Книга «ИНДУСТРИЯ 4.0: Умные технологии – ключевой элемент в промышленной конкуренции». Часть 9. Развитие аналитических систем

Автор: Евгений Липкин, генеральный директор «Остек-СМТ»

Наиболее привычными формами сбора информации, необходимыми для принятия управленческих решений, являются проведение производственных совещаний и изучение многостраничных аналитических отчётов. По мере роста предприятий, усложнения бизнес-процессов и увеличения требований к скорости принятия решений традиционные подходы начали себя изживать и вытесняться новыми. Привычные методы, основанные на анализе истории за прошлый день (неделю, месяц, год и т.д.), не позволяют в широком ряде вопросов получить необходимые качество и скорость реакции, что критическим образом может повлиять на результаты работы предприятия.

Современные технологии управления производственными процессами, кроме прочего, ориентированы на то, чтобы предоставить управленцам возможность принятия решений и реализации тех или иных действий с максимально возможной скоростью и на основе максимально полной информации.

В основе решения этих задач лежит развитие автоматических аналитических систем.

Развитие аналитических систем

На сегодняшний день развитие сфокусировано главным образом на средствах предиктивной (прогнозной) и рекомендательной аналитики, но для понимания логики развития аналитических систем расскажу обо всех поподробнее. Тем более каждый предыдущий уровень автоматизации аналитических систем является основой для перехода на следующий.

Описательная аналитика

По мере развития предприятия и усложнения бизнес-процессов увеличивается количество информации, которая остаётся в тени и никак не используется в процессе принятия решений. В англоязычной деловой литературе данную информацию обозначают термином Dark data (англ. «тёмные данные»). По мере развития предприятия массив информации, касающейся его деятельности, без использования средств автоматизированной обработки данных будет увеличиваться подобно снежному кому, катящемуся с горы.

Цифровизация производственных процессов открывает дополнительные возможности для анализа, для реализации которых необходимо обеспечить сбор и обработку максимального количества значимой информации. Когда мы говорим про описательную аналитику, мы предполагаем построение четкой картины, описывающей состояние основных и вспомогательных бизнеспроцессов, прямо или косвенно влияющих на эффективность бизнеса.

В техническом плане это сводится к тому, что необходимо фиксировать каждую значимую операцию или изменение и сохранять подробную информацию об этом событии. Для этого может потребоваться техническое дооснащение производства различными системами, позволяющими фиксировать необходимые события.

Примерами таких значимых событий могут являться:

  • выполнение технологической операции по отношению к заготовке номер N;

  • изменение настроек оборудования;

  • изменение температуры в производственном помещении;

  • прохождение контрольной операции;

  • изменение давления в сети сжатого воздуха;

  • поступление комплектации на склад и многое другое.

Как результат, сотрудники предприятия могут в любой момент получить информацию о том, что происходило в течение рабочей смены или другого временного периода на интересующем их участке, о том, что произошёл тот или иной сбой в производственном процессе, или о том, какова текущая производительность производственной линии.

В случае возникновения тех или иных проблем на производстве у персонала будет достаточно информации для того, чтобы выявить причину проблемы и предпринять корректирующие и предупреждающие действия. Однако времени на это может уйти много, так как вся информация представлена в виде огромного количества таблиц, установление причинно-следственных связей между которыми может оказаться непосильной или крайне трудозатратной задачей.


Пример системы описательной аналитики, формирующей большое количество таблиц и диаграмм

Диагностическая аналитика

Сокращению трудозатрат способствует автоматизация поиска причинно-следственных связей для различных событий или диагностическая аналитика. Она может быть задействована для выявления источника возникновения дефектов продукции, обнаружения причины неисправности оборудования или анализа факторов, которые привели к снижению эффективности.

Диагностическая аналитика является автоматизацией последовательности действий, которые обычно выполняет человек для установления тех или иных отклонений, которые привели к проблеме. В традиционном понимании таких систем алгоритм поиска первопричины проблемы жёстко определён набором правил и условий, а схема возможных причинно-следственных связей может быть формализована, например, с помощью диаграммы Исикавы. Современные решения на основе нейронных сетей позволяют намного гибче реализовать решение задачи поиска ответа на заданный вопрос благодаря возможности обучения и развития системы.

Рассмотрим применение диагностической аналитики для указанных примеров.

Поиск причины дефектов

Типовая задача диагностической аналитики. Для её реализации необходимо наличие полноценной системы прослеживаемости продукции, с помощью которой фиксируется вся история производства, включая параметры технологических и результаты контрольных операций, информацию об используемых материалах и сведения о персонале, задействованном на разных этапах производства.

Для каждого типа дефектов существует иерархия возможных причин. Путём анализа факторов, которые могут привести к имеющимся дефектам, в автоматизированном или полуавтоматическом режиме можно установить те или иные закономерности. Например, может быть связь между партией некачественной комплектации и возникновением брака или помехами в работе оборудования, которые привели к нарушению технологических режимов, что в итоге дало негативный результат.

В ряде случаев ответа с помощью автоматических средств может не найтись. Но рано или поздно человек обычно находит решение задачи. Всё-таки вопрос повышения качества в определённой степени творческий. Для того чтобы аналитическая система не отставала от человека, необходимо реализовать возможность обучения или самообучения системы. В этом случае в процессе выявления новых ресурсов повышения качества и возникновения новых, ранее не проявлявшихся проблем система сможет их взять на заметку и учитывать в будущем.

Обнаружение причины неисправности оборудования

Также типовая задача, которая уже имеет массу примеров реализации. Современное оборудование оснащается мощными средствами самодиагностики, что даёт возможность в случае поломки однозначно идентифицировать неработающий узел и выдать код ошибки.

Полноценный поиск неисправностей может быть реализован только при наличии полноценной вычислительной сети, элементами которой являются узлы, которые могут потенциально выйти из строя, и вспомогательные датчики, которые позволяют оценить состояние систем в случаях, если отдельный элемент сети не реагирует на запросы управляющего компьютера или требуется дополнительная информация. Примером такой сети является проводная сеть CAN (англ. Controller Area Network – «сеть контроллеров»), широко применяемая в автомобилестроении и системах «умный дом».

Для сложного оборудования и систем важность поиска неисправности сложно переоценить, так как своевременное выявление поломки позволяет оперативно ее устранить и избежать длительных простоев. Для решения этой задачи необходимо не забыть о реализации возможностей передачи данных на диспетчерский пульт или пульт управления системой.


Система Schaeffler для сбора данных с сенсоров, интегрированных почти во все точки приложения нагрузок, связанные с работой станка. Показания датчиков отслеживают вибрации, нагрузки, температуру и давление, позволяя получать объективную информацию о состоянии оборудования

Особенно актуально решение данной задачи для труднодоступных систем, находящихся на удалённом расстоянии.

Поиск причин снижения эффективности оборудования

Поиск причин снижения эффективности работы оборудования является намного более нестандартной и сложно поддающейся структурированию задачей, чем поиск причины возникновения дефектов.

Зависимость от отдельных факторов может быть легко установлена. Например, могут быть проанализированы причины простоев или зависимость показателей эффективности от времени суток. Однако многоуровневый анализ факторов, влияющих друг на друга, является сложно реализуемой задачей, в том числе и благодаря высокой степени зависимости показателей производственной эффективности от человеческого фактора.

Например, на прошлой неделе система могла показать, что оператор Иванов негативным образом повлиял на эффективность работы оборудования, а на этой неделе Иванов в числе ударников производства. Причин таких метаморфоз может быть масса, и аналитическая система никак не может отслеживать факторы, напрямую влияющие на человека. Однако своевременно просигнализировать о том, что конкретный сотрудник не в лучшей форме, вполне возможно. В частности, примером многофакторного анализа поведения человека является система распознавания усталости водителя, применяемая сегодня в большинстве современных автомобилей.


Система распознавания усталости Bosch непрерывно анализирует поведение водителя с помощью анализа угла поворота рулевого колеса или электрического усилителя рулевого управления. Система выявляет шаблоны, типичные для состояния усталости, и регистрирует любые резкие небольшие движения руля. Также система учитывает время нахождения за рулём и время суток. Система может распознать признаки усталости или заблаговременно предупредить водителя с помощью звуковых и визуальных сигналов

Факторов, влияющих на эффективность работы оборудования, огромное множество. К тому же предприятие в определенной степени подобно живому организму и факторы, которые имели значения вчера, завтра могут потерять своё влияние, и наоборот. Это предъявляет к аналитической системе, решающей задачи на таком уровне, высокие требования по адаптации к постоянно изменяющимся бизнес-процессам и условиям.

Современные BI-системы (англ. Business Intelligence – «бизнес-аналитика») и MES-системы позволяют структурировать информацию, но они не в состоянии в автоматическом режиме ответить на многие вопросы, связанные с эффективностью внутренних процессов предприятия. Возможно, благодаря этому управлением производственными компаниями до сих пор занимаются люди, а не компьютеры. Но по мере развития технологий искусственного интеллекта всё больше и больше аналитических задач, не имеющих сегодня решения, будет автоматизировано.

Пример с анализом эффективности оборудования подвёл нас к черте, за границей которой аналитическая система перестаёт просто опираться на факты, она начинает участвовать в принятии решений. Даже анализ эффективности отдельных бизнес-процессов является примером делегирования автоматизированной системе части управленческих функций.

Прогнозная (предиктивная) аналитика

Качественная аналитика крайне важна для принятия взвешенного решения и реализации корректной последовательности действий. Но кроме качества существует ещё и фактор времени. Несвоевременная аналитическая информация может привести к выходу оборудования из строя, изготовлению огромной партии бракованной продукции, затратам на экстренное устранение последствий запоздалой реакции или ошибкам планирования производства. К тому же, как говорилось в первой главе книги, сегодня скорость принятия решений становится всё более важным фактором конкурентной борьбы.

На фоне стремления избежать задержек в принятии решений сформировался отдельный класс аналитических систем, ориентированных на прогнозирование. Данные системы называют системами прогнозной, предсказательной или предиктивной аналитики. Они нацелены на то, чтобы дать пользователям возможность не просто оперативно среагировать на случившееся событие, а предвидеть ход будущих событий и предпринять упреждающие действия.

Сразу на ум приходят пословицы, в которых выражается ценность такого подхода: «Знал бы прикуп, жил бы в Сочи» и «Знал бы, где упасть, соломку постелил».

В большинстве случаев, когда речь заходит о предсказании будущего, на ум приходят примеры различных ясновидящих, использующих хрустальный шар, и гадалок с картами. Уверен, что найдутся люди, которые могут подтвердить эффективность данных специалистов. Но так как мы говорим о современных технологиях, то как-то неприлично обращаться к средневековым.

Принципиальным моментом при прогнозном анализе является то, что в нашем распоряжении имеется массив данных, которые описывают состояние объекта и его окружения в прошлом и настоящем, а целью является определение его состояния и поведения в будущем. Задача в определённой степени родственна экстраполяции математической функции, но применяются для её решения намного более сложные алгоритмы и методы.


Задача прогнозирования – оценка поведения объекта в будущем

Для того чтобы получить прогноз с высокой степенью достоверности, необходимо проанализировать максимально возможное количество факторов, от которых зависит будущее развитие ситуации. Чем более сложен объект анализа и чем более многофакторна его зависимость от внешних факторов, тем более непростой в техническом и математическом плане является задача прогнозного анализа.

Техническая часть задачи состоит в оперативной обработке огромного массива данных об истории самого объекта и факторов, от которых он зависит. В математическом плане наиболее сложной является задача установления степени и формы влияния различных факторов на поведение объекта, результатом решения которой является построение математической модели, описывающей поведение объекта.

Рекомендательная аналитика

Описанные ранее аналитические системы отвечали на вопросы «Что было?», «Что есть?» и «Что будет?». Для того чтобы ответить на эти вопросы в автоматическом режиме, техническому прогрессу и человечеству пришлось проделать огромный путь. Но в конечном итоге этого оказалось мало. Дело в том, что конечной целью всех аналитических изысканий является ответ на вопрос, ранее упомянутый классиком, «Что делать?». Ответ на вопрос «Кто виноват?» даёт диагностический анализ.

Ранее рассмотренный пример с поиском неисправности оборудования показывает, что в отдельных случаях реализация подсказок пользователю может быть легко реализована. Например, если система обнаружила причину выхода оборудования из строя, она может ему порекомендовать заменить повреждённый узел и подсказать последовательность действий для решения этой задачи.

В большинстве случаев из понимания источника проблемы автоматически не вытекает последовательность действий, так как могут существовать различные варианты действий. На сегодняшнем уровне автоматизации аналитическая система должна не просто подсказать человеку оптимальную последовательность действий, но и сделать это быстрее и лучше самого человека.

В каких случаях это может быть необходимо.

Повышение скорости принимаемых решений

В ряде случаев от скорости принятия решений может зависеть скорость протекания производственных процессов, объём выпуска продукции, финансовые результаты и другие важные показатели деятельности организации.

Сотрудники предприятия, начиная с операторов оборудования и заканчивая высшим руководством, ежедневно принимают суммарно тысячи различных решений. В их числе может быть выбор параметров настройки оборудования, решение о соответствии изделия требованиям по качеству, определение очерёдности исполнения заказов, определение объёма заказа на комплектующие и т.д. Если скорость каждого решения будет сокращена, например, вдвое, то предприятие может сэкономить тысячи человеко-часов в год.

Пример: система автоматического контроля качества продукции в режиме реального времени анализирует качество произведённой продукции и фиксирует типы дефектов. В случае увеличения количества дефектной продукции автоматически предлагает изменение настроек оборудования для снижения уровня дефектности, тем самым сокращая время реагирования.

Повышение качества принимаемых решений

В погоне за скоростью принятия решений в условиях цейтнота человек часто не учитывает всех факторов, в результате страдает качество принимаемых решений, что приводит к дополнительным затратам.

В тех случаях, когда для правильного решения необходимо провести масштабные математические вычисления или обработать большой объём данных, применение аналитических систем может привести к существенному повышению не только скорости, но и качества решений.

Пример: автоматизация составления производственного плана с учётом приоритетности заказов, остатка комплектующих и материалов на складах, графика поступления комплектующих и их наличия на складе поставщиков, графика технического обслуживания оборудования и т.д.

Автоматизация процесса принятия и исполнения решений

В тех случаях, когда требуется полная автоматизация и исключение человека из процесса принятия решения и исполнения, аналитическая система должна принять решение, но и должна преобразовать его в набор команд исполнительным устройствам или системам.

Пример: автоматическое изменение настроек компрессорных установок, исходя из динамики загрузки оборудования, потребляющего сжатый воздух.

В конце прошлого века своё развитие получили экспертные системы, которые были предвестниками системы рекомендательной аналитики. При работе с экспертными системами пользователю было необходимо ответить на несколько вопросов, после чего компьютерная программа анализировала ответы и на основе жёстко запрограммированной логики выдавала заключение.

Современная система с функциями рекомендательной аналитики построена таким образом, что не ждёт того, что пользователь будет отвечать на массу вопросов. Современная аналитика предполагает автоматический поиск и обработку необходимых для формирования рекомендаций данных.

Хочу рассказать ещё об одной тенденции в системах рекомендательной аналитики, но для наглядности хочу немного отвлечься.

Все, кто пользуется Интернетом (уверен, это 100 % читателей данной книги), обращали внимание на контекстную рекламу. Стоит перед новым годом забить в поисковой системе «новогодняя ёлка купить», так эти вечнозелёные растения, а также ёлочные игрушки и костюмы Деда Мороза будут тебя преследовать на всех сайтах в течение нескольких месяцев или до тех пор, пока ты в строке поиска не напишешь «карп-белка рецепт». После этого начнётся месяц китайских ресторанов. Это из личного опыта.

К чему это я? А к тому, что мы привыкаем жить в мире, в котором информация привязана к контексту. Более того, для нас становится нормальным, что не мы бегаем за информацией, а информация преследует нас. Правда, иногда в виде неприятного спама. Кстати, механизм, на котором строится контекстная реклама, тоже относится к аналитическим системам. Он анализирует запросы пользователя и предлагает ему, по мнению системы, решение его проблем.

Аналитические системы недалекого будущего должны сами адаптироваться под особенности пользователя, учитывать текущую обстановку, самостоятельно анализировать доступную информацию и выходить на пользователя с готовыми рекомендациями либо запросами.

Например, в случае с ёлкой можно не ждать, пока пользователь поинтересуется покупкой. Поисковый сервис мог бы поинтересоваться, скажем, 1 декабря, есть ли у пользователя елка, и предложить пару интересных вариантов. В случае промышленной аналитики система может сама анализировать весь поток данных, выискивать варианты повышения эффективности работы предприятия и направлять пользователю возможные идеи и информацию о выявленных новых закономерностях.

По мере развития технологий искусственного интеллекта аналитические системы, всё больше превращаются в ещё одного сотрудника предприятия, которому можно доверить ряд функциональных участков. К тому же этот сотрудник не спит и не подвержен эмоциям.

Ряд функций уже сегодня может быть автоматизирован, а завтра доля полностью автоматизированных процессов будет ещё больше. Ещё вчера автоматизация строилась на жёстко написанных программах. Машина не принимала решений, а исполняла последовательность действий, описанную человеком.

Сегодня связка аналитических и исполнительных систем приводит к формированию «автопилотов» в различных функциональных областях.

При массе достоинств таких технологических решений существует и обратная сторона медали. Во-первых, автоматизированные системы, которые сами принимают решение и сами же его исполняют, создают угрозу перехвата управления третьей стороной. В этом случае информационная безопасность становится ключевым фактором. Во-вторых, существует фактор неопределённости в вопросе ответственности за принятые решения. В случае когда решение принимает человек, поиск ответственного прозрачен. В случае если решение приняла и исполнила автоматическая система и это решение привело к потерям или, что хуже, человеческим жертвам, то кто должен отвечать, не ясно.

В любом случае иногда преимущества полной автоматизации перевешивают возможные недостатки. Одной из таких областей автоматизации принятия решений и его исполнения являются системы реального времени.

Системы реального времени

Существует особая категория задач, в которых требования по скорости реакций, решений и действий таковы, что однозначно подталкивают в сторону автоматизации. В этих случаях, как следует из названия главы, используются системы реального времени.

Для начала разберёмся в значении этого термина, так как часто в этом возникает путаница. Лично я часто сталкиваюсь с ситуацией, когда под системой реального времени люди понимают что-то очень быстрое и с частым обновлением данных. Но это не в полной мере отражает суть этого понятия. Сегодня данный класс систем стремительно развивается. Более того, он является неотъемлемой частью решения задач автоматизации производственных процессов. Поэтому считаю своим долгом внести ясность.

Итак, система реального времени – это система, которая должна среагировать на внешнее событие или осуществить воздействие на внешнюю среду в рамках требуемых временных ограничений.

Требования по времени реагирования не для всех систем одинаковы, поэтому системы реального времени делятся на два основных класса: системы жёсткого реального времени и системы мягкого реального времени.


Типы систем реального времени и зависимость затрат от времени отклика (зелёный – минимум, красный – максимум)

Системы жёсткого реального времени имеют жёсткие требования по времени отклика на событие, дедлайн (англ. deadline). После истечения этого времени считается, что произошла критическая ошибка, которая может привести к серьёзным потерям и даже катастрофе.

Примеры системы с жёстким реальным временем:

  • системы аэронавигации;

  • системы активной безопасности автомобиля;

  • системы управления дорожным движением (в том числе светофоры);

  • автоматическая биржевая торговая система.

Системы мягкого времени также имеют определенный дедлайн, но отклик системы после истечения дедлайна является нежелательным, но допустимым.

Примеры систем с мягким реальным временем:

  • системы видеонаблюдения;

  • служба SMS;

  • бытовые часы с будильником (согласитесь, катастрофы из-за того, что будильник прозвенел с задержкой в пару минут, пока не происходили).

Теперь вернёмся к производственным вопросам и применению систем реального времени в производстве.

Чуть раньше (в главе про Промышленный Интернет вещей) был разговор про киберфизические системы. Киберфизическая система является не чем иным, как системой реального времени. Ряд систем и датчиков в режиме реального времени взаимодействуют друг с другом и с помощью аналитической системы осуществляют поиск и исполнение решений без участия человека. Соответственно, для работы системы реального времени требуется аналитическая система реального времени с дедлайном, позволяющим всей системе обеспечить требуемое время отклика.

С учётом перехода на более высокую степень автоматизации производственных процессов необходимо обеспечить согласованную по времени работу всех систем. С учётом этих требований формируются и требования к аналитическим системам, информация от которых используется в системах реального времени.

Сразу хотел бы сделать ремарку: когда мы говорим о реальном времени, то из этого никак не следует физическая продолжительность требуемого времени отклика системы. Это могут быть миллисекунды, часы и даже недели. Самое главное, чтобы в случае с жёстким реальным временем этот интервал гарантированно выдерживался.

Применительно к автоматизации производственных процессов предприятие само для себя должно в ряде случаев принять решение, что является тем дедлайном, после которого потери предприятия от затянувшегося простоя производства и незамеченного выпуска дефектной продукции становятся неприемлемыми.

На основе этих требований и можно определить, в каких случаях оставить аналитическую работу и исполнение решений за человеком, а в каких случаях необходимо внедрять автоматические аналитические системы и автоматизировать выполнение тех или иных операций.

По мере усиления скорости и количества принимаемых решений роль и место аналитических систем будут возрастать. Человек, к сожалению, не в состоянии эволюционировать с такой скоростью, чтобы опередить темпы роста потока информации и требований по скорости принятия решений.

По этой причине всё больше и больше управленческих задач будет делегироваться компьютерному интеллекту. В конечном итоге это позволит повысить скорость принятия решений и их качество. Благодаря симбиозу систем реального времени и аналитических инструментов появляется реальная возможность реализации киберфизических систем, в том числе в ответственных применениях, где цена ошибки и промедления крайне высока.


Книга «ИНДУСТРИЯ 4.0: Умные технологии – ключевой элемент в промышленной конкуренции»:

Часть 1. Предпосылки системных изменений

Часть 2. Технологическая основа новой промышленной революции

Часть 3. Дополненная и виртуальная реальность

Часть 4. Симуляция и основы применения аддитивных технологий

Часть 5. Аддитивные технологии: изготовление изделий, постобработка, контроль качества, временные сложности

Часть 6. Горизонтальная и вертикальная интеграция, промышленный Интернет вещей

Часть 7. Облачные технологии и информационная безопасность

Часть 8. Тотальная цифровизация

Часть 9. Развитие аналитических систем

Часть 10. Умные продуктово-сервисные системы

Часть 11. Логистика 4.0

Часть 12. Умное производственное оборудование

Часть 13. Умное производственное оборудование. Продолжение