Индустрия 4.0 диктует новые подходы к автоматизации производства
В настоящее время почти во всех отраслях наблюдается снижение выручки, получаемой компаниями. И это происходит не только в России, но характерно для всей мировой экономики. Экстенсивное развитие сменяется интенсификацией производства – применением более эффективных технологических процессов и научно-технических изысканий. В современном мире такой технологией стал, в частности, Интернет вещей.
Промышленный Интернет, или более привычное название – Промышленный интернет вещей (IIoT), – это расширенное понимание термина «Интернет вещей» (IoT) – системы объединенных компьютерных сетей и физических предметов («вещей»), оснащенных встроенными датчиками, сенсорами, интеллектуальными счетчиками, прочими технологиями, которые позволяют этим объектам взаимодействовать между собой, без участия человека.
Каких же ключевых показателей эффективности смогут достичь промышленные предприятия, постепенно внедряя IoT-проекты?
Улучшение планирования и сокращение сроков подготовки производства
Регулирование производственного цикла в зависимости от спроса на выпускаемую продукцию становится возможным благодаря методам машинного обучения и накопленным данным. Такие математические модели позволяют оптимизировать производственные процессы и избежать перепроизводства продукции, затоваривания производственных складов, наладив эффективную дистрибуцию между каналами сбыта.
Например, возвраты непроданной продукции от точек реализации и, следовательно, убытки – актуальная проблема многих производителей, особенно если товар небольшого срока хранения. Средствами прогнозной аналитики на одном из предприятий такие возвраты были сокращены в два раза.
Повышение времени бесперебойной работы оборудования и сокращение его простоев за счет предиктивного обслуживания
На предприятиях химической промышленности имеется большое количество различного оборудования. Используя непрерывный поток данных, собранных с датчиков на критическом для производства оборудовании, таком как турбины, компрессоры, экструдеры, продвинутые средства аналитики могут определять паттерны для прогнозирования диагностики возможных сбоев. Такое «умное» оборудование может посылать сообщения диспетчерам о требуемом техническом обслуживании, возможных сбоях, необходимости заказа запасных частей для надлежащего функционирования и даже графике их поставок. Это позволяет перейти от регламентного ремонта и ремонта по инцидентам к предиктивному обслуживанию оборудования.
Например, одна из крупных международных химических компаний неоднократно сталкивалась с простоями производства из-за выхода из строя экструдера. Это происходило более чем 90 раз в год и приводило к убыткам производства, списанию испорченного сырья и сверхурочным работам. Используя сбор данных в реальном времени с датчиков экструдера, а также дополнив эту информацию неструктурированными данными из записей технического обслуживания, тестовых данных и прочих источников, компания разработала модель прогнозирования отказов, которая, оценивая причинно-следственные связи, генерировала предупреждения и рекомендации по производительности экструдера. Результатом стали 80-процентное сокращение незапланированных простоев и экономия операционных расходов – примерно $300 тыс. на каждый экструдер. Компания рассматривает масштабирование решения на другое критически важное оборудование заводов.
Сокращение производственного цикла выпуска продукции
Технологии бизнес-процессов на производстве изменились за последние десятилетия. Операторы не ходят с журналами и не записывают вручную показания аналоговых контроллеров. Современные производства оборудованы, как правило, диспетчерскими системами сбора и управления класса SCADA. Современные технологии аналитики в реальном времени и автоматизации действий по управлению процессами позволяют соединить физические и цифровые объекты и формировать прогнозы, предупреждения, предписания в ходе производственного цикла.
Технологический процесс может меняться в зависимости от множества факторов: качества и вариации дозирования сырья, температурных и атмосферных режимов, загрязнения, старения компонентов. Предсказательная аналитика технологического процесса аналогична предиктивному обслуживанию оборудования и включает сбор структурированных и неструктурированных данных с датчиков технологического оборудования, из записей лабораторий, систем сигнализаций. Обученные на этих данных математические модели позволяют выявить закономерности и отклонения в химических процессах до их возникновения, тем самым снизить производственные риски или оптимизировать производственный цикл.
Хорошим примером может стать кейс Deschutes Brewery – крупного пивоваренного завода в США. Для поддержания интереса клиентов пивоварни часто выпускают новые марки пива. Процесс ферментации для каждого из этих сортов отличается. Его можно разделить на девять отдельных фаз, и различное пиво переходит из одной фазы в другую в разное время. Как правило, пивоварне требовались ручное считывание показателей и их анализ, чтобы понимать, когда требуется перемещать пиво между фазами. Используя данные информационной системы завода, специалистам удалось построить прогнозную модель, которая смогла достаточно точно предсказывать переход от фазы ферментации к фазе свободного роста, что позволило компании сократить время производственного цикла на 72 часа.
Повышение энергоэффективности и снижение эксплуатационных расходов
Затраты электроэнергии на любом промышленном предприятии – это значительная сумма расходов в отчете о прибылях и убытках.
Несмотря на то что химическая промышленность имеет высокую степень автоматизации и большинство установок контролируют такие стандартные переменные, как температура, тепловые потоки, уровни наполнения резервуаров и давление в них для оптимального энергопотребления, австрийская компания Borealis – производитель полиолефинов, базовых химикатов и удобрений, использует методы машинного обучения и выстраивает динамическую систему потребления электроэнергии на заводе, учитывая внешнюю температуру, загрязнение систем, старение катализаторов и т.д.
Рост качества выпускаемой продукции и уменьшение отклонений
Как правило, на постпроцессное тестирование образцов приходится затрачивать огромное количество времени, нести потери из-за переработки дефектных продуктов или даже партий.
Предиктивная аналитика позволяет прогнозировать потенциальные отклонения в ходе производственного цикла и вносить незначительные поправки в процесс до того, как отклонение повлияет на качества конечного продукта.
В мировой практике накопилось уже достаточно историй успеха предприятий, которые внедрили решения Интернета вещей и продолжают их развивать. На текущий момент в России есть ряд проектов в этой области. Часть из них уже позволили компаниям почувствовать ощутимый эффект от внедрения, некоторые находятся на стадии реализации или пилотного тестирования.
Промышленный Интернет становится проводником изменений, которые активно обсуждаются в рамках термина «индустрия 4.0,» введенного в Германии в 2011 году и положенного в основу развития цифровой экономики этой страны. На макроуровне индустрия 4.0 подразумевает формирование кросс-индустриальных связей, открытость процессов и переход на так называемую shared economy – экономику совместного использования. Это станет возможным за счет цифровизации промышленных предприятий и появления «умных» продуктов с различными встроенными системами общения таких объектов друг с другом или информационными системами. Станки с интеллектуальными датчиками, которые смогут сообщать цифровому производству о необходимости предупредительного ремонта, или «умные» полуфабрикаты, которые передадут производственной линии «знание» о перенастройке технологического цикла в зависимости от характеристик данного полуфабриката, – это вполне достижимые в ближайшем будущем примеры индустриального Интернета вещей. Безусловно, этапы индустрии 4.0 будут происходить эволюционно, но уже сейчас на предприятиях реализуются инновационные решения из области Интернета вещей.
Программа «Цифровая экономика Российской Федерации», утвержденная 28 июля 2017 года, определяет ряд цифровых технологий, развитие которых является приоритетным. В их числе:
- большие данные;
- нейротехнологии и искусственный интеллект;
- системы распределенного реестра;
- квантовые технологии;
- новые производственные технологии;
- промышленный Интернет;
- компоненты робототехники и сенсорика;
- технологии беспроводной связи;
- технологии виртуальной и дополненной реальностей.
По оценке компании IDC, среднегодовой темп роста (CAGR) рынка Интернета вещей в России за период 2015–2020 годов составит 21,3%. Три лидирующие отрасли – промышленное производство, транспорт, ЖКХ (Таблица 1).
Табл. 1 Объем рынка Интернета вещей в России по отраслям, 2015–2020 ($ млрд)
2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2015–2020 CAGR (%) | |
---|---|---|---|---|---|---|---|
Промышленность | 822.5 | 939.4 | 1,095.5 | 1,300.8 | 1,563.3 | 1,887.4 | 18.1 |
Транспорт | 717.2 | 864.0 | 1,057.6 | 1,311.1 | 1,631.8 | 2,033.7 | 23.2 |
ЖКХ | 335.2 | 375.5 | 429.6 | 500.8 | 591.7 | 699.4 | 15.8 |
Государственный сектор | 290.6 | 314.7 | 346.6 | 388.1 | 440.0 | 503.8 | 11.6 |
Потребительский сектор | 256.1 | 300.8 | 360.7 | 438.6 | 537.0 | 658.3 | 20.8 |
Ритейл | 171.4 | 201.4 | 241.6 | 294.0 | 361.5 | 440.5 | 20.8 |
Здравоохранение | 100.2 | 116.1 | 140.2 | 168.6 | 202.2 | 242.8 | 19.4 |
Телекоммуникации | 48.7 | 54.8 | 62.8 | 72.4 | 84.7 | 98.6 | 15.2 |
Строительство | 26.5 | 29.2 | 33.7 | 41.4 | 53.2 | 70.9 | 21.7 |
Ресурсная индустрия | 13.3 | 15.5 | 18.5 | 22.5 | 27.7 | 34.0 | 20.6 |
Банковский сектор | 10.2 | 11.5 | 13.2 | 15.6 | 18.3 | 21.7 | 16.4 |
Страхование | 2.2 | 3.6 | 5.5 | 8.0 | 11.1 | 14.8 | 46.4 |
Межиндустриальный сектор | 158.2 | 232.7 | 333.3 | 466.3 | 631.9 | 836.4 | 39.5 |
Прочие отрасли | 472.5 | 573.8 | 710.6 | 897.4 | 1,140.2 | 1,448.6 | 25.1 |
Итого | 3,425.0 | 4,032.9 | 4,849.3 | 5,925.7 | 7,294.6 | 8,990.8 | 21.3 |
Source: IDC’s Worldwide Semiannual Internet of Things Spending Guide, 2016 |
IDC отмечает, что российский рынок находится только в самом начале освоения технологий Интернета вещей, но уже сейчас некоторые промышленные предприятия делают первые шаги на пути внедрения более сложных проектов IoT, а именно:
- увеличение количества датчиков для накопления данных с устройств;
- увеличение мощности серверов для обработки большего количества данных;
- установка сетевого оборудования для обработки растущего трафика;
- BI-решения, аналитика с использованием Big Data, полученных от устройств;
- удаленное управление и сервисные платформы;
- решения в области информационной безопасности для сетей и данных;
- хранение данных и их архивация;
- интеграционные решения и консалтинг;
- промежуточное программное обеспечение (middleware);
- соблюдение и внедрение нормативных требований.
Принятие решение о необходимости инвестирования в автоматизацию производства и технологии Интернета вещей – обязательная задача лидеров промышленной индустрии. Скорейшее внедрение инновационных бизнес-процессов и практик позволит достичь конкурентного преимущества, успеха в будущем и завоевания рынков.
Источники
- IDC’s Worldwide Semiannual Internet of Things Spending Guide, 2016
- Программа «Цифровая экономика Российской Федерации», 2017
- Кейсы компаний, опубликованные в открытом доступе
Оригинал статьи опубликован на бизнес-портале косметической промышленности и индустрии чистоты