Профилактическое обслуживание и прогнозирование промышленных революций

Насколько трансформирует искусственный интеллект? На этот, казалось бы, простой вопрос может быть сложно ответить.

Прежде всего, термин часто имеет туманное значение. Часто этот термин является сокращением от «общего искусственного интеллекта» или «сильного ИИ». В этой теоретической конструкции неорганический интеллект имеет способность рассуждать и выполнять множество задач. На этот вид ИИ Голливуд ссылался в таких фильмах, как «Терминатор», а также на то, что вызывает антиутопические страхи в таких фильмах, как Илон Маск и Билл Гейтс. Но на вопрос, когда будет существовать такая форма ИИ, невозможно однозначно ответить. Gartner считает, что, вероятно, пройдут десятилетия, прежде чем исследователи создадут машины, способные приблизиться к человеческому мышлению, хотя машины, обученные узким задачам, могут затмить людей в интеллектуальных играх, таких как шахматы и, в последнее время, го. Мартин Форд, автор книги «Архитекторы интеллекта:правда об ИИ от людей, создающих его», сказал, что большинство экспертов считают, что сильный ИИ - вещь явно непредсказуемая.

Таковы, кажется, промышленные революции. Хотя такие концепции, как Industrie 4.0, в целом намекают на то, что конвергенция ИИ, IIoT и других технологий может спровоцировать следующую промышленную революцию, производительность в западных странах остается низкой на протяжении десятилетий. Промышленное производство в США на предприятиях, шахтах и ​​коммунальных услугах упало на 0,1% в марте, что, как выразился WSJ, «укрепляет мнение о том, что производство переживает слабый период».

Но в то время как промышленный макрокосм, измеряемый различными индексами производительности, мешает, появляется все больше историй успеха промышленных компаний, использующих технологии IIoT в тандеме с машинным обучением. Например, стартап FogHorn помог японской компании промышленной электроники Daihen избавиться от 1800 часов ручного ввода данных на одном заводе. А ведущая компания по производству напитков одним махом сэкономила 1 миллион банок пива благодаря профилактическому обслуживанию. Фирма установила технологию мониторинга машин от компании Augury, которая сочетает в себе беспроводные вибрационные, ультразвуковые, температурные и магнитные датчики с машинным обучением для обнаружения проблем с машинами для ряда промышленных машин, в том числе используемых на пивоваренных заводах. «И мы обнаружили серьезный износ подшипников на разливочной машине - машине, которая наполняет банки пивом», - сказал Саар Йосковиц, соучредитель и главный исполнительный директор Augury. «Это открытие позволило пивоварне решить проблему во время запланированного простоя. «Поскольку это предприятие, работающее в режиме 24 на 7, у них нет места для незапланированных простоев», - сказал Йосковиц. Но проблема с подшипником могла в конечном итоге спровоцировать отказ, который привел к потере производительности на восемь часов. «Это соответствует 1 миллиону банок пива и 200 000 долларов дохода», - добавил Йосковиц.

Alizent, цифровая дочерняя компания Air Liquide, является еще одним примером мощи технологий Industrie 4.0. Используя технологию OSIsoft, Air Liquide несколько лет назад создала платформу оптимизации производства, известную как SIO. Программное обеспечение OSIsoft PI служит встроенным механизмом данных для платформы, который позволяет собирать и уточнять данные для аналитики. «Компания Air окупилась за три месяца с SIO и окупилась в 10 раз за первый год», - написал Майкл Канеллос,

Аналитик IoT и старший менеджер по корпоративным коммуникациям OSIsoft по электронной почте. «Затем они перешли на использование его для управления фабриками без ограничений (то есть без сотрудников) во Франции и Юго-Восточной Азии». После этого Air Liquide решила выделить цифровую группу в подразделение Alizent, чтобы обслуживать как Air Liquide, так и другие компании.

Еще один пример компании с быстрой окупаемостью инвестиций в цифровую трансформацию - White House Utility District. Одна из ведущих компаний по водоснабжению и канализации в Теннесси, организация сократила утечки воды примерно с 32% до 15%. Экономия воды также привела к экономии в миллионы долларов. «Но они также сократили управление данными, сэкономив 30 000 долларов в год», - сказал Канеллос. «Они отложили строительство нового завода стоимостью 15 миллионов долларов на 11 лет. Поднялась репутация сообщества. Рейтинговые агентства даже повысили свои рейтинги ».

Марк Виллнерд, генеральный директор и президент компании Toumetis, занимающейся промышленным машинным обучением, прогнозирует грядущий рост производительности труда в промышленности в следующие пять лет. «Благодаря таким технологиям, как машинное обучение, мы увидим большие улучшения», - сказал он. «[Мы могли бы увидеть возвращение] роста производительности типа 1990-х годов», - добавил Виллнерд, имея в виду десятилетие, связанное с быстрым ростом производства.

Туметис работает с энергетической компанией, нефтяное месторождение которого, как ожидает Вилнерд, однажды может стать одним из крупнейших в мире. Одним из факторов, снижающих продуктивность участка, является ненадежность электрических погружных насосов, которые могут вывести скважину из строя. Но если профильные специалисты, следящие за оборудованием компании, наблюдают за 1500 скважинами и 100 различными сигналами данных, они могут легко пропустить данные, указывающие на неизбежный отказ насоса. «Они не знают, какие скважины и когда выйдут из строя», - сказал Виллнерд. «Но если я могу предсказать, какие из них выйдут из строя в течение 14 дней, я могу запланировать ремонт, чтобы максимизировать прибыль и производство».

Но процесс применения машинного обучения - или его применения в профилактическом обслуживании - в промышленной сфере редко бывает простым. «Данные могут быть противоречивыми. У вас могут быть ложные показания датчиков. У вас могли быть отсутствующие данные », - добавил Виллнерд. «И нужно просто очистить данные, прежде чем вы сможете их анализировать».

Уиллнерд предполагает, что мы все еще находимся в зачаточном состоянии применения машинного обучения в промышленных приложениях.

Исследование Bain &Co. под названием «За гранью доказательств концепции:масштабирование промышленного Интернета вещей» приходит к аналогичным выводам после опроса 600 руководителей высокотехнологичных компаний. IIoT в целом и профилактическое обслуживание в частности зачастую сложнее, чем ожидалось, - как и перспектива извлечения «ценной информации из данных» из проектов IIoT. Однако позже в отчете делается вывод, что «промышленный Интернет вещей остается многообещающей возможностью».

Одна из основных проблем заключается в том, что понимание таких данных также требует редкого сочетания знаний в предметной области и сообразительности в области науки о данных. Чтобы восполнить этот пробел, Туметис нанял промышленных экспертов, которые работали над аналитикой данных с конца 1990-х - начала 2000-х годов. «Это все еще искусство», - сказал Виллнерд. «Вы должны четко понимать, какую проблему вы пытаетесь решить и какова ценность для бизнеса, связанная с этим».

Йосковиц придерживается аналогичной точки зрения. Совершив поездку по множеству промышленных предприятий в Соединенных Штатах, он пришел к выводу, что одной из самых распространенных проблем является поиск талантов. Хотя много говорилось о сложности поиска эксперта, скажем, в области промышленной кибербезопасности или науки о промышленных данных, проблема еще шире. «Однажды я вошел в комнату, чтобы пройти обучение на территории наших клиентов. Средний возраст был 55 лет », - напомнил Йосковиц. «У нас были люди, которые были на грани выхода на пенсию, и новички, которым было за 20. И у вас есть хорошие 30 лет между ними ».

Большая часть унаследованного производственного опыта в Соединенных Штатах исчезнет по мере выхода на пенсию пожилых промышленных служащих в ближайшие пять-десять лет. Между тем, промышленные рабочие места занимают последнее место в списке молодых сотрудников. «Практически никто из миллениалов или представителей поколения Z не хочет быть техником по обслуживанию», - сказал Йосковиц.

Так что пока еще рано говорить о том, создадут ли широкие технологии, такие как IoT и AI, эру производительности, соперничающую с первыми промышленными революциями, или Industrie 4.0 будет чем-то больше похожим на ревизию программного обеспечения чем революция, движимая киберфизическими системами. На данный момент более практичный вопрос - спросить, как такие технологии могут удовлетворить их самые насущные потребности - доставить нужных людей (техников) в нужное место (потенциально отказавшая машина) в нужное время (до того, как эта машина сломается).