Технологии искусственного интеллекта для автоматизации промышленного производства: обзор и перспективы

Технологические футурологи предвещают, что уже скоро все рабочие в промышленных цехах станут «синими воротничками», которые в отдельном комфортном помещении нажимают на кнопки, удаленно управляя работой плавильных печей, ванн, где остывает расплавленная сталь, и т.д. Однако путь, который предстоит пройти предприятиям, для достижения этого идеального состояния, весьма долог и непрост. В какой точке этого пути находятся сегодня российские промышленные предприятия? По оценкам исследовательской компании MarketsandMarkets, мировой рынок умного производства (Smart Manufacturing Market) вырастет с 214,7 млрд. долл. в 2020 г до 384,8 млрд. долл. в 2025 г., продемонстрировав среднегодовой прирост на уровне 12,4%. Развитие этого сегмента цифровизации промышленности подталкивается общим ростом спроса на цифровизацию промышленности в России – он, по данным исследования CNews Analytics «ИТ в промышленности», опубликованном в декабре прошлого года, увеличится в 14 раз к 2030 г.

Например, спрос обрабатывающей промышленности на цифровые технологии, который, согласно данным исследования, в 2020 г. оценивался на уровне 41,5 млрд. руб., к 2030 г. может вырасти до 587,5 млрд. руб. В списке самых востребованных цифровых технологий — промышленные роботы, искусственный интеллект, машинное обучение, цифровое прототипирование, сенсорика.

Источник: CNews, декабрь 2021 г.

Особенности умной цифровизации российской промышленности

По экспертным оценкам, автоматизация производства в России делает первые шаги. Массовая полная автоматизация производства в формате так называемых безлюдных производств недостижима в обозримом будущем. Тормозит эти процессы ряд причин.

Все технологические процессы довольно непростые, каждый агрегат на производстве состоит из сложных механизмов, причем большинство из них сделаны еще при Советском Союзе. Это — один из важных факторов, тормозящих цифровизацию,- говорит Ярослав Шмулев, руководитель группы машинного обучения «Инфосистемы Джет».- В ближайшие годы вряд ли промышленность сможет заменить всю техническую базу на более современную.

Поэтому полная автоматизация производства невозможна вовсе не по причине технологий машинного обучения. Наши предприятия сейчас — только в начале пути выстраивания ИТ-ландшафта и внутренних процессов,- отмечает эксперт.

Источник: CNews на основе данных SAP, Deloitte, декабрь 2021 г.

Кроме того, цифровизация производства требует наличия математических моделей технологических процессов. А эти модели очень непростые, обычно они создаются научными коллективами ученых, работающих в той или иной производственной сфере.

При этом модель должна получить исчерпывающее количество данных.Это означает, что система должна знать и видеть все, что видит человек, и иметь исторические данные о процессе за год, а лучше за два,- подчеркивает эксперт.Но на производстве часто бывает так, что технологи хорошо знают свою часть процесса, но не имеют сквозного видения процесса в целом, и это тоже становится проблемой для внедрения.

Вот почему, рассказывает Ярослав Шмулев, в начале работы над проектом проверяется, можно ли сделать работоспособную прогнозную модель.

Если это возможно, но полученная модель работает плохо, в то время как человек на производстве с той же задачей справляется, то, скорее всего, дело в данных и/или их качестве. Например, модель может не получать часть критически важной информации, которая есть у технолога,- поясняет Ярослав Шмулев.- Если же прогнозная модель работает, то мы переходим к созданию рекомендательного сервиса, работающего в реальном времени 24/7, давая советы технологу и помогая оптимизировать процесс.

Например, на Новолипецком металлургическом комбинате (НМЛК) искусственный интеллект помогает сталевару, который осуществляет выплавку стали, вводить в состав стали во время выплавки дополнительные химические элементы, например, ферросплавы. Ферросплавы – достаточно дорогие материалы, они заметно влияют на себестоимость произведенного металла, однако даже у очень опытного сталевара не всегда получается точно попасть в интервал допустимых химических параметров с первого раза. Собственно, именно такую задачу оптимизации решает рекомендательная система, которую разработали и внедрили на НЛМК специалисты компании «Инфосистемы Джет»: определять минимально необходимое количество ферросплава, чтобы попасть в заданный интервал по химическому составу, использовать при этом минимальное количество самих материалов, а если возможность выбора, то применить наиболее дешевый материал.

Ключевой элемент созданной системы – математическая модель на базе алгоритмов машинного обучения, которая прогнозирует, каким будет химический состав, если в конкретный момент времени добавить те или иные материалы. Завод в целом – это крупная социально-экономическая система. Для описания сложной динамики процессов в таких системах наилучшим образом подходит математический аппарат имитационного моделирования. Это наиболее адекватный способ изучения систем и процессов в условиях отсутствия полной, точной и достоверной информации об их свойствах, отмечает Алексей Гинцяк, заведующий лабораторией «Цифровое моделирование индустриальных систем» Центра НТИ СПбПУ.

В этом контексте внедрение проектов с применением ИИ — это часть процесса цифровизации производства, которая в целом имеет цель постепенного перехода от ручного управления процессами и отдельными агрегатами к автоматизированному управлению всей цепочкой производства, рассказывает Ярослав Шмулев, но пока в России автоматизация промышленности делает только первые шаги, большинство процессов управляются вручную оператором.

Поэтому, как рассказал Артем Натрусов, вице-президент по информационным технологиям «ЕвразХолдинга», выступая на TAdviser Summit 31 мая 2022 г., при формировании портфеля проектов, нацеленных на воспроизведение серьезного экономического эффекта, важно принимать во внимание не уровень хайпа тех или иных технологий, а их технологическую зрелость.

На рынке сегодня представлено много интересных технологий – автономное оборудование, искусственный интеллект и т.п. Было бы заманчиво их поисследовать. Однако нынешняя зрелость этих технологий недостаточна для того, чтобы получать от них экономический эффект прямо сейчас,- говорит Артем Натрусов.

Ярослав Шмулев перечисляет те технологии ИИ, которые уже достигли определенной зрелости для применения на промышленных предприятиях. Во-первых, это машинное зрение – комбинация видеокамер с вычислительными мощностями, которые обрабатывают данные. С помощью камер и машинного обучения сегодня можно считать объем заготовленного леса, сортировать минералы, отслеживать нарушение правил безопасности и решать целый ряд других задач промышленной отрасли.

Решения машинного зрения часто используются в проектах для получения данных, которые потом обрабатывает прогнозно-рекомендательный сервис, рассказывает эксперт. Причем, внедрение компьютерного зрения в промышленности происходит более безболезненно, так как данные в этом случае получить проще — при условии, что есть возможность технически правильно разместить камеры и обеспечить приемлемую видимость.

При использовании компьютерного зрения модель обучается быстрее и работает точнее,- говорит Ярослав Шмулев.-Тем не менее, даже в этой области каждый проект все же проводится как эксперимент, который может оказаться успешным или нет.

Поэтому, по его мнению, обязателен пилотный проект, который показывает, возможно в конкретном случае применение методов ИИ или это нецелесообразно.

Исходя из описанных выше текущих особенностей промышленной умной автоматизации, второе направление достаточно зрелых технологий – создание прогнозно-рекомендательных моделей. Прогнозно-рекомендательные модели устроены следующим образом, поясняет Ярослав Шмулев: Одна модель прогнозирует, что будет, выступая в качестве симуляции процесса или его цифрового двойника. Вторая модель решает задачу оптимизации: подает несколько вариантов управляющих параметров в прогнозную, выбирает лучший набор и выдает в виде рекомендации технологу. Именно так работает система, реализованная на НМЛК.В целом, по оценкам специалиста, систем поддержки принятия решений с использованием искусственного интеллекта (ИИ) становится все больше и больше: В течение ближайших 5-10 лет они, скорее всего, появятся на каждом производстве.

При этом важно понимать, что это именно системы-советчики, итоговое решение и ответственность за него по-прежнему остается за человеком.

Артем Натрусов в интервью CNews в декабре 2021 г. говорит, что не все потенциально возможные ИИ-решения находят практическое применение. Причина – в экономической отдаче.Как правило, у промышленного агрегата ограниченный потенциал эффективности, и его можно улучшить только частично, а не в разы. Но даже небольшие проценты суммарно дают хорошую прибыль. Более сложные проекты, которые оптимизируют работу не одной машины, а всей цепочки, представляют для нас больший риск, который может реализоваться в виде недостижения ожидаемого эффекта или превышения затрат,- говорит Артем Натрусов.

Интеллект производственных решений на базе IoT

Промышленные решения Интернета вещей – сегмент рынка, активно развивающийся во всем мире. Согласно прогнозам MarketsandMarkets, объем рынка Индустрии 4.0 в 2021 г. составит 64,9 млрд. долл., а к 2026 г. вырастет до 165,5 млрд. долл. Среднегодовой темп роста в этот период составит 20,6%. К ключевым факторам, способствующим его развитию, исследователи относятся быстрое внедрение искусственного интеллекта и Интернета вещей. Компания IDC, исследовавшая российский рынок ИИ по итогам 2021 г., отметила: Сектор производства как дискретного, так и непрерывного, часто применяет элементы искусственного интеллекта для автоматизированного профилактического обслуживания и управления качеством в проектах, связанных с использованием технологий Интернета вещей.

Например, оператор МТС выполнила пилотный проект «Цифровой водоканал» для муниципального учреждения «Копейские системы водоснабжения и водоотведения» в Копейске Челябинской области. Внедрено IoT-решение для сбора и анализа информации с датчиков давления и приборов учета систем водоснабжения. Результат работы системы: выявление незаконных врезкок и неучтенное потребление на магистралях водоснабжения, возможность зафиксировать перепады давления в трубах и предотвратить аварии на самых ранних стадиях, сократив издержки ресурсоснабжающих организаций за счет сведения баланса водопотребления.

Данные с датчиков передаются в режиме онлайн по сети NB-IoT и анализируются с помощью аналитики Big Data, что позволяет выявлять внештатные ситуации. После сверки расчетов с поставщиком воды была выявлена переплата со стороны «Водоканала» за более, чем 150 тыс. куб м воды. И это типовая ситуация, говорит Армен Аветисян, вице-президент МТС по направлению Интернета вещей и промышленной автоматизации: По данным ресурсоснабжающих организаций, общие потери в сетях водоснабжения составляют более 100 млрд. руб. в год. Водоканалы сталкиваются с искажением данных и неучтенным потреблением, а контролировать службы расчета сложно, так как большинство операций выполняются вручную.

Компания Крок создала для «Пермского тепличного комплекса» проект на базе технологий IoT. Теплицы высоких технологий в г. Чусовой – это самый крупный проект группы «Агро Менеджмент». Один из важнейших элементов проекта – оперативный обмен данными между ИТ-системами и контроль параметров микроклимата в теплицах. IoT-датчики, установленные в тепличном комплексе, являются цифровым инструментом для агрономов, который позволяет в реальном времени понять, что происходит с растением в различных условиях выращивания (полив, микроклимат, уход).Внедрение комплексной отказоустойчивой инфраструктуры обеспечивает повышение уровня доступности данных для принятия оперативных управленческих решений,- подчеркивает Александр Эдер, директор по развитию бизнеса компании КРОК в агропромышленном комплексе.

Компания «Цифра» реализовала целый ряд IoT-сценариев. Например, в горнодобывающей промышленности при добыче золота камера машинного зрения смотрит в ковш экскаватора и определяет, насколько оптимален размер гранул, и регулирует количество взрывчатки для следующих скважин.

Высокоточное позиционирование ковша позволяет производить извлечение нужного 3D-кубика, чтобы черпать именно руду, которая содержит золото, а не пустую породу. При этом принимается во внимание модель взрыва,- рассказывают в компании.

Подключенный к IoT-платформе карьерный самосвал сам выбирает, куда ему ехать, исходя из данных о содержании руды в разных забоях, чтобы обеспечить стабильное качество на дробилке. При этом рекомендательная система самосвала подсказывает оператору наилучшее применение педали газа и тормоза, позволяющее максимально экономить топливо и колодки.

Фактически мы стоим 3D-модель карьера с детализацией до кубического метра, рассказывают в компании: Вы точно понимаете, откуда извлекаете, куда везете, где добыт материал, какие у него характеристики, можете рассчитать ресурсы для его переработки и определить самый эффективный способ обогащения породы.

Платформенный подход

Компания «Цифра» применяет к созданию IoT-решений платформенный подход. Zyfra Industrial IoT Platform (ZIIoT) – это единая цифровая платформа, включающая весь необходимый набор компонентов для создания и внедрения инноваций на вашем предприятии. Она дает возможность предприятию получить единую среду управления данными с целью оптимизации производства на базе механизмов ИИ, больших данных и Интернета вещей. В рамках единой платформы становится возможным выстроить процесс управления через единую систему, обеспечить высокую скорость реагирования,  интегрировать  существующие системы автоматизации в единый комплекс, а также заниматься подготовкой данных для ML-решений и создания цифровых двойников. По сути, это конструктор, который содержит преднастроенные сценарии промышленной автоматизации для разных отраслей.

Высокую скорость реагирования можно проиллюстрировать примером из области бурения нефтяных скважин: на буровую установку, расположенную в Восточной Сибири, в реальном времени поступают указания из центра поддержки бурения, находящегося в Санкт-Петербурге. Данные собираются каждые пять секунд и, действительно, осуществляется управление буровой колонной в реальном времени по критерию максимального дебета будущей скважины.

С помощью машинного обучения формируются рекомендации, как точно пройти в нефтеносном пласте и избежать осложнений при бурении, ведь каждый прихват может приводить к потере целого ствола и стоить до 100 млн. руб., а сама технология позволяет впоследствии увеличить добычу и получить дополнительные 10 тонн нефти с одной скважины в сутки,- рассказывают специалисты компании «Цифра».

С точки зрения технологической реализации, платформа ZIIoT обеспечивает все необходимые инструменты для управления жизненным циклом ИТ-системы: сбор, хранение и управление данными, среда для разработки корпоративных бизнес-приложений, сервисы администрирования и управления безопасностью.

Фактически мы создали ядро, на основе которого любая компания может написать решение для себя,- подчеркивают в компании «Цифра».

В результате, объединяя весь производственный процесс и экономику на одной цифровой платформе, компании получают эффект сквозной межпередельной оптимизации.

Опыт компании «Цифра» по автоматизации работ в горно-обогатительной,  металлургической, машиностроительной отраслях, реализованный виде платформы ZIIoT (Zyfra Industrial Internet of Things Platform), заинтересовал компанию МТС. В конце компании заключили партнерское соглашение, которое предполагает развертывание и тиражирование платформы ZIIoT в облачной инфраструктуре #CloudMTS по модели PaaS и интеграцию платформы в цифровые индустриальные решения МТС на основе выделенных технологических сетей Private LTE/5G.

Сложность многочисленных аспектов цифровизации промышленных предприятий определяет востребованность готовых решений, настроенных на специфику конкретной области деятельности. Аналитики Gartner предсказывают, что к 2024 г. 50% производителей промышленных платформ в мире будут предлагать их сразу вместе с готовыми с решениями, а 40%, отказавшихся от этого пути, покинут бизнес. Эксперты говорят о грядущей консолидации рынка в силу того, что клиенты голосуют и далее будут голосовать рублем за платформенные решения с быстрыми бизнес-эффектами. Например, компания Datana предлагает набор готовых цифровых решений на базе единого стека цифрового завода Datana Smart, включая:

  • Отсечка шлака на МНЛЗ (машине непрерывного литья заготовок): выдает рекомендацию оператору о необходимости закрыть шиберный затвор «на опережение» с поправкой на время реакции оператора и время срабатывания шиберного механизма.
  • Детектирование шлака при выпуске металла из дуговой сталеплавильной печи или кислордного конвертера: снижение расхода ферросплавов и раскислителей.
  • Контроль процесса внепечной обработки: снижение расхода аргона, электроэнергии.
  • Сервис заказа температуры на МНЛЗ: снижение расхода электродов и электроэнергии на печь-ковше.
  • Оптимизация процесса обезуглероживания на вакууматоре.
  • Оптимизация расхода ферросплавов.

Предиктивная аналитика технических систем

Еще одно зрелое направление интеллектуальной автоматизации промышленности – предиктивная аналитика для задач контроля состояния технических систем. В 2018 г. в рамках НТИ на базе МГУ был организован Центр технологий хранения и анализа больших данных. Он был создан в виде консорциума, куда вошел ряд ведущих российских технических вузов, а также компании-интеграторы ЛАНИТ и «Ракурс».

Созданная аналитическая платформа представляет собой программный комплекс и набор моделей предиктивной аналитики для прогнозирования отказов оборудования и повышения эффективности производства.

Структура аналитической платформы предиктивной аналитики

Источник: Центр технологий хранения и анализа больших данных НТИ

На базе платформы реализована, например, система предиктивной аналитики сточных вод на базе метода спектроскопии (используется спектрометр UV-VIS). Например, для определения концентрации фосфатов и хлоридов было подготовлено 150 растворов и проведены спектроскопические измерения. Затем оптические спектры были обработаны с помощью машинного обучения и построена модель, позволяющая определять концентрации солей в растворе дистиллята.Система предиктивной аналитики сточных вод на базе метода спектроскопии

Источник: Центр технологий хранения и анализа больших данных НТИ

Для компании «Северсталь» создана прогностическая модель контроля отказов нагнетателей газовых конвертеров, которая включает прогностические модели для различных типов оборудования на сталепрокатном производстве с горизонтом прогнозирования от 1 до 3 суток и систему метрик.

Как рассказывает Илья Муха, руководитель разработки ПО Центра компетенций НТИ по направлению «Технологии хранения и анализа больших данных» на базе МГУ имени М.В. Ломоносова, по итогам проекта практически доказан факт возможности снижения времени простоя оборудования более чем в 2 раза,, доказана возможность снижения аварийных отказов на 30%, удалось сократить число проводимых ППР на 55 часов в год, а экономическая выгода от внедрения моделей может составлять до 60-70 млн. руб. в год для одного типа оборудования.

Было проанализировано более 150 различных параметров и разработана модель для раннего оповещения оператора.

Источник: Центр технологий хранения и анализа больших данных НТИ

Кроме того, в рамках проекта была разработана концепция внедрения цифрового двойника для симулирования работы клети стана горячей прокатки и определения критичных нагрузок при прокатке и моделирования различных неисправностей.

Цифровой двойник завода

Современное продвинутое решение цифрового двойника – Datana Smart (цифровой завод) компании Datana. Это фреймворк, где могут совместно существовать и взаимодействовать цифровые решения от разных поставщиков, в том числе, инхаусные ML-разработки собственных программистов компании. В нем можно выполнять имитационное моделирование и АБ-тестирование решений с тем, чтобы выбрать наиболее производительные. При этом можно задать цель оптимизации: себестоимость, производительность или качество производство.

Проводим имитацию реального процесса и получаем точный результат. Любые параметры можно поменять и сравнить получившиеся результаты, затем выбрать оптимальное решение и настроить исполнение производственного плана,- рассказывают в компании.Datana Smart – система промышленного класса, построена на открытом коде, легко встраивается в инфраструктуру предприятия, обеспечивая единую среду для всех цифровых производственных решений на базе платформы управления цифровыми двойниками.

В компании поясняют: цифровой двойник, получая обратную связь от реального процесса, моделирует его работу и автоматически подбирает параметры для эффективной работы конкретного агрегата. При этом подобных проектов в рамках цифровизации предприятия может быть запущено сразу несколько. Это решает часто встречающуюся сегодня проблему: пилотные проекты различных умных решений для улучшения различных производственных участков запускаются одновременно и независимо друг от друга, что приводит к появлению на предприятии очередного «зоопарка» несовместимых ИИ-решений.

Для того чтобы цифровые двойники давали осязаемый результат, они должны работать в единой информационной инфраструктуре, рассказывают в компании, а для этого нужно моделировать всю цифровую цепочку поставки. Для поддержки этой возможности в платформе Datana Smart реализован механизм сотрудничества различных цифровых советчиков и соответствующих моделей, что дает интегральный эффект для бизнеса, включая прослеживаемость всей цепочки поставки и зависимостей, сравнение советчиков от разных поставщиков, единые правила работы советчиков для всех поставщиков (отчеты о деградации, бизнес-мониторинг, пользовательские интерфейсы, технологический стек и программные интерфейсы).

С 1 января 2022 г. в нашей стране начал действовать национальный стандарт ГОСТ Р 57700.37–2021 «Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения», который был утвержден 16 сентября 2021 г. Как отмечает Алексей Боровков, проректор по цифровой трансформации Санкт-Петербургского политехнического университета Петра Великого, первоначальная область действия стандарта – изделия машиностроения, однако, при необходимости, на его основе в дальнейшем могут разрабатываться стандарты, устанавливающие требования к цифровым двойникам изделий различных отраслей промышленности с учетом их специфики.

Цифровые двойники и виртуальные испытания

Современные технологии цифровых двойников позволяют существенно снизить стоимости разработки изделий. Ярким примером являются разработки в области двигателестроения,- говорит Алексей Боровков.- Так, если необходима реализация нескольких десятков опытных образцов, то необходимо провести целый ряд испытаний, что увеличивает стоимость изделия.

Снижение объемов натурных испытаний, оптимальная организация технического обслуживания ремонтов на этапе эксплуатации, снижение себестоимости разработки, уменьшение сроков вывода новой продукции на рынок – это экономические эффекты передовых цифровых и производственных технологий, подчеркивает эксперт.

В начале января стало известно о запуске первого в России программно-аппаратного комплекса (ПАК) виртуальных испытаний электроники.

ПАК «ЭЛЬБРУС-АСОНИКА» – совместная разработка ИНЭУМ им. И.С. Брука и компании «НИИ «АСОНИКА»), не имеющая мировых аналогов. В состав ПАК входит:

  • компьютер на базе российского процессора «Эльбрус-8СВ», разработанного ПАО «ИНЭУМ им. И.С. Брука» совместно с АО «МЦСТ»;
  • российская САПР электроники в части виртуальных испытаний;
  • автоматизированная система обеспечения надежности и качества аппаратуры АСОНИКА;
  • национальные стандарты РФ в области моделирования и виртуальных испытаний электроники, разработанные «НИИ «АСОНИКА».

Кроме того, в состав ПАК «ЭЛЬБРУС-АСОНИКА» входят такие уникальные разработки, соответствующие российским ГОСТам, как

  • база данных всей отечественной электронной компонентной базы (ЭКБ) и материалов по геометрическим, физико-механическим, усталостным, теплофизическим, электрическим и надежностным параметрам;
  • расчетные ядра и специализированные графические интерфейсы для анализа и обеспечения стойкости электронной аппаратуры (ЭА) и ЭКБ к комплексным тепловым, механическим, электромагнитным воздействиям, усталостной прочности к тепломеханическим воздействиям;
  • подсистема создания карт рабочих режимов ЭКБ на основе комплексного моделирования физических процессов в ЭА;
  • подсистема анализа показателей надёжности ЭА на основе карт рабочих режимов ЭКБ;
  • подсистема создания цифровых двойников ЭА и ЭКБ.

Создание данного комплекса находится в русле стратегического направления в области цифровой трансформации обрабатывающих отраслей промышленности, утвержденного распоряжением Правительства РФ № 3142-р от 6 ноября 2021 г. В соответствии с этим распоряжением в рамках проекта цифровой трансформации обрабатывающих отраслей промышленности «Цифровой инжиниринг» запланировано создание к 2030 г. национальной системы стандартизации и сертификации, базирующейся на технологиях виртуальных испытаний.

На базе НИИ «АСОНИКА» в 2020 г. создан технический комитет по стандартизации ТК 165 «Системы автоматизированного проектирования электроники», и в течение 2021 г. Росстандарт ввел в действие 7 национальных стандартов в области моделирования и виртуальных испытаний электроники, разработанных НИИ «АСОНИКА». В настоящее время в рамках ТК 165 совместно с ФГУП «МНИИРИП» и АО «ЦКБ «Дейтон» ведется разработка национальных стандартов в области САПР электроники, включенных в планы национальной стандартизации Росстандарта.

Цифровые двойники для организационных моделей

Именно в России, где промышленность представляет набор вертикально интегрированных холдингов, эффекты от создания единого цифрового слоя для каждой промышленной группы могут быть максимальными, полагают в компании «Цифра». Этот аспект выделила Елена Тищенко, советник декана экономического факультета МГУ им. Ломоносова по цифровой экономике, выступая на Круглом столе «Экономические эффекты цифровой трансформации промышленности» в рамках III международного форума «Передовые цифровые и производственные технологии» в декабре прошлого года.

Она отметила тот факт, что цифровые двойники позволяют моделировать отраслевые кооперации: «Цифровое моделирование или цифровые полигоны позволяют научно-техническим лабораториям уйти от вертикально-интегрированной коммуникации к формированию длинных кооперационных цепочек, как внутриотраслевых, так и межотраслевых». В качестве примера Елена Тищенко привела эффективность созданной в ГК «Росатом» модели модульной сборки решений под отраслевые задачи. «Мы видим, что происходит реинжиниринг отраслей»,- подчеркивает Елена Тищенко. В частности, цифровые двойники в BIM позволяют применять модели монетизации результатов интеллектуальной деятельности.

Кроме того, цифровое проектирование нормализует онтологические карты. Мы впервые можем посмотреть на конвергенцию/реинжиниринг отраслей как на инженерный процесс,- отметила Елена Тищенко.

Речь идет о цифровом инструменте создания онтология предприятия. Заметим, что в данном контексте понятие онтологии используется, скорее в философском смысле, чем в виде математического формализма.

Например, компания «Дан Роуз» профессионально занимается онтологическим моделированием (проектированием и внедрением прикладных онтологических моделей деятельности конкретных предприятий и организаций) и системами поддержки принятия решений (СППР), построенных на основании накопления и структурирования опыта и системно-ситуационном анализе деятельности.

В компании под руководством Бориса Шведина разработана универсальная онтологическая модель предприятия BEOM (Business Entity Ontological Model). Как поясняет Борис Шведин, это органически целостная динамически эволюционирующая модель живого единичного конкретного развивающего предприятия. Только структурированный, доступный для непрерывного транслирования опыт может обеспечить проактивное поведение организации в окружающей бизнес-среде, подчеркивает Борис Шведин в своей мнографии Онтология предприятия: экспириентологический подход. Технология построения онтологической модели предприятия на основе анализа и структурирования живого опыта»: «Не реакцию на события, а выработку оптимальных решений на основе непрерывного сканирования и опережающего прогнозирования поведения Среды — жизненного пространства.

По образному выражению автора, разработка информационных систем наследования опыта на основе собственной методологии и технологии QuaSy – это «попытка создать виртуальный «мозг», который в состоянии накапливать опыт и обеспечивать работу коллективного разума любой организации на уровне хорошо интегрированной и предельно синергично (скоординированно) функционирующей в режиме non-stop и online системы».

Пример онтологической модели BEOM

Источник: Шведин Б. Я. Онтология предприятия: экспириентологический подход. Технология построения онтологической модели предприятия на основе анализа и структурирования живого опыта. — М.: ЛЕНАНД, 2010.

Решения для производственной логистики

Согласно данным исследований IDC, применение алгоритмов машинного обучения для оптимизации цепочки поставок пока не привлекло больших инвестиций, но в период до 2024 г. эти расходы предприятий будут расти в среднем в три раза быстрее, чем рынок в целом.К числу основных решений производственной логистики относится:

  • Управление отгрузками, закупками и складскими запасами
  • Производственное планирование
  • Операционное планирование
  • Управление автопарком
  • Управление отгрузками, закупками и складскими запасами

Решение Zyfra PSP (Production And Shipping Planning) – система управления цепочками поставок компании «Цифра», предназначенная для адаптивного и автоматизированного планирования и управления логистикой и сервисными процессами. Оно обеспечивает точное прогнозирование, рекомендации в режиме реального времени и автоматизацию процесса планирования с целью обеспечения стабильности цепочки поставок в динамично меняющемся мире.Для достижения указанных целей Zyfra PSP использует передовые технологии планирования:

  • Динамическое планирование. План производства и отгрузок автоматически пересчитывается, адаптируясь к текущей ситуации. Причем, этот процесс не требует вмешательства человека.
  • Планирование в условиях неопределенности. Накопленные исторические данные о прошлых операциях позволяют Zyfra PSP определять риски в реальном времени и строить реалистичные планы, учитывающие типичные проблемы, время и ресурсы на их решение.
  • Планирование себестоимости и эффективности. Цифровой двойник для планирования производственного процесса автоматизирует расчет оптимальных цен, а также коммуникацию с клиентом.

В компании «Цифра» рассказывают об опыте перехода на гибкую систему логистического планирования и прогнозирования рисков крупной нефтеперерабатывающей компании: реализована возможность перепланирования за 50 секунд и составление ежедневных планов на 30 дней вперед, при этом каждые 10 дней осуществляется планирование на 90 дней вперед. Такой гибкий подход к планированию привел к тому, что количество штрафов сократилось в 4 раза, что соответствует 1% себестоимости продукта (до начала проекта было 5%).

Безлюдные производственные технологии

Роботизированные самосвалы, буровые станки и экскаваторы, безлюдные технологии добычи природных ресурсов, управление предприятием с помощью компьютерной мыши – это все характеристики идеального цифрового будущего промышленности, которое, впрочем, уже воплощается в жизнь в отдельных продвинутых проектах.

Умный карьер. Компании «Цифра» и Huawei договорились в конце декабря прошлого года о разработке технологий для автономных роботизированных комплексов с использованием сетей 5G, которые станут технологической базой для реализации концепции «Интеллектуальный карьер». Эта концепция предполагает создание инфраструктуры безлюдной добычи полезных ископаемых, реализующей технологический цикл погрузки и транспортировки ТПИ в автономном режиме.

Партнеры будут выполнять комплексные (End-to-End) цифровые проекты, которые включают внедрение ПО ИИ, применение технологии 5G, модулей 5G/CPE, сетевой инфраструктуры 5G, а также использование сервисов Huawei Cloud для автономного вождения карьерных самосвалов на горнодобывающих предприятиях с открытым способом добычи. В частности, использование сетей 5G позволит перенести часть бортовых вычислений на серверы предприятий, что приведет к удешевлению автономных роботизированных комплексов.Первый проект такого рода был успешно реализован в компании СУЭК, где были успешно роботизированы карьерные самосвалы и буровые станки.

Дроны для сканирования подземных тоннелей. В конце апреля 2022 года «Норникель» сообщил о начале использования дронов для сканирования подземных тоннелей. К устройствам можно подключить лидарный сканер, видеокамеру, тепловизор, а такжеэхолот.

С помощью таких беспилотников можно проводить геологоразведочные работы в тех местах, где отсутствует удобный доступ для человека или прямой обзор на глубине до 100 метров: для инспекции очистных камер, при съемках труднодоступных выработок, рудоспусков, вывалов породы и недозакладов выработок. Режим фото видеофиксации позволяет оперативно и детально рассмотреть состояние крепления и объем отработанного очистного пространства.

Источник: компания «Норникель»

Как пояснили в «Норникеле», раньше съемки занимали продолжительное время и проводились двумя бригадами маркшейдеров. Благодаря использованию дронов, при хороших погодных условиях на фото видеофиксацию породного отвала объемом 2 млн куб. м уходит всего 10–15 мин.

«Подземные» проекты ведет также компания «Евраз». Например, решение на базе датчиков, системы видеонаблюдения, мобильных устройств и дашбордов с удобным мониторингом позволяет более эффективно вести добычу природных ископаемых. Компания также развивает совместный проект с оператором МТС: создается подземная инфраструктура связи на базе сети LTE с последующим апгрейдом на 5G, которая будет использоваться, во-первых, для мониторинга оборудования в шахтах, и далее – для удаленного управления машинами с функциями автономности.

Умное сельское хозяйство

Программы «умного фермерства», «точного фермерства» (precise farming) действуют в десятках стран мира. Внедрение технологий искусственного интеллекта в агрокомплексе, по оценкам Markets and Markets растет на 22,5% в год, и в 2025 г. мировой объем этого рынка составит 2,6 млрд. долл. Аналитики J’son & Partners Consulting насчитали около 2 тыс. компаний, поставляющих высокотехнологичные решения для автоматизации сельского хозяйства. Их объединили в отдельный сегмент «Агротех» (AgTech), который, как утверждают в J’son & Partners Consulting, в течение нескольких лет обгоняет FinTech по темпам роста инвестиций. Самыми популярными инновациями среди американских фермерских хозяйств являются:

  • сбор и анализ проб почвы (используют 90% респондентов);
  • карты урожайности, мониторы урожайности, навигационные GPS-системы (порядка 80%);
  • технологии дифференцированного внесения удобрений и предписывающие карты (60%);
  • спутниковые снимки и анализ вегетативного индекса растений (30%).

В нашей стране взлет агротеха ожидается в ближайшем будущем. В том числе, за счет внимания государства. Так, Минсельхоз РФ реализует проект «Цифровое сельское хозяйство», который ставит амбициозные цели – цифровые технологии должны помочь увеличить производительность сельхозпредприятий вдвое к 2024 году.

В начале июня председатель кабмина РФ Михаил Мишустин озвучил меры господдержки для внедрения цифровых технологий в сельскохозяйственной сфере.  Предполагается выделить более 900 млн. руб. на применение цифровых технологий в сельском хозяйстве. В этом году в 8 пилотных регионах (Воронежская, Курская, Брянская, Тульская, Нижегородская и Московская области, Пермский край, Татарстан) будут внедряться технологии ИИ, первоначально в отношении семи сельскохозкультур: яровая и озимая пшеница, подсолнечник, кукуруза, сахарная свекла, гречиха и картофель.

Планируется также запустить в работу реестр федеральной собственности агропромышленного комплекса. Ожидается, что он поможет собрать вместе разрозненные сведения, анализировать и принимать на их основе продуманные решения. Причем, будут оцифрованы записи хозяйственных книг, многие из которых ведутся с 30-х годов прошлого века и зачастую существуют только в бумажном виде.

Это позволит собрать в единую информационную платформу данные о производимой продукции. В результате государственная система мониторинга и прогнозирования продовольственной безопасности станет более точной,- отметил Михаил Мишустин.

В переходе сельскохозяйственной отрасли страны на «цифру» принимает участие госкорпорация «Ростех». Предприятия радиоэлектронного кластера, входящие в холдинги «Росэлектроника», «Швабе» и концерн «Автоматика», работают в области точного земледелия и эффективного растениеводства. Разработаны программные комплексы для интеллектуального управления фермами, роботизированные системы, беспилотники для мониторинга объектов сельского хозяйства, решения точного земледелия на базе Интернета вещей.

В частности, беспилотные комплексы производства компании Zala Aero концерна «Калашников» активно используются для аэрофотосъемки сельскохозяйственных угодий. Их применение позволяет оценить состояние почвы и растений, повысить урожайность земель, оптимизировать затраты на удобрения и средства защиты растений, определить территории, нуждающиеся в дополнительном орошении.

Технологии дифференцированного внесения удобрений предполагают, что для определения нужного объема удобрений, на каждом участке делают отборы проб, анализируют полученные результаты, составляют карты полей, определяют задачи для техники в поле, используя технологии спутниковой навигации и специализированное ПО для удаленного управления техникой.

Валерий Фокин, руководитель департамента ИТ ГК «Уралхим», говорил на TAdviser SummIT в мае 2022 г.:  Решения на базе ИИ дают прямые экономические эффекты.

В качестве примера он приводит платформу Digital Agro, созданную специально для клиентов компании, – там планируется разместить большое количество сервисов, полезных клиентам, например, обследование полей или точное земледелие (Precision Farming).

Для получения максимального эффекта важно внедрять не только отдельную умную технику, но и комплексные решения автоматизации процессов предприятия. Например, интеллектуальную информационно-аналитическую систему для цифрового растениеводства разработали специалисты АО «НИИИТ» («Росэлектроника»). Система позволяет агропредприятиям и фермерам перейти к рациональному использованию удобрений, исходя из потребностей конкретного участка поля.

На основе данных химического анализа почвы составляется так называемая «цифровая карта» сельхозугодий. Аграриям выдаются рекомендации по оптимальной высадке сельскохозяйственных культур, количеству и типу удобрений и средств защиты растений, подготовленные с учетом состояние почвы. Затем карты-задания получает умная сельскохозяйственная техника – сеялки, опрыскиватели, разбрасыватели. Этим ИТ-инструментарием фермеры могут управлять через свой личный кабинет. В нем отображаются все созданные системой полевые журналы и рекомендации, а о проведении тех или иных работ напоминают уведомления, приходящие на мобильный телефон.

Умная техника

Согласно данным исследования компании Statista о состоянии рынка искусственного интеллекта (ИИ) в 2021 г., отмечается, что рынок коллаборативных роботов вырастет более, чем в два раза к 2026 г.

Прогноз роста рынка коллаборативных роботов 2020-2026г.

Источник: Statista, РБК

Например, в Усть-Луге Ленинградской области в строительстве производственного комплекса по переработке этансодержащего газа принимают участие роботы-собаки, самоходные платформы, конвертопланы и дроны. Их задача – сканировать, фотографировать, снимать видео, а затем обрабатывать информацию и передавать данные на специальную цифровую платформу. Все это необходимо для того, чтобы в режиме реального времени осуществлять контроль сроков, объемов и качества выполняемых работ.

Источник: it weekly, январь 2022 г.

Умное ПО способно сравнивать используемые материалы с теми, что указаны в смете, умеет считать количество рабочих на площадке, а также контролирует соблюдение каждым из них правил безопасности (наличие каски на голове и т.п.).— если сотрудник не использует, например, каску, цифровой контролер это заметит. Все собранная информация консолидируется: рабочие участки с оборудованием, десятки технологических процессов, сотни компаний-подрядчиков и тысячи сотрудников – объединяются в одном цифровом пространстве. Вся собранная информация обрабатывается в аналитической системе, которая автоматически формирует сводную аналитику и разнообразные отчеты: по смонтированным конструкциям, используемым материалам, плановым срокам и другим параметрам. В государственной инспекции Москвы по недвижимости проходит испытания робособака. Ее задача – выявление имущественно-земельных нарушений.

Источник: it world, декабрь 2021 г.

Роботизированная система, выполненная в виде небольшой дружелюбной собаки, оснащена GPS-модулем, лидаром (световым радаром, измеряющим расстояния) и встроенной видеокамерой. Она может развивать скорость до 11 км/ч и с помощью лидара формировать точную трехмерную карту окружающего пространства. Таким образом, госинспекция получает возможность удаленно и без участия людей проводить замеры объектов недвижимости. Встроенная камера дает возможность вести видеотрансляцию в режиме онлайн.

Умное устройство обладает способностями к обучению: ее обучают навыкам перемещения по заданным маршрутам и проведению фотовидеофиксации. В течение текущего года оно будет проходить испытания в реальных городских условиях. На заводе «КАМАЗ» успешно прошел испытания российский робот-манипулятор А12, изготовленный казанской компанией Eidos Robotics. Робот трудился на прессово-рамном заводе на участке сварки, где, как сообщает «Вестник КАМАЗа», он выполняет месячную норму работ за одну-две недели.

Российский робот-манипулятор «Эйдос» занят сваркой кронштейна гидрозамка кабины

Источник: it weekly, март 2022 г.

В цехе на шасси смонтирована полноценная роботизированная ячейка и поворотный стол, где ведется электродуговая сварка с подачей проволоки в режиме полуавтомата. Задача рабочего на этом участке – только закреплять очередную заготовку на поворотном столе.

На рабочем месте робота предусмотрена фотозащита: если сотрудник пересечет периметр рабочей зоны, очерченный желтой линией, работа всей системы блокируется.

Пермская компания «Промобот», российский производитель автономных  сервисных роботов, создала кибер-кафе, где антропоморфный робот-кассир «Дуняша» предлагает посетителям мороженое, кофе и другие напитки, поддерживая при этом беседу.

Человекоподобный электронный продавец создан на базе модели дроида Robo-C-2, которую компания «Промобот» представила в январе 2022 г. В этой модели использованы сервоприводы нового типа, что позволяет роботу с помощью ПО регулирования микромимики более ярко выражать эмоции. Используется также новая технология изготовления силиконовой кожи, что позволяет ей обладать большей эластичностью. Кроме того, у Robo-C-2 – новые гиперреалистичные глаза. Достигнутый уровень «человекоподобия» позволил реализовать робота в образе реальногог человека: прототипом «Дуняши» стала первая «Миссис Пермь 2014» Диана Габдуллина.

У «Дуняши» есть свой характер и манера общения. Во время ожидания заказа она может поддержать разговор, рассказать сказку или предложит сделать совместное селфи. ПО робота включает целый спектр развлекательно-познавательных интерактивных навыков.

Источник: компания «Промобот», 2022 г.

Возьмите к примеру процесс выплавки стали. Это сложный процесс, связанный с химией, физикой, термо- и гидродинамикой,- рассказывает Ярослав Шмулев.- Чтобы создать математическую модель, нужны металлурги, физики, математики, которые изучат процесс и сделают честную модель.

Источник: https://www.tadviser.ru/