ПОЛНОЕ РУКОВОДСТВО
Как масштабно внедрить ИИ в энергетике
5 советов, как сделать вашу программу цифровой трансформации успешной
Лидеры во всем мире знают, что обычный бизнес - не вариант для управления энергокомпаниями. Переход на цифровые технологии дает возможность получить конкурентное преимущество в сложном мире тяжелой техники. Способ работы, основанный на данных, улучшает операционную производительность, а новые технологии делают все умнее, лучше и быстрее.
Ага, давай здесь немного остановимся.
Многие из нас слышали эти слова. Мы знаем, что искусственный интеллект, цифровизация, облако важны, и у нас, безусловно, есть FOMO (страх упустить).
Однако половина утилит не знает, с чего начать. Должен ли я покупать очки VR для всей моей компании? Должен ли я послать своих лидеров на курс обучения искусственному интеллекту? Должен ли я покупать это цифровое программное решение, которое предлагает каждый из моих поставщиков?
Другая половина уже начала, но застряла в ловушке PoC (Proof of Concept), где им трудно применить решения в остальной части организации.
В этой статье я хотел бы выделить 5 основных советов о том, как развернуть цифровые решения AI в масштабе.
Я предполагаю, что вы получили одобрение старшего уровня, у вашего C-Suite уже есть готовые слайды, показывающие, как они в целом охватывают ИИ, облако и блокчейн. Это необходимо для любого процесса управления изменениями, а цифровизация - одна из самых сложных. В основном потому, что почти никто не сделал этого должным образом.
Цифровая трансформация - это не раздача очков виртуальной реальности всем сотрудникам.
Совет 1. Начните с определения бизнес-проблемы.
В основе цифровой трансформации лежит изменение образа работы людей.
Точно так же Uber, Netflix, Airbnb изменили то, как мы путешествуем и смотрим фильмы. Поэтому любая цифровая программа или реализация ИИ начинается с варианта использования.
Возможности есть на каждом производственном объекте. Посмотрите, как ваши сотрудники проводят время, как они принимают решения, какое оборудование вызывает больше всего проблем. Наблюдаемые вами растраты, подводные камни и повторяющиеся сбои послужат базой для создания важного бизнес-обоснования (или просто «варианта использования»), определения пользователей, системы и оборудования.
На этом этапе у вас уже есть выделенные сотрудники («конечные пользователи»), которые будут вашими Владельцами продуктов (аналогично гибкой методологии для разработки программного обеспечения). Они будут стимулировать развитие, и, выслушав их болевые точки, вы убедитесь, что строите правильные вещи.
Если вы привяжете свою цифровую повестку дня к решению проблем бизнеса и сотрудников, у вас на самом деле гораздо больше шансов на успех.
Определив проблему, которую хотите решить, работайте в обратном направлении, чтобы найти лучшую технологию для ее решения.
Совет 2. Создайте прочную открытую основу данных API, готовую для быстрой контекстуализации данных…
Есть общая основа для всех проблем, которые вы услышите от своей команды. Неважно, эксплуатируют ли они электростанцию, обслуживают ли они насосы, подключают ли новые ветряные электростанции к сети.
Проблемы с доступом к данным.
Итак, ваш первый шаг - освободить данные из разрозненных хранилищ и сделать их доступными.
Это означает связывание данных датчиков из вашей архивной системы или системы SCADA с информацией об оборудовании, хранящейся в системах управления активами, и даже с рабочими заданиями, поступающими из программного обеспечения ERP.
Соединение их вместе и предоставление к ним доступа на любом устройстве (настольный ПК, мобильный телефон, планшеты) в любом месте (а не только на заводе) меняет правила игры и уже сделает вас героем .
Но вы быстро заметите, что все не так просто.
Уже существует спагетти-инфраструктура, вызванная системами от различных поставщиков - различного оборудования от Emerson, GE, Siemens, Honeywell и т. Д. Каждый из них измеряет разные вещи, использует разные промышленные протоколы связи и поставляется со своим собственным программным обеспечением.
Вам следует искать уровень интеграции и контекстуализации данных, который может понимать и связывать воедино различные потоки данных, поступающие от датчиков на машине, вашей ERP-системы, трехмерных чертежей, документов, и многие другие.
Затем такое программное обеспечение должно быть «обернуто API», чтобы данные можно было легко извлекать с помощью запросов API.
Это важно в долгосрочной перспективе. Ваша цель - дать возможность всей компании, каждому сотруднику получить доступ к данным и использовать их в своем предпочитаемом программном обеспечении или инструменте визуализации.
Вы также хотите, чтобы ваши инженеры-программисты могли быстро создавать приложения на основе контекстуализированных данных.
Модели машинного обучения, основанные исключительно на данных датчиков, не решат промышленных проблем. Требуется контекст.
Программное обеспечение, которое может предоставить вам контекстную модель данных, послужит основой для развертывания моделей машинного обучения, которые прогнозируют производительность вашего оборудования.
… И масштабирование
Итак, вы разработали потрясающее аналитическое решение, работая над этим конкретным оборудованием на этом конкретном заводе. Возможно, вы разработали алгоритм обнаружения аномалий, который обнаруживает аварийное отключение турбины и сразу уведомляет обслуживающий персонал. Или вы создали информационную панель, отображающую рабочий режим насоса, отображаемый на его кривой производительности.
Вы чувствуете облегчение, потому что недели работы наконец окупились. Вы сделали хороший пиар о своем решении, и остальная часть компании хочет его использовать. Сможете ли вы сделать это?
Масштабирование - это проблема, с которой вы сталкиваетесь после разработки своего первого MVP.
Естественно, вы не хотите повторять это упражнение для каждого другого насоса и турбины на этом заводе, а затем и на десятках других.
И здесь на помощь приходит подходящая платформа данных IoT или уровень данных. Вам нужно что-то, что будет:
- иметь возможность читать с очень низкой задержкой из различных исходных систем (SCADA, DCS, ERP, EAM и т. д.)
- иметь возможность преобразовать все эти данные в общую модель данных, которая будет применяться ко всем вашим предприятиям.
- иметь возможность находить шаблоны и правила во всех именах активов, соединениях между P&ID и другими исходными системами.
- предоставлять данные с помощью API и удобных для разработчиков комплектов разработки программного обеспечения для самых популярных языков, таких как Python или Javascript.
Вышеупомянутые требования гарантируют, что вы сможете легко воспроизвести свои MVP во всем своем портфеле активов.
Совет 3. Совместите модели машинного обучения с симуляторами на основе физики.
По данным Gartner, 50% уже существующих моделей машинного обучения будут отменены в 2022 году.
Это почему?
Хотя компании в сфере финансов, рекламы и развлечений используют довольно продвинутые модели машинного обучения (ML), в их мире практически нет ничего, что вы могли бы готово реализовать в своих силах. завод. Типы проблем, которые вы пытаетесь решить, требуют контекста. Если у вас внезапно отключилась турбина, нужно посмотреть:
- тенденции значений датчиков (давления, температуры, расхода)
- результаты проб топлива и масла
- отчеты о прошлых отключениях
- последние заказы на работу, выполненные на оборудовании
- технологические и технологические схемы
- ожидаемая производительность для таких значений от симулятора на основе физики
Идеальное программное обеспечение IoT должно иметь возможность связать все эти данные вместе и предоставить вам обзор на месте.
Большая часть машинного обучения, разработанного в последние годы, ориентирована на очень узкий поток данных. Например. они смотрят только на датчики вибрации, чтобы предсказать отказ вращающегося оборудования. Или просто примените традиционные модели машинного обучения для сложного промышленного оборудования.
Гибридный ИИ - это новая парадигма профилактического обслуживания в отраслях тяжелого оборудования
И вот здесь возникает проблема. Окружающая среда, в которой мы работаем (электростанции, нефтяные платформы, крупные заводы), полностью отличается от прогнозов, например, Netflix делает.
Таким образом, сейчас подход состоит в том, чтобы соединить данные в реальном времени с симуляторами на основе физики и использовать эти выходные данные для прогнозирования поведения установки в реальном времени. Я видел несколько успешных развертываний с использованием различных симуляторов от AspenTech и GAP. Thermoflow кажется следующим в очереди.
Совет 4. Не начинайте с найма сотен специалистов по обработке данных. Все равно их на рынке легко не найти;)
Сосредоточьтесь на развитии своей команды. Предоставьте им данные и научите принимать решения на основе данных.
Будущие разработки, информационные панели и аналитические решения будут в основном исходить от ваших опытных инженеров-механиков и электриков. Как только они узнают, как использовать данные и искусственный интеллект - нет предела.
Было бы здорово оснастить их программным обеспечением для аналитики, разработанным для того, кого Gartner называет «специалистом по гражданским данным». Как только возникнет потребность в более сложных решениях для анализа данных, возможно, стоит расширить и укомплектовать вашу команду соответствующим образом.
…. но и не делай все сам
Значительный рост производительности труда в офисе в 80-х и 90-х во многом был достигнут благодаря Microsoft Word, Excel и PowerPoint. По-настоящему успешные компании не теряли время на разработку их собственное программное обеспечение для обработки текстов, но вместо этого сосредоточились на своих основных сильных сторонах и быстро освоили новые цифровые инструменты.
Очевидно, это имеет смысл. Зачем вам тратить время и силы на набор сотен инженеров-программистов, специалистов по обработке данных и менеджеров по продуктам для разработки собственного внутреннего решения? И, как следствие, поддерживать его, исправлять ошибки и обеспечивать круглосуточную поддержку?
Что ж, в 90-е это не было так очевидно, так что сейчас это еще менее очевидно.
Таким образом, некоторые компании попадают в ловушку «сделай сам». Самый известный пример - компания GE, которая потратила миллиарды долларов на разработку своей операционной системы метаоблака промышленных данных.
Это очень распространено для коммунальных служб. Они неправильно понимают, что значит быть цифровой промышленной компанией.
Это, конечно, не означает, что вам нужно создавать, поддерживать и развивать весь стек программных технологий Интернета вещей. Конечно, это возможно. Существует множество технологий, фреймворков и библиотек с открытым исходным кодом, которые позволят вам создать правильную и масштабируемую платформу ИИ. Если у вас есть несколько лет и сотни разработчиков и специалистов по обработке данных, сидящих без дела, почему бы и нет.
Но я бы посоветовал сосредоточиться на своих силах и посмотреть, как цифровые технологии могут их усилить.
Станьте партнером надежной компании по производству промышленного программного обеспечения, которая понимает специфику вашего бизнеса.
В конце концов, вы же не создаете свой собственный внутренний PowerPoint, не так ли?
Совет 5. Цифровая трансформация - это 90% трансформация и 10% цифровая трансформация.
Как упоминалось в начале, все начинается с изменения способа работы людей. Это то, что важно в конце дня. Так было всегда, но разница в том, что теперь, наконец, есть технология, готовая к использованию и приносящей пользу в сложном индустриальном мире.
Но есть небольшой нюанс.
Технология - это не просто инструмент. Это стимул.
Моя первая рекомендация заключалась в том, чтобы найти бизнес-проблему, которая касается конкретной системы и предусматривает назначение персонала. Люди - это стержень вашего преобразования. Они изменят свои традиционные методы работы, потому что их новый «цифровой молоток» помогает им. И если этот цифровой молоток - панель управления с аналитикой наверху или мобильное приложение с данными датчиков - действительно полезен, он будет самодостаточным. Люди не вернутся к своим старым способам работы.
На этом этапе вы должны смотреть на цифровизацию не как на проект, а как на изменение образа жизни.
Вы хотите, чтобы цифровые технологии стали частью повседневной деятельности.
Это навсегда, поэтому для этого требуется специальный пункт в повестке дня, постоянный владелец и часто необходимая постоянная должность высшего руководства.
Со временем вам следует создать небольшой пул «цифровых экспертов» в своих организациях. Эти люди будут нести ответственность за организацию сессий, сбор передового опыта и контактные данные по новым технологиям. В ИТ совершенно другая динамика и скорость по сравнению с вашими обычными инфраструктурными проектами.
Резюме
Цифровая трансформация - это, безусловно, самый большой двигатель новых возможностей и рисков для сегодняшних энергетических предприятий. Однако для каждой компании он разный. Что совершенно нормально.
На самом базовом уровне речь идет о переносе традиционных и ручных процессов в онлайн, что делает их более эффективными и масштабируемыми.
Это не быстрый процесс. Посмотрите, сколько прорывов произошло всего за несколько лет в потребительском мире - Facebook, Uber, Skype, IG. Собственных аналогов в энергетике у нас пока нет. Но кто знает, может, вы на пути к его созданию!
Надеюсь, эта статья оказалась для вас полезной. Если вы хотите получать еженедельные рассылки по электронной почте о главных тенденциях в области энергетики и мобильности, подпишитесь на мою рассылку.
