Новостная лента

Big Data для умного производства

07.04.2016

 

 

Производство становится умным. Компании все больше используют сенсоры для получения данных на всех этапах производства и жизни продукта. Речь идет о самую разнообразную информацию – от свойств материалов, температур или вибрации оборудования до логистики цепочек поставок и особенностей клиентов. Двигатели грузовиков, скажем, порождают огромное количество данных о потреблении топлива, скорость работы узлов и агрегатов, температуру жидкостей и др, которая полезна и для производителей, и для перевозчиков. А оптические сканеры уже используют, что проследить дефекты в схемах печатной электроники.

 

Впрочем, Big Data еще далека от того, чтобы трансформировать производство. Ведущие индустрии, такие как компьютерная, энергетическая, авиационная или полупроводниковая, сталкиваются с пробелами в данных. Большинство компаний часто не знают, что делать с данными, которые они имеют, не говоря уже о том, как их интерпретировать, чтобы усовершенствовать производственные процессы и качество продукции. Компании, как правило, функционируют и соревнуются в изоляции. Кроме того, у них нет программного обеспечения и модельных систем для анализа данных.

 

Но «умное производство» имеет колоссальный потенциал для того, сделать промышленность более эффективной, прибыльнее и чище. Компьютерное моделирование способно идентифицировать риски и трудности в производстве. Если предусмотреть время, когда компонент машины выйдет из строя и быстро его починить, можно избежать дорогостоящих отзывов и судебных исков. В производствах с низким выходом продукции, например в производстве полупроводников, уменьшение производственных ошибок позволяет существенно увеличить прибыль.

 

Цифровые технологии обещают трансформировать целые сектора экономики. Некоторые производства станут более разделены, а другие, наоборот, более централизованы. Производители все больше будут принимать бизнес-модели, родственные с Uber. Производители одежды и мебели будут ориентироваться на локальные требования и узкие сегменты рынка. А медицинские имплантаты будут распечатывать на 3D-принтерах прямо в больницах.

 

Разные компании будут делиться своими производственными линиями. Вместо того, чтобы контролировать все производственные линии, что является дорогим и неэффективным – компания будет сдавать в аренду свои производственные мощности. Например, фирма, производящая автомобили, может покупать время в компании, которая производит инвалидные коляски, чтобы приспосабливать сидения и ручки для людей с ограниченными возможностями. Искусственный интеллект, роботы и автономные транспортные средства обещают облегчить обмен технологиями и линиями продукции.

 

Но готовы индустрии принять все эти изменения? Наука о данных редко преподается в курсах по бизнесу и инженерному делу. Компании не знают, что, как и когда измерять. Информация часто хранится в способ, неудобный для моделирования (температура двигателей и длина пробега, например, в разных базах данных). Фирмы колеблются перед тем, как инвестировать в непроверенные технологии и бизнес-модели.

 

Требованием прогресса является более тесное сотрудничество между производителями и учеными. Нужны, в частности, онлайн-платформы, куда компании могли бы выкладывать информацию о своих производственных проблемах и находить экспертов для их решения. Политики, в свою очередь, должны обеспечить защиту и безопасное распространение данных.

 

Между наукой и бизнесом пока существует большая дистанция. Большинство академических исследований не имеют прямого отношения к корпоративных нужд. Академии расширяют технические горизонты, не считаясь с тем, как их изобретения можно применить на практике. А производители не знают, какие типы данных учитывать, какие сенсоры использовать и на каких производственных линиях их устанавливать. Чтобы улучшить качество изделий из керамики, например, можно анализировать эксплуатационные характеристики машин, так и структуру продукта. Для определения наилучшей конфигурации сенсоров в этом случае требуется специальное исследование. В общем, чтобы достичь идеала «умного производства», нужно заполнить пять пробелов:

 

Избрание стратегий. Системы умного производства должны развиться вместе с накоплением все большего количества данных. Сначала сенсоры должны проводить мониторинг состояния существующего оборудования, но вместе с появлением новых потребностей в качестве и эффективности можно будет добавлять новые сенсоры для мониторинга самых полезных параметров. Производители полупроводников, скажем, улучшили качество своих кристаллических пластин, отслеживая и настраивая параметры процесса их производства.

 

Совершенствование сбора, использования и распространения данных. Большинства компаний в этом смысле не хватает опыта. Некоторые из них ошибочно верят в то, что их базы данных слишком велики для анализа. Других беспокоят организационные и легальные аспекты использования данных. Данные, собранные нерегулярно и с неправильной методологией, имеют небольшую пользу. Нужно определить частоту сбора и продолжительность хранения данных. За вибрациями машин нужно следить за секундной и даже еще меньшей шкале, тогда как температуры могут быть усредненные на 10 минут или даже более длинные периоды.

 

Создать модели предсказания. Корпорации хотят знать, новый продукт будет соответствовать ожиданиям потребителя перед тем, как они его будут делать. Компания, производящая автомобили, может проанализировать прошлые и нынешние продажи, поведение потребителей и другие данные, чтобы поставлять дилерам самые желанные модели машин. А фабрики стремятся гарантии, что изменение машинных инструментов не повлияет на качество их продукта.

 

Изучить общие модели предсказания. Модели должны учитывать факторы неопределенности, такие как износ оборудования или ошибки в данных, обусловленные несовершенными сенсорами или сбоями их передачи. Ложные данные могут повлечь дорогостоящие неполадки в системах, которые производят уникальные продукты.

 

Совместить фабрики и контрольные процессы. Программы для контроля за процессами производства и планирования, такие как SAP, будут сталкиваться с вызовами все более динамичному и відкритішому среде производства. Много программ созданы под нужды единой корпорации. Нужны исследования того, как такие программы могут работать вместе через открытые интерфейсы и универсальные стандарты. Речь идет о их приспособления к облачным технологиям и даже исследования и адаптация самоорганизующихся природных систем, например генома, птичьих стай или иммунной системы. Для экспериментов в реальном мире понадобятся модельные прототипы, стенды и виртуальная и дополненная реальность.

 

Действуя как одно целое, компании, научные учреждения и правительства смогут приблизить еще одну промышленную революцию.

 

Andrew Kusiak

Smart manufacturing must embrace big data

Nature, 5/04/2017

Отреферировал Евгений Ланюк

 

You Might Also Like

Loading...

Нет комментариев

Комментировать

Яндекс.Метрика