Что такое умная фабрика?

Об эволюции понятия «умная фабрика»

Термины «цифровое производство», «индустрия 4.0», «умная фабрика» зачастую путают, но фактически все эти понятия обозначают один тренд: на смену эпохе автоматизации на уровне отдельных машин и отдельных процессов приходит объединение всех элементов производства в единую цифровую экосистему, в которой совместно работают не только сами производители, но и их партнеры, участвующие в цепочке добавленной стоимости. Выстраиваются вертикальные цепочки — от первичной обработки ресурсов до доставки товара и предоставления какой-либо услуги на его основе.

«Умные производства» от «неумных» отличаются не столько IoT- датчиками, сколько наличием именно информационных систем, способных к интеллектуальной обработке данных с этих датчиков. И как раз сегодня информатизация производства на таком уровне действительно проникает на предприятия. В этом отличие, например, от телеметрических датчиков, которые были первыми устройствами IoT на заводах. Эти сенсоры даже не всегда имели выход в интернет, а общались только по локальной сети.

Термин «умные производства» проистекает из общего тренда оцифровки всего окружающего мира (оцифровка фотографий, оцифровка карт, оцифровка общения — та же тенденция). Общая идея — перевести в цифровой вид всю деятельность предприятия, перейти от бумажного документооборота к современным цифровым средствам проектирования, производства, контроля и продажи. «Умная фабрика» — это производство, предоставляющее средства поддержки для людей и машин при выполнении их задач посредством анализа контекстно-зависимой информации. Например, источники информации о заказах, продуктах, оборудовании, доступных производственных мощностях и технологических процессах редко находятся в унифицированной базе данных и едином формате.

Связанная с этой проблемой идея «виртуального предприятия» (цифрового двойника, digital twin) предлагает фреймворк, который связывает всю эту информацию вместе, предоставляя зеркало реального предприятия, и, таким образом, прокладывает путь к более инновационным производственным прототипам, оптимизации сборочной линии, дизайну продукта, массовым модификациям и адаптации в соответствии с требованиями заказчика или рынка.

Сегодняшние фабрики решают задачу увеличения гибкости и открытости производства. Конечно, гибкие производственные линии придумали не сегодня и не вчера. Но сейчас идет переход на новый уровень в обеспечении гибкости и адаптации производств, так как стало возможным в режиме реального времени получать всю необходимую информацию о состоянии технологических процессов, об оборудовании, складах, новых заказах и прочем. А значит, теперь можно автоматизировать обработку этой информации и те процессы, которые раньше человек делал вручную.

Роль вендоров в развитии промышленного IoT

Большую роль в развитии технологий для «умного производства» сыграли корпорации вроде Cisco, IBM, Huawei и Microsoft. Они продвигают свои облачные платформы с возможностями, работая с крупными заказчиками под ключ. AT&T, Cisco, GE, IBM и Intel создали консорциум, чтобы решить проблему совместимости протоколов и в целом координировать «правила игры». В России, кстати, тоже обсуждается национальный стандарт индустриального IoT.

Но для распространения промышленного «интернета вещей» куда важнее стала идея и философия открытых данных: открытый код, открытые лицензии, открытые инновации и прочее. Именно они изменили мышление и отношение к информации, что повлекло формирование общих подходов, а также новых стандартов. Технологий одной корпорации недостаточно для создания «умной фабрики».

Нужно также понимать, что с парадигмой открытости тесно связаны проблемы кибербезопасности. Сейчас используются стандартные средства защиты информации (зашифрованные протоколы, пароли и так далее), но они имеют ограничения и очень плохо соотносятся с идеей открытости. Над разработкой новых подходов к кибербезопасности и работают сейчас различные исследовательские организации.

Примеры превращения фабрик в «умные» (в той или иной мере) можно перечислять очень долго. Достаточно сказать, что на Internet of Things World Forum ежегодно обсуждают 200–300 рассказов представителей производств об использовании технологий промышленного IoT. Компания GE анонсировала, что в 2014 году за счет IoT-систем повысила выручку на $1 млрд. Отличная иллюстрация подхода к созданию «умной фабрики» — завод автокомплектующих AW North Carolina с более чем 2000 рабочих в штате и производственным комплексом в более 1,3 млн квадратных метров. AW North Carolina выпускает около 600 000 трансмиттеров ежегодно и показывает самую высокую рентабельность производства в группе Aisin, в состав которой входит. Таких результатов удалось добиться за счет того, что в какой-то момент руководители завода признались себе, что работают на отсталых технологиях, покрыли всю площадь производства Wi-Fi-сетями и получили возможность оцифровывать и обрабатывать данные об эффективности на каждом участке производства, а также хранить всю статистику. AW North Carolina с опорой на сервисы Cisco смогла запустить полностью безостановочное производство. Чтобы добиться такого же результата за счет нового оборудования, компании бы пришлось потратить не менее $1 млн. Другой пример из автомобильной индустрии приводит другая корпорация: IBM оснастила сетями датчиков и сервисами для анализа данных индийский автозавод Mahindra & Mahindra. На заводе удалось выявить дублирующие друг друга задачи рабочих, наладить более эффективное взаимодействие между звеньями производства, начать автоматически идентифицировать случаи брака.

Компоненты «умной фабрики»

В целом главными составляющими «умного производства» становятся:

1) Семантическая мультимодальность, поддерживающая представление различной информации, встречающейся в фабричном контексте, — например, деревьев атрибутов, реляционных, сенсорных, табличных, графовых и сущностных данных.

2) Многомерность. Информация по нескольким измерениям должна быть представлена и зафиксирована. Например, описание бизнес-процессов и технологических операций, выполняемых на различных уровнях структуры цифрового производства и с различных точек зрения, изучение пространственных иерархий и активов с географической точки зрения, анализ жизненного цикла оборудования и производственных процессов.

3) Мультигранулярность. Должны быть предусмотрены представления на разных уровнях детализации: доступ к данным с датчиков и оборудования способствует оценке технологического процесса и в случае необходимости предоставляет возможность его регулирования и управления им. Создание единого представления эксплуатационных данных и мастер-данных с целью организации единого доступа к ним. Комплексное представление всех бизнес-единиц компании, включая их иерархии и обязанности.

4) Прослеживаемость (прозрачность) и интеграция. В настоящее время данные и информация распределяются между различными системами, такими как системы автоматизации производства, системы контроля качества, системы планирования ресурсов предприятия и так далее. Важно объединить всю соответствующую информацию из этих систем, сохраняя системный характер записей.

Специфика систем IoT именно на производстве и в промышленности в сопоставлении с более понятными системами вроде «умного дома» не так велика.

Все определяют особенности оборудования. Например, чем промышленный компьютер отличается от бытового? По сути компьютеры одинаковы, но промышленный аналог более надежный, имеет больше различных специализированных интерфейсов, возможно, специальное конструктивное исполнение и так далее. Конечно же, они значительно дороже. Пожалуй, чего нет в системах «умный дом», так это объединения различных баз данных. Например, у компании Daimler около 3000 баз данных, информацию из которых нужно интегрировать в рамках «умного производства». «Умные дома», конечно же, с такой проблемой не сталкиваются.

Наиболее серьезные технологические сложности в формировании ИТ-систем «умных фабрик» связаны с созданием единой среды и работой с достаточно разрозненными данными, поступающими с сенсорных сетей. Исследователи «умных сетей» говорят о двух концепциях: онтологии «умного предприятия» и «озерах данных». Онтология фабрики нового типа предполагает, что сотрудники, оборудование, расположение активов в пространстве, их отношения друг с другом с целью должны быть сведены в единое цифровое поле, постоянно записываться в одну «учетную книгу» для предоставления руководителям целостного взгляда на цифровое предприятие. Операционные данные — например, информация о заказах, данные с датчиков оборудования и данные непрерывного процесса — тоже входят в онтологию предприятия. Все эти данные должны динамически выгружаться из соответствующих баз данных в онтологию.

Термин же «озеро данных» в контексте больших данных появился в последние годы для описания хранилища наборов данных, которые предоставляются для обработки и анализа в их исходных оригинальных форматах. Его часто рассматривают как противоположную концепцию «хранилища данных» — в том смысле, что в последнем данные готовы для анализа только после фазы обязательной реорганизации данных, что не требуется при использовании «озера». Еще одно существенное различие между «озером данных» и «хранилищем данных» — это тип обработки данных, которая выполняется в каждом конкретном случае. «Озеро данных», в соответствии с его определением, содержит данные, которые открыты для любого вида обработки, будь то обработка на естественном языке, машинное обучение, специализированные (полу)структурированные запросы и так далее.

«Терпеливость» для сторонников «умных производств»

Сегодня руководители производств начинают понимать, что любая модернизация потребует издержек, но конечный эффект от автоматизации и внедрения новых ИТ-решений должен не только компенсировать их, но и принести отдачу на вложенные в инновации средства.

Проблема в том, что если модернизация не была доведена до конца, то возврат на инвестиции вряд ли будет высоким, а возможно, и отрицательным. Но это не проблема технологий IoT — это проблема долгосрочной стратегии менеджмента. Пока 53% менеджеров, опрошенных экспертами для одного из исследований Всемирного экономического форума, говорят о том, что их пугает непрогнозируемый ROI в подобных проектах.