Автор: Евгений Липкин, генеральный директор «Остек-СМТ»
Любая достаточно развитая технология неотличима от волшебства. Артур Кларк, писатель, учёный
Подобно тому, как качественный дом сложно построить без надёжного фундамента, невозможно реализовать идеи, заложенные в концепции нового этапа промышленного развития без наличия технологий, которые бы этому способствовали. Значительная часть необходимых технологий существует уже сегодня, часть находится в стадии разработки и развития. Основной акцент сегодня делается в направлении адаптации для практического применения в реальных производствах.
Технологическая основа Индустрии 4.0
Ни в одной книге нельзя описать все комбинации применения данных технологий, так как их бесконечное множество. Однако понимание самой сути этих технологий и возможностей, которые они открывают, позволит увидеть варианты применения для решения задач разного уровня сложности.
Глава 2.1. Автономные роботы
Промышленные роботы в привычном понимании – это машины, выполняющие повторяющуюся, обременительную и опасную работу, такую как сварочные операции и перемещение тяжёлых материалов. Чаще всего применение роботам находили на предприятиях, производящих массовую продукцию с минимальным количеством вариаций.
Под воздействием спроса на более многофункциональные промышленные системы производители роботов смогли их наделить более широким набором возможностей, позволяющих автоматизировать большее количество производственных операций и открывать новые способы использования роботов.
Применение роботов в серийном производстве. Автомобильный завод Skoda в г. Млада Болеслав, Чехия
Современные роботы приобретают больше «человеческих» качеств. Новые системы оснащаются большим набором «органов чувств» (сенсоров), системами распознавания образов, возможностью обучения и запоминания.
В современной промышленной робототехнике можно выделить несколько приоритетов, которые существенным образом определяют направление разработки и производства оборудования.
Гибкость
Как было отмечено ранее, современная модель производства ориентируется на производство продукции под заказ, что требует более высокой гибкости оборудования и производственной инфраструктуры. Ранее два понятия «роботы» и «гибкость» были несовместимы.
С учётом сегодняшних технических возможностей удалось обеспечить возможность быстрой перенастройки робота на выполнение новых операций. Это уже не требует многодневной настройки и программирования.
В частности, наличие системы распознавания образов позволяет роботу в потоке разнородных деталей различить их между собой и произвести необходимую операцию.
Автономность
Традиционные роботы были созданы для выполнения чётко запрограммированных действий. Ставка делалась на высокую повторяемость технологического процесса, что уместно в массовом производстве, когда технология идеально отлажена.
В условиях постоянных переналадок и малых партий на первое место выходит возможность совершенствования технологического процесса в режиме реального времени.
Для решения данной задачи ставка сделана на возможность оборудования самостоятельно собирать информацию о выполняемых операциях, анализировать её и вносить корректировки в целях совершенствования качества и производительности. Таким образом обеспечивается контроль технологического процесса при минимальной нагрузке на персонал.
Большая степень автономности предполагает минимальное количество инструкций извне и устойчивость системы по отношению к различным внешним факторам.
Это, в частности, реализовано в транспортных роботах AGV (автоматически управляемое транспортное средство), используемых при автоматизации перемещения грузов в различных сферах. Эти системы знают пункт отправления груза и пункт назначения, а дальше они автоматически определяют оптимальный маршрут перемещения, преодолевают помехи на пути и достигают конечной цели. О них более подробно будет рассказано в части 3.
Кооперация
Автономный робот – это хорошо, но ещё лучше наличие возможности объединить роботов в «команду», в рамках которой они смогут автоматически распределять задачи и обмениваться информацией.
Ещё большим вызовом является построение смешанной команды, в которую входят и роботы, и люди. В данном случае необходимо разработать новые возможности коммуникаций человека и машины, а также вопросы физической безопасности. Для роботов, которые могут работать совместно с людьми, существует отдельный термин «Кобот» (Cobot – «кооперирующийся робот»).
Популяризации робототехники способствует и снижение стоимости, что делает оборудование доступным для предприятий малого и среднего бизнеса. Новые технические решения дают возможность эффективного использования роботов в условиях мелкосерийных производств, требующих высокой гибкости.
Интеллектуальный промышленный ассистент в работе
Одной из наиболее ярких новинок в модельном ряду промышленных роботов всемирно известной компании KUKA является робот LBR iiwa.
Робот KUKA LBR iiwa выполняет операции совместно с человеком
iiwa – аббревиатура от intelligent industrial work assistant (перевод с английского – интеллектуальный промышленный ассистент в работе). Этот уникальный робот специально создан, чтобы работать бок о бок с человеком.
Для того чтобы это стало возможным, разработана принципиально новая конструкция робота. Робот оснащён датчиками крутящего момента в сочленениях, позволяющих обеспечить кроме безопасности оператора ещё и уникальные возможности при выполнении производственных операций. Среди новых возможностей – робота контроль усилия и распознавание контакта с другим объектом. Это позволяет обеспечить, в отличие от традиционных роботов, возможность выполнения операций при отсутствии полной информации о геометрии объекта.
Робот KUKA KMR iiwa – мобильная версия LBR iiwa
Существует и мобильная версия под названием KMR iiwa, объединяющая в себе возможности чувствительности и адаптивности в выполнении операций с автоматической навигацией и перемещением по производственным участкам.
Глава 2.2. Аналитическая обработка больших массивов данных
Автоматизированный анализ больших объёмов данных начал массово применяться в промышленном секторе относительно недавно. Большие объёмы разнородных и не всегда структурированных данных сегодня принято обозначать термином «большие данные» или Big data. Под этими терминами также подразумеваются специальные методы и инструменты, позволяющие превратить массив данных в структурированную информацию, легко воспринимаемую человеком.
Стоит отметить, что если раньше основной объём информации создавался человеком, то с учётом развития средств автоматизации основной объём производимой информации в ближайшие несколько лет станет генерироваться оборудованием в процессе обмена данными между системами.
Современная информация – это цифровая информация. Согласно расчётам аналитиков, цифровая вселенная, определяющая весь объём существующей цифровой информации, к 2020 году может вырасти до 44 трлн гигабайт, увеличившись в 10 раз по сравнению с 2013 годом. Для того чтобы информационная инфраструктура была готова к такому взрывному росту объёма информации, сегодня активно создаются современные центры обработки данных.
Центр обработки данных
В современной истории было три основных этапа роста объёмов цифровой вселенной. Первый – переход с плёночной на цифровую технологию фото- и видеосъёмки. Второй – переход с аналоговой на цифровую телефонию. И третий связан с внедрением цифрового и интерактивного телевидения.
Сейчас мы наблюдаем четвёртый этап (ох уж эта магическая цифра «4»). Он выражается в переходе от аналоговых функций мониторинга и управления физическими объектами к цифровым, построенным на основе коммуникационных технологий, мониторинга и управления с использованием программного обеспечения.
Ключевым принципом, на котором сегодня строится обработка больших данных, является принцип преобразования больших данных в «умные» данные, которые помогают пользователю получить рекомендации и решения на основе глубокого автоматического анализа исходной информации. Это выражается в том, что современные и разрабатываемые технологии работы с большими данными ориентированы на реализацию следующих возможностей, которые кардинальным образом меняют процесс и качество принятия управленческих решений.
Иллюстрация принципа обработки больших данных
2.2.1. Анализ в режиме реального времени
Управление производством сопряжено с непрерывным процессом принятия тех или иных решений. Для того чтобы принимать качественные решения своевременно, необходимо обеспечить полноту и своевременность анализа необходимой для этого информации.
Но, к сожалению, среди огромного разрастающегося объёма информации лишь малая часть имеет существенное значения для принятия решений. И если сравнивать постоянно пополняющийся и пробегающий мимо нас поток информации со стремительной рекой, то крайне важной задачей является вылавливание маленькой золотой рыбки, которая несёт в себе ценную информацию и плывёт со скоростью течения. От того, насколько своевременно мы среагируем, зависят многие аспекты работы предприятия.
Для того чтобы решить эту задачу, ищутся новые источники данных, разрабатываются новые технологии их хранения и анализа, новые способы применения полученной информации в бизнес-процессах.
Как уже было сказано ранее, аналитика сегодня на большинстве предприятий носит описательных характер, то есть описывает историю за какой-то период.
Этот подход позволяет достаточно полно структурировать информацию, подготавливать экспертные заключения и даёт время на подготовку красивого отчёта, возможно, даже в кожаном переплете. Есть только один большой недостаток. К моменту составления отчёта наша маленькая золотая рыбка уплывёт. Даже если в отчёте будет её фотография, рыбки-то у нас не будет.
Из-за запоздалой реакции мы можем получить массу неприятных последствий. На складе может оказаться гора бракованной продукции, так как вовремя не среагировали на отклонения технологического процесса. Оборудование может выйти из строя, так как вовремя не обратили внимание на изменения в работе инженерных систем или длительную работу станка в режиме перегрузки. Этот список можно продолжать бесконечно.
По мере роста производительности оборудования цена несвоевременной реакции возрастает, поэтому инвестиции в разработку систем непрерывного мониторинга и анализа производственных процессов являются оправданными для всё большего числа предприятий.
В промышленном сегменте одним из наиболее популярных и динамично развивающихся классов информационных систем являются SCADA-системы, позволяющие в режиме реального времени собирать и обрабатывать данные об объектах мониторинга. Данный класс систем широко применяется в качестве компонента автоматизированных систем различного назначения.
Центр мониторинга оборудования и технологического процесса. Предприятие «Тобольск-Полимер» («СИБУР»)
Благодаря высокой скорости обработки данных у диспетчера появляется возможность своевременно получить в виде оповещения информацию о ситуации, требующей участия. В случае интеграции SCADA-системы, например, с автоматизированной системой управления технологическим процессом (АСУТП) появляется возможность автоматического внесения изменений в параметры работы оборудования.
2.2.2. Разработка рекомендаций
Ещё одним важным направлением работы с большими данными является разработка готовых рекомендаций. Каким бы ни был анализ, в итоге он должен привести к каким-либо действиям со стороны человека или оборудования.
Для наглядности возьмём прогноз погоды. В самом привычном варианте мы заходим на специальный сайт, смотрим таблицы с цифрами, направлением ветра и значками погоды, самостоятельно анализируем, какую одежду стоит сегодня надеть и стоит ли взять зонт или солнцезащитные очки. Наиболее удобным вариантом было бы, если бы мы сократили часть действий и получили бы готовую рекомендацию по наиболее подходящей одежде, обуви и т.д.
Возможно, пример с прогнозом погоды не звучит убедительным. Действительно, выбор подходящей одежды не является сложной задачей, требующей высокой квалификации и специальных навыков. Но в промышленных применениях разработка готовых рекомендаций позволяет получить массу ощутимых выгод даже по сравнению с наглядной аналитической информацией.
Среди этих выгод две главные: минимизация зависимости от человеческого фактора и скорость реакции.
В силу ряда обстоятельств человек может принять неправильное решение или затратить на него слишком много времени. В итоге предприятие несёт убытки в том или ином виде. Подготовка рекомендаций позволяет, с одной стороны, сократить время на обдумывание, с другой стороны, даёт возможность предложить вариант или варианты действий, основанные на накопленном другими сотрудниками опыте и более глубоком анализе ситуации.
Сегодняшние технологии искусственного интеллекта, применяемые при разработке и выборе вариантов действий, позволяют осуществлять анализ и разрабатывать рекомендации на очень высоком уровне. В данном контексте для меня история делится на этап до того, как 10 февраля 1996 года компьютер Deep Blue выиграл у Гарри Каспарова шахматную партию, и после. Это был момент, когда весь мир увидел уязвимость человеческого интеллекта перед человеческим же интеллектом, помноженным на вычислительные мощности.
Граница между разработкой рекомендаций и полностью автоматическим управлением очень тонкая. Если предложенное действие нельзя автоматизировать и его обязательно должен осуществить человек, тогда всё просто. Но если существует вариант выполнения задачи машиной, тогда стоит лишь вопрос автоматической передачи оборудованию команды на исполнение.
2.2.3. Прогнозирование
На основе анализа накапливаемой информации современные технологии работы с большими данными в тандеме с соответствующим математическим аппаратом дают возможность реализации инструментов автоматического прогнозирования.
Средства автоматического прогнозирования уже сегодня применяются в различных областях человеческой деятельности – от составления метеорологических прогнозов, о которых мы уже говорили, до планирования объёмов и структуры спроса на продукцию.
В промышленности существует масса областей, автоматизация прогнозирования в которых позволит существенным образом повлиять на эффективность управления. Приведу лишь несколько примеров.
Прогнозирование энергопотребления предприятия на основе анализа данных о заказах на продукцию, данных об удельных энергозатратах, текущей статистики энергопотребления и другой необходимой информации.
Актальна задача прогнозирования возникновения дефектов на основе комплексного анализа параметров технологического процесса и их корреляции с качеством продукции.
Для систем, работоспособность которых критична, полезной является возможность анализа параметров работы и выявления предаварийных ситуаций. Это позволяет техническим службам заблаговременно среагировать и предотвратить остановку оборудования.
MAX – система превентивного обслуживания лифтов, работающая в реальном времени.
Компания thyssenkrupp AG, являющаяся одним из мировых лидеров в производстве лифтов, успешно внедряет систему MAX, подключая к ней всё больше лифтов по всему миру. Данная система в режиме реального времени отслеживает параметры работы каждого подключенного к ней лифта и отдельных узлов.
На основе анализа этих параметров система выявляет аварийные ситуации, информируя технические службы о необходимости вмешательства, не дожидаясь сообщения об аварии от эксплуатирующей лифт организации.
Традиционный способ сообщения о поломке лифта
Более того, система MAX оценивает вероятность выхода оборудования из строя и в случае превышения определенного уровня сообщает о необходимости проведения превентивного технического обслуживания. В итоге система MAX среди прочего позволяет сократить время реакции на аварии, предупредить аварии и тем самым минимизировать количество простоев лифтов.
Таким образом, системы анализа обработки больших данных в промышленности позволяют не просто собирать данные с различных источников, но и выбирать наиболее важную информацию, представляя ее в максимально удобном и переработанном виде, в том числе в виде прогнозов и рекомендаций по принятию решений, сокращая время анализа и скорость реагирования.
Книга «ИНДУСТРИЯ 4.0: Умные технологии – ключевой элемент в промышленной конкуренции»:
Часть 1. Предпосылки системных изменений
Часть 2. Технологическая основа новой промышленной революции
Часть 3. Дополненная и виртуальная реальность
Часть 4. Симуляция и основы применения аддитивных технологий
Часть 5. Аддитивные технологии: изготовление изделий, постобработка, контроль качества, временные сложности
Часть 6. Горизонтальная и вертикальная интеграция, промышленный Интернет вещей
Часть 7. Облачные технологии и информационная безопасность
Часть 8. Тотальная цифровизация
Часть 9. Развитие аналитических систем
Часть 10. Умные продуктово-сервисные системы
Часть 11. Логистика 4.0
Часть 12. Умное производственное оборудование
Часть 13. Умное производственное оборудование. Продолжение
Часть 14. Эффект от внедрения новых технологий
Часть 15. Преграды на пути прогресса
Часть 16. Умные технологии и люди
