Cały świat mówi o Digital Twin - ale pomyślmy trochę dalej. Digital Twin to tylko pierwszy krok, a nie miejsce docelowe. Mesh Twin Learning jest kolejnym etapem - zbadajmy więc to i przedstawmy kilka kluczowych korzyści, które MTL jest gotowy zapewnić!

Stan produkcji

Przemysł 4.0 i inteligentne fabryki zyskują na dynamice. Według badań Deloitte przeprowadzonych wspólnie z MAPI, 86% producentów uważa, że inicjatywy inteligentnych fabryk będą główną siłą napędową konkurencyjności w branży. Inicjatywy inteligentnych fabryk pochłaniają już 30% globalnych budżetów fabryk, a co więcej, 58% respondentów spodziewa się wzrostu budżetu inteligentnych fabryk w 2020 roku.

To wszystko są dobre powody, dla których inteligentne fabryki cieszą się takim zainteresowaniem w branży produkcyjnej. Oczywiście - przynosi to również znaczące korzyści. Wczesni inicjatorzy inicjatyw inteligentnych fabryk zgłaszają dwucyfrowy wzrost KPI w latach 2015-2018. Średnio odnotowali oni 10% wzrost produkcji, 11% wykorzystanie mocy produkcyjnych fabryki i 12% wzrost wydajności pracy.

Według KPMG i badania dotyczącego przemysłu motoryzacyjnego w Wielkiej Brytanii, wiele korzyści płynących z inicjatyw cyfryzacji to m.in:

  • Redukcja czasu przestoju maszyn o 20-35%
  • 15-25% redukcja kosztów utrzymania instalacji
  • Zmniejszenie zapasów o 12-20%
  • Do 80% poprawa dokładności prognoz
  • Wzrost wydajności o 30 - 50%

Testowanie cyfrowe i rzeczywiste korzyści

Mądra fabryka wiele obiecuje. Wyższa wydajność, poprawa jakości i redukcja kosztów, to tylko kilka przykładów. Wszystko to można osiągnąć poprzez stworzenie cyfrowej kopii fabryki i ostatecznie całej sieci fabrycznej.

Bezpośrednie doświadczenia pierwszych użytkowników dowodzą, że cyfryzacja jest drogą dla firm produkcyjnych, ale ci, którzy podążają tą drogą, napotkają wiele wyzwań. Mesh Twin Learning jest rozwiązaniem ułatwiającym podróż - przejdźmy więc do ważnych szczegółów!

Od Digital Twins of Single Asset do Factory Network

Jednym z najważniejszych kamieni węgielnych Branży 4.0 jest Digital Twin - wirtualna kopia fizycznych zasobów. Cyfrowe bliźniaki przechowują różnego rodzaju dane o poszczególnych zasobach fizycznych, od projektów CAD i optymalnych parametrów wydajnościowych po raporty konserwacyjne i dane zbierane w czasie rzeczywistym przez czujniki IIoT.

Nawet Digital Twin pojedynczego składnika aktywów i prosta wizualizacja danych w czasie rzeczywistym jest rozwiązaniem, które generuje dużą wartość biznesową. Obejmuje ono poprawę widoczności, co przekłada się na bardziej świadome decyzje, lepszą wydajność i lepsze wykrywanie problemów. O technologii Digital Twin mówiliśmy wcześniej w szerszym kontekście tutaj (i tutaj), skupmy się więc na przeniesieniu jej na kolejny poziom.

Inicjatywy w zakresie digitalizacji wartości stanowią korzyść, która rośnie wykładniczo wraz ze skalą rozwiązania, od pojedynczego atutu do sieci fabryk. Połączenie cyfrowych bliźniaków fabryk i łańcuchów dostaw otwiera zupełnie nowy świat innowacji i możliwości optymalizacyjnych.

Podobnie jak większość zmieniających się koncepcji gier, przemysł 4.0 i jego cyfrowe fabryki mają unikalny zestaw przeszkód. Istnieją różne wyzwania biznesowe, a mianowicie określenie strategii digitalizacji, wybór inicjatyw o najwyższej wartości, podjęcie decyzji o tym, od czego zacząć, a nawet przekonanie pracowników do przełamania status quo i przyjęcia zmiany.

Istnieją również wyzwania techniczne, takie jak: jakie technologie stosować, jakie architektury wybrać, jak zapewnić możliwości przechowywania danych, a nawet wysoką moc obliczeniową wymaganą przez technologie Big Data i Machine Learning.

W rzeczywistości wdrożenie cyfrowej fabryki byłoby wyzwaniem nawet w scenariuszu projektu greenfield - nie chcę w żadnym wypadku sprawiać wrażenia, że jest to wdrożenie za pomocą jednego kliknięcia. Prawda jest taka, że większość inteligentnych projektów fabrycznych jest ukierunkowana na istniejące obiekty, a nie na planowanie i budowę zupełnie nowych fabryk. W końcu firmy chcą uzyskać jak najwięcej z posiadanych już obiektów i zapasów.

Istniejące zakłady produkcyjne często składają się z kombinacji aktywów, od starych, ale w pełni funkcjonalnych maszyn, które wymagają modernizacji, po nowoczesne urządzenia, które są już wyposażone w czujniki IIoT. Wynikiem tego są różne standardy komunikacji, formaty danych i inne. Ponadto do wymiany ogromnych ilości danych, co jest rzadko spotykane w większości istniejących zakładów produkcyjnych, potrzebne są wysokowydajne łącza internetowe.

Mesh Twin Learning

Mesh Twin Learning (MTL) to rozwiązanie łączące różne nowoczesne technologie w celu rozwiązania wielu technologicznych wyzwań związanych z cyfrową fabryką, w szczególności z cyfrowymi sieciami fabrycznymi.

Rysunek 1. MTL: architektura wysokiego poziomu

W ogólnym zarysie, MTL łączy w sobie nowoczesne technologie i uczniów, którzy są:

  • Przemysłowy Internet Rzeczy (IIoT) - czujniki i inne urządzenia połączone w sieć razem z oprogramowaniem przemysłowym. Łączność ta pozwala na gromadzenie, wymianę i analizę danych.
  • Edge Computing - rodzaj architektury systemowej, w której możliwości przechowywania i przetwarzania danych są przenoszone do lokalizacji brzegowych. Jest to wspierane przez specjalistyczne urządzenia podłączone do globalnej sieci, pozwalające na rozproszone obliczenia z natychmiastowym dostępem do wyników i płynną komunikacją z zasobami Cloud.
  • Cloud - duża sieć połączonych ze sobą centrów danych, które działają jako jeden ekosystem, zapewniając niezbędne zasoby, moc obliczeniową i usługi do uruchamiania aplikacji lub dostarczania treści użytkownikom końcowym.
  • Digital Twins - zwirtualizowana kopia fizycznego urządzenia, komponentu lub żywej jednostki, która przedstawia swój stan jako szereg parametrów stale monitorowanych i aktualizowanych w czasie. Umożliwia to digitalizację wszystkiego, począwszy od procesów, systemów i miejsc - nawet samych ludzi. Digital Twins umożliwia zaawansowane symulacje, lepsze monitorowanie i skuteczniejsze podejmowanie decyzji dotyczących stanu systemu rozproszonego.
  • Machine Learning - koncepcja, która buduje zdolność do automatycznego uczenia się i doskonalenia na podstawie doświadczeń. Wykorzystuje dostępne dane, nie będąc wyraźnie zaimplementowanym jako zbiór statycznych zachowań.
  • Data Science - Zestaw metod i technik naukowych, mający na celu wydobycie wiedzy z różnych środowisk, jak również wykorzystanie ustrukturyzowanych i nieustrukturyzowanych danych ze wszystkich dostępnych źródeł, w celu wsparcia wszystkich procesów skoncentrowanych na decyzjach, prognozach lub zarządzaniu przedsiębiorstwem.
  • Mesh - Podejście do budowania, skalowania i działania rozproszonych ekosystemów. Główny nacisk kładzie się na bezpieczeństwo, łączność i niezawodność projektowanej architektury. Jest to realizowane w celu ograniczenia potrzeby pełnego współdzielenia zasobów, a nie wprowadzania wielofunkcyjnych możliwości różnych części systemu.

Więcej na temat koncepcji MTL można dowiedzieć się w innym poście.

Jak firmy mogą skorzystać z Mesh Twin Learning

Mesh Twin Learning zajmuje się wspólnymi wyzwaniami technicznymi związanymi z transformacją cyfrową. W ten sposób zapewnia korzyści biznesowe:

1. Interoperacyjność

Projekty typu greenfield są rzadkością w dziedzinie transformacji cyfrowej, a w szczególności w produkcji. Większość projektów ma na celu cyfryzację już istniejących procesów i urządzeń fizycznych. Starsze maszyny często nie posiadają czujników IIoT i wymagają modernizacji, podczas gdy nowsze już posiadają czujniki IIoT.

Problem polega na tym, że czujniki te wykorzystują różne standardy komunikacji, przesyłają dane o różnej strukturze i są skonfigurowane na różne sposoby. Staje się to jeszcze większym problemem, gdy mamy do czynienia z cyfryzacją wielu fabryk. MTL posiada dedykowane urządzenia brzegowe jako łączniki pomiędzy poszczególnymi maszynami i wspólnymi danymi, z repozytorium Machine Learning w chmurze. Każde urządzenie brzegowe zbiera dane z maszyny, w tym jej czujniki, i wysyła instrukcje przygotowane dla maszyny.

Dane zbierane przez te urządzenia brzegowe są następnie przesyłane do centralnego repozytorium danych w chmurze, gdzie mogą zostać przekształcone do wspólnego standardu przed ich analizą, wizualizacją i przekazaniem do modeli uczenia maszynowego.

2. Lepsze monitorowanie wydajności, szybsze podejmowanie decyzji

Centralne repozytorium, zasilane danymi z urządzeń peryferyjnych, pozwala na tworzenie pulpitów, które mogą zapewnić dostęp do zasobów i procesów w całej firmie, w czasie zbliżonym do rzeczywistego. Dzięki takiemu centralnemu punktowi dowodzenia kadra kierownicza i menedżerowie mogą w mniejszym stopniu polegać na swoim doświadczeniu i intuicji - zamiast tego będą mieli dane potrzebne do podejmowania decyzji dokładnie wtedy, kiedy ich potrzebują.

Centralna tablica rozdzielcza nie tylko wspomaga podejmowanie decyzji, ale także ułatwia monitorowanie wydajności w skali firmy. Dashboardy prezentują kluczowe wskaźniki wydajności procesów i maszyn, które pomagają odkryć wąskie gardła i śledzić potencjalne problemy, zanim staną się one poważnymi awariami i spowodują przestoje, a w konsekwencji utratę przychodów. W końcu fabryka, która nie produkuje, nie przynosi zysków.

3. Samo-optymalizujące się fabryki

Jednym z głównych elementów Mesh Twin Learning jest Machine Learning - a dokładniej konkurencja pomiędzy modelami Machine Learning. Komponent Cloud w MTL zawiera silnik Machine Learning, z wieloma modelami zasilanymi danymi z urządzeń brzegowych.

Silnik ten nieustannie stara się optymalizować modele, aby zapewnić jak najlepszą wydajność dla każdego procesu lub maszyny, za którą jest odpowiedzialny. Modele, które mają to samo zadanie, na przykład poprawa jakości luminoforów w fabryce lamp LED, są zasilane danymi z różnych urządzeń fizycznych, takich jak różne linie produkcyjne. Oznacza to, że każdy model dostosowuje się do różnych zmian w procesie.

Po przeszkoleniu modeli w realnym świecie, a następnie przetestowaniu ich w cyfrowej replice. Modele są stosowane do procesów wykonywanych w wirtualnym, symulacyjnym silniku, a ich wyniki są porównywane. Te, które dają najlepsze wyniki, mogą być automatycznie dystrybuowane do urządzeń brzegowych, gdzie są następnie stosowane do rzeczywistych procesów.

4. Maksymalizacja wydajności dla szybszej innowacji

Dzięki dostępowi do ogólnofirmowych danych pracownicy mają możliwość odkrywania nowych wzorców, dostrzegania zależności między procesami i uzyskiwania spostrzeżeń pozwalających na dalszą poprawę wydajności procesów, redukcję zapasów itd. Dzięki sieci fabryk umożliwiającej korzystanie z technologii MTL przedsiębiorstwa mogą obserwować wykorzystanie mocy produkcyjnych wszystkich fabryk i wspólnie planować procesy w całej sieci, wykorzystując dane dotyczące produkcji i zapasów w czasie rzeczywistym w celu zminimalizowania strat i czasu cyklu.

Ponadto modele uczenia maszyn, które są już wdrożone do centralnego silnika uczenia maszyn, stale testują nowe zmienne ustawienia procesów w celu poprawy wydajności. Robią to 24 godziny na dobę przez 7 dni w tygodniu i w tempie znacznie większym niż ktokolwiek mógłby osiągnąć.

Podobnie, MTL zapewnia możliwość testowania modeli za pomocą silnika symulacyjnego przed zastosowaniem ich do procesu fizycznego. W ten sposób wyniki są dostarczane znacznie szybciej, ponieważ jedynym ograniczeniem jest moc obliczeniowa, która w chmurze jest prawie nieograniczona. Ten silnik symulacyjny jest również miejscem, w którym zespół Data Science może w krótkim czasie przetestować nowe koncepcje - bez żadnych konsekwencji dla rzeczywistego procesu.

5. Łatwiejsze zarządzanie zmianami

Wprowadzanie zmian wymaga czasu. W kontekście fabryk cyfrowych istnieją różne rodzaje zmian, w których pomaga MTL, w tym konfiguracje urządzeń brzegowych i zmiany ustawień związanych z procesami biznesowymi, takie jak reguły biznesowe i progi alarmowe.

Wprowadzane są również zmiany w modelach Machine Learning wdrażanych do maszyn. Ręczne zarządzanie tak złożonym środowiskiem byłoby bardzo czasochłonne i podatne na błędy.

MTL zapewnia jednak centralne repozytorium konfiguracji urządzeń brzegowych, konfiguracji silników reguł biznesowych i modeli Machine Learning. Takie centralne repozytorium zawiera rejestr zasobów fizycznych i dokładnie wie, jakie zmiany należy wdrożyć - i gdzie. Oznacza to, że nowe wersje modelu Machine Learning lub konfiguracji urządzeń brzegowych mogą być wdrażane na wszystkich urządzeniach w ciągu kilku minut, a nie dni.

Podsumowanie

Jeśli jeden cyfrowy bliźniak jest świetny, a dwa lepsze, niż cała siatka połączonych w sieć Digital Twins jest absolutnie pełna wartości. Miejmy nadzieję, że, jak pokazałem, odpowiednio połączone w sieć modele Machine Learning mogą wdrażać korzyści w całej sieci szybciej niż jakiekolwiek inne środki, co prowadzi do większych korzyści, dostarczanych na szerszą skalę i z wcześniej nieoczekiwaną szybkością. Nie jest to sukces z dnia na dzień, ale na pewno warto osiągnąć długoterminowe rezultaty.

Komentarze (0)

Zostaw komentarz