Мачей Кранц - Интернет вещей. Новая технологическая революция

Рисунок 5.4. Пример FANUC

Чтобы приблизить время простоя к нулю, FANUC начала собирать операционные и диагностические данные, генерируемые ее роботами, работающими в производственных цехах (само собой, с позволения клиентов), хранить их в облаке и использовать предиктивную аналитику для устранения всех потенциальных проблем, прежде чем они окажут свое негативное влияние. И это работает! FANUC убедила ОТ– и ИТ-департаменты своих клиентов делиться данными. Анализируя эти данные в реальном времени с опорой на архивную информацию и метрики и улучшая время реакции на потенциальные инциденты, FANUC применяет IoT, чтобы предлагать своим клиентам профилактическое решение, которое точно (не забывайте, вещи неизбежно ломаются) станет бесценным.

Вспомните приведенный в прошлой главе комментарий Саджита Чанда об огромном потенциале энергосбережения. Вот как обслуживающая производственную цепочку Cisco команда достигает этого при помощи предиктивной аналитики. «Мы управляем всеми аспектами производственных затрат на наших фабриках, высчитывая их до последнего цента… Во всяком случае, нам так казалось», – сказал старший вице-президент Cisco Джон Керн, отвечающий за деятельность производственной цепи. Но до недавнего времени Cisco не контролировала один аспект своих расходов – стоимость электроэнергии. На одном производственном предприятии Cisco в Малайзии обслуживающая производственную цепочку команда развернула в цеху сеть из 1500 датчиков и использовала аналитическое программное обеспечение для сбора данных об энергопотреблении. Эта информация позволила им оценить энергоэффективность отдельных машин, систем и производственных процессов. К примеру, они взглянули на камеры для термотренировки и обнаружили, что расход энергии радикально различается даже у одинаковых моделей. Они копнули глубже, заменили недостаточно производительное оборудование и адаптировали работу камер, оптимизировав эффективность и энергопотребление. Результат: 15–20 %-ное сокращение энергопотребления на всем предприятии, которое на следующий год привело к экономии 1 миллиона долларов. Но для команды Керна это было лишь начало. Они уже ищут способы еще сильнее (на 30 %) сократить энергопотребление и внедрить эту систему на более чем 20 других предприятиях по всему миру. «Такие результаты открыли нам глаза. Мы сэкономили деньги и сократили свои углеродные выбросы», – заметил Керн.

IOT ДАСТ ШАНС ВСЕМ, КТО БОРЕТСЯ С ПРОБЛЕМАМИ В ВАШЕЙ ОРГАНИЗАЦИИ.

Как только вы связали машины, устройства, вещи и сопутствующие им датчики и счетчики друг с другом в единой сети и начали сбор данных, далее логично наладить предиктивную аналитику. Существует множество решений и алгоритмов предиктивной аналитики, причем некоторые из них фокусируются на отдельных отраслях, сценариях использования и средах. Все эти решения оценивают приходящие к ним данные, сравнивают их с теми данными, которые были проанализированы ранее, рассчитывают влияние множества параметров, включая среду, погоду, материалы и операции, и предсказывают тенденции со статистической точностью. Благодаря этому вы знаете, что конкретная проблема с вероятностью X процентов возникнет в определенный промежуток времени, а это дает вам возможность заблаговременно предупредить нужных людей, чтобы они приняли необходимые корректирующие меры.

Это не магия – это просто проверенная статистика и теория вероятности. Чем дольше история и чем больше у вас данных, тем точнее ваши предсказания. Используя подходящее, разработанное на основе правил программное обеспечение, предиктивная система может сообщать вам, что и когда произойдет, и предлагать ранжированный по приоритету список возможных вариантов решения потенциальных проблем. Благодаря этому вы сами или ваши сотрудники получаете возможность принимать лучшие решения. Как и остальные сценарии быстрого достижения результатов, предиктивная аналитика представляет собой лишь первый шаг на пути к IoT. Как только вы внедрите предиктивную аналитику в свою производственную среду, ваша организация сможет оценивать и внедрять более сложные аналитические решения, включая прескриптивную аналитику и даже обучение на базе межмашинного взаимодействия.

Внедрение предиктивного технического обслуживания для повышения времени работоспособности системы и продуктивного времени

Предыдущий сценарий сосредоточен на шагах, которые обычные компании любой отрасли могут предпринять для достижения быстрых результатов. Но некоторые особые случаи требуют отдельного упоминания. Одна из моих любимых историй о получении быстрой выгоды от IoT рассказывает о нетипичной компании в нетипичной отрасли. Это история горнодобывающего предприятия Rio Tinto (рис. 5.5), которую я уже рассказывал в главе 3. Однако ее стоит рассказать еще раз. Она показывает, как быстрые результаты достигаются даже в экстремальных условиях. Внедренное Rio Tinto предиктивное техническое обслуживание окупилось сполна. Такие же выгоды может получить и любая другая компания, чьи системы и операции развернуты в экстремальной среде.

Рисунок 5.5. Пример Rio Tinto

Задача Rio Tinto заключалась в объединении процессов и оборудования в единую сеть с целью повышения эффективности, максимизации безопасности, минимизации штата и оптимизации объемов выработки. Ключевым аспектом проекта являлась автоматизация примерно 900 гигантских самосвалов посредством установки в каждый 92 датчиков для мониторинга состояния двигателей, трансмиссии и колес. Датчики отслеживают состояние, скорость, местоположение и другие параметры, позволяя грузовикам – которые перемещаются только по частной территории – функционировать без водителей.

Суммарно парк Rio Tinto генерирует примерно 4,9 ТБ данных ежедневно. Эта информация не только контролирует работу грузовиков, но и повышает эффективность операций. Превентивное техническое обслуживание обеспечивает максимальный срок службы оборудования. Датчики местоположения также позволяют для каждого грузовика выбирать самый короткий маршрут для минимизации потребления топлива. Как ни удивительно, эти маленькие выгоды выливаются в огромные преимущества.

Большинство необходимых технологий для создания такой системы уже существует – это и умные датчики, и интеллектуальные компоненты, и протоколы связи, и опыт в сфере программного обеспечения. Давайте снова обратимся к Rio Tinto. Как мы знаем, предприятие использует крайне дорогостоящее оборудование в очень агрессивной и удаленной среде. Это оборудование рано или поздно ломается, и лучше, чтобы это происходило не на самом дне глубокого карьера. Временные и финансовые затраты на ремонт вышедшего из строя оборудования Rio Tinto слишком велики – около 2 миллионов долларов в день на каждый сломанный грузовик. Теперь удвойте эти расходы, поскольку компания также вынуждена снять с работы еще один грузовик, который используется, чтобы вытащить поврежденную машину из карьера. (Чтобы вытащить одну из этих громадин, в дорожную службу не обратишься.) В итоге затраты Rio Tinto уже возрастают до 4 миллионов долларов в день – и это даже не считая стоимости ремонта поврежденного оборудования.