Анализ данных производственного процесса в реальном времени: инновационная аналитическая платформа с использованием технологии искусственного интеллекта компании Sight Machine Inc.

Введение

Парадокс современного производства заключается в том, что промышленные предприятия становятся все более высокоавтоматизированными, но при этом в подавляющем большинстве случаев они не превращаются в высокотехнологичные производства. Компании инвестируют средства в системы Enterprise Resource Planning (ERP), Manufacturing Execution System (MES) и Supervisory Control And Data Acquisition (SCADA), вспомогательные системы Advanced Planning & Scheduling (APS), Laboratory Information Management System (LIMS), Customer Experience Management (CEM), Enterprise Asset Management (EAM), Business Process Management (BPM), Product Lifecycle Management (PLM), Quality Management System (QMS) и Business Intelligence (BI). Но каждая из этих систем дает лишь частичное представление о том, что происходит в целом на предприятии, а интеграция систем между собой оставляет желать лучшего. Причина заключается в неоднородности и разноформатном наборе данных, поступающих для анализа, процесс совокупной обработки которых требует значительного времени и имеет сложную структуру, что в итоге не позволяет корректно моделировать процесс производства в реальном времени. В условиях глобализации экономики предприятия, составляющие единую производственную цепочку, могут иметь значительные географические различия, что еще более усложняет процесс контроля за производством и анализа данных в режиме реального времени.

Решением проблемы неоднородности данных является применение технологии искусственного интеллекта (ИИ) для консолидации и централизованной потоковой обработки производственной информации. В настоящее время одной из самых передовых разработок в этой области является платформа североамериканской компании Sight Machine Inc. Целью исследования является анализ принципа работы и отличительных особенностей этой разработки.

Научно-технологическая новизна решения, предложенного компанией, заключается в интеграции использования промышленного Интернета вещей Industrial Internet of Things (IIoT) для сбора информации и технологии ИИ для унификации и совокупной обработки входящих данных. Объединение общей платформы вычислений и облачных технологий, позволяет использовать разработку в любой производственной отрасли и вертикали для анализа показателей в режиме реального времени. Платформа Sight Machine Inc. уже развернута некоторыми из крупнейших мировых промышленных производителей и используется уже в 15 производственных секторах, включая автомобилестроение, упаковку, целлюлозно-бумажную промышленность, продукты питания и напитки, производство медицинских устройств, электроники и стекла, а также в других отраслях [1].

Принцип работы и отличительные особенности решения Sight Machine

Ключевым компонентом решения является запатентованный механизм системы извлечения, преобразования и загрузки данных Extract, Transform, Load (ETL) на основе использования ИИ AI Data Pipeline [2].

Потоковый сбор структурированных и неструктурированных данных для обработки начинается непосредственно из датчиков системы автоматизации, программируемых логических контроллеров Programmable Logic Controller (PLC), архиватора или систем контроля и фиксации и других вспомогательных систем. Подготовка данных к анализу, включая их уточнение и очистку, смешивание и объединение, а также семантическую контекстуализацию, происходит с использованием ИИ AI Data Pipeline, который непрерывным потоком объединяет и одновременно анализирует необработанные данные из различных систем и источников, таким образом обеспечивая комплексный онлайн-мониторинг производственных процессов. Платформа поддерживает открытые стандарты, такие как Open Platform Communications Unified Architecture (OPC UA) и Manufacturing Technical Standard (MTConnect), и имеет агностическую архитектуру, обеспечивающую легкую интеграцию со всеми основными платформами «Интернета вещей», промышленными ИТ-системами и приложениями [3].

Преобразование входящих данных в стандартные для платформы единицы информации происходит с использованием подключаемых модулей Application Programming Interface (API), которые позволяют использовать существующую инфраструктуру сбора данных производственного предприятия для загрузки в формате Representational State Transfer (REST) / JavaScript Object Notation (JSON) [4]. REST служит для передачи репрезентативного состояния данных и опирается на клиент-серверную кэшируемую связь без сохранения состояния и используется с протоколом Hypertext Transfer Protocol (HTTP). Это стиль архитектуры программного обеспечения, который используется для построения распределенных масштабируемых веб-сервисов. JSON – общий формат для представления значений и объектов, самый распространенный среди форматов для обмена между современными приложениями.

Для превращения необработанных данных в практическую информацию требуются четыре уровня обработки:

• сбор данных из географически распределенных источников;

• объединение разрозненных потоков данных в производственные модели, обеспечивающие значимый анализ;

• проведение анализа;

• отображение результатов в формате, обеспечивающем понимание и действия.

Например, для уменьшения количества дефектов в процессе платформа собирает неограниченные потоки данных о переменных, таких как температура окружающей среды, давление пресса и скорость конвейера, преобразовывает их в стандартные единицы, объединяет и назначает данные для определенных деталей или партий изделий, определяя, коррелирует ли статистически какая-либо из этих переменных с более высоким уровнем дефектов [5].

Разработка Sight Machine может быть интегрирована с облачной платформой Microsoft Azure для IIoT, принимающей поток данных с контроллеров PLC и других модулей, и систем сбора информации (рис. 1).

Рисунок 1. Схема интеграции решения компании Sight Machine с облачной платформой Microsoft Azure

Источник: Microsoft Azure.

Azure IoT Hub и Azure Stream Analytics обрабатывают данные в режиме реального времени и сохраняют их в хранилище Azure Blob Storage. ИИ AI Data Pipeline динамически интегрирует эти данные с другими источниками данных информации о производственном процессе, включающими в себя данные из систем ERP, MES и SCADA, данные ERP из Dynamics AX, аналитические выводы, сгенерированные сервисом машинного обучения Azure’s Machine Learning Service и HDInsight и хранящиеся в Azure’s Data Likes. Объединение всех данных позволяет создать на платформе Sight Machine цифрового двойника (digital twins) всего производственного процесса. Инструменты аналитики и визуализации, встроенные в платформу, используют этого цифрового двойника для предоставления информации в режиме реального времени, а интеграция с Azure Active Directory гарантирует получение бесперебойного доступа к нужным данным и инструментам анализа [6] (Tamburini, 2019).

В 2018 году Sight Machine на основе аналитической платформы Manufacturing Analytics развернула два новых продукта FactoryTX Edge и FactoryTX Cloud, которые обеспечили быстрое развертывание и централизованное управление данными IIoT на нескольких предприятиях [7]. В декабре 2019 года компания Sight Machine Inc. объявила о выпуске платформы производственных данных нового поколения Manufacturing Data Platform (MDP). Платформа использует аналитику данных в реальном времени и ИИ, чтобы выйти на новый уровень непрерывного процесса улучшения Continual Improvement Process (CI) и добиться быстрого и конкретного повышения производительности, прибыльности и устойчивости производственных компаний. Совершенствуя агрегацию данных и аналитику, платформа MDP содержит функции подключения потоковой обработки данных и общесистемного производственного моделирования, на основе данных применяемых в разных отраслях. Новая архитектура MDP поддерживает быструю масштабируемость решения по всей производственной сети, предоставляет описательную аналитику происходящих процессов, прогнозную аналитику ожидаемого качества и выхода партии в производстве, а также предписывающую аналитику, содержащую рекомендации по оптимальным настройкам производственного оборудования для повышения качества и выпуска продукции, а также предупреждения о том, что нужно изменить, чтобы предотвратить дефекты или простои [8] (Neil, 2020).

Платформа MDP имеет три слоя обработки производственных данных:

1. Программное обеспечение для сбора производственных данных, которое собирает и объединяет их в одном хранилище.

2. Потоковый конвейер данных, который непрерывно обрабатывает, преобразует и смешивает данные датчиков, генерируемые в режиме реального времени.

3. Стандартизированные, настраиваемые производственные модели, в которые смешанные данные направляются для цифрового моделирования конкретного производственного процесса от начала до конца [9].

Наряду с платформой MDP компания также объявила о доступности готовых шаблонов промышленных решений для таких отраслей, как производство бумаги и ткани, упаковки и химикатов. Эти решения специально разработаны для оборудования, процессов и продукции, специфичных для каждой отрасли, включая инструменты прогнозного и предписывающего анализа, необходимые для реализации инициатив по непрерывному совершенствованию в масштабах всей системы. Опираясь на эти первые три сектора промышленности, Sight Machine разрабатывает решения для других отраслей производства [10]. В октябре 2020 года компания представила включение в решение двух новых функций: Key Performance Indicators (KPI) для измерения ключевых показателей эффективности в реальном времени и Golden Run для расчета и моделирования (рис. 2) [11]. Golden Run представляет собой алгоритм ИИ и машинного обучения, который использует данные для определения наилучшего способа производства любого продукта. Функция работает на основе механизма готовых решений-рецептов Recipes and Cookbooks для предоставления точных инструкций по эксплуатации Golden Run с учетом множества сценариев и контекста. Новые усовершенствования позволяют решить задачу обеспечения производственного цикла предписывающей аналитикой, заранее рекомендуя настройки и процессы, необходимые для достижения максимальной производительности в постоянно меняющихся условиях [12, 13] (Neil, 2020).

Рисунок 2. Обновленный интерфейс платформы с настраиваемой аналитикой данных KPI

Источник: Sight Machine.

Примеры результатов интеграции и повышения производительности

В конце 2019 года ведущий мировой производитель магнитной проволоки, канадская компания Superior Essex Inc. [14] приняла решение об использовании платформы Sight Machine на одном из своих заводов в Латинской Америке для повышения общей эффективности оборудования Overall Equipment Effectiveness (OEE).

Производство было полностью подключено к онлайн-платформе, когда кризис, связанный с пандемией коронавируса COVID-19, охватил промышленный сектор в мировом масштабе. Завод был частично остановлен, поэтому даже настройка аналитической платформы была выполнена в режиме удаленного доступа. Руководство компании было уверено, что и до интеграции обладало точными параметрами OEE предприятия, однако полученные данные и моделирование, выполненные новой платформой Sight Machine, продемонстрировали, что старые показатели OEE не соответствуют новым фактическим результатам анализа.

После снятия карантинных мер и возобновления работы завода в полном объеме на производстве за два месяца произошло четырехкратное улучшение OEE по сравнению с базовым показателем, что намного превышало первоначальную цель. В 80% заводских печей, которые используются для вулканизации магнитной проволоки, производительность улучшилась на 7–9% процентов. Кроме этого, аналитическая платформа диагностировала более десятка переменных, которые могут повлиять на количество брака при производстве магнитной проволоки. Была построена аналитика прогнозирования дефектов, которая определяет, когда производственное оборудование может произвести брак в течение 10-минутного интервала времени, а затем уточняет причину возможного возникновения этого дефекта [15] (Urquhart, 2020).

Другим реальным примером внедрения решения на основе аналитической платформы Sight Machine является построение digital twin завода Sriperumbudur для крупнейшей индийской компании Asian Paints, выпускающей лакокрасочные материалы и входящей, по оценке журнала Forbes в 2017 году, в состав 10 самых инновационных компаний в мире [16]. Развертывание решения и построение digital twin имело две цели: повышение производительности завода и более эффективное использование ресурсов в соответствии с основной миссией компании в области устойчивого развития. Основной целью внедрения являлось сокращение времени производственного цикла. В течение 60 дней после создания цифрового двойника длительность производственного цикла сократилась на 7% [17]. Кроме этого, сотрудники компании Asian Paints, работающие с платформой Sight Machine, только на заводе Sriperumbudur выявили 41 потенциальную возможность для дополнительного повышения производительности с использованием шаблонов данных [18].

Решения Sight Machine обеспечивают цифровую трансформацию производства, которую компании из списка Global 500 используют для принятия более эффективных и быстрых решений в отношении своей деятельности. Платформа аналитики Sight Machine, специально созданная для дискретного и непрерывного производства, использует искусственный интеллект, машинное обучение и расширенную аналитику для решения критических проблем в области качества и производительности на предприятии. Продукты компании оптимизированы для работы на основных облачных платформах, включая Microsoft Azure, Google Cloud Platform и Amazon Web Services [19].

В 2019 и 2020 годах Sight Machine Inc. вошла в мировой рейтинг Global Cleantech 100 как одна из самых инновационных и перспективных компаний, готовых оказать влияние на рынок и будущее глобальных отраслей промышленности в ближайшие пять-десять лет [20].

Заключение

Проведенное в работе исследование показало, что разработанная Sight Machine Inc. платформа позволяет анализировать и оптимизировать многоступенчатые производственные процессы в режиме реального времени, а ИИ как ключевой элемент разработки дает возможность обеспечить переход от описательной аналитики к рекомендательной.

По мнению авторов, дальнейшие перспективы развития системы будут связаны с совершенствованием глубокого обучения платформы на основе данных широкого перечня отраслей промышленности, что позволяет сделать вывод о возможности использования платформы в качестве универсального инструмента для построения умных производств, являющихся неотъемлемой частью Индустрии 4.0