Industrial Cloud — новый виток развития производства

Промышленные облака набирают популярность: предприятия движутся в сторону цифровизации всех своих производственных процессов, что дает возможность в реальном времени выявлять скрытые взаимосвязи и закономерности для оптимизации производства. Однако эти закономерности могут быть слишком сложными, и с учетом огромных объемов входных данных это не позволит обрабатывать информацию вручную. Вместе с тем такую обработку можно сегодня выполнять в облаках, генерируя рекомендации по совершенствованию бизнес-процессов с помощью алгоритмов искусственного интеллекта.

Об организации удаленного доступа к разнообразным устройствам люди задумались еще в прошлом веке — с появлением проводных систем передачи сигналов на производственные линии, а затем и с внедрением технологии M2M (Machine-to-Machine). Потом появился Интернет вещей (Internet of Things, IoT) и его «индустриальный» вариант — Промышленный интернет (Industrial Internet of Things, IIoT), неотъемлемым компонентом которого стало Промышленное облако (Industrial Cloud, IC) [1, 2].

Все подобные технологии обеспечивают взаимодействие устройств, однако делают это по-разному. В M2M применяется схема «точка-точка» и коммуникации выполняются с помощью встроенных электронных модулей, по индивидуальным радиоканалам или через проводную сеть устройств, передающих сведения от датчиков, на основе показаний которых, как правило, выполняются сервисные операции, направленные на поддержку работоспособности машины, станка или прибора. Все эти данные обычно не интегрированы в бизнес-процессы предприятия.

В Интернете вещей в качестве среды взаимодействия используется Интернет, и два устройства обмениваются данными через посредника — облако. Здесь подразумевается интеграция устройств, их сенсоров, данных и приложений предприятия в единой облачной среде, позволяющей выполнять аналитику, в том числе с применением инструментов искусственного интеллекта. Комплексный анализ получаемых данных потенциально способен выявить недостатки в организации бизнес-процессов производственной системы в целом.

Очевидно, что Промышленный интернет и Промышленные облака не существуют друг без друга: последние, по сути, представляют собой аналитическую платформу для обработки данных, поступающих от всех производственных устройств, и для отправки обратно результатов работы алгоритмов искусственного интеллекта, которые либо визуализируются на тех же устройствах, либо используются для внесения изменений в их работу или в ход выполнения бизнес-процессов.

Тут следует снова вернуться к терминологии: понятие Industrial Cloud (IC) на самом деле полностью покрывается определением Industrial Internet of Things. Термин «Промышленное облако» получил распространение в России, а на Западе предпочитают применять более широкое понятие — IIoT.

Как бы то ни было, Промышленное облако представляет собой виртуальную среду для организации взаимодействия промышленных устройств (станков, отдельных датчиков, систем учета складских запасов, ERP и SCM, а также целых предприятий) с целью получения данных от различных промышленных активов, а также для надежного и безопасного обмена конфиденциальными сведениями между всеми участниками производственной цепочки. Иначе говоря, Промышленное облако объединяет пользователей, датчики и оборудование по всей цепочке поставок.

Рис. 1. Структура Industrial Cloud

В IC можно выделить несколько основных слоев (рис. 1). Аппаратной слой — это производственное оборудование и различные сенсоры. Сетевой слой определяет протоколы коммуникации (Wi-Fi, Ethernet, Modbus RTU, PROFINET и пр.) и обеспечивает взаимодействие с публичными облаками (AWS, Azure, Google Cloud Computing Platform). Затем следует сервисный слой, в котором задаются основные программы и алгоритмы, используемые для интеллектуальной аналитики данных. Контентный слой служит для предоставления конечному пользователю доступа к результатам работы сервисного слоя через всевозможные информационные панели, планшеты, умные очки и пр.

Достоинства

Одно из преимуществ IC — возможность оптимизировать процессы проведения сервисных операций для поддержки производственного оборудования в работоспособном состоянии. Это достигается посредством анализа данных, собираемых со множества машин, и выявления паттернов в их работе для предсказания проблем еще до их проявления [3].

Другое преимущество — работа с данными в режиме реального времени. Все сведения, поступающие от оборудования и из различных бизнес-систем, например от программ управления логистикой (данные о местоположении объекта мониторинга, состояние каналов поставки, объем складских запасов по каждому артикулу (Stock Keeping Unit), ожидаемое транзитное время и т. д.), незамедлительно передаются в сервисный слой. Это упрощает процессы учета продукции и сырья, что, в свою очередь, позволяет оптимизировать взаимодействие с поставщиками, партнерами и продавцами. Появляется возможность проанализировать все сырьевые потоки на каждом этапе производственного цикла, выявить узкие места и оптимизировать логистические цепочки. Например, с помощью умных счетчиков можно выполнять мониторинг расходуемых ресурсов (топливо, вода, электричество и пр.) для оптимизации операционных издержек путем более эффективного планирования и управления потреблением.

Однако все это возможно при условии всеобъемлющего внедрения IC: ведь Промышленные облака имеют смысл, лишь когда они внедрены повсеместно и охватывают все субъекты производственного процесса. Только в этом случае можно обнаружить разрывы цепочек поставок, выявить точки появления непроизводительных расходов и вынужденных простоев. В конечном итоге IC способствует повышению качества продукции, как это было, например, в телекоммуникационной компании Verizon, ставшей пионером применения IC. Именно Промышленное облако позволяет компании выявлять некачественную продукцию, поставляемую ее партнерам, и, что самое главное, указывать на причины появления брака.

Вместе с тем на пути широкого применения IC имеется ряд препятствий.

Проблемы

Для эффективной работы IC критически важно получать данные с каждой подключенной машины в режиме реального времени, однако прерывания доступа к Сети, отключение электропитания и другие неполадки способны этому помешать. Идеального оборудования не существует, поэтому лучшее из того, что может быть сделано для минимизации рисков обрыва связи, — это дублирование (заключение контрактов с несколькими разными телекоммуникационными провайдерами, наличие резервных источников электропитания и пр.).

Развертывание IC на предприятии потенциально способно повысить эффективность производственных процессов, однако для этого необходимо обеспечить глубокий анализ получаемых данных и понимание всего производственного цикла вплоть до отдельного бизнес-процесса. Поэтому требуется определить основные показатели, которые будут оптимизироваться средствами IC. Начать нужно с постановки цели. Это должно быть решением какой-то конкретной проблемы (например, повышения качества продукции), что требуется для определения перечня необходимых данных. Затем нужно понять, как собирать эти данные с учетом разнородности оборудования: например, многие станки оборудованы разъемами Ethernet или модулями Wi-Fi, а другие имеют только разъем RS-232. После этого следует определиться с провайдером облачных технологий: Google, Microsoft, Amazon, «Яндекс.Облако» и пр.

Наиболее эффективные алгоритмы прогнозной аналитики обычно опираются на исторические данные, и чем больше (полнее) массив, тем точнее может быть прогноз. Однако на промышленных предприятиях часто не налажен систематический сбор исторических данных и не уделяется должного внимания их хранению — например, из-за стремления к сокращению издержек. Поэтому предприятиям требуется предварительно спланировать и наладить процессы сбора и хранения исторических данных. Также критически важным является помещение в хранилище не сырых, а нормализованных данных в едином формате, что позволит избежать неверной интерпретации результатов.

Обеспечение безопасности — одна из основных проблем для IC, решение которой усугубляется отсутствием сегодня всеобъемлющего кросс-платформенного продукта защиты информации. Это связано с тем, что промышленные предприятия, как правило, достаточно инертны и неохотно внедряют новые технологии, обычно дорогостоящие. В частности, этим объясняется отсутствие интереса к подключению и объединению станков в облаке. Защита информации не была приоритетным направлением, поскольку данные не выходили за пределы предприятия, а исторические данные не хранились. В связи с этим, предприятию необходимо предварительно внедрить средства обеспечения безопасности сети и отдельных устройств, прежде чем приступать к развертыванию IC. Ясно, что все это требует инвестиций в оборудование и ПО, а также дополнительных расходов на привлечение специалистов по информационной безопасности.

После преодоления перечисленных проблем предприятию потребуется аналитическая платформа (например, от AVEVA, Software AG и др.). Ее использование для обработки всех имеющихся данных и формирования прогнозов поможет принимать взвешенные решения, способные генерировать дополнительную прибыль.

Интеллект для IС

Может возникнуть справедливый вопрос: зачем анализировать данные в облаках, за работу в которых нужно еще и доплачивать, а не делать это на собственных вычислительных мощностях? Даже небольшое промышленное предприятие генерирует огромное количество данных, обрабатывать которые требуется в режиме реального времени, чтобы вовремя отремонтировать станок или заказать отсутствующий на складе товар. В этом случае трудно обойтись без специализированных ЦОДов, обеспечивающих необходимый набор сервисов и способных обрабатывать данные «на лету». В таких центрах обработки данных в штате имеются специалисты по технологиям искусственного интеллекта.

Даже опытному специалисту по обработке данных трудно сориентироваться в большом наборе непрерывно поступающих сведений, и без алгоритмов искусственного интеллекта уже не обойтись. Кроме того, человек часто следует стереотипам, оценивая взаимосвязи данных, что ограничивает возможности идентификации скрытых отношений и неочевидных закономерностей.

Искусственый интеллект и Промышленные облака потенциально способны образовать мощную инфраструктуру, которую можно использовать для оптимизации производственных и бизнес-процессов, а применение машинного обучения может быть полезным при выполнении различной аналитики (рис. 2).

Рис. 2. Интеллектуальная аналитика данных

Описательная аналитика (вопрос «Что происходит?») нужна для отслеживания метрик и параметров, построения информационных панелей мониторинга, а также для анализа причинно-следственных производственных связей, например для выявления и устранения сбоев.

Прогнозная аналитика («Что произойдет?») предназначена для предсказания состояния оборудования в будущем с целью своевременного планирования сервисных работ. Кроме того, на основе анализа исторических данных предприятия и текущих показателей рынка такая аналитика позволяет с высокой точностью оценить объемы востребованной продукции для удовлетворения запросов в будущем.

Директивная аналитика («Что надо сделать?») опирается на результаты предыдущей аналитики и предназначена для облегчения процесса принятия стратегических решений. Использование алгоритмов на этом этапе позволяет моделировать влияние того или иного решения на производственные или бизнес-процессы, что поможет снизить риски принятия неверных решений. В идеале директивная аналитика должна способствовать принятию решений без участия человека (автоматическая отправка запросов на проведение сервисных работ в случае обнаружения дефектов в работе механизмов; коррекция заказов на поставки сырья при прогнозируемом изменении спроса на продукцию предприятия и т. д.).

Наглядный пример использования технологий IC — работа фабрики компании Bosch в Вукси (Китай), которая производит компоненты экологичного дизельного двигателя. Несколько лет назад правительство КНР утвердило новые нормы контроля уровня выхлопных газов, и, как следствие, у компании значительно увеличилось количество заказов, выполнить которые в рамках традиционного производства стало уже невозможно. Была проведена модернизация предприятия: на каждый станок были установлены сенсоры, считывающие данные о его техническом состоянии и ходе производственного цикла. Собранная информация в режиме реального времени транслируется в облако, где обрабатывается системой искусственного интеллекта. Результаты анализа позволяют выявлять и устранять узкие места в производственном процессе. Появилась возможность прогнозировать отказы оборудования и планировать превентивные меры по его поддержке в работоспособном состоянии. В результате выросла загрузка производственных систем, сократились простои и существенно увеличился ресурс станков. Кроме того, были реорганизованы бизнес-процессы. Цифровизация существующей фабрики помогла справиться с заказами, а руководство компании заявило, что именно внедрение IC позволило ускорить процесс принятия решений.

***

Промышленные облака обладают большим потенциалом, и их применение позволяет повысить эффективность работы предприятия: повысить качество продукции, снизить издержки, сократить простои оборудования и т. д. Однако IC пока еще только в начале пути и рано говорить о готовых решениях, тем более об их повсеместной интеграции. На данный момент еще нет признанных стандартов в этой сфере, поскольку долгое время цифровизация предприятий, искусственный интеллект и облака развивались независимо, однако именно их синергия способна привести к качественным изменениям в производственных процессах. Сегодня у компаний уже нет возможностей для увеличения производительности лишь за счет экстенсивных мер.

Литература

1. Ирена Боянова, Джордж Херлберт, Джеффри Воас. Интернет будущего // Открытые системы.СУБД. — 2014. — № 6. — С. 28–31. URL: www.osp.ru/os/2014/06/13042314 (дата обращения: 21.05.2020).

2. Алексей Чернобровцев. Облака для промышленности // Открытые системы. — 2020. URL: www.osp.ru/articles/2020/0323/13055383 (дата обращения: 21.05.2020).

3. Виктор Попов. Edge AI: контроль производственных установок // Открытые системы.СУБД. — 2019. — № 4. — С. 24–25. URL: www.osp.ru/os/2019/04/13055229 (дата обращения: 21.05.2020).

Виктор Попов ( vp282@cornell.edu ) — исследователь данных, компания Opex Analytics (Редвуд Сити, США), Дмитрий Волков ( vlk@keldysh.ru ) — старший научный сотрудник ИПМ им. М. В. Келдыша РАН (Москва).

DOI: 10.26295/OS.2020.80.57.001