Первоначально опубликовано в блоге Infopulse.

Внедрение Интернета вещей (IoT) в обрабатывающей промышленности происходит медленными темпами, но осведомленность о нем растет. В 2018 году только 10% компаний развернули промышленные IoT-приложения. Но 34% игроков отрасли находятся на стадии рассмотрения: следят за развитием событий, но пока не проявляют активности в проектах.

Однако следующие пять лет станут решающими с точки зрения роста. Ожидается, что глобальный IoT в обрабатывающей промышленности продемонстрирует значительный CAGR 29,4% в период 2017–2024 гг. Такой исключительный рост можно объяснить несколькими факторами:

Рост цифровизации среди производителей предприятий и растущее число малых и средних предприятий, строящих свою деятельность с использованием передового стека технологий с первого дня. Большинство современных ERP-систем уже готовы к IoT и включают в себя шлюзы для получения информации от датчиков, установленных в оборудовании, что делает внедрение IoT следующим логическим шагом на пути к созданию лучшей линии управления.

Быстрый прогресс в области машинного обучения и, в частности, глубокого обучения позволяет компаниям стратегически автоматизировать малоценные процессы и оптимизировать производственные процессы с помощью ИИ. Новые алгоритмы способны обрабатывать новые типы данных, включая аудио-, видео- и графические подсказки — данные, недоступные для большинства традиционных аналитических решений.

Загадка функциональной совместимости IoT решается с помощью блокчейна. Отсутствие унифицированных протоколов для безопасного хранения и передачи данных замедляет внедрение IoT как в вертикалях B2C, так и в B2B. Блокчейн — технология неизменной цифровой бухгалтерской книги — появился как новый протокол для беспрепятственного и быстрого обмена данными в крупномасштабных сетях взаимосвязанных гаджетов. Вместе блокчейн и IoT могут произвести революцию в управлении цепочками поставок; улучшить процессы отслеживания и прослеживаемости, управления гарантией и технического обслуживания, ремонта и капитального ремонта (ТОиР).

Итак, какова роль Интернета вещей в будущем производства? Согласно данным McKinsey, предприятия определяют следующие стратегические приоритеты для своих собственных IoT-проектов:

Большие данные и машинное обучение: два столпа решений на основе Интернета вещей

Интернет вещей и будущее производства тесно связаны со способностью бизнеса использовать большие данные. Большинство предприятий уже имеют определенные аналитические возможности для «обработки» собственных данных. Проблема, однако, в том, что устаревшие решения сами по себе уже недостаточно быстры или эффективны. Например, устаревшие системы мониторинга могут обнаруживать сбои только за несколько часов до их возникновения. Они имеют ограниченную производительность и видимость всего производственного процесса и могут выявлять сбои только на определенных вертикалях. Создание настраиваемых инженерных алгоритмов с функцией прогнозирования для каждого типа процесса является длительным и непомерно дорогим занятием для большинства предприятий.

Методы машинного обучения эффективно устраняют эти недостатки. При подключении к проприетарному хранилищу данных алгоритмы машинного обучения могут предоставлять информацию из имеющихся данных почти в реальном времени. В частности, ключевые преимущества машинного обучения в производстве заключаются в следующих областях:

  • Большая адаптируемость к различным семействам активов;
  • Простота масштабирования по всему заводу;
  • Быстрая разработка модели (и самооптимизация с течением времени, если применяется глубокое обучение);
  • Гибкие подходы к развертыванию;
  • Собственные исторические и инфраструктурные данные очищаются и используются для максимальной эффективности.

IoT-гаджеты, работающие на базе машинного обучения и подключенные к системам аналитики больших данных, могут мгновенно оповещать ваши команды о любых отклонениях в работе оборудования, таких как изменения давления, температуры, вибрации и так далее. Это позволяет предприятиям делать операционные прогнозы до в 20 раз раньше и с большей точностью по сравнению с традиционными инструментами BI.

Итак, давайте подробнее рассмотрим успешные примеры производства и использования Интернета вещей.

Примеры и варианты использования промышленного Интернета вещей на основе машинного обучения и больших данных

Интернет вещей может полностью изменить текущую сборочную линию, как это сделал в свое время новый подход Ford. Полностью цифровые фабрики, контролируемые и управляемые удаленно, уже существуют.

Интернет вещей в производстве может повысить прозрачность производственной линии — от упаковки до отгрузки конечного продукта. Датчики могут предоставлять данные в режиме реального времени, которые могут быть дополнительно проанализированы и преобразованы в предложения по улучшению управления процессами и оптимизации затрат. Кроме того, IoT может предоставить заинтересованным сторонам информацию о задержках в производстве; помогая еще больше сократить отходы и ненужные запасы. Например, на заводе Siemens AG — одном из первых примеров успешных умных заводов — около 75% процессов автоматизировано, а 1500 полевых сотрудников отвечают только за работу с программным обеспечением и контроль за производством.

Сборочные линии с поддержкой Интернета вещей достигают совершеннолетия. Делойт описывает, как могут выглядеть и функционировать такие установки:

Рабочие получат дополнительную поддержку с помощью умных очков, визуализирующих необходимые шаги, которые им необходимо предпринять. Требуемая сдельная работа будет сдана автоматически. Отсутствующие или нестандартные детали могут быть напечатаны в 3D по мере необходимости. Каждый статус продукта находится под постоянным наблюдением, что обеспечивает более высокие стандарты обеспечения качества и повышенную прозрачность всех процессов. Накопленные данные можно использовать для дальнейшего повышения эффективности работы.

Airbus уже занялся производством с помощью IoT. Сотрудники, работающие в цехе, могут использовать планшеты или умные очки, чтобы просмотреть текущую задачу и передать ее роботизированному инструменту для завершения. Такая синергия технологий и людей значительно ускорила производственный процесс, как сообщает руководство компании.

Цифровое дублирование — еще один важный процесс, который выходит на первый план в результате перехода к более разумному производству. У компаний уже есть много производственных данных, и один из способов использовать их для принятия более эффективных решений — применить их для создания виртуальных представлений определенных активов, которые соответствуют их «реальным» прототипам.

Цифровой двойник продукта (или одного из его компонентов) можно использовать для моделирования свойств продукта на ранней стадии разработки, не вкладывая средств в физические пилотные проекты и прототипы. Ваша команда инженеров может протестировать, проверить и оптимизировать различные элементы продукта, чтобы заранее обеспечить бесперебойную работу, выявить и устранить возможные недостатки. С помощью гаджетов IoT данные из имитационных моделей и прототипов можно отправлять для мгновенного анализа и преобразовывать в действенные идеи для разработки продуктов. Например, вы можете точно понять, как ваше оборудование будет работать при экстремально низких/высоких температурах в реальных условиях. Цифровой твиннинг также позволяет виртуальный ввод в эксплуатацию нового оборудования. Недавно компания Siemens заключила партнерское соглашение с Bozhon — китайской производственной компанией — для удаленного создания сборочного цеха с роботизированными руками, которые использовались на торговой выставке. Такой подход позволил заказчику добиться 30% экономии времени за счет ускоренной разработки, поставки и ввода в эксплуатацию.

Концепция цифрового дублирования распространяется и на производство. «Умные» процессы моделирования могут применяться для визуализации и оптимизации каждого элемента производственной линии:

  • Определите возможные сбои и узкие места до начала операций.
  • Сокращение времени на настройку установки для массового производства.
  • Непрерывно получайте и анализируйте производственные данные для дальнейшей оптимизации производства.

Дополнительные применения машинного обучения в производстве включают способность уменьшать незапланированные простои, что обходится промышленным производителям в среднем в 50 миллиардов долларов в год. Неисправное оборудование является основной причиной 42% этих нарушений.

Прогностическое обслуживание — возможность заранее прогнозировать сбой и получать предписанные рекомендации по обслуживанию — является одним из вариантов использования больших данных с самой высокой окупаемостью в производстве. Делойт оценивает, что такой интеллектуальный подход может:

  • Сокращение времени планирования технического обслуживания на 20–50 %.
  • Увеличьте время безотказной работы и доступность оборудования на 10–20%.
  • Сокращение общих затрат на техническое обслуживание на 5–10%.

Здесь снова проявляется конкурентное преимущество машинного обучения, поскольку алгоритмы ИИ могут выявлять закономерности и аномалии в большем масштабе, чем любое другое аналитическое решение, способствуя постоянным улучшениям для бизнеса. Например, французская энергетическая компания EDF Group сэкономила более 1 миллиона долларов на обслуживании после развертывания системы раннего предупреждения об отказе оборудования на основе машинного обучения.

Еще одна группа вариантов использования машинного обучения в производстве связана с улучшенным управлением рисками. Соединяя устройства IoT с алгоритмами машинного обучения, организации открывают мгновенный доступ к целому ряду новых аналитических данных, обеспечивая более совершенные процедуры управления безопасностью, оптимизацию финансовых потерь и механизмы кибербезопасности.

Машинное обучение может быть назначено ответственным за выполнение регулярных тестов на уязвимости и проникновение в рамках общеорганизационной программы безопасности промышленных систем управления. Таким образом, вы можете автоматически обнаруживать пробелы в своих политиках (и инфраструктуре) и исправлять их до того, как какой-либо преступник попытается их использовать. Датчики IoT, размещенные в ключевой инфраструктуре, можно настроить для мгновенной отправки информации при подозрении на любое вмешательство.

Вы также можете заранее повысить безопасность и производительность сотрудников на месте, предоставив каждому работнику подключенное носимое устройство. Fujitsu недавно запустила пилотный проект, проверяя, как новая система ML может собирать данные для выявления опасного теплового стресса, накопленного заводскими рабочими».

Игроки отрасли также рассматривают IoT как способ обеспечить комплексный контроль качества на всех этапах производственного цикла. С помощью аналитики больших данных обрабатывающая промышленность может точно оценить, когда возникают проблемы с продуктом. Датчики могут собирать данные о составе и состоянии сырья, поступающего на производство; Факторы температуры и рабочей среды и даже влияние транспортировки на скоропортящиеся запасы. Встроенные датчики продукта могут помочь компаниям получить дополнительную информацию о продукте клиента, используя шаблоны. Затем эти знания можно применить для устранения проблем с качеством или добавления улучшений в новую линейку продуктов.

Преимущества Интернета вещей распространяются и на управление цепочками поставок, что позволяет производителям оптимизировать процесс доставки; Получите больше информации о том, как дистрибьюторы обращаются с продуктами и на каких этапах возникают узкие места. Вся эта информация может быть «введена» в ERM, PLM и другие проприетарные системы для анализа. Получение таких данных от поставщиков может помочь вам найти ключевые взаимозависимости, предсказать, когда могут возникнуть определенные проблемы, и оптимизировать время производственного цикла.

Продолжить чтение этой записи в блоге Infopulse, где она была изначально опубликована.