Форсайт сессия под названием «Индустрия 4.0 в химической промышленности», состоялась в рамках самой масштабной выставки химической отрасли «Химия-2018». Событие было посвящено обсуждению особенностей цифровой трансформации химических предприятий. На событии собрались ведущие представители отрасли и эксперты по цифровизации, которые совместно обозначили текущую ситуацию в химической промышленности и наметили пути цифровой трансформации отрасли.
В докладе генерального партнера выставки «Химия-2018» компании «Уралхим», директор по закупкам Дмитрий Бояркин, обозначил, что отрасль еще не завершила выполнение программы третьей промышленной революции, на многих предприятиях все еще существует практика ручного рутинного труда, а значит этап развития и популяризации автоматизации продолжается. В частности, на «Уралхиме» большой шаг в автоматизации был сделан при помощи внедрения продукта SAP Ariba, автоматизирующего управление закупками, поставщиками и взаимодействием с партнерами.
Светлана Ломоносова, руководитель центра экспертизы решений для бизнеса SAP, рассказала в своем докладе о дорожной карте к «Интеллектуальному предприятию», подтверждая теорию многочисленными практическими примерами. В своем докладе Светлана обозначила мировые тренды применения технологий для капитализации бизнеса, сделала обзор уже применяющихся технологий на примерах зарубежных и российских компаний.
Особенно ярким подтверждением того, что будущее уже наступило стал рассказ об инновационном роботизированном заводе по мясопереработке группы «Черкизово» в Кашире, завод полностью построен по философии Индустрии 4.0 и запущен в промышленную эксплуатацию в середине мая 2018 года. Люди не участвуют в процессе производства и не касаются продукции. Полный цикл автоматизации производственных процессов и контроль над заводом обеспечивают решения SAP.
Тем не менее материалы сессии и проявленный к ним интерес слушателей наглядно показали, что потребность предприятий химической промышленности в современных технологиях автоматизации пока что удовлетворена далеко не полностью. Обсуждавшаяся в докладе Александра Бейдера, директора по развитию направления ECM и цифровых технологий TerraLink, платформа для автоматизации рабочих процессов Kapow производства Kofax, пока еще не нашла достойного применения на нашем рынке, однако ее перспективы и выгоды очевидны.
Kapow обеспечивает автоматизацию рабочих процессов на основе использования технологий программных роботов (Robot Process Automation, RPA). Суть RPA состоит в том, чтобы имитировать работу сотрудника при его взаимодействии с разнородными информационными системами. Тем самым эти, ранее разрозненные, системы могут быть интегрированы и между собой, и в единое корпоративное информационное пространство, причем, без реализации традиционных дорогостоящих и длительных проектов. Более того, такой подход может оказаться единственно возможным, если интеграция корпоративных приложений с помощью API (Application Program Interface, программный интерфейс приложений) невозможна по техническим, экономическим, организационным, или каким-либо другим причинам.
Пока еще программные роботы недостаточно интеллектуальны для того, чтобы самостоятельно реагировать на изменение требований обработки, однако, они уже вполне способны использовать алгоритмы самообучения при работе с текстами исходных документов и отрабатывать изменения в экранных формах целевых приложений. В перспективе, они, очевидно, смогут полноценно реализовывать все больше функций систем класса AI (Artificial Intelligence, искусственный интеллект), однако уже сегодня технологии RPA смогут радикально сократить себестоимость рабочих процессов, снизить продолжительность рабочего цикла, гарантируя практическое отсутствие ошибок и высочайшее качество обработки информации.
Впрочем, специалисты осваивают и более сложные технологии автоматизации с помощью алгоритмов машинного обучения, о чем рассказали в своем докладе эксперты компании TerraLink Павел Смирнов и Вадим Садретдинов. По заказу одной нефтехимической компании они разработали информационную систему на основе модели предсказания, которая заблаговременно определяет вероятность выхода из строя электродвигателей для прогнозирования сбоев в работе оборудования. В качестве источника данных для модели предсказания было выбрано наиболее популярное производственное решение – инфраструктура данных реального времени PI System компании OSIsoft.
Модель реализована на базе Microsoft Machine Learning. Специалисты разработали специальный интеграционный сервис, который осуществляет двустороннюю связь между инфраструктурой данных PI System и моделью. Сервис считывает текущие данные из PI System, передает их в модель, модель рассчитывает на основе этих данных вероятностные показатели и сервис возвращает их обратно в PI System, чтобы для анализа этих показателей можно было использовать все механизмы платформы PI, которые уже знакомы и инженерам, технологам и ИТ–специалистам. В этом случае не нужно нового сложного обучения, т.е. в уже существующей информационной системе появляется еще один вероятностный параметр, который можно использовать напрямую или косвенно для принятия решений.
Таким образом, сложная задача внедрения предиктивных показателей сводится всего лишь к простой задаче построения модели. О возможностях платформы управления данными в реальном времени с помощью инфраструктуры данных PI System, а также о том, как правильно собирать данные реального времени и использовать их в построении эффективных бизнес-моделей, рассказал в своем докладе на конференции Илья Трунов, директор по работе с заказчикми OSIsoft.
Предсказания, основанные на связке PI Vision и Microsoft Azure Machine Learning Studio, оказались достаточно точными, что позволяет говорить о возможности реализации данного проекта в качестве основы для систем прогнозирования сложных отказов оборудования и своевременной подготовки к ним, а это уже можно отнести к сервисам Индустрии 4.0. Используемые в проекте компоненты являются хорошо масштабируемыми, однако для каждого конкретного случая обучение нейронной сети придется проводить отдельно, поскольку при простом переносе обученной модели в другие условия она, возможно, будет вести себя некорректно.
Таким образом, для создания подобной системы предсказания сбоев в сложных технологических процессах требуются специалисты по машинному обучению, которым придется настроить необходимые для предсказания модели, провести их обучение на исторических данных и внедрить все модели в промышленную эксплуатацию. При этом, т.к. в процессе эксплуатации изнашивается оборудование, меняются внешние условия или технологический процесс, необходимо периодически переобучать модели в соответствии с новыми условиями.
