Как умные фабрики оптимизируют логистические цепочки

В одном из прошлых выпусков мы начали разговор о влиянии аналитики данных на будущее логистики (вы можете скачать наше исследование по этой теме). Сегодня я хочу рассмотреть, какие конкретно технологии помогают снижать риски и повышать устойчивость к внешним факторам в условиях огромной нагрузки, которая легла на логистические цепочки в переломный момент для всемирной экономики.

Одним из цифровых рычагов, способных влиять на логистические процессы, являются умные фабрики, где используются такие технологии, как аналитика данных с опорой на искусственный интеллект, интернет вещей и компьютерное зрение. Они позволяют компаниям быстро переключаться на производство различных видов продукции, запускать новые виды товаров и изготавливать продукцию в большом объеме согласно условиям заказчика с высокой рентабельностью производства. Для достижения этих целей есть несколько инструментов для работы умных фабрик.

Автоматическая сортировка продукции

У наших специалистов из Orange Russia есть успешный опыт проведения Proof of Concept по использованию технологии компьютерного зрения для автоматической сортировки продукции. Мы реализовали его для крупного производителя металлических изделий на его территории.

 

Справка

PoC (Proof of Concept) осу­щес­твля­ет­ся, что­бы про­ве­рить тех­но­ло­гии на соот­вет­ст­вие тре­бо­ва­ни­ям за­каз­чи­ка. Реа­ли­зует­ся в на­шей ла­бо­ра­то­рии, где мы соз­да­ем сре­ду, по­хо­жую на произ­вод­ствен­ную пло­щад­ку кли­ен­та, и по­ка­зы­ваем, как ре­ше­ние бу­дет ра­бо­та­ть в его ин­фрас­трук­ту­ре, или же на тер­ри­то­рии за­каз­чик­а.

 

Каждое из изделий, которое изготавливает компания, должно быть пронумеровано. Из-за специфики применения продукции в стратегически важном для страны направлении изделие с отсутствующим номером, можно сказать, не существует – заказчик не имеет права его использовать без регистрации в государственной системе учета. Если линия распознает номер на изделии неправильно, и выпустит паспорт на неправильный номер, изделие превратится в кусок бесполезного металла.  Даже если оно идеально по всем параметрам, его нельзя применять по назначению.

Так выглядит маркировка изделий

Для распознавания номеров компания использовала старую систему, которая постоянно ошибалась. Людям приходилось вручную исправлять ее ошибки, но они тоже их часто допускали. И когда такая продукция все-таки отгружалась заказчику, он ее не принимал, возникали дополнительные накладные расходы. Так у компании возникла потребность в новой, более совершенной системе распознавания номеров.

У компании есть особенность производственного процесса: на одном из этапов изделия поступают на промежуточный склад, а уже оттуда в произвольном порядке следуют на линию контроля и исследуются на предмет того, соответствуют ли они требованиям к продукции (измеряется крутка, прямота, соответствие заданным размерам, наличие внутренних трещин и т. д.). Если все параметры признаны соответствующими нормативам, на изделие выписывается паспорт качества, и только тогда оно может применяться. У клиента была проблема рассинхронизации данных, поступающих на линию контроля со склада и с производственной линии.

При реализации нашего решения перед нами стояла задача внедрить его, не нарушая производственный процесс компании, то есть, этап складирования должен был остаться. И нам удалось создать систему, которая распознает маркировку изделий с точностью до 99,87% процентов.

 

Алексей Мочалов,
Менеджер по клиентским решениям Orange Business Services



Это удобно и быстро, снижает репутационные риски компании, риски возврата изделий. Когда у компании большие объемы производства, такое решение быстро окупается.

 

 

Предиктивное обслуживание и прогнозирование спроса

Аналитика данных на производстве позволяет прогнозировать загрузки производственных линий или брака и остановку производства. На основе статистики можно предсказать, когда сломается оборудование, и решить, что делать, чтобы не останавливать из-за этого производство. Ведь если менять детали часто, такой ремонт обойдется очень дорого. А если редко, есть риск, что из-за неожиданной поломки встанет вообще весь процесс. Созданная на основе аналитики данных рекомендательная система сообщит лицам, принимающим решения, что нужно заменить какую-либо деталь в станке или на производственной линии.

Для того чтобы реализовать такую систему, сначала нужно собрать данные о статистике поломок. Поиск данных занимает примерно 70% времени такого проекта. Еще 10% уйдет на написание нейросети и ее обучение, и 20% – на интеграцию с системами заказчика. После этого можно прогнозировать остановку производства и найти оптимальную временную позицию, когда можно менять ту или иную деталь. Если таких деталей несколько десятков тысяч на большом производстве, уследить за всеми физически нереально. Рекомендательная система позволяет экономить на остановках и рисках.

Разберем на примере. Есть двигатель, который приводит в движение конвейерную ленту на производстве. Предположим, что средний ресурс его работы – 10 лет. Он работает при определенных параметрах: динамика нагрузки с пиковыми значениями, периоды простоя, влажность, температура воздуха. Таких параметров  может быть очень много. А самих двигателей на производстве может быть несколько сотен или даже тысяч, и все они работают с разной динамикой в неидеальных условиях, что сокращает срок их работы. Поскольку большинство процессов конвейерного производства идут последовательно, внезапная остановка одного двигателя может привести к остановке всего завода или большого блока, что приведет к огромным финансовым и репутационным потерям.

Если занести параметры работы всех двигателей в AI-модель, снять статистику за несколько лет, когда и при каких обстоятельствах они ломались, какие условия на это влияли, какие части были наиболее подвержены поломкам, и обучить модель, получится единое решение на основе искусственного интеллекта, которое позволит предсказать, что конкретный двигатель, например, с вероятностью 90% через месяц сломается, поэтому рекомендуемая дата замены определенной его детали или блока будет через 2 недели.

Такой же подход, как и в предиктивном обслуживании, применим к прогнозированию динамики спроса на продукцию и, соответственно, динамики загрузки производственных мощностей. Здесь необходимы статистические данные за несколько лет по отгрузке поставщикам и количеству и типу выпускаемых изделий в период времени. Таким образом можно понимать, как определенные виды выпускаемой продукции коррелируют с множеством разных условий, влияющих на спрос и на пропускную способность предприятия. Это позволяет заранее планировать поставки сырья, закупку оборудования и найм операционного персонала.

Контроль качества сырья и продукции

Для создания системы автоматического контроля качества необходимо найти данные, на которых можно обучить модель, оцифровать и разметить их, написать и обучить нейросеть, протестировать решение, добиться статистически значимого результата,,а также интегрировать решение с системами заказчика и сертифицировать его. Часто для корректного старта процесса необходимо собрать или оцифровать информацию примерно за 5 лет работы компании, которая хочет ее применить.

 

 

Даниил Балдин,
Senior Product Manager по решениям для клиентского сервиса и анализа данных Orange Business Services



Как правило, на предприятиях нет достаточного количества фотографий бракованных и небракованных изделий. Чтобы обучить нейросеть, нужно несколько тысяч, а то и десятков тысяч фотографий с разных ракурсов, с разными условиями освещенности, разными типами браков. А еще нужны мощные вычислительные ресурсы на их разметку и обработку. Тогда этот дата-сет можно использовать. Еще нужно очень хорошо понимать предметную область: при каких условиях какие дефекты возникают, что есть брак, а что, к примеру, отличие по дизайну. И даже когда дата-сет собран, нейросеть обучена и решение протестировано, к этому моменту у производства могут измениться процессы, поменяться продукция, и тогда все этапы нужно повторить. Поэтому, когда у компании большие объемы производства, и 2% брака, условно, означают потерю в сотни тысяч или даже миллион долларов в месяц, внедрять такое решение выгодно. Важно понять, как текущие проблемы влияют на экономику производства, включая непрямые риски (например, репутационные).

 

 

Влияние на бизнес-показатели от использования решений по аналитике данных на производстве

Контроль качества и автоматическая сортировка продукции

  • Оптимизация процессов контроля качества 
  • Снижение рисков отгрузки поставщикам бракованных или дефектных изделий за счет высокой точности распознавания, а также уменьшение издержек на возврат изделий и проблем с их сертификацией

Предиктивное обслуживание и прогнозирование спроса

  • Снижение репутационных рисков и рост лояльности поставщиков к бренду за счет повышения стабильности поставок и готовности к сезонным пикам спроса
  • Снижение остатков неиспользуемого сырья
  • Снижение простоев и переработок операционного персонала за счет учета динамики нагрузки производства
  • Уменьшение заложенных в цену рисков сезонной динамики спроса за счет прогноза на основе статистических данных

 

Наша команда Data Science готова разработать для вас индивидуальное решение на основе нейронных сетей, а также используя сервисы наших партнеров, включая Amazon Web Services, и собственную сетевую и облачную инфраструктуру.

Юлия Бибишева

Автор клиентской рассылки и подкастов, редактор сайта Orange Business Services Russia. Пишу о человечных технологиях: о решениях, помогающих бизнесу, глазами специалистов и клиентов Orange. Если у вас возникли вопросы или вы хотите узнать подробнее об услугах Orange, пишите на yuliya.bibisheva@orange.com