Основное ограничение – качество исходных данных, критическое мышление (а что мы хотим увидеть? какие боли? – для этого делаются онтологические модели), правильный подбор компетенций. Ну, и самое главное – люди. Работой с данными занимаются дата-саентисты. И тут есть одна расхожая шутка: 90% дата-сайентистов – это дата-сатанисты.
Цифровые двойники
Цифровой двойник – это цифровая/виртуальная модель любых объектов, систем, процессов или людей. По своей концепции она точно воспроизводит форму и действия физического оригинала и при этом синхронизирована с ним. Погрешность между работой двойника и реальным объектом не должна превышать 5%.
При этом надо понимать, что создать абсолютный цифровой двойник практически невозможно, поэтому важно определить, какую область рационально моделировать.
Впервые концепцию цифрового двойника описал в 2002 году Майкл Гривс, профессор Мичиганского университета. В книге «Происхождение цифровых двойников» он разложил их на три основные части:
– физический продукт в реальном пространстве;
– виртуальный продукт в виртуальном пространстве;
– данные и информация, которые объединяют виртуальный и физический продукт.
Сам же цифровой двойник может быть:
– прототипом – аналогом реального объекта в виртуальном мире, который содержит все данные для производства оригинала;
– экземпляром – историей эксплуатации и данными обо всех характеристиках физического объекта, включая 3D-модель, экземпляр действует параллельно с оригиналом;
– агрегированным двойником – комбинированной системой из цифрового двойника и реального объекта, которыми можно управлять и обмениваться данными из единого информационного пространства.
Наибольшее развитие технология приобрела благодаря развитию искусственного интеллекта и удешевлению интернета вещей. Цифровые двойники стали получать «чистые» большие данные о поведении реальных объектов, появилась возможность предсказывать отказы оборудования задолго до происшествий. И хотя последний тезис довольно спорный, это направление активно развивается.
В результате цифровой двойник является синергией 3D-технологий, в том числе дополненной или виртуальной реальности, искусственного интеллекта, интернета вещей. Это синтез нескольких технологий и фундаментальных наук.
Сами по себе цифровые двойники можно разделить на 4 уровня.
– Двойник отдельного узла агрегата моделирует работу наиболее критичного узла агрегата. Это может быть конкретный подшипник, щётки электродвигателя, обмотка статора или электродвигатель насоса. В общем, тот узел, который имеет наибольший риск отказа.
– Двойник агрегата моделирует работу всего устройства. Например, газотурбинная установка или весь насос.
– Двойник производственной системы моделирует несколько активов, связанных воедино: производственную линию или весь завод.
– Двойник процесса – здесь речь идёт уже не о «железках», а о моделировании процессов. Например, при внедрении MES- или APS-систем. О них поговорим в следующей главе.
Какие же задачи позволяет решить технология цифрового двойника?
– Становится возможным уменьшить количество изменений и затрат уже на стадии проектирования оборудования или завода, что позволяет существенно сократить издержки на остальных этапах жизненного цикла. А также это позволяет избежать критических ошибок, изменение которых бывает невозможно на стадии эксплуатации.
Чем раньше выявляется ошибка, тем дешевле ее устранить
Помимо роста стоимости, со временем и снижаются возможности по исправлению ошибок
– Благодаря сбору, визуализации и анализу данных появляется возможность принимать превентивные меры до наступления серьёзных аварий и повреждения оборудования.
– Оптимизировать затраты на техническое обслуживание с одновременным повышением общей надёжности. Возможность предсказывать отказы позволяет ремонтировать оборудование по фактическому состоянию, а не по «календарю». При этом не нужно держать большое количество оборудования на складе, то есть замораживать оборотные средства.
Использование ЦД в сочетании с большими данными и нейросетями и путь от отчетности и мониторинга, к системам предиктивной аналитики и предотвращению аварий
– Выстроить наиболее эффективные рабочие режимы и минимизировать издержки на производство. Чем дольше будет накопление данных и глубже аналитика, тем эффективнее пойдёт оптимизация.
При этом очень важно не путать виды прогнозирования. В последнее время, работая с рынком различных IT-решений, я постоянно вижу путаницу в понятиях предиктивной аналитики и машинного выявления отклонений в работе оборудования. То есть, используя машинное выявление отклонений, говорят о внедрении нового, предиктивного подхода к организации обслуживания.
С одной стороны, в обоих случаях действительно работают нейросети. При машинном выявлении аномалий нейросети тоже находят отклонения, что позволяет провести обслуживание до серьёзной поломки и заменить только износившийся элемент.
Но давайте внимательнее посмотрим на определение предиктивной аналитики.
Предикативная (или предиктивная, прогнозная) аналитика – это прогнозирование, основанное на исторических данных.
То есть это возможность предсказывать отказы оборудования до того, как отклонение наступило. Когда эксплуатационные показатели ещё в норме, но уже начинают формироваться тенденции к отклонениям.
Если перевести на совсем бытовой уровень, то выявление аномалий – это когда у вас меняется давление и вас об этом предупреждают прежде, чем заболит голова или начнутся проблемы с сердцем. А предиктивная аналитика – это когда всё ещё нормально, но у вас изменился режим питания, качество сна или что-то ещё, соответственно, в организме запущены процессы, которые впоследствии приведут к росту давления.
И получается, основная разница – в глубине погружения, наличии компетенций и горизонте предсказания. Выявление аномалий – это краткосрочное предсказание, чтобы не довести до критической ситуации. Для этого не нужно изучать исторические данные на большом промежутке времени, например, за несколько лет.
А полноценная предиктивная аналитика – это долгосрочное предсказание. Вы получаете больше времени на принятие решения и выработку мер: запланировать закупку нового оборудования или запчастей, вызвать ремонтную бригаду по более низкой цене или изменить режим работы оборудования, чтобы не допустить возникновения отклонений.
Так думаю я, но, возможно, есть и альтернативные мнения, особенно у маркетологов.
Самым главным ограничением на данный момент я считаю сложность и дороговизну технологии. Создавать математические модели долго и дорого, а риск ошибок высок. Необходимо совместить технические знания об объекте, практический опыт, знания в моделировании и визуализации, соблюдение стандартов в реальных объектах. Далеко не для всех технических решений это оправданно, как и далеко не каждая компания обладает всеми компетенциями.
Поэтому я полагаю, что для производств целесообразно начинать с анализа аварий, определять критичные компоненты активов и создавать именно их модели. То есть использовать подход из теории ограничений системы.
Это позволит, во-первых, минимизировать риск ошибок. Во-вторых, войти в это направление с меньшими затратами и получить эффект, на который можно будет опираться в дальнейшем. В-третьих, накопить экспертизу по работе с данными, принятию решений на их основе и «усложнению» моделей. Наличие собственных компетенций в работе с данными – одно из ключевых условий успешной цифровизации.
Стоит помнить и о том, что пока это новая технология. И по тому же циклу Гартнер, она должна пройти «долину разочарования». А впоследствии, когда цифровые компетенции станут более привычными, а нейросети более массовыми, мы станем использовать цифровых двойников в полной мере.
Облака, онлайн-аналитика и удалённое управление
Концепция цифровой трансформации подразумевает активное использование облаков, онлайн-аналитики и возможностей удалённого управления.
Национальный институт стандартов и технологий США (NIST) выделил следующие характеристики облаков:
– самообслуживание по требованию (self service on demand) – потребитель сам определяет свои потребности: скорость доступа, производительность «железа», его доступность, объём необходимой памяти;
– доступ к ресурсам с любого устройства, подключённого к сети – абсолютно неважно, с какого компьютера или смартфона заходит пользователь, главное, чтобы оно было подключено к сети интернет;
– объединение ресурсов (resource pooling) – поставщики комплектуют «железо» для быстрой балансировки между потребителями, то есть потребитель обозначает, что ему надо, но распределение между конкретными машинами берёт на себя поставщик;
– гибкость – потребитель может в любой момент изменить набор необходимых услуг и их объём без лишних коммуникаций и согласований с поставщиком;
– автоматический учёт потребления услуг.
Но какие преимущества облака в итоге дают бизнесу?
– Возможность не «замораживать» ресурсы вложениями в основные средства и будущие расходы (для ремонта, обновления и модернизации). Это упрощает бухучёт и работу с налогами, позволяет направлять ресурсы на развитие. Ключевое – вы можете наращивать количество цифровых инструментов без необходимости постоянных закупок серверного оборудования и систем хранения данных.
