интеллектуализации производства

Эффективность производства зависит от уровня интеллекта

Опубликовано в номере:
PDF версия
В ближайшие пять лет 40% лидирующих компаний могут потерять свои позиции, если не проведут цифровую модернизацию. Об этом говорят прогнозы Центра цифровой трансформации бизнес-школы IMD. Сегодня только 35% предприятий оснастили производство датчиками и используют полученную от них информацию для оптимизации операционных и трехнологических процессов, однако к 2020 г. 3/4 подключенных к Интернету устройств будет приходиться на сегмент промышленной автоматизации, прогнозирует PWC. Причина этого — осознание экономической целесообразности IIoT.

Оснащение датчиками — лишь первый шаг к интеллектуализации производства. Непосредственно же интеллектуализация начинается со второй ступени — фильтрации и хранения значимых данных, а также с анализа поступивших данных (это уже третья ступень) с использованием искусственного интеллекта для принятия управленческих решений. Это в конечном счете и позволяет достигнуть эффекта, о котором говорится в экономических обоснованиях проектов по цифровизации и интеллектуализации производства.

В частности, уже упомянутая PWC ожидает, что к 2025 г. эффект от IIoT в электроэнергетике, здравоохранении, сельскохозяйственном и транспортном секторе составит 2,8 трлн рублей.

 

Как искусственный интеллект способствует повышению эффективности производства

Рассмотрим несколько примеров того, какие результаты дает внедрение интеллектуального анализа в рамках проектов по IIoT.

Первое — увеличение времени полезного использования оборудования. Например, анализируя профиль потребления электроэнергии и данные о нагрузке на резец, можно получать информацию о полезной загрузке станков — когда станок не просто был включен, а шел процесс изготовления детали. Изучая подобную информацию, не трудно выявить причины непроизводительных потерь времени, такие как неисправность оборудования, время ожидания ремонтников, нарушение сроков поставки материалов и т. д. Это помогает разработать серию управленческих решений для устранения причин простоев. Так, анализ данных о вибрации и профиле потребления электроэнергии способен прогнозировать вероятностные отказы оборудования, на основе чего можно заранее планировать техническое обслуживание и тем самым минимизировать время ремонта.

Кроме того, на рынке существуют программные решения, позволяющие ускорить изготовление деталей, в отдельных случаях на 20%. В реальном времени они оценивают данные о ходе обработки детали и в определенный момент увеличивают скорость движения обрабатывающего инструмента. Например, у заготовки припуски меньше, чем должны быть, и тогда резец/фрезу можно передвигать по воздуху быстрее, чем запрограммировано в станке с ЧПУ. Или же, зная, что скорость резания для станков с ЧПУ установлена с запасом, то есть снижена в расчете на притупленный инструмент, программа может увеличить эту скорость при работе острым инструментом.

Терминал регистрации, установленный на станке

Рис. 1. Терминал регистрации, установленный на станке

Второе — повышение производительности труда. При помощи терминалов регистрации (рис. 1), установленных на станках (или RFID-меток), и соответствующего ПО фиксируется полезное рабочее время. Анализируя эту информацию, можно выявить причины непроизводительных потерь.

Третье — сокращение цикла разработки новых изделий за счет того, что конструкторы и технологи, располагая объективными данными об условиях эксплуатации изделия и фактами неисправностей, могут оперативно корректировать конструкцию устройства и создавать новые модификации.

Четвертое — интеллектуальный анализ позволяет перейти к массовому кастомизированному производству (рис. 2) и, как следствие, увеличить продажи за счет максимального удовлетворения потребностей каждого клиента. С внедрением принципов «Индустрии 4.0» становится возможным изготавливать изделие с индивидуальными характеристиками и под индивидуальный заказ, но в массовом количестве при удержании себестоимости отдельного продукта на уровне серийного/массового выпуска. Помимо вышесказанного, сочетание технологий «Интернета вещей» и искусственного интеллекта имеет большое значение в процессах планирования производства при корректировании исходных данных, в частности при изменении объема заказа или при выходе из строя оборудования.

Рис. 2. Управление цифровым производственным предприятием на базе АИС «Диспетчер»

 

Не только экономическая выгода

Еще одно применение интеллектуального анализа — исключение нарушений в процессе обслуживания и эксплуатации оборудования с целью повышения безопасности. Это особенно актуально в тех сегментах промышленности, в которых малейшее нарушение может иметь значительные риски. Например, в сегменте производства и эксплуатации локомотивов.

Для этих целей ведущие предприятия, занятые созданием тягового подвижного состава, формируют центры мониторинга технического состояния подвижного состава, где аккумулируется вся информация, собираемая в реальном времени датчиками в локомотиве: состояние систем сигнализации, централизации и блокировки, скорость и вес поездов, локация, данные о техническом состоянии средств автоматики и т. д. Сюда же поступает информация обо всей жизни подвижного состава с момента производства до последнего технического обслуживания. Анализируя эти данные как в реальном времени в процессе эксплуатации подвижного состава, так и по факту прибытия локомотива на сервисное обслуживание, специалисты оценивают его техническое состояние, выявляют предотказные состояния оборудования и узлов, дают заключение по фактам нарушений в процессах производства и эксплуатации, вызванных человеческим фактором. Все вышеперечисленное способствует повышению безопасности и эффективности использования подвижного состава, а также принятию правильных управленческих решений касательно ответственности за допущенные нарушения режимов эксплуатации локомотивов.


 

Зарубежный опыт

Энергетика

Задача: обнаружение воровства электроэнергии, повышение производительности оборудования за счет предиктивного обслуживания (C3 IoT).

Компания: Enel.

Используемые системы: C3 IoT Fraud Detection и Predictive Maintenance.

Реализация: свыше 20 млн «умных» счетчиков мониторят электросетевую инфраструктуру в Италии и Испании. Данный проект считается самым крупным промышленным внедрением искусственного интеллекта и индустриального «Интернета вещей».

Результат: повышение объема энергии, возвращаемой по результатам инспекций, — на 70% в Италии и более чем в 3 раза в Испании.

Самолетостроение

Задача: выявление предотказных состояний, прогноз коррозийных повреждений самолетов.

Компания: IMPACT TECHNOLOGIES (США), поглощена Sikorsky Aircraft Corporation.

Реализация: разработан подход по слиянию нечеткой информации (экологические измерения) с физикой моделей отказа оборудования, чтобы обеспечить адаптивный прогноз.

Результат: выход прогностической модели определяет время, когда произойдет коррозийное повреждение самолета, а также указывает оптимальные временные рамки, в течение которых нужно выполнить ремонт.


 

Российский опыт

Сервис тягового подвижного состава

Задача: предиктивный анализ для обслуживания локомотивов.

Компания: ГК «Локотех».

Реализация: система «Умный локомотив» внедряется с 2016 г. Это один из самых крупных проектов реализации ИИ в России и СНГ. В его основе — использование математических моделей прогнозной аналитики, MX-моделей (MathExperience), позволяющих выявлять предотказные состояния техники и заблаговременно принимать меры, чтобы не допустить сбоев в работе локомотивов. Система «Умный локомотив» реализуется на платформе интеллектуального анализа данных Clover IIoT.

В настоящий момент запущен в опытную эксплуатацию модуль поиска аномалий, который позволяет анализировать 260 параметров по тепловозам 2ТЭ116У и 3ТЭ116У, по тепловозам ТЭП70У и ТЭП70БС — 308 параметров, по 2ТЭ25КМ — 270 параметров. Для тепловозов 2ТЭ116У разработаны математические модели предиктивной аналитики, способные оценивать и прогнозировать техническое состояние тяговых электродвигателей, турбокомпрессора, поездного компрессора, масляной системы, водяной системы и топливных насосов высокого давления. На первоначальном этапе горизонт прогнозирования составит от 12 ч до недели.

Результат: сейчас система находит более 60 видов нарушений в работе оборудования и режимах эксплуатации локомотивов.

Самолетостроение

Задача: обеспечение оперативного и достоверного сбора данных о работе оборудования в автоматическом режиме и анализа эффективности его использования.

Компания: АО «Авиастар-СП».

Реализация: внедрена универсальная система мониторинга «Диспетчер» от российской компании «Цифра», которая объединила в единую сеть станки различных производителей (на предприятии используются станки, оборудованные стойками ЧПУ FANUC, Mazak, Siemens и «БалтСистем») и обеспечила свободный процесс обмена информацией.

В настоящее время «Диспетчер» мониторит работу 75 станков на предприятии. Для этого на станки смонтированы терминалы ввода/вывода (соединение оборудования со стойкой ЧПУ происходит через USB-разъем), в шкафы электроавтоматики установлены терминалы-регистраторы. В случае разрыва локальной сети и потери связи с сервером вся информация о работе оборудования за период накапливается в терминале, что обеспечивает надежность системы.

В режиме реального времени «Диспетчер» оповещает по электронной почте ответственных лиц АО «Авиастар-СП» о целом ряде критических событий: наладке длительностью более 1 ч, необоснованном простое более 20 мин, работе без нагрузки более 15 мин, авариях.

Результат: внедрение системы «Диспетчер» позволило добиться сокращения необоснованного простоя оборудования и улучшения показателя его работы по программе.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *