Ozon разработал собственный инструмент для генерации и редактирования фона на изображении товаров, который работает с помощью алгоритмов машинного обучения.
По прогнозам экспертов, число предприятий, использующих отечественные решения, возрастет до 80% к концу 2024 г.
Говорят, что следует доверять своей интуиции. Если вы долгие годы проработали в одной компании, то считаете, что знаете производственное оборудование как свои пять пальцев и легко предугадаете момент, когда оно может выйти из строя. Проблема в том, что в случае неверной догадки ошибки могут привести к внеплановым простоям и очень дорого обойтись бизнесу. О том, как этого избежать, рассказывает Ваэль Эльрифаи, вице-президент по проектированию решений Hitachi Vantara, автор публикаций по теме искусственного интеллекта и интернета вещей.
Когда стоит проводить техобслуживание парка оборудования? Некоторые специалисты утверждают, что при появлении явных проблем: например, когда начинает вибрировать аппаратное помещение, увеличивается громкость работы той или иной установки, или же показатели работы выходят далеко за пределы нормы.
В основе такого образа мышления лежит реактивный подход к обслуживанию и, разумеется, к данным. Оценка вероятности отказа на основе тревожных признаков или же данных о функционировании оборудования в прошлом не позволяет получить точного представления о состоянии отдельных установок, из которых и складывается производство. Используя данные за прошлые периоды, специалисты могут прогнозировать срок службы среднестатистического модуля или компонента, исходя из средних нагрузок, средних входных ресурсов и усредненных условий эксплуатации. На основе этого компания составляет график технического обслуживания для всего парка производственных установок. Закономерным следствием недостаточного внимания к отдельным компонентам является то, что запланированный процесс техобслуживания для всего парка определяется средним остаточным сроком эксплуатации анализируемых установок.
На практике устройства и их компоненты нельзя рассматривать как «средние» по всем значимым параметрам. Кроме того, подобные методики анализа оценивают то, что происходило в прошлом. Они могут быть неплохим источником информации для прогнозирования, однако не могут гарантировать точность прогнозов, ведь эксплуатационная среда и входные ресурсы могут коренным образом измениться, причем в достаточно короткие сроки.
Современные технологии интернета вещей (ИВ) и методы машинного обучения позволяют оперировать данными, полученными от отдельных компонентов в реальном времени, и дают представление о специфике работы оборудования в реальном времени. Использование таких данных позволяет прогнозировать будущее поведение определенного элемента и разработать целевые графики технического обслуживания, сократив тем самым время плановых и внеплановых простоев.
Согласно данным исследования, опубликованного компанией Deloitte в 2017 г., использование прогностической аналитики позволило компаниям на 10% сократить как материальные издержки, так и затраты на техническое обслуживание в целом. Предприятиям также удалось на 20% повысить время, когда оборудование доступно для работы и почти вдвое сократить время на планирование обслуживания.
Основная причина высоких затрат на техническое обслуживание заключается в неправильно организованном обслуживании. Заводы, где техобслуживание осуществляется по принципу «вибрирующей аппаратной», составляют лишь одну группу предприятий. Есть и другие компании, где производственные площадки работают как часы, а обслуживание выполняется строго по графику – только потому, что прошло заданное количество времени. Такие предприятия стремятся избежать любых рисков, выполняя обслуживание до того, как возникнут серьезные проблемы. Однако плановый простой остается простоем и, следовательно, приносит убытки. Поэтому оптимальным подходом будет такой, когда обслуживание проводится тогда, когда о его необходимости свидетельствуют данные аналитики.
Эффективное применение технологий ИВ позволяет точно определить не только момент, когда необходимо выполнить обслуживание, но и то, какой именно компонент или механизм нуждается в профилактике или ремонте. Например, на металлургическом заводе возникла проблема, которая, по мнению специалистов, была связана с прижимными валками, используемыми для прокатки стали. Было решено затянуть гайки и болты, ставшие, как казалось специалистам, причиной неполадок. Впоследствии эти действия приходилось повторять регулярно в течение несколько лет. Специалисты не понимали, что неправильная работа валков – это симптом, сама проблема возникла гораздо раньше. Прежде всего, производство стали осуществлялось с неправильными допусками, что, в свою очередь, приводило к повреждению элементов оборудования на следующих этапах производственного процесса. Если бы данные, позволяющие точно локализовать источник проблемы, попали к ним раньше, то они смогли бы сэкономить немало времени, средств и сил. Более того, с помощью систем искусственного интеллекта (ИИ) возникновение проблем можно было бы спрогнозировать.
Многие пребывают в растерянности, когда слышат многочисленные разговоры об «умных» заводах и «промышленности 4.0». Они стараются придерживаться знакомых способов производства и не спешат внедрять средства аналитики данных.
Для таких компаний есть хороший совет – начинать с малого. Выбрать на своем заводе одну установку или производственную линию, обслуживание которой обходится дорого, и попробовать составить технико-экономическое обоснование решения этой проблемы. Ориентироваться необходимо на то, какую выгоду может принести сокращение времени внеплановых простоев на определенное количество процентов.
Следующий шаг – создание базового реестра данных. Проведите инвентаризацию всех доступных данных, имеющихся во всех бизнес-направлениях – это могут быть, например, перечни заказов на выполнение работ, данные корпоративных систем управления ресурсами и активами или систем управления производством. На этом этапе не надо изучать каждый элемент данных, нужно выяснить, какие данные у вас есть и где они находятся.
На следующем этапе вам потребуется найти ответы на два вопроса: можно ли точно спрогнозировать отказ оборудования и можно ли определить его причину? Ответив на эти вопросы, вы уже довольно далеко продвинетесь в деле совершенствования производственных операций на вашем предприятии.
Выбрав для изменений одну установку или производственную линию, вы начнете небольшой пилотный проект, который в дальнейшем можно будет расширить для решения других проблем. Речь не идет о создании законченной системы управления производством, которая внедряется в масштабах всей организации. Мы просто ищем решение отдельно взятой проблемы. Если при этом выяснится, что на следующих этапах производственного процесса тоже есть проблемы, требующие решения, тогда стоит подумать о планах более долгосрочного характера.
Предиктивная аналитика на базе технологий ИИ и ИВ позволяет собирать и обрабатывать широкий ряд параметров, понимать, как они взаимодействуют друг с другом, определяя эксплуатационные показатели оборудования, и осуществлять мониторинг работы системы в реальном времени. Это дает возможность перейти от анализа показателей производительности и срока эксплуатации в прошлом, усредненных по всему парку оборудования, к созданию моделей, описывающих состояние устройств в будущем на уровне каждого отдельно взятого механизма.
Используя полученную аналитическую информацию, можно избежать плановых простоев в связи с нецелесообразным техническим обслуживанием, предвидеть и предотвратить те проблемы, которые приводят к внеплановым простоям. В перспективе это позволит сократить затраты, повысить надежность оборудования и увеличить прибыль. А главное – вам больше не потребуется строить догадки и полагаться на интуицию.
