Цифровые двойники как средство «осушения» цифровых озёр

Современные IT-системы управления бизнесом становятся все более комплексными и охватывают все большее количество бизнес-процессов компании. Растёт функциональный состав IT-приложений, обслуживающих
бизнес — ERP, CRM, PDM, MES, SCM, BPM, GRC, PLM, BI и пр., и пр., а также глубина их интеграции. Для повышения эффективности бизнеса современным IT-системам требуется собирать, обрабатывать и
порождать все большее количество данных.

Рассмотрим более подробно современные IT-системы планирования и управления производственными процессами (системы класса APS — Advanced Planning Systems, MOM — Manufacturing Operational Management,
MES — Manufacturing Executing Systems), которые в настоящее время обрабатывают огромный объём данных, включая:

·         данные о производственных заказах, поступающих из ERP-систем, включая номенклатуру требуемой к изготовлению продукции, необходимые объемы
производства по каждому заказу, сроки изготовления и пр.;

данные о составе и структуре производимой продукции из PDM, а также данные из АСТПП по технологическим процессам производства продукции, включая производственные спецификации продукции (BOM),
требуемые сырьё, материалы и комплектующие и их объёмы, номенклатуру и последовательность выполняемых производственно-технологических операций, время обработки по каждой операции, нормы расхода
времени (машино- и человеко-часов) и материалов, требуемые для каждой операции оборудование и средства технологического оснащения;

·         графики планово-предупредительных осмотров, ремонтов и модернизации оборудования и основных фондов, из систем ТОиР, включая номенклатуру
ремонтируемых объектов, сроки и длительность, требуемые ресурсы и пр.;

·         данные по планам выполнения производственных работ, собственно и разрабатываемые в соответствующих системах, включая календарные сроки работ, их
распределение по сменам и обрабатывающим центрам и пр.;

·         поступающие из CAM систем программы машинной обработки;

·         из систем контроля производства получаются данные о ходе выполнения операций, выполненном их количестве в каждую смену, отчеты об использовании
задействованного оборудования и персонала; эти данные собираются в т. ч. с использованием систем снятия штрих кодов и RFID меток, индустриальных терминалов сбора производственной информации,
непосредственно с гаджетов сотрудников и т. п.;

·         с использованием аналогичных технологий собираются данные о качестве выполненных работ и произведенной продукции; кроме того, данные о качестве
могут получаться посредством интерфейса с соответствующими системами и приборами, такими как системы лазерного контроля качества, дефектоскопы и пр.;

·         из АСУТП, а также непосредственно из интеллектуальных систем управления оборудованием и производственной инфраструктурой, из с различных датчиков и
контроллеров, которых устанавливается все больше и больше в современном производстве, собирается, в т. ч. в онлайн, с использованием технологий индустриального интернета вещей (Internet of Things)
все больше и больше технико-технологических данных, включая данные о режимах работы оборудования и инфраструктурных систем, их отказах и инцидентах, статистике по их использованию и простою,
применяемым режимам работы и т.п.;

·         иногда, на современных предприятиях, для контроля производства используются даже видеозаписи систем безопасности и видеонаблюдения, которые
оцифровываются и из них, с использованием средств интеллектуальной видео аналитики собираются нужные данные для производства,

·         для целей анализа эффективности производственной деятельности, системы управления производством и BI системы создают массивы аналитических данных,
диаграмм и графиков.

Всей этой информации сопутствуют её кодовые обозначения, соответствующие каждой из используемых их IT-систем, возможные комментарии и т.п.

Все эти данные безусловно цифровые. Используемые форматы цифровых данных также становятся все многообразнее — это и текст, и инженерная графика, схемы и диаграммы, аналитические графики, фото и
видео, программный и машинный код и пр.

Именно наличие этих цифровых данных и закладывает основы для радикального повышения эффективности производства. Ведь с их наличием мы получаем возможности исследовать производственные процессы все
более и более всесторонне, выявить тенденции и закономерности, провести оптимизацию по все возрастающему количеству критериев и добиться прироста производительности, надежности и безотказности,

безопасности, качества и эффективности в целом. В этом и заключается суть стремления к развитию цифровой промышленности — наличие большего объема цифровых производственных данных позволяет
использующим их ИТ системам добиваться все большей эффективности производства.

Но, с другой стороны, современные IT-менеджеры сталкиваются с проблемой накопления и сохранения огромных массивов разнородных цифровых данных. Сегодня промышленные компании даже среднего масштаба
вынуждены создавать дата-центры и хранилища данных, объёмы информации в которых измеряются уже пета (1015) и даже экса (1018) байтами. В связи со значимостью цифровых данных для принятия
производственных решений, в т. ч. с учетом того, что часть этих данных просто критически важны т. к. используются оборудованием с цифровым управлением в автоматическом режиме, требования к их
сохранности предъявляются всегда высокие. Это приводит к существенным затратам организации на создание, эксплуатацию и поддержку работы дата-центров — это и затраты на дорогостоящие сервера, с
мощными процессорами и на системы хранения данных, и затраты на энергетику и обеспечения климата, и на программное обеспечение для управления IT-инфраструктурой дата-центров и на зарплату системных
администраторов и др. специалистов, обеспечивающих их работу и поддержку и пр. И эти затраты постоянно растут. При этом, на основании исследований, проведённых Институтом инновационных технологий в
бизнесе по тематике эффективности использования больших данных в промышленности, только около 10% цифровых данных имеют жизненный цикл до попадания в архив сроком более месяца. А процент данных,
извлекаемых из архивов для каких-либо целей, — и того меньше. Т. о. практически все цифровые данные создаются и используются лишь краткосрочном периоде, а затем лишь хранятся в архиве. Но при этом
эти данные не удаляются, так как нужны (или возможно будут нужны) при аналитическом цифровом анализе, моделировании и оптимизации и для мн. др. причин. В IT-индустрии появился термин,
характеризующий появление и сохранение огромных массивов цифровых данных — цифровые озера (Digital Lakes). Наличие и разрастание таких цифровых озёр — это существенная проблема для сегодняшнего
развития цифровизации.

Перспективным решением данной проблемы — инструментом, так скажем «осушения» цифровых озёр производственных систем могут стать цифровые двойники производства.

Что же такое цифровой двойник и как он может помочь сократить объёмы цифровых объемов?

Сразу же оговоримся: основное назначение цифровых двойников производства — это именно повышение его эффективности, а «осушение» цифровых озёр — это лишь вспомогательная, но очень полезная функция
уже для повышения эффективности эксплуатации самих IT-систем.

Итак, начнём с основного назначения цифрового двойника производства. Цифровой двойник (Digital Twin) — это цифровая 3D имитационная модель производственной ячейки, линии, участка, цеха или
производственного комплекса в целом. В данной модели может быть реализована симуляция реализуемых в производстве производственно-технологических и иных процессов, с целью расчёта и оптимизации
требуемых организационно-технологических и технико-экономических параметров производства, с требуемой точностью и детализацией симуляции, вплоть до полной идентичности по всем цифровым параметрам,
получаемым как из модели, так и из реального производства.

Именно благодаря возможности создать цифрового двойника и использовать его по своему основному назначению, промышленная компания и может добиться основного эффекта от цифровизации своего
производства. Ведь сегодня проблема того, что IT-службы собирают в производстве массу цифровой информации и, по сути, не знают, что с ней делать в среднесрочной и долгосрочной перспективе, стоит
достаточно остро. С этой же проблемой сталкиваются и компании, которые занимаются промышленной цифровизацией и автоматизаций, поставщики и системные интеграторы оборудования с цифровым
интеллектуальным управлением, компании, которые внедряют решения индустриального интернета вещей и подобные — они собирают большие объёмы данных, но, зачастую, не могут предложить своим клиентам
эффективные инструменты последующей работы с этими цифровыми данными, чтобы после однократного применения, не только заполнять ими архивы — «цифровые озёра», но и использовать для дальнейшего
повышения эффективности производства, тем самым увеличивая объём возврата вложенных в цифровизацию инвестиций (ROI).

Об основном назначении и функциональности цифровых двойников, говорится и пишется не мало, в частности, автором данной статьи. Так можно, например, познакомиться со статьёй автора «Ключевые
функциональность и преимущества использования цифровых двойников в промышленности».

Теперь же рассмотрим, как можно использовать цифровые двойники для осушения цифровых озёр производственных систем. Если компания создаёт цифровой двойник, то при его качественной реализации, он
способен принять, обработать и сгенерировать весь объём цифровых данных, описанных в начале данной статьи. Т. е. имеется возможность симулировать поток данных из управленческих IT-систем в
производство и обратно, где вместо реального производства выступает его модель — цифровой двойник. Например, рисунок ниже иллюстрирует как из системы календарно-ресурсного сменно-суточного
планирования и управления задания на выполнение операций направляются не в реальное производство, а в его цифровой двойник, реализованный в соответствующем программном обеспечении и интегрированном
с системой управления производством:

При этом, наиболее важной является задача обеспечения идентичности цифровых данных, которые рождаются в производстве с теми данными, которые стимулируются в двойнике. Комплекс работ, который
обеспечивает такую идентичность называется

калибровкой цифрового двойника. Такие работы могут быть, например, выполнены для промышленных предприятий как сервис теми компаниями, которые работают в сфере услуг цифрового инжиниринга. В
заключительной фазе калибровки проводится тестирование цифрового двойника, когда генерируемые им данные сравниваются с архивными, за любой из рассматриваемых ретроспективных интервалов времени. И
при совпадении данных, можно полагать, что двойник и реальное производство идентичны.

Такое решение позволяет ИТ службе удалить огромные массивы архивных данных без риска, что если они впоследствии потребуются, то будут невосполнимы. Если нам понадобятся цифровые данные за некоторую
ретроспективу, то они могут быть всегда сгенерированны из цифрового двойника. Кстати, некоторые предприятия, планируя технологию «осушения» своих цифровых озёр, осуществляют удаление информации
только после испытания по генерации аналогичных данных из двойника и при достижении полного соответствия архивов из реального производства и из двойника.

И даже с учётом того, что поддержание цифрового двойника в идентичном состоянии реальному производству — это комплекс затратных высокотехнологичных и сложных задач, которые реализуются на
предприятии службой цифровых трансформаций под руководством CDO, уже только одна его функция — инструмент осушения цифровых озёр, по данным произведённых Институтом инновационных технологий в
бизнесе исследований, о которых уже упоминалось выше, полностью окупают все эти затраты. И здесь уместно вспомнить, что эта функция цифровых двойников, не основная, а лишь второстепенная.

Роль цифровых двойников для повышения эффективности бизнеса неуклонно возрастает. В данной статье мы рассмотрели лишь одну полезную функцию их использования. Читайте цикл статей — R-Pro DIGITAL:
повышение эффективности бизнеса, за счёт цифровых трансформаций, чтобы узнать больше о возможностях и эффектах цифровых преобразований для вашего бизнеса.

А. В. Кораблев

Президент концерна R-Про,

Генеральный директор Института инновационных технологий в бизнесе,

Академик инженерной академии

Источник: http://www.it-world.ru/it-news/it/146399.html