ИИ в промышленности

Ричард Джефферс закончил университет Виктории в Манчестере по специальности «инженер-механик». Занимался вопросами бережливого производства и наладки производственных процессов. Имеет большой опыт в разных сегментах рынка, связанных с производством. В своем выступлении на Техническом семинаре FEFCO г-н Джефферс рассказал о роли искусственного интеллекта при наладке и настройке производственных процессов. Далее – прямая речь.

Сейчас все говорят об Индустрии 4.0, и я не исключение. Но сначала кратко напомню основные этапы промышленных революций. 

Итак, Индустрия 1.0 – это в первую очередь паровые двигатели, механизация и вытекающие отсюда гидроэнергетика, новое производство, производство железа, текстильная промышленность, горнодобывающая промышленность и металлургия, станки, паровые заводы.

Индустрия 2.0 – внедрение производственных линий, массовое производство, электрификация, глобализация, двигатели и турбины, широкое внедрение телеграфа, газа, водоснабжения.

Индустрия 3.0 – это внедрение ПЛК-контроллеров, роботизированных автоматов, это компьютер, интернет, цифровизация, сети.

А Индустрия 4.0, можно сказать, объединила все предыдущие достижения, добавив к ним автономное оборудование, продвинутую робототехнику, большие данные/аналитику, интернет вещей (Internet of Things, далее – IoT), облачные вычисления, интеллектуальную фабрику, машинное обучение и ИИ, киберфизические системы.

В целом нельзя сказать, что Индустрия 4.0 полностью вытеснила и перечеркнула достижения первых трех промышленных революций. Конвейеры и производственные линии, гидроэнергетика и компьютеры – все это сосуществует на большинстве современных фабрик.

На рис. 1 схематически показано, как используются данные на современных предприятиях. Сначала нам нужно собрать данные с оборудования, потом, обработав их, принять решение, а уже после этого идут активные действия.

Конечно, существует немало вопросов и нюансов в процессе сбора данных, а соответственно, и создания отвечающих запросам решений для производства. Тут можно выделить несколько сегментов интернета вещей, решения для которых довольно сильно разнятся. 

Во-первых – потребительский IoT. Тут собирается очень много данных – со смартфонов, смарт-ТВ, фитнес-трекеров и умных часов, даже с подключенных к интернету автомобилей и многого другого. Подбор решений для этого сегмента довольно несложен, поскольку это уже устоявшийся рынок. И все решения на потребительском рынке повторяемы.

Второй сегмент – коммерческий IoT: умные здания, умные города, розничная торговля, сельское хозяйство, энергетика, производство автомобилей. Здесь все немного сложнее, хотя, по большому счету, решения также часто повторяемы и относительно унифицированы.

И третий, наиболее сложный сегмент – промышленный IoT. Поиск решений для промышленных предприятий и фабрик достаточно сложен, ведь на каждом производстве необходимо учитывать множество различных аспектов, которые довольно сильно отличаются друг от друга, в зависимости от сектора производства компании. Соответственно, и сбор данных, а потом и обработка информации – более сложный процесс для промышленного сегмента. Ведь данных, поступающих с гофроагрегата, в тысячи раз больше, чем, например, данных с умных часов, да и количество показателей, которые необходимо учитывать, тоже несоизмеримо больше.

Давайте рассмотрим, каким образом происходит трансформация данных в информацию и трансформация информации в активные действия. На простом примере насосов я выделю четыре этапа:
■    Описание – что случилось? Мой насос вибрирует сильнее, чем должен.
■    Диагностика – почему это произошло? Потому что в системе подачи засорение, и это вызывает кавитацию.
■    Прогноз – что произойдет? Если ничего не предпринять, то это засорение приведет к поломке подшипника через 10 часов.
■    Предписание – что мне с этим делать? Устранить засорение в подаче и осмотреть насос на наличие возможных дополнительных повреждений.

Таким образом, используя ИИ, придерживаясь установленных алгоритмов работы, совместив все эти четыре этапа и выполнив необходимые действия, производитель действительно получит свою выгоду. Стоит отметить, что для усовершенствования процесса производства ИИ должен самообучаться, учитывая как прошлые поломки и остановы, так и вносимые человеком изменения и решения.

Также выделю несколько типов данных, которые производитель может дополнительно получить с гофроагрегата. Во-первых – неосвоенные данные (неиспользованные). Данные, которые уже существуют на производстве, но которые пока не интегрированы в производственный процесс. Это могут быть данные с ваших ПЛК, данные с панелей управления и т. д. Все это – огромный массив данных, который может помочь в принятии решений и оптимизации производства.

Во-вторых – «захваченные» (закрытые) данные. Это те данные, которые, в принципе, уже частично интегрированы с определенными узлами или машинами, однако не интегрированы в общую сетевую среду. Это могут быть данные, поступающие производителю оборудования с машины, но не используемые на самом предприятии. Их также можно использовать для прогнозирования и предписания.

И третий тип – новые данные, а именно данные с новых датчиков, механизмов управления и прочих конечных устройств. Это наиболее дорогой способ сбора данных, потому как он требует значительных инвестиций в оборудование, и разница между системами сбора данных первых двух типов и этого может достигать огромных цифр.

Исходя из нашего опыта, можно говорить, что процесс внедрения ИИ и систем управления и планирования производства, процесс полноценного перехода займет порядка двух лет. На начальном этапе описания системой собираются поступающие данные. Создаются правила и алгоритмы, применяется адаптируемая архитектура данных. На следующем этапе – во время диагностики – происходит построение корреляции между наборами данных. Также стоит привлекать экспертов для ускорения обучения систем. После этого можно переходить к этапу прогнозирования, на котором производитель ищет подходящую ему модель ИИ для создания соответствующих инструментов моделирования и создания собственно прогностической модели. Для этого, конечно же, нужны реальные данные производственного процесса. По нашим наблюдениям – данные за 3–6 месяцев работы производства. И на финальном этапе предписания ИИ позволит производителю использовать экспертные системы для диагностики неисправностей и рекомендации относительно действий, которые стоит предпринять. Тут важно отметить, что чем больше информации о поломках и остановах будет внесено в систему, тем более точно и адекватно она будет реагировать в будущем. На рис. 2 и 3 проиллюстрированы моменты, когда машинное обучение и ИИ, правильно настроив систему управления и контроля, позволят производителям сократить свои расходы и усовершенствовать процесс производства.

Потенциально внедрение систем умного планирования и ИИ на производства окажет влияние на всех нас. Это позволит значительно сократить время техобслуживания, а благодаря тому, что оно будет производиться «по мере необходимости», еще и снизит затраты на использование рабочей силы. Кроме того, поможет избегать неполадок на начальных стадиях их возникновения или даже до этого. Накопленные знания и опыт можно будет передавать следующим поколениям сотрудников посредством вспомогательных инструментов, что позволит повысить общий уровень знаний персонала. Ко всему, обучение и тренинги могут стать для производителей оборудования серьезным преимуществом. В целом внедрение таких систем значительно изменит роль технического специалиста, а важность данных для поддержания конкурентоспособности возрастет. Только те производители, которые освоятся и настроят на своем предприятии процесс работы с данными, будут успешными.