Весь мир говорит о Digital Twin, но давайте подумаем немного дальше. Digital Twin — это только первый шаг, а не конечная цель. Mesh Twin Learning — это следующий этап, так что давайте рассмотрим его и предоставим ряд ключевых преимуществ, которые MTL готов предоставить!

Состояние производства

Индустрия 4.0 и умные фабрики набирают обороты. Согласно исследованию, проведенному Deloitte совместно с MAPI, 86% производителей считают, что инициативы «умных» заводов станут основным фактором конкурентоспособности в отрасли. Инициативы умных фабрик уже занимают 30% мировых фабричных бюджетов, и, кроме того, 58% респондентов ожидают увеличения бюджета своих умных фабрик в 2020 году.

Все это веские причины, по которым умная фабрика вызывает такой интерес в обрабатывающей промышленности. Конечно, это также дает значительные преимущества. Те, кто первым внедрил инициативы «умных заводов», сообщают о двузначном росте KPI в период с 2015 по 2018 год. В среднем они сообщили об увеличении объемов производства на 10%, использовании производственных мощностей на 11% и повышении производительности труда на 12%.

Согласно KPMG и опросу автомобильной промышленности Великобритании, многие преимущества инициатив по цифровизации включают:

  • Сокращение времени простоя оборудования на 20–35 %.
  • Снижение затрат на техническое обслуживание установки на 15–25 %.
  • Сокращение запасов на 12–20 %
  • Повышение точности прогнозов до 80 %
  • Повышение производительности на 30–50 %

Цифровое тестирование и реальные преимущества

Умная фабрика обещает многое. Повышение производительности, улучшение качества и снижение затрат — вот лишь несколько примеров. Всего этого можно добиться, создав цифровую копию фабрики и, в конечном итоге, всей фабричной сети.

Непосредственный опыт первых пользователей доказывает, что цифровизация — это путь для производственных компаний, но те, кто пойдет по этому пути, столкнутся со многими проблемами. Mesh Twin Learning — это решение, которое облегчает путешествие — так что давайте рассмотрим важные детали!

От цифровых двойников одного актива к заводской сети

Одним из наиболее важных краеугольных камней Индустрии 4.0 является цифровой двойник; виртуальная копия физического актива. Цифровые двойники хранят различные типы данных о соответствующих физических активах, от проектов САПР и оптимальных параметров производительности до отчетов об обслуживании и данных в реальном времени, собираемых датчиками IIoT.

Даже цифровой двойник одного актива и простая визуализация данных в реальном времени — это решение, которое создает большую ценность для бизнеса. Это включает улучшенную видимость результатов в более обоснованных решениях, улучшенную производительность и лучшее обнаружение проблем. Ранее мы говорили о технологии Digital Twin в более широком контексте здесь (и здесь), поэтому давайте сосредоточимся на том, чтобы вывести ее на новый уровень.

Ценность, которую обеспечивают инициативы по цифровизации, — это преимущество, которое экспоненциально растет с масштабом решения, от одного актива до сети заводов. Соединение цифровых двойников заводов и цепочек поставок открывает совершенно новый мир инноваций и возможностей оптимизации.

Как и большинство концепций, меняющих правила игры, Индустрия 4.0 и ее цифровые фабрики сталкиваются с уникальным набором препятствий. Существуют различные бизнес-задачи, а именно определение стратегии цифровизации, выбор наиболее ценных инициатив, принятие решения о том, с чего начать, и даже убеждение сотрудников нарушить статус-кво и принять изменения.

Существуют и технические проблемы, например, какие технологии использовать, какую архитектуру выбрать, как обеспечить возможности хранения данных и даже высокую вычислительную мощность, необходимую для технологий больших данных и машинного обучения.

На самом деле внедрение цифровой фабрики было бы проблемой даже в сценарии проекта с нуля — я ни в коем случае не хочу, чтобы у вас сложилось впечатление, что это развертывание в один клик. Правда в том, что большинство проектов умных заводов ориентированы на существующие объекты, а не на планирование и строительство совершенно новых заводов. В конце концов, компании хотят получить как можно больше от уже имеющихся мощностей и запасов.

Существующие производственные мощности часто состоят из нескольких активов: от старых, но полностью функциональных машин, требующих модернизации, до современных устройств, которые уже оснащены датчиками IIoT. Это приводит к различным стандартам связи, форматам данных и многому другому. Кроме того, для обмена огромными объемами данных требуется высокопроизводительное подключение к Интернету, что редко встречается на большинстве существующих производственных объектов.

Сетчатое двойное обучение

Mesh Twin Learning (MTL) — это решение, которое сочетает в себе различные современные технологии для решения многих технологических проблем, связанных с цифровой фабрикой, особенно с цифровыми фабричными сетями.

Вкратце, MTL сочетает в себе современные технологии и последователей, а именно:

  • Промышленный Интернет вещей (IIoT) — датчики и другие устройства, объединенные в сеть вместе с промышленным программным обеспечением. Эта связь позволяет собирать, обмениваться и анализировать данные.
  • Первичные вычисления — тип системной архитектуры, при котором возможности хранения данных и вычислительных ресурсов перемещаются в периферийные местоположения. Это поддерживается специализированными устройствами, подключенными к глобальной сети, что позволяет проводить распределенные вычисления с немедленным доступом к результатам и беспрепятственной связью с облачными ресурсами. Узнать больше о Edge Computing можно здесь
  • Облако — большая сеть взаимосвязанных центров обработки данных, которые работают как единая экосистема и предоставляют необходимые ресурсы, вычислительную мощность и услуги для запуска приложений или доставки контента конечным пользователям.
  • Цифровые двойники — виртуализированная копия физического устройства, компонента или живого существа, которая представляет свое состояние в виде набора параметров, постоянно отслеживаемых и обновляемых во времени. Это позволяет оцифровывать все, от процессов, систем и мест до самих людей. Цифровые двойники обеспечивают расширенное моделирование, лучший мониторинг и более эффективное принятие решений в отношении состояния распределенной системы.
  • Машинное обучение – концепция, позволяющая автоматически учиться и совершенствоваться на основе полученного опыта. Он использует доступные данные без явной реализации в виде набора статических поведений.
  • Наука о данных — набор научных методов и приемов, направленных на извлечение знаний из различных источников, а также использование структурированных и неструктурированных данных из всех доступных источников для поддержки всех процессов, ориентированных на решения, прогнозы или бизнес. управление.
  • Mesh — подход к построению, масштабированию и эксплуатации распределенных экосистем. Основное внимание уделяется безопасности, связности и надежности разработанной архитектуры. Это реализовано, чтобы ограничить потребность в полном совместном использовании активов, вместо этого вводя кросс-функциональные возможности различных частей системы.

Подробнее о концепции MTL вы можете узнать в другом посте.

Как компании могут извлечь выгоду из Mesh Twin Learning

Mesh Twin Learning решает распространенные технические проблемы, связанные с цифровой трансформацией. Тем самым он обеспечивает преимущества для бизнеса:

1. Совместимость

Проекты с нуля редко встречаются в сфере цифровой трансформации и особенно в производстве. Большинство проектов пытаются оцифровать уже существующие процессы и физические устройства. Старые машины часто не имеют датчиков IIoT и требуют дооснащения, в то время как новые машины уже оснащены датчиками IIoT.

Проблема в том, что эти датчики используют разные стандарты связи, отправляют данные в разной структуре и по-разному настраиваются. Это становится еще более серьезной проблемой, когда мы имеем дело с цифровизацией многих заводов. MTL предлагает выделенные периферийные устройства в качестве соединителей между конкретными машинами и общими данными с репозиторием машинного обучения в облаке. Каждое пограничное устройство собирает данные с машины, включая ее датчики, и отправляет инструкции, подготовленные для машины.

Данные, собранные этими периферийными устройствами, затем отправляются в центральный репозиторий данных в облаке, где они могут быть преобразованы в общий стандарт перед анализом, визуализацией и передачей в модели машинного обучения.

2. Улучшенный мониторинг производительности, более быстрые решения

Центральный репозиторий, в который поступают данные с периферийных устройств, позволяет создавать информационные панели, которые могут предоставлять информацию об активах и процессах в масштабе всей компании практически в режиме реального времени. Имея такую ​​центральную командную точку, руководители и менеджеры могут меньше полагаться на свой опыт и интуицию — вместо этого у них будут данные, необходимые им для принятия решений именно тогда, когда они им нужны.

Центральная информационная панель не только поддерживает принятие решений, но и облегчает мониторинг производительности в масштабе компании. На информационных панелях представлены ключевые показатели эффективности процессов и производительность машин, которые помогают обнаруживать узкие места и отслеживать потенциальные проблемы до того, как они перерастут в серьезные сбои и приведут к простоям и последующей потере доходов. В конце концов, завод, который не производит, не получает прибыли.

3. Самооптимизирующиеся фабрики

Одним из основных элементов обучения Mesh Twin является машинное обучение, а точнее конкуренция между моделями машинного обучения. Облачный компонент MTL включает механизм машинного обучения с несколькими моделями, на которые подаются данные с периферийных устройств.

Этот движок постоянно пытается оптимизировать модели, чтобы обеспечить максимально возможную производительность для каждого процесса или машины, за которую они несут ответственность. Модели, которые выполняют одну и ту же задачу, например улучшают качество люминофоров на заводе по производству светодиодных светильников, получают данные с разных физических устройств, например, с разных производственных линий. Это означает, что каждая модель адаптируется к различным изменениям в процессе.

Однажды модели обучаются в реальном мире, а затем тестируются в цифровой копии. Модели применяются к процессам, выполняемым в виртуальном движке моделирования, и их результаты сравниваются. Те из них, которые обеспечивают наилучшие результаты, могут автоматически распространяться на периферийные устройства, где они затем применяются к реальным процессам.

4. Максимизация производительности для более быстрого внедрения инноваций

Имея доступ к общекорпоративным данным, сотрудники могут обнаруживать новые закономерности, замечать зависимости между процессами и получать информацию для дальнейшего повышения производительности процессов, сокращения складских запасов и т. д. С заводской сетью, основанной на технологии MTL, предприятия могут отслеживать использование производственных мощностей всех заводов и совместно планировать процессы в сети, используя данные о производстве и запасах в режиме реального времени, чтобы свести к минимуму потери и время цикла.

Кроме того, модели машинного обучения, которые уже развернуты в центральном механизме машинного обучения, постоянно тестируют новые настройки переменных процесса для повышения производительности. Они делают это 24 часа в сутки, 7 дней в неделю, и в темпе, намного превышающем возможности любого другого человека.

Точно так же MTL предоставляет возможность тестировать модели с помощью механизма моделирования, прежде чем применять их к физическому процессу. Таким образом, результаты предоставляются намного быстрее, так как единственным ограничением является вычислительная мощность, которая в облаке практически безгранична. Этот механизм моделирования также является местом, где команда Data Science может тестировать новые концепции в кратчайшие сроки — без каких-либо последствий для реального процесса.

5. Более простое управление изменениями

Внедрение изменений требует времени. В контексте цифровых фабрик существуют различные типы изменений, с которыми помогает MTL, включая конфигурации периферийных устройств и изменения настроек, связанных с бизнес-процессами, таких как бизнес-правила и пороговые значения предупреждений.

Также внесены изменения в модели машинного обучения, развернутые на компьютерах. Управление такой сложной средой вручную потребует очень много времени и чревато ошибками.

Однако MTL предоставляет центральный репозиторий конфигураций пограничных устройств, конфигурации механизма бизнес-правил и моделей машинного обучения. Такой центральный репозиторий включает в себя реестр физических активов и точно знает, какие изменения должны быть развернуты и где. Это означает, что новые версии модели машинного обучения или конфигурации пограничных устройств можно развернуть на всех устройствах за несколько минут, а не дней.

Резюме

Если один цифровой двойник — это хорошо, а два — еще лучше, то вся сеть цифровых двойников, объединенных в сеть, имеет абсолютную ценность. Надеюсь, как я показал, правильно объединенные в сеть модели машинного обучения могут реализовать преимущества в масштабах всей сети быстрее, чем любые другие средства, что приведет к большим преимуществам, предоставляемым в более широком масштабе и с немыслимыми ранее скоростями. Это не мгновенный успех, но долгосрочные результаты, безусловно, того стоят.

Источники

Первоначально опубликовано на https://www.pgs-soft.com.