00:00
Мое почтение, Дамы и Господа!
Меня как обычно зовут Игорь Третьяков. Сейчас рассмотрим некую последовательность, какой-то скрипт и ключевые точки - на что надо обратить внимание, если у вас есть мотивы сменить программу обработки данных с оборудования.
Для тех, кто впервые хочет использовать машинные данные, еще говорят MDC или промышленный интернет вещей (IIoT), эта шпаргалка тоже сгодится, но там упор будет на процесс внедрения инноваций. И там будут сложности с сопротивлением изменениям и перестройкой IT-ландшафта и производственной практики такие, что выбор инструмента отойдет на второй план. Хотя последовательность будет та же. А вот для тех, у кого уже есть машинные данные, кто уже
00:58
использовал их в управлении производством, для того этот скрипт будет основным. Это шпаргалка для тех, кому надо разобраться, но у кого нет необходимости, вникать в тему глубоко.
С какой-то периодичностью делаются глубокие разборы анализа машинных данных, и тогда собираются открытые либо закрытые совещания профильных специалистов, и они разбирают все детально и строят какие-то форсайты. Сейчас...
01:27
набор контрольных точек для специалистов, оптимизирующих бизнес-процессы, для которых анализ машинных данных не профессия, а один из инструментов. И вот как мы сейчас мудро и экологично запилим проект по реинжинирингу обработки машинных данных или промышленный интернет вещей, как сейчас модно говорить. Во-первых, мы уточним сами у себя, а зачем это надо.
01:55
Зачем самый важный вопрос? Мы определим цели и направления развития. Потом мы выясним, для кого мы это делаем, кто будет этим пользоваться. Карту влияния и карту субъектов. Потом мы выясним, какие факторы мы учитываем, а какие игнорируем или пренебрегаем. Потом мы рассмотрим доступные нам инструменты. Насколько они удобны? Насколько они сложны или дороги? Насколько они вписываются?
02:25
нашу текущую деятельность и насколько они соответствуют выбранным целям. И здесь же мы определяем пространство решений, лежат ли наши цели в пределах наших возможностей. Может нам надо вернуться на первый уровень и масштабировать цели, стать более амбициозной, нам доступно. Или наоборот, умерить аппетиты, снизить амбиции и поменять цели на более скромные.
02:54
Мы уже составим дорожную карту, по которой мы сможем все это реализовать. Реализовать это будет попроще, и нам проще будет этот проект контролировать и пересматривать, если что-то пойдет не так, как мы планировали. Причем принято считать, что проект пересматривают только когда что-то пошло хуже, чем ожидалось, а может быть первые вехи проекта покажут нам, что на первых этапах мы все сделали настолько круто, что можем...
03:24
поднять планку. Но в общем дорожная карта нужна, составить ее не сложно. Машинная данная применяется на сотнях и тысячах предприятий. Я только участвовал в этом раз в триста. Но это уже тема другого кино. Итак, в первую очередь, надо уточнить цель и пространство решений. Что же нас вынуждает или мотивирует к замене программы по чтению данных с оборудованием.
03:52
Самый простой случай – это технический трабл. То есть если сервис стал недоступным, вендор выпилился, сменил направление развития, не может победить баг-репорт, то есть исправить критические ошибки. Ну в общем что-то не работает, и нам надо пересмотреть, будем ли мы это ремонтировать или искать альтернативу. Еще один случай – это если содержание этого ПО мы считаем неоправданно дорогим.
04:22
или сложно. И тогда мы смотрим структуру издержек, это не только финансовые затраты, и смотрим, либо мы можем на чем-то сэкономить, либо мы можем найти более экономное программное обеспечение. В следующий случай, когда у нас задействовано какое-то количество оборудования, и мы хотим расширить эту практику на другие участки производства, на другие рабочие центры, в идеале, конечно...
04:50
создать сплошной слой данных, то самое цифровое одеяло. То есть когда мы хотим добавить систему еще оборудования и понимаем, что нам тоже нужно задать себе вопрос, мы будем это делать на той же системе или выберем более эффективную по причине производительности, функциональности, сервиса или еще каким-то. Может быть нам надо пересмотреть подключение разных типов оборудования. Причем, возможно, в две стороны.
05:20
что у нас есть какие-то очень сложные рабочие центры со своей встроенной системой управления, есть свои ЧПУшки, своя SCADA, иногда даже свои экспертные системы, которыми это оборудование укомплектовано. А иногда, наоборот, мы понимаем, что мы подключили сложное оборудование и используем дорогие лицензии и сложные драйвера. И, может быть, выберем менее навороченный вариант, который будет и стоить дешевле, и работать надежнее.
05:50
и использоваться проще. И тогда основной вопрос, который мы себе зададим, какое оборудование мы подключаем универсальными способами, а для какого оборудования мы выберем индивидуальный подход. Может быть, мы решили расширить количество параметров. К примеру, на начальном этапе нам достаточно понимать, включено оборудование или выключено, работает в холостую либо под нагрузкой, производит продукт или нет.
06:19
отключил ли его оператор, либо сработала защитная автоматика, а в какой-то момент нам надо больше параметров, потому что мы хотим шире контролировать состояние оборудования. Может быть есть возможность взять контроль над технологией, может быть у нас появились вычислительные мощности, если мы раньше умели считывать много параметров, но не могли по серверным или сетевым ограничениям.
06:46
Теперь у нас появились мощности и мы можем вернуться и расширить пайку технологов, то есть обрабатывать больше параметров оборудования. Причем эта задача может формироваться от потребностей и от возможностей. К примеру, мы очень хотим искусственный интеллект и нам нужно его чем-то кормить, например, машинными данными. Либо вторая задача, что мы в конце концов проложили оптику по всему предприятию, закольцевали ее.
07:16
И у нас есть новенькие маршрутизаторы, коммутаторы. И пропускная способность сети выросла на три порядка. И мы можем себе позволить. И редкий случай, но формально он существует, когда мы откажемся от части обрабатываемых параметров. Когда понимаем, что мы собираем данные, которые не можем анализировать и только отнимаем ресурсы у важной обработки.
07:43
Либо с изменением технологии или чего-то там, необходимость в этих данных отпала, они для нас не актуальны. Но чаще аппетит приходит во время еды, и мы расширяем количество параметров, которые мы собираем с оборудованием. Тогда у нас тоже возникает вопрос обновить систему или заменить на другую. Еще более важный случай, если у нас изменилась сама производственная система, и у нас есть шанс,
08:12
использовать инструменты эффективнее или более эффективные инструменты. Еще важнее, если появились новые точки уязвимости. Когда мы меняем состав оборудования, когда мы изменяем продукт, который мы производим, либо то же оборудование, тот же продукт, но мы производим его по другой технологии. И тогда, возможно, мы тоже пересматриваем свой подход к обработке машинных данных.
08:39
Еще один случай, когда у нас меняется производственная практика, меняется модель управления, меняются какие-то подходы. Например, в случае, если у нас появились новые стейкхолдеры, то есть заинтересованные лица. Ну, простейший пример. Механики купили себе систему сбора машинных данных для контроля нежного оборудования, освоились, штурмуют предиктивную аналитику. И тут технологи понимают, что им бы тоже в этом…
09:08
поучаствовать. Либо управление переходит на Data Driven и мы разделяем оперативные данные стратегически и все такое. Может быть у нас идет объединение в масштабах холдинга, может быть у нас появились новые инструменты анализа данных. Ну какие-то там экспертные системы, искусственный интеллект и все такое. Может быть мы освоили часть функций и решили расширить практику применения. Текущие возможности стали обыденными.
09:38
и мы понимаем, что у нас есть возможность расширить использование данных и оборудования для управления предприятием. Может быть, необходимость пересмотра вызвана внешними факторами и требованиями от других информационных систем. Ну, то есть, допустим, система была автономная, а теперь мы интегрируем ERP, MES и MDC в некий единый PLM-ландшафт. Может быть, у нас была уже интеграция и...
10:06
изменились технологии либо запросы на стороне смежных систем, и мы вынуждены что-то пересматривать по интеграционным требованиям. Это еще один повод пересмотреть свой подкрот к анализу машинных данных, в том числе, возможно, пересмотреть инструментальный набор, то есть те программы, средства, драйвера, протоколы, стандарты, которые мы для этого используем. И что важно, если у нас появился какой-то мотив,
10:35
для такой ревизии, то нам стоит пройтись по всему этому списку, проанализировать все эти пункты, как говорится, чтоб два раза не вставать. Самое печальное, если мы провели проект и на финальных этапах у нас появляются новые вводные. Мы теряем ресурсы, а самое главное время. Поэтому хорошо родить такой документ, где будет написано по каждому пункту. Чего хотим, что рассматриваем.
11:03
Какому выводу пришли? Даже если решили все оставить как есть и ничего не менять, то это нужно мотивировать или хотя бы отфиксировать. Да, принято такое решение. Теперь рассмотрим подробнее. Для кого мы добываем машинные данные, кто ими пользуется и кто извлекает из них пользу для нас? Вот у нас есть система добычи машинных данных. И сначала локальные задачи.
11:30
Мы эти данные сливаем специализированный софт по управлению здоровьем оборудования. Я, и все такое. Ну, если у нас есть такие системы. Либо мы передаем это механикам для их текущей работы. Очень много интересного механики узнают из машинных данных. Правильно мы используем оборудование или неправильно. Недооцениваем его ресурс или переоцениваем. Но предиктивная и проактивная аналитика — это вообще...
12:00
гость сезона. И мы рассчитываем, что наша служба техподдержки ведет какие-то стратегические работы по развитию нашего техобеспечения, по развитию нашего оборудования, и что машинные данные им помогут не только в оперативном управлении, а и в стратегическом, лучше соответствовать целям нашего бизнеса.
12:24
В том числе, возможности систем позволяет нам прокачать вообще работу с сервисными запросами на предприятии. Не только по техническому обслужению, а сервис запроса – это важная тема. Посмотрите на ITCM, который ушел вперед. Но для производственных систем это не менее важно. И в том числе машинные данные могут генерировать сервисные запросы, помогать обрабатывать сервисные запросы.
12:52
И почти во всех известных мне системах есть подобный функционал. Инженерная подготовка. Им тоже машинные данные очень кстати. Во-первых, есть специализированный софт, который уже интегрируется с интернатом вещей. И он есть не только у фирмы PTC, которая нас решила покинуть. Технологи пользуются машинными данными в текущей работе, то есть они могут видеть, правильно ли мы делаем по технологии, или мы делаем не по технологии.
13:21
насколько эффективна эта технология и много чего еще. И естественно, это позволяет нам развивать техподготовку вообще. Доступ к машинным данным и возможностях анализа позволяет построить инженерную службу на более высоком уровне глобально, в интересах всего предприятия. И мы тоже рассматриваем такое направление, такие возможности. И рассматриваем хотелки и потребности, синклонизируем их.
13:49
умениями и возможностями. И на развитых предприятиях мы понимаем, что у нас есть какая-то система менеджмента качества, которая в основном базируется на анализе технологий. Но это, безусловно, более масштабная история, но машинные данные эта история кушает на раз. Теперь и производство. Естественно, производство – это основная часть нашей задачи. Заказчики платят нам не…
14:18
за то, что у нас порядки оборудования, лишь бы они получили нужное количество и нужные сроки, им по большому счету плевать, какие мы используем технологии, лишь бы мы достигали нужного качества и вкладывали в себестоимость, и для этого мы должны управлять операциями. Машины и данные помогают управлять производственными операциями, начиная с того, что мы видим, что пилится, что не пилится, включено, выключено, и заканчивая какими-то…
14:47
более сложными моделями анализа. То есть машинные данные в большинстве систем интегрированы с MES-экранами. То есть там, где непосредственно на рабочем центре выдаются задания, выполняются задания, контролируются задания, под ним формируются какие-то отклонения, обрабатываются эти отклонения и так дальше. В общем, MES-экран – живная тема. Потом мы понимаем, что нам надо управлять операционным потоком объединения партии, разделения партий.
15:16
управление запусками, оптимальным размером заказа, каче неисчерпаемая тема и машинные данные дают для этого все больше возможностей. Ну и оптимизация переналадок – это же святое. С МЭТ все такое. И если эти возможности обработаны правильно, то мы имеем некую поддержку планирования.
15:41
Как простой пример, что анализ машинных данных позволяет нам скорректировать нормирование либо в плане автоматического формирования норм и прогнозов по скорости исполнения заказов и заканчивая тем, что мы ищем возможности сократить эти нормы или усовершенствовать. В общем, иногда машинные данные попадают через пару этажей наверх, может в каком-то обработанном виде, а иногда и на самый верх.
16:10
когда мы строим аналитику, строим оперативную аналитику, чтобы мы видели прямо сейчас, что происходит на производстве, что хорошо, что плохо, что можно прямо сейчас предпринять и где стоит вмешаться желтые и красные сигналы. И анализ машинных данных помогает нам улучшить стратегическое управление в совершенно разных форматах. Может быть, экспертные системы, которые...
16:37
очень любят кушать машинные данные, особенно искусственный интеллект. Это совершенно разные результаты и себестоимость. Делаем мы ручную разметку данных или автоматическую. И вот эти экспертные системы могут определить нам и оперативные вещи, быстрее, чем это делают люди, и неочевидные возможности. В общем, экспертные системы и машинные данные —
17:06
Его надо тоже проанализировать. Ну и то, что данные и соборудование используются для построения всевозможных экранов. Начинают панели управления, где нужна оперативная информация для принятия решений. И заканчивая андонами в цехах, где видно оперативную обстановку. Либо стратегическая аналитика для руководства, когда дашборды делаются для профильных руководителей, либо для каких-то…
17:36
магистральных совещаний или универсальные. В общем, мы еще раз проходим по всем субъектам и выясняем, чего они хотят от машинных данных, насколько эти хотелки обоснованы и что же мы можем им предложить. Реально ли эти хотелки и какой ценой они нам достанутся. В общем, делаем карту влияния, собираем в одну табличку запросы по возможности взаимодействия со всеми стейкхолдерами.
18:04
И вот когда мы уже знаем, кому и зачем это нужно, как поется грустная песня, самое время посмотреть, а какими средствами мы можем эти задачи прикрыть. Посматриваем те системы, которые у нас уже есть, или которые были доступны. Я никого не призываю обходить защиту или покупать лицензии через третьи руки, но...
18:33
есть такая часть пространства решений. И иногда это выход. Если у вас грамотная IT-служба и высокая культура, и прокачанный IT-ланшафт, вам, безусловно, стоит рассмотреть стандартные протоколы. Очень-очень много оборудования подключается через стандартные там OPC, OPC-UA, Euromaps, OpenData и еще какие-то стандартные протоколы. И, возможно, что вам надо задействовать
19:02
какое-то локальное решение и самостоятельно прикрутить протокол для какого-то оборудования. Или привлечь специализированного подрядчика и не использовать какие-то специальные системы мониторинга, а ограничиться интеграцией либо стандартных протоколов, либо праприетарного ПО, которое есть уже в этом оборудовании. Ну и как главный объект изучения…
19:30
Это профильное программное обеспечение, которое есть на российском рынке. В первую очередь это DPA. Не потому что это родной мне продукт, я его знаю лучше других, а потому что команда сохраняет некоторое лидерство по функционалу и имеет те возможности, которые нет в конкурирующем софте. По поводу старого логотипа я его намеренно использую, потому что новый логотип дизайнер украл у…
19:59
немецкой почтовой службы, а старый логотип мне больше напоминает станок ЧПУ. Поэтому рассматриваем ДПА или DPA, и развитый функционал, и вменяемая карта развития продуктов. Диспетчер, за которым стоит цифра и тысячные внедрения, он будет и развиваться, и интегрироваться с ZAIoT. Это отдельный продукт, но...
20:27
Я их рассматриваю совместно, и там, в общем, интересная история. Но сейчас речь о том, что их надо обязательно включить в шорт-лист изучения. В том числе по этим системам достаточно легко посмотреть опыт их применения, и накопленные вендорами, и тихо у людей поспрашивать. Надо посмотреть на кучу-кучу самых маленьких систем мониторинга. Иногда достаточно простого решения.
20:56
оно будет и дешевле, и самое главное простые вещи просты в обслуживании. И для крупных предприятий, у которых взрослый подход к IT, возможно, все это надо обернуть в типа Aggregate. Это отдельная история, и это скорее интеграционная платформа, чем инструмент сбора машинных данных. Если у вас уже штаны с карманами, то вам надо это решение знать и примерить. В каких-то случаях...
21:24
есть смысл заказать доработку какого-то софта или модулей. И на существующих вендоров можно надавить по доработке какого-то функционала. Такая практика есть, она успешная. В частности, управление механообрабатывающим инструментом сделали в первую очередь для станков CPU Siemens, потому что КАМАЗ. И другие есть случаи, причем иногда пользователю виднее. А в каких-то случаях...
21:54
нужно запилить какую-то софтину для себя и этим модулем решить определенные задачи. Моя любимая тема App Insource. Именно сейчас Odu штурмует интеграцию с оборудованием. Есть специализированная App Insource системы для обработки машинных данных. И в определенной ситуации для производственного предприятия это оптимальная стратегия. Если вы можете содержать со своей стороны
22:23
какие-то компетенции, какую-то группу специалистов, чтобы не зависеть от настроения в Open Source, то обязательно надо такую возможность рассмотреть. И еще один ненарисованный пункт – это Insource на ОПО. Было исследование о том, что Insource не родил ничего хорошего в году в 19-м или в 20-м, что это просто растрата денег. И на начало 2024 года мы имеем прецеденты.
22:51
Когда бизнес покупает у бизнеса, когда разработанное внутри корпораций ПО оказывается эффективнее того, которое разработали специализированные вендоры. Но я не хочу их бесплатно хейтить, но такие примеры есть в том числе и в обработке данных с оборудования, или в анализе этих данных. Крупные корпорации очень сильно вложились в эти все около-теировские темы.
23:19
И это не только сделка Еврахим-Северсталь. Почему-то это стало трендом. Бизнес покупает софту бизнеса, а вся аутерс разработки делает вид, что она этого не замечает. Но это другая тема. А сейчас вопрос о том, что нужно собрать стандартный опросный лист от этих вендоров, дополнить ее своими вопросами, подвести под единый базис, проанализировать и примерить на свою ситуацию, а потом поторговаться.
23:48
Это вообще зависит от баланса вашей внутренней экспертизы и масштаба потребностей, а также от дорожной карты развития вашего предприятия и развития продукта. В каких-то случаях вообще можно не заморачиваться, если этот проект масштаба ваших карманных денег. Найдите подрядчика понадежнее, установите ему показатели и запишите срок, когда его надо проверить.
24:18
полно компаний и персонажей, которые подключают машинные данные в приемлемые сроки за вменяемый ценник. Всем добра и пусть ваш апгрейд интернета вещей пройдет комфортно, достигнет целей и расширит горизонты. Звоните, пишите.
Ревизия обработки машинных данных. Что учесть при обновлении системы мониторинга? # DFT #Draft