного транспорта» (Adaptive Vehicle Make) создаются информационно-интегрированные производственные проекты, разрабатываются системы взаимодействия человека и машины, в которых механизмы выступают партнерами, а не просто инструментами. Проектом LogX разрабатываются интеллектуальные системы производственной логистики с применением искусственного интеллекта.

Исследователи из Лаборатории социальных систем человек-машина (HMSS) компании также оптимизируют взаимодействие роботов и людей. Компания сотрудничает со многими профильными стартапами, например с American Robotics, который разработал полностью автоматизированного дрона Scout для цифрового сельского хозяйства.

В оформлении статьи использовано изображение компании Siemens.