Новости

AI ANTI-COVID-19 – это комплексная система предотвращения распространения COVID-19 на промышленных предприятиях. С помощью видеоаналитики и специальных браслетов, подключенных к смартфонам, контролируется наличие масок и перчаток у производственного персонала, температура тела, а также соблюдение дистанции между сотрудниками. Контроль осуществляется не только за сотрудниками предприятия, но и гостями. Система оценивает соблюдение санитарных норм, динамику нарушений и по пятибалльной шкале определяет Индекс безопасности. Он может выставляться как для конкретного цеха или зоны, так и для всего предприятия в целом.

Для каждого сотрудника создается цифровой профиль, в котором фиксируются все контакты и перемещения, а также их длительность. Таким образом, в случае выявления заболевшего COVID-19 система на основе анализа цифрового профиля человека дает рекомендации каких сотрудников необходимо изолировать для предотвращения распространения инфекции. Учитываются количество и длительность контактов в заданный период, а все контактировавшие распределяются на 3 группы: красную, оранжевую и желтую, по уровню риска заражения.

После стабилизации эпидемиологической ситуации решение может быть трансформировано в полнофункциональную систему промышленной безопасности на базе технологий видеоаналитики и позиционирования персонала. Например, отслеживание ношения касок и других средств защиты, контроль перемещения персонала в опасных зонах.

Система может использоваться на машиностроительных, горнодобывающих и нефтегазовых предприятиях, а также других типах предприятий, в том числе работающих вахтовым методом.

Прокатный стан в металлургическом производстве — это комплекс оборудования, который с помощью прокатных валков раскатывает нагретый металл и превращает его в листовой прокат. На прокатный стан подают сплавы разного химического состава для производства стали различных марок. Стан работает непрерывно: круглые сутки и без выходных. Чтобы слябы не сталкивались и не соединялись, они должны двигаться с определенными промежутками. Чем они меньше, тем больше слябов можно прокатать за единицу времени и тем выше производительность всего стана. Но при слишком маленьких разрывах между слябами резко увеличивается вероятность брака и аварийной остановки стана, поэтому операторы традиционно рассчитывают расстояние с запасом.

Новый рекомендательный сервис на базе машинного обучения обрабатывает набор меняющихся параметров (состав стали, температура нагрева, характеристики готовой продукции и т.д.) и в режиме реального времени предоставляет операторам прокатного стана рекомендации по оптимальному интервалу подачи слябов и управлению скоростью их движения. За счет этого выработка прокатного стана увеличивается в среднем на 3,5 часа в месяц.

Для обучения математической модели, которая стала основой рекомендательного сервиса, специалисты «Инфосистемы Джет» обработали огромные массивы данных за последние 2,5 года. Эксперты исследовали исторические данные с датчиков температуры, давления, скорости движения и другого регистрирующего оборудования, и исключили параметры, которые не оказывают значимого влияния на скорость движения слябов по прокатному стану. Помимо показателей самого стана, алгоритмы машинного обучения учитывают в рекомендациях типы и марки сплавов в заготовках. Все данные о работе «Стана 2000», как и другая информация о производстве, хранятся в озере данных.

Fozzy Group владеет 700 розничными магазинами. Из-за использования мобильных компьютеров разных марок эта компания столкнулась с трудностями голосового управления и нуждалась в решении для оптимизации работы складов и магазинов. С этой целью Fozzy Group развернула компьютеры от Zebra TC52 с сенсорным экраном и мобильные компьютеры MC3300. Решение также включает приложение LifeGuard для беспроводной установки обновлений безопасности Android, ПО Mobility DNA для оптимизации корпоративных приложений и рабочих процессов, а также услуги расширенной технической поддержки Zebra OneCare.

Внедренные решения призваны повысить эффективность рабочих процессов в рамках стратегии модернизации склада. Около 1 тыс. сотрудников Fozzy Group перешли на эти решения, и их производительность труда выросла на 20%.

Как отмечают в компании, внедрение комплексного решения помогло добиться максимальной окупаемости инвестиций благодаря оптимизации работы ИТ-специалистов и сотрудников.

Пилотный проект реализуется на производстве турбореактивного двигателя Аи-222-25, который применяется в составе учебно-боевых самолетов Як-130. Платформа состоит из нескольких элементов, в число которых входят автоматизированное рабочее место для ввода данных, центральное хранилище информации, а также модуль искусственного интеллекта.

Для обучения искусственного интеллекта используется база данных с ключевыми параметрами деталей и информацией о проведенных ранее тестах. Система определяет, как характеристики деталей влияют на качество двигателя, и строит математическую модель испытаний. В эту модель загружается информация о новых компонентах двигателя и условиях его сборки, создается элемент цифрового двойника будущего изделия. Искусственный интеллект анализирует данные и прогнозирует, насколько успешными будут реальные испытания двигателя, собранного из таких компонентов при заданных условиях.

Как отмечает исполнительный директор Ростеха Олег Евтушенко, применение искусственного интеллекта и цифровых двойников – общемировая практика, которая активно внедряется на предприятиях госкорпорации. Такие решения повышают эффективность использования трудовых и производственных ресурсов. Пилотный проект по внедрению платформы промышленного интернета вещей на производственном комплексе «Салют» рассчитан на год, по его итогам будет сформирована методика тиражирования этого опыта на других предприятиях Ростеха.

В холдинг Segezha Group входит большое количество предприятий деревообрабатывающей отрасли по всей стране. Основой бизнес-процессов являются справочные данные. Суммарная номенклатура содержит 93 тыс. записей закупаемых ТМЦ и 52 тыс. записей готовой продукции, сырья, полуфабрикатов, а также более 50 тыс. контрагентов.

Ранее на каждом производстве обособленно велись свои записи, что приводило к отсутствию единого стандарта ведения справочников, неполным описаниям, дублированию некоторых позиций из-за разных наименований. Из-за разрозненной информации филиалы холдинга могли по несколько раз закупать одну и ту же продукцию.

От качества ведения НСИ зависел успех проекта по централизации закупочных функций в компании и эффективность внедрения новых технологических решений в смежных процессах. Решением стала централизованная корпоративная система НСИ вместо разрозненных локальных. Поскольку Segezha Group использует много продуктов на платформе «1С: Предприятие», для простоты адаптации проект реализуется на базе 1С:MDM.

Совместно с сотрудниками IBS осуществляется интеграция с системами, в которых используется НСИ: системы на базе 1С:УПП, «1С:Бухгалтерия предприятия», CRM Creatio, СЭД Wssdocs. Во многих системах для удобства пользователей реализованы обратные потоки (создание заявок на создание и изменение записей напрямую из системы-подписчика).

В конце 2019 года система была запущена в эксплуатацию по справочнику «Контрагенты» на предприятиях первой очереди, к середине февраля завершено объединение со всеми системами корпоративного ландшафта. Вторая фаза запуска («Номенклатура» и прочие финансовые справочники) состоялась в конце апреля.

Итогом проекта стала централизация всех процессов управления НСИ. Это позволило компании сократить трудозатраты на работу с мастер-данными и минимизировать ошибки в бизнес-процессах. Например, к специалистам службы закупок начали поступать запросы с исчерпывающей информацией, без необходимости их консолидировать, исправлять, согласовывать с другими службами — все необходимые визы заявка получает при прохождении через систему. Также будет удобнее вести дела с контрагентами, управлять дебиторской и кредиторской задолженностью. Снизится загруженность складов и перерасход активов. К новому объединенному справочнику получат доступ сотрудники всех филиалов — более 2,5 тыс. пользователей.

Нефтехимическая отрасль уже достаточно хорошо автоматизирована – все критичные производственные процессы контролируются с помощью систем АСУТП. При этом остается ряд ручных процессов по контролю оборудования, которые необходимо автоматизировать, а также задачи по сбору данных для принятия решений в области управления технологическими процессами.

Как подчеркивает Василий Номоконов, исполнительный директор СИБУРа, промышленный интернет вещей не только упрощает контроль технологического оборудования, но и собирает данные для других цифровых инструментов. Эти  данные отправляются в корпоративное хранилище данных в режиме реального времени и используются средствами продвинутой аналитики для осуществления прогнозов, оптимизации технологических режимов. IIoT-решения позволяют промышленности выйти на новый уровень автоматизации процессов, повышают надежность производства и обеспечивают развитие data-driven подхода в принятии решений.

Решение о разработке собственного инструмента было принято в связи с тем, что платформы, доступные сейчас на рынке, не соответствуют требованиям и задачам интернета вещей на нефтехимическом предприятии. Для запуска проекта требовалось дооснастить некритичные узлы системами автоматизированного контроля, дать операторам установок возможность самостоятельно подключать датчики и создавать себе интерфейсы для контроля оборудования. При этом создание и владение платформой собственной разработки оказалась вдвое выгоднее покупки платных аналогов и их доработки.  IIoT в СИБУРе базируется на беспроводной сети LoRaWAN, всеми устройствами которой управляет сетевой сервер.

По словам Александра Леуса, руководителя Индустрии 4.0 в СИБУРе, одной из основных сложностей, с которой сталкиваются разработчики продуктов такого класса, является острая нехватка обратной связи от пользователей на этапе от создания MVP до реализации боевого продукта. В СИБУРе команда разработки продукта состоит из специалистов в области ИТ и цифровых технологий и профессионалов, имеющих богатый опыт работы на нефтехимическом производстве. Такая комбинаций позволяет разработать и дать пользователям максимально удобный продукт, работающий на достижение целей бизнеса.

Первые пользователи платформы – аппаратчики производства пиролиза «ЗапСибнефтехима» – уже прошли обучение и начали ее использование.

Сейчас СИБУР переходит к этапу тиражирования IIoT-решений на своих предприятиях. В пилотном контуре – тобольские предприятия, «Томскнефтехим», «Воронежсинтезкаучук» и «СИБУР Кстово». Тираж строится на базе реестра бизнес-кейсов и идей использования промышленного интернета вещей, который содержит информацию об актуальных проблемах на производствах, технических решениях и потенциальных эффектах. Предприятия активно обмениваются опытом – это значительно ускоряет процесс формирования портфеля проектов. При этом учитываются экономические показатели, поскольку внедрение промышленного интернета вещей предполагает не только инвестиции в аппаратно-программную часть, но и развитие соответствующей инфраструктуры передачи и обработки данных.

Согласно прошлым исследованиям аналитиков в 2018 году был взрывной рост популярности проектов по машинному обучению (ML). На один проект 2017-го года приходилось 2,7 проекта в 2018-м. В 2019 году количество проектов продолжило увеличиваться (примерно на 10% относительно 2018 года). Причем лидерство держали банковская отрасль (20%) и ретейл (20%), а промышленности принадлежал каждый 14-й проект.

В 2020 году пока количество проектов соответствует прошлогодним показателям, однако их число будет скорректировано по втором полугодии в меньшую сторону из-за коронавируса и спада в экономике. Это связано с долгосрочным характером проектов в сфере AI/ML, — в первые месяцы пандемии были завершены те проекты, которые были запущены до ее начала.

ОтрасльТЭК по количеству проектов вышла на первое место (20% от общего объема). Причем технологии ИИ внедряют как крупные («Роснефть», «Татнефть», «Газпромнефть»), так и средние компании. Характер проектов – предиктивная аналитика для ремонта оборудования или разработки месторождений, цифровое проектирование, умные счетчики и т.п.

Каждый восьмой проект по искусственному интеллекту принадлежал промышленному сектору: создание цифровых платформ предиктивной аналитики («Сухой»), внедрение нейронных сетей для повышения качества металлопроката («Северсталь»), роботизация внутреннего документооборота («СИБУР Холдинг») и т.д. В отличие от ТЭК, где все проекты направлены на решение производственных задач, в промышленности цифровизация затронула и производство, и управленческий аспект.

В ретейле объем проектов оказался таким же, но с акцентами на аналитику промоакций и видеоаналитику. Несколько проектов было связано с магазинами без касс. Аналитики прогнозируют, что для ретейла останутся также актуальны технологии омниканальности, прогнозирование по маркетинговым акциям, а также прогнозирование остатков на складе и логистика. Эти решения позволяют сокращать издержки и удерживать клиентов, что будет особенно важно для восстановления после кризиса.

Несмотря на то, что финансовый сектор занимает второе место по внедрениям систем искусственного интеллекта, в банках и страховых компаниях наблюдается некоторое затишье: фактически последние реальные публикации по проектам были в феврале. А вот за рубежом они продолжаются. Возможно, привычный к кризисам российский финансовый сектор более осторожен в своих действиях в отличие от своих зарубежных коллег. Также есть вероятность, что банки сделали ставки на «хайповые» инновационные разработки, которые оказались не столь актуальными при самоизоляции и были поставлены на паузу. С дальнейшим развитием кризиса в «Инфосистемы Джет» ожидают приостановки части проектов и по другим отраслям.

Что же касается масштаба проектов, то отмечается, что если в последние несколько лет технологии ИИ «пробовали» на отдельных второстепенных процессах предприятий, то в ближайшие три года продолжатся полномасштабные внедрения в различных ключевых бизнес- и производственных процессах, требующих межсистемных интеграций и внешнего взаимодействия.

В исследовании прошлого года отмечался тренд на уменьшение тестовых проектов в противовес реальным внедрениям, и эта тенденция продолжается. Технология стала привычной для ИТ-ландшафта.

Многие бизнес-процессы в «Глобусе» уникальны по сравнению с аналогичными в других торговых сетях. Ретейлер использовал зарубежное кассовое решение, максимально адаптированное под его процессы и их оптимизацию. Система устраивала по скорости и качеству, однако возникла перспектива столкнуться с серьезными ограничениями при дальнейшем развитии продукта и аппаратной части.

С новым решением для автоматизации фронт-офиса «Глобус» хотел получить современные инструменты для бизнеса, управлять всеми типами касс от одного ядра, снизить стоимость владения.

Меньше чем за год ретейлер запустил в российских магазинах решения компании CSI: Set Retail 10 для управления классическими кассами, операционным днем и программой лояльности, Set Touch – для работы с сенсорными POS-терминалами, Set SCO – для касс самообслуживания, станций оплаты и терминалов самосканирования Scan&Go. В результате 1,6 тыс. касс торговой сети работают стабильно и быстро, всеми типами POS-терминалов эффективно управляет единое программное ядро.

«Глобус» начал использовать скидочные механики Set Retail. Сенсорные кассы с большим экраном покупателя позволяют показывать клиенту состав чека и оплат, данные карты лояльности. С развитием системы появляются новые инструменты для снижения издержек, роста прибыли и повышения лояльности покупателей.

Ретейлер использует множество внутренних систем: CRM, BI, интернет-магазин, систему видеонаблюдения. Для стабильной и быстрой передачи данных между ними и решениями CSI «Глобус» установил интеграционный модуль SetESB. Также компания запустила сервис для учета маркированного алкоголя Set Mark, решение для управления заказами покупателей Set Kit, полностью готов к торговле маркированной обувью.

В 11 гипермаркетах «Глобус» заменено кассовое оборудование на сенсорные кассы FEC 9635CR — 327 новых POS-терминалов установлено на кассовой линии, в зоне ресторанов и торговом зале. Кассы FEC выдерживают высокие нагрузки, устойчивы к перепадам температур, каплям воды или жира на дисплее, а PCAP-экран одинаково чувствителен к прикосновениям в перчатках и без них, что особенно актуально для ресторана и отделов с весовыми товарами в гипермаркетах «Глобус».

Создание единого информационного пространства для работы с данными, поступающими от датчиков оборудования, стало первым шагом к внедрению общей системы big data и BI-аналитики для всех производств «Уралхима». Уже сейчас система включает в себя интеграцию с BI-платформой для построения отчетности в режиме реального времени, а также реализацию алгоритма анализа отклонений, мониторинга и выявления неработающих датчиков оборудования в режиме, близком к реальному времени.

По словам Владимира Руденко, руководителя департамента ИТ филиала ОЦО ОХК «Уралхим», курирующего практику внедрения машинного обучения, в компании происходит масштабная цифровая трансформация. Цифровые подразделения холдинга, ранее выполнявшие сервисные функции, становятся локомотивами развития, создавая технологические решения, которые позволяют оптимизировать и повышать ценность бизнес-процессов нашей компании. Это только первые шаги, но созданные решения открывают огромные возможности по использованию технологий больших данных и машинного обучения в масштабах всего холдинга.

Решение спроектировано как масштабируемая платформа для анализа и хранения потоковых данных о показателях с технологических установок оборудования глубиной пять и более лет. В будущем платформа сможет стать основной для объединения промышленных, финансовых и других данных: информации по отгрузкам, складским остаткам, а также их анализа и отслеживания исполнения KPI. Использование технологий Machine Learning и big data позволит создавать новые инструменты, решающие прикладные бизнес-задачи холдинга. На основе собранных данных можно будет анализировать и прорабатывать механизмы оптимизации качества продукции, повышения КПД оборудования. Также в озере данных заложена возможность разработки и внедрения предиктивного ТОиР на базе машинного обучения.

Корпоративная система диспетчерского управления производством введена в промышленную эксплуатацию в АО «Кольская горно-металлургическая компания» с мая 2020 года, что стало завершающим этапом внедрения системы в «Норникеле». Ранее проекты по внедрению диспетчеризации производства были реализованы в Заполярном филиале и производственном департаменте головного офиса. Сегодня система функционирует в 18 производственных подразделениях компании.

Единая система диспетчеризации предназначена для автоматизации и оптимизации процессов оперативного планирования и управления производством на уровне головной компании, производственных управлений филиалов и производственно-диспетчерских служб предприятий. Система формирует единую и открытую информационную среду для взаимодействия менеджмента компании, руководителей подразделений, диспетчеров и мастеров при формировании и выполнении производственной программы.

Одна из ключевых целей проекта – повышение прозрачности производственных процессов за счет максимальной цифровизации производственного учета. Система диспетчеризации позволила компании полностью уйти от телефонного сбора информации и фиксации ее на бумажных носителях. Все данные о ходе технологического процесса поступают в систему автоматически. Каждый пользователь, а это около 400 сотрудников в Норильском промышленном районе, 500 в АО «Кольская горно-металлургическая компания», а также более 40 сотрудников главного офиса компании, имеют доступ к необходимым данным с производства в удобном формате и с необходимой детализацией.

Помимо производственного учета, в системе автоматизированы процессы оперативного планирования и формирования декадно-суточных графиков. Система диспетчеризации способна давать прогноз выполнения планов, сравнивая фактическое значение показателя с суточным графиком. Диспетчер одним кликом мыши может рассчитать требуемую производительность для выполнения суточного графика.

Интерфейс системы прорабатывался таким образом, чтобы из всего объема данных выделить именно те, которые в конкретный момент оказывают наибольшее влияние на производственный процесс. Также система диспетчеризации передает данные в смежные MES-системы, которые используются для формирования стратегических планов развития компании.

Как отмечает Владимир Трапезин, директор по автоматизации и информационной трансформации производства ГМК «Норильский никель», автоматический сбор необходимых данных и оперативная прозрачная отчетность являются базой для информационной поддержки управления производством. Внедрение системы диспетчеризации позволило обеспечить специалистов и руководителей компании инструментом оценки состояния всего производства и принятия оперативных управленческих решений.