Управление производственными активами
Мониторинг, диагностика и прогноз технического состояния
Low-code платформа для ML-аналитики
Управление устройствами, сбор, обработка и аналитика данных
Эксперты Factory5 постоянно исследуют рынок и следят за трендами. В начале года они уже делились ключевыми инсайдами о развитии рынка предиктивной аналитики из исследования MarketsandMarkets. А сейчас представляют шесть глобальных трендов в этой области, чтобы вы знали, куда она движется, и использовали передовые технологии — ведь рано или поздно эти тренды придут и на российский рынок.
По данным IoT Analytics, незапланированный простой техники обходится средней фабрике в $2,3 миллиона в год. В условиях растущей конкуренции компании стремятся снизить расходы, простои и упущенную прибыль, а также работать как можно эффективнее. Для всего этого критически важны оптимально выстроенные процессы ТОиР, и предиктивная аналитика — одна из их ключевых составляющих. Системы predictive maintenance (PdM) всё шире применяются в разных сферах. Например, в отраслях, где активно растёт производство: автомобильной, космической, оборонной, горнодобывающей, кораблестроительной, а также в сфере электрики и электроники. Спрос на прогнозное обслуживание появляется и там, где раньше им практически не пользовались, в том числе в сфере управления автопарком и медицине. Эксперимент, проведённый в клинике ОАЭ, показал возможность сэкономить 25% бюджета на диагностику и ремонт иммунологического анализатора, а инвестиции окупились за год. В 2016 году исследователи IoT Analytics насчитали на рынке PdM сто компаний. На данный момент они выделяют 280 поставщиков и связывают рост с появлением множества стартапов, особенно в направлении аналитики. Также на рынок вошли крупные игроки, включая General Electric, PTC, ABB, Cisco и Siemens. Эксперты прогнозируют, что за следующие 5 лет количество поставщиков превысит пятьсот, и это тоже свидетельствует о росте индустрии.
Ещё в 2016 году решения predictive maintenance часто опирались всего на одно значение сенсора, например, вибрацию или температуру. Сейчас многие компании применяют гибридный подход к построению моделей, сочетая экспертные знания об оборудовании, виртуальные сенсоры и внешние данные. AspenTech, поставщик решений для повышения эффективности активов в обрабатывающей промышленности, вместе с 60 компаниями развивает гибридную технологию моделирования, которая объединяет физические модели и алгоритмы машинного обучения. Научно-исследовательская компания PARC, принадлежащая Xerox, недавно представила свою IIoT-сиситему MOXI, основанную на гибридном подходе. Мы в Factory5 тоже придерживаемся гибридного подхода: при разработке прогнозных MX-моделей используем математическую статистику и физические принципы работы оборудования (MX — Math & Experience). Аналитики ожидают, что в будущем сенсорные устройства будут сами анализировать данные в месте их сбора, что сократит задержку ответа. В 2020 году одна из крупнейших микроэлектронных компаний STMicroelectronics уже представила ноды умных сенсоров, которые могут и собирать, и анализировать данные.
Всё шире применяются технологии IoT и машинного обучения, облачные и граничные вычисления, анализ больших данных. Согласно исследованию Capgemini, одной из крупнейших компаний в сфере консалтинга, технологических услуг и цифровой трансформации, 29% сценариев использования искусственного интеллекта связано с обслуживанием машин и производственного оборудования. Аналитики Global Industry Analysts отмечают рост инвестиций в ИИ со стороны производственных компаний и считают, что это приведёт к развитию инновационных способов применения искусственного интеллекта для мониторинга состояния техники. По результатам исследования IoT Analytics, контролируемое машинное обучение (supervised machine learning) наряду с простой статистикой относится к самым популярным методам PdM-аналитики. Этот метод предполагает, что для построения прогнозной модели человек отмечает те участки данных, которые соответствуют отказам, благодаря чему алгоритм учится распознавать их в будущем. Облачные вычисления в PdM-решениях позволяют строить более полные ML-модели и делать более сложную обработку данных, так как они получают и хранящиеся в облаке исторические данные, и информацию с IoT-сенсоров, актуальную на текущий момент. Тренд на цифровые технологии, такие как удалённый мониторинг, усилился в связи с пандемией COVID-19. Всё большим спросом будут пользоваться решения, позволяющие следить за состоянием техники откуда угодно.
В 2016 году системы предиктивной аналитики чаще всего были отдельным решением, не встроенным в ИТ-окружение предприятия. На сегодня поставщики интегрируют PdM-инструменты с различными сенсорными технологиями, системами контроля и другими решениями, например, системой планирования ресурсов (ERP), компьютеризированной системой управления техническим обслуживанием (CMMS), системой управления производственными активами (EAM). Мы в Factory5 обеспечиваем бесшовную интеграцию собственных PdM- и EAM-решений (как между ними, так и с решениями других производителей), чтобы система предиктивной аналитики влияла на процессы ТОиР, а не просто работала сама по себе. Некоторые поставщики реализуют PdM как дополнительный модуль внутри другого программного решения. Например, IBM предлагает добавить предиктивную аналитику в рамках своей EAM-системы Maximo. В будущем предиктивная аналитика может стать частью стандартного корпоративного ПО или будет глубоко интегрирована со всеми важными процессами.
Системы предиктивной аналитики становятся доступны людям без знаний в ИТ, а их внедрение не требует замены старой техники. За лёгкую интеграцию с устаревшим оборудованием, на котором нет датчиков, отвечают программно-аппаратные решения Plug and Play. Они работают «из коробки», и для их настройки не нужны специальные знания. Пример такого решения — совместная разработка Bosch и Harting, IIoT-система MICA, которую можно установить на любое устройство. Также получают распространение автоматизированные PdM-системы и low-code/no-code-решения, в которых код либо мало используется, либо не используется вообще. Благодаря этому с системами прогнозной аналитики смогут работать не только дата-сайентисты, но и так называемые «citizen developers» — непрофессиональные разработчики, а также люди вообще без ИТ-знаний. Аналитики IoT Analytics прогнозируют, что в ближайшие 5 лет этот тренд усилится и непрофессионалы даже смогут устанавливать PdM-системы и сенсоры самостоятельно.
С помощью PdM as a Service производители в режиме реального времени получают данные о работе оборудования, которым пользуются клиенты. Это позволяет совершенствовать обслуживание техники и поддержку, а также использовать статистическую информацию для развития продукта. Клиенты, в свою очередь, лучше понимают, как правильно эксплуатировать устройство, чтобы оно долго и эффективно работало, и получают ценность с первого дня, так как прогнозные модели уже созданы производителем. В 2020 году схожую систему представила российская энергомашиностроительная компания «Силовые машины». Для OEM-производителей, работающих по контрактам жизненного цикла (КЖЦ), системы предиктивного обслуживания становятся жизненно важным инструментом поддержки инновационной бизнес-модели и снижают операционные издержки.
Отсутствие точных данных об экономическом эффекте было одним из основных препятствий для распространения PdM-решений. Исследование IoT Analytics от 2021 года показало, что инвестиции в системы предиктивной аналитики окупились у 83% опрошенных менеджеров, причём у 45% из них — в течение года. Эксперты рассчитывают, что с дальнейшим расширением функционала PdM-систем и упрощением их внедрения ROI станет ещё выше.
Тренды рынка подкрепляют прогнозы о его дальнейшем росте. Более того, решения становятся одновременно технологичнее и проще в использовании, что повышает их привлекательность. Можно отметить, что отрасль уже успела адаптироваться к пандемии и только укрепилась за счёт растущего спроса на системы удалённого мониторинга и управления активами.
