Виробництво стає розумним. Компанії дедалі більше використовують сенсори для отримання даних на всіх етапах створення та життя продукту. Йдеться про найрізноманітнішу інформацію: від властивостей матеріалів, температур чи вібрації обладнання – до логістики ланцюжків постачання й особливостей клієнтів. Двигуни вантажівок, скажімо, породжують величезну кількість даних: про споживання палива, швидкість роботи вузлів і агрегатів, температуру рідин тощо, яка корисна і для виробників, і для перевізників. А оптичні сканери вже використовують, щоби простежити дефекти у схемах друкованої електроніки.
Утім, Big Data ще далека від того, щоби трансформувати виробництво. Провідні індустрії, як-от комп’ютерна, енергетична, авіаційна чи напівпровідникова, стикаються з прогалинами в даних. Більшість компаній часто не знають, що робити з даними, які вони мають, не кажучи вже про те, як їх інтерпретувати, щоб удосконалити виробничі процеси і якість продукції. Компанії здебільшого функціонують і змагаються в ізоляції. Крім того, у них немає програмного забезпечення та модельних систем для аналізу даних.
Але «розумне виробництво» має колосальний потенціал для того, щоби зробити промисловість ефективнішою, прибутковішою і чистішою. Комп’ютерне моделювання здатне ідентифікувати ризики і труднощі у виробництві. Якщо передбачити час, коли компонент машини вийде з ладу і швидко його відремонтувати, можна уникнути дорогих відкликань і судових позовів. У виробництвах з низьким виходом продукції – наприклад, на заводах напівпровідників – зменшення виробничих помилок дозволяє суттєво збільшити прибуток.
Цифрові технології обіцяють трансформувати цілі сектори економіки. Деякі виробництва стануть більше розподілені, а інші навпаки – більше централізовані. Виробники дедалі частіше прийматимуть бізнес-моделі, споріднені з Uber. Виробники одягу та меблів орієнтуватимуться на локальні вимоги та вузькі сегменти ринку. А медичні імплантати роздруковуватимуть на 3D-принтерах бузпосередньо в лікарнях.
Різні компанії ділитимуться своїми виробничими потужностями. Замість контролювати всі виробничі лінії – що є дорогим та неефективним – компанія здаватиме їх в оренду. Наприклад, фірма, що складає автомобілі, може купувати час у компанії, яка виготовляє інвалідні візки, щоби прилаштовувати сидіння та ручки для людей з обмеженими можливостями. Штучний інтелект, роботи й автономні транспортні засоби обіцяють полегшити обмін технологіями та лініями продукції.
Але чи готові індустрії прийняти всі ці зміни? Науку про дані рідко викладають у курсах з бізнесу та інженерної справи. Компанії не знають, що, як і коли вимірювати. Інформація часто зберігається у спосіб, незручний для моделювання (наприклад, температура двигунів і довжина пробігу – в різних базах даних). Фірми вагаються, перш ніж інвестувати в неперевірені технології та бізнес-моделі.
Вимогою прогресу є тісніша співпраця між виробниками та науковцями. Потрібні, зокрема, онлайн-платформи, де компанії могли б викладати інформацію про свої виробничі проблеми і знаходити експертів для їх розв’язання. Політики, своєю чергою, повинні забезпечити захист і безпечне поширення даних.
Між наукою і бізнесом наразі існує велика дистанція. Більшість академічних досліджень не мають прямого відношення до корпоративних потреб. Академії розширюють технічні горизонти, не переймаючись, як їхні винаходи можна застосувати на практиці. А виробники не знають, які типи даних враховувати, які сенсори використовувати і на яких виробничих лініях їх встановлювати. Щоби покращити якість виробів із кераміки, наприклад, можна аналізувати як експлуатаційні характеристики машин, так і структуру продукту. Для визначення найкращої конфігурації сенсорів у цьому разі потрібне спеціальне дослідження. Загалом щоби досягнути ідеалу «розумного виробництва», потрібно заповнити п’ять прогалин:
Обрання стратегій. Системи розумного виробництва повинні розвинутися разом із нагромадженням дедалі більшої кількості даних. Спочатку сенсори мають проводити моніторинг стану наявного обладнення, але разом із появою нових потреб у якості й ефективності можна буде додавати нові сенсори для моніторингу найкорисніших параметрів. Виробники напівпровідників, скажімо, покращили якість своїх кристалічних пластин, відстежуючи та налаштовуючи параметри процесу їх виробництва.
Удосконалення збору, використання та поширення даних. Більшості компаній у цьому сенсі бракує досвіду. Деякі з них хибно вірять у те, що їхні бази даних занадто великі для аналізу. Інших непокоять організаційні та легальні аспекти використання даних. Дані, зібрані нерегулярно та з неправильною методологією, мають невелику користь. Потрібно визначити частоту збору та тривалість зберігання даних. За вібраціями машин потрібно стежити за секундною і навіть ще меншою шкалою, натомість температури можуть бути усереднені на 10 хвилин чи навіть довші періоди.
Створити моделі передбачення. Корпорації хочуть знати, чи новий продукт відповідатиме очікуванням споживача, перш ніж вони його виготовлятимуть. Компанія, що продукує автомобілі, може проаналізувати минулі й теперішні продажі, поведінку споживачів та інші дані, щоби постачати дилерам найбажаніші моделі машин. А фабрики прагнуть гарантії, що зміна машинних інструментів не вплине на якість їхнього продукту.
Вивчити загальні моделі передбачення. Моделі мають враховувати непевності, як-от зношення обладнення чи помилки в даних, зумовлені недосконалими сенсорами чи збоями їх передачі. Хибні дані можуть спричинити дорогі неполадки в системах, що виготовляють унікальні продукти.
Поєднати фабрики та контрольні процеси. Програми для контролю за процесами виробництва та планування, такі як SAP, стикатимуться з викликами у дедалі динамічнішому та відкритішому середовищі виробництва. Багато програм створені під потреби єдиної корпорації. Потрібні дослідження того, як такі програми можуть працювати разом через відкриті інтерфейси й універсальні стандарти. Йдеться про їх пристосування до хмарних технологій і навіть дослідження й адаптація самоорганізованих природних систем, наприклад геному, пташиних зграй чи імунної системи. Для експериментів у реальному світі знадобляться модельні прототипи, стенди та віртуальна і доповнена реальність.
Діючи як одне ціле, компанії, наукові установи й уряди зможуть наблизити ще одну промислову революцію.
Andrew Kusiak
Smart manufacturing must embrace big data
Nature, 5/04/2017
Зреферував Євген Ланюк
