Тяжелый интеллект
Цифровые двойники постепенно становятся рабочим инструментом в промышленности
Промышленные компании все чаще рассматривают предиктивную аналитику и цифровые двойники не как эксперимент, а как реальный способ снизить аварийность, сократить простои и перейти от плановых ремонтов к обслуживанию по фактическому состоянию. Но в реальном производственном контуре такая система зависит не только от алгоритмов: ей нужны датчики, стабильная сеть, качественные данные и интеграция с уже работающими системами сбора данных и управления производственными процессами. Без этого ИИ не успевает увидеть отклонения до поломки, а цифровой двойник остается презентационной моделью, не связанной с цехом.
Фото: Александр Коряков, Коммерсантъ
Фото: Александр Коряков, Коммерсантъ
Данные в реальном времени
На предприятиях уже внедряются MES, SCADA и ERP, IoT-датчики для мониторинга состояния оборудования и системы технического зрения для контроля качества продукции, говорит директор по отраслевым решениям для машиностроения «К2Тех» Евгений Васильев. По его словам, мониторинг в реальном времени позволяет исключить плановый ремонт, сократить простои и повысить эффективность производства. Цифровой двойник в этой логике становится следующей ступенью: он использует тот же поток данных, но добавляет к нему уровень прогнозной аналитики.
ИИ-помощники анализируют массивы производственных данных, подсказывают оптимальные режимы работы или предсказывают износ инструмента, добавляет господин Васильев. В промышленном контуре это позволяет заранее видеть риск отказа оборудования, снижать простои и повышать качество продукции.
При этом требования к данным зависят от процесса. Партнер Kept, руководитель департамента инжиниринга Игорь Коротецкий говорит, что данные в реальном времени критичны для противоаварийной защиты, контроля режимов работы технологического процесса и управления динамическими объектами. Но для части задач предиктивной аналитики, по его словам, можно собирать данные офлайн с корректными логами и затем подгружать их в систему.
Начальник отдела АСУ ТП инженерной компании «Уралэнерготел» Андрей Шайдуров уточняет, что в быстрых процессах нестабильная сеть означает уже не просто задержку, а искажение данных: «Цепочки событий неверно выстраиваются по времени, реальные закономерности искажаются, и последующая аналитика строится на ложных данных».
Любой сбой или задержка в поступлении данных с оборудования напрямую влияет на корректность работы систем мониторинга, планирования ремонтов и расчета себестоимости продукции, подтверждает Евгений Васильев. Если данные поступают нестабильно, система может не успеть зафиксировать отклонения от нормы за несколько дней или часов до поломки и подать сигнал о необходимости обслуживания или замены узла. В таком случае предприятие фактически возвращается к менее эффективным регламентным ремонтам. Поэтому на таких предприятиях важна сеть.
Технология Private LTE в этой схеме выступает одним из вариантов защищенной и предсказуемой беспроводной инфраструктуры для IIoT-устройств, мобильного оборудования и распределенных площадок, говорит господин Васильев. Андрей Шайдуров также называет Private LTE надежным способом держать стабильную связь с транспортом и спецтехникой.
От пилота к стандарту
Экономика таких проектов обычно считается через предотвращенные простои и аварии. Эксперты не называют универсальную стоимость часа остановки критичного оборудования: она зависит от отрасли, типа линии и роли конкретного узла в производственном процессе. «Сокращение простоев и аварий является одним из главных и быстрых эффектов при внедрении цифрового мониторинга», — подчеркивает господин Васильев. По его словам, система видит отклонения от нормальных режимов работы оборудования до поломки и подает сигнал, что его пора обслужить или заменить.
Но не каждый проект с датчиками, сетью и ИИ автоматически становится промышленным стандартом. Андрей Шайдуров отмечает, что такие решения пока могут оставаться «красивой презентацией», потому что технологии новые, требуют вложений и в некоторых обстоятельствах все же нестабильны. Иными словами, эффект появляется там, где есть понятная производственная задача, качественные данные, стабильный канал связи и расчет экономии.
Чтобы цифровые двойники вышли за пределы отдельных участков, предприятиям нужно менять весь контур данных. По словам Евгения Васильева, ключевыми барьерами для их внедрения остаются неготовность IT-инфраструктуры, разрозненные системы, низкое качество данных и дефицит квалифицированных кадров. Господин Шайдуров добавляет, что для масштабирования нужны кадры, стандарты и готовность вкладываться в создание таких систем.
Для действующих промышленных объектов цифровые двойники могут стать стандартом только через постепенную и систематизированную цифровизацию по мере модернизации производственных мощностей и обновления парка техники и оборудования, говорит Игорь Коротецкий. При этом, по его словам, цифровое пространство должно подтвердить экономическую эффективность с учетом высокой стоимости внедрения, затрат на поддержание и постоянную модернизацию.
По словам директора по искусственному интеллекту и цифровым продуктам «Билайна» Константина Романова, чтобы цифровые двойники и предиктивная аналитика перестали быть пилотными проектами и стали стандартом для промышленности, нужны три вещи. Первое — тотальная оцифровка не только данных с оборудования, но и всех косвенных факторов, которые на него влияют: графиков работы, логистики, внешних условий. Без этого модель не увидит полной картины. Второе — передача данных в режиме реального времени. Предиктивная аналитика работает только на живом потоке, а если данные приходят с задержками или фрагментарно, любая ML-модель бесполезна, подчеркивает собеседник. И третье — системный, а не точечный подход к внедрению ИИ.
В «Билайне» этот подход уже применяют на собственной инфраструктуре. «Наш ИИ-агент для диагностики телеком-оборудования уже сегодня в 47% случаев действует без участия инженера, а общее время обработки инцидента сократилось в 7 раз. Это стало возможным именно потому, что мы оцифровали данные, настроили онлайн-сбор и обучили модели на многолетней истории инцидентов, — говорит Константин Романов. — Когда бизнес перестанет воспринимать ИИ как эксперимент и начнет комплексно решать эти задачи, тогда отрасль перейдет от пилотов к промышленной эксплуатации».