Инструменты методики АЦТ, часть 38: автоматизированные системы управления производством (CAM), управление жизненным циклом продукции (PLM), системы для управления производственными процессами (APS/MES) и аналитика больших данных (Big Data Analytics)

Это тридцать восьмая статья цикла по инструментам методики «Аккордная цифровая трансформация». Открываем группу G «Цифровые технологии трансформации» — подгруппу G1 «Производственные системы» и первый инструмент подгруппы G2: G1-01, G1-02, G1-03 и G2-01.

Четыре инструмента этой статьи составляют технологический контур производства, от программирования оборудования до анализа накопленных им данных. Автоматизированные системы управления производством (G1-01) переводят технологические процессы в программный код для станков. Управление жизненным циклом продукции (G1-02) удерживает данные об изделии согласованными от замысла до утилизации. Системы для управления производственными процессами (G1-03) планируют и исполняют производство в реальном времени. Аналитика больших данных (G2-01) извлекает закономерности из массивов, которые эти системы накапливают. Трудоемкость составляет 36 часов у автоматизированных систем управления, 46 у управления жизненным циклом, 48 у систем планирования и исполнения, отнесенных к самым трудоемким в статье, и 46 у аналитики больших данных. В сумме 176 часов, наибольший показатель за весь цикл.

G1-01 — Автоматизированные системы управления производством (Computer-Aided Manufacturing, CAM)

Откуда появился инструмент. Числовое программное управление станками сложилось в США в 1950-е годы на стыке военных заказов и университетских исследований. В 1957 году Патрик Ханратти, работавший в General Electric, написал PRONTO — одну из первых коммерческих систем программирования для станков с числовым управлением, за что его называют отцом CAD/CAM. В том же году группа под руководством Дугласа Росса в Массачусетском технологическом институте начала разработку языка APT, переводившего геометрическое описание детали в команды для станка; к 1960 году язык перешел в общественное достояние и получил распространение на предприятиях, включая Boeing и General Electric. Переход от текстового программирования к трехмерному проектированию обозначила система UNISURF, которую инженер Пьер Безье создал на заводах Renault в 1966–1968 годах для проектирования кузовных поверхностей автомобилей методом кривых, впоследствии названных его именем.

Суть и механика. Автоматизированные системы управления производством — комплекс программных, информационных и аппаратных средств, обеспечивающих сбор, обработку, передачу и хранение информации, необходимой для принятия управленческих решений. Такие системы помогают автоматизировать производственные процессы, оптимизировать использование ресурсов и минимизировать простои. На практике это означает перевод геометрии детали, заданной в системе проектирования, в траекторию движения инструмента и управляющую программу для конкретного станка: выбор операций, последовательности обработки, скорости подачи и типа инструмента.

Значение автоматического распознавания геометрии видно на программировании станков крупного производителя оборудования.

Пример. Компания GROB, производитель металлообрабатывающих станков с площадками в пяти странах, использует систему автоматизированного программирования для собственного производства. Программа распознает до 95% типовых отверстий и от 70 до 80% прочих конструктивных элементов детали и самостоятельно подбирает под них операции обработки. По данным поставщика системы, время на программирование обработки на станках с числовым управлением сократилось на 30%, а число типов используемого инструмента заметно сократилось. Директор по механической обработке компании отметил, что автоматизация освободила программистов от повторяющихся операций для похожих деталей.

Автоматическое распознавание типовых элементов детали сокращает время, которое программист тратит на описание предстоящей обработки, а не саму обработку станком.

Границы применимости. Инструмент применим в серийном и мелкосерийном производстве деталей на станках с числовым управлением: в машиностроении, приборостроении, производстве оснастки. По методике это сложный инструмент. Первое ограничение — качество исходной модели: система строит траекторию по геометрии, полученной из проектирования, и ошибка в модели напрямую переходит в управляющую программу. Второе — типовость деталей: автоматическое распознавание работает надежно на повторяющихся конструктивных элементах и требует ручной доводки на нестандартной геометрии. Третье — верификация перед запуском: расчетная траектория не заменяет проверку на столкновения и превышения режимов резания на конкретном станке. Автоматизированные системы управления производством получают геометрию от систем проектирования и передают производственные данные в управление жизненным циклом продукции (G1-02).

Чек-лист перед внедрением автоматизированных систем управления производством:

Проверено качество и полнота геометрических моделей, поступающих из систем проектирования.
Определена доля типовых конструктивных элементов в номенклатуре, для которых распознавание дает эффект.
Установлен порядок проверки траекторий на столкновения и допустимые режимы резания перед запуском.
Оценена совместимость системы с имеющимся парком станков с числовым управлением.
Предусмотрено обучение программистов работе с автоматическим распознаванием и ручной доводкой.
Определены показатели, по которым измеряется сокращение времени на программирование.

Типовые ошибки:

Ошибка модели переходит в программу. Неточность геометрии из системы проектирования воспроизводится в траектории станка. → Проверять качество исходной модели до начала программирования.
Ставка на нетиповые детали. Систему внедряют там, где номенклатура состоит преимущественно из уникальных изделий. → Оценивать долю типовых элементов до выбора решения.
Запуск без верификации. Расчетную траекторию передают на станок без проверки на столкновения. → Устанавливать обязательную верификацию перед каждым запуском.
Обучение только базовым функциям. Программисты не осваивают ручную доводку, необходимую для нестандартной геометрии. → Обучать полному циклу работы, включая случаи, где автоматика не справляется.

G1-02 — Управление жизненным циклом продукции (Product Lifecycle Management, PLM)

Откуда появился инструмент. Толчком к появлению подхода послужила задача компании American Motors Corporation, стремившейся в 1985 году ускорить разработку нового автомобиля, впоследствии вышедшего под именем Jeep Grand Cherokee. Компания связала систему автоматизированного проектирования с единой базой данных, в которой хранились все чертежи и документы, что позволило быстрее устранять противоречия между чертежами разных инженеров и снижать число дорогостоящих поздних изменений. Когда American Motors Corporation вошла в состав Chrysler, эта система управления данными об изделии распространилась на всю корпорацию и стала одним из образцов, по которым позже формировалось само понятие управления жизненным циклом продукции.

Суть и механика. Управление жизненным циклом продукции — стратегический подход, который интегрирует все данные, процессы и людей, участвующих в создании, производстве, обслуживании и утилизации продукта. Цель подхода — обеспечить согласованность и полноту данных о продукте с момента появления идеи и заканчивая списанием или утилизацией. На практике это означает единую базу, в которой конструкторская, технологическая и эксплуатационная информация об изделии не расходится между подразделениями и версиями, а изменение в одном месте становится видимым всем, кто с этим изделием работает.

Цену расхождения данных и способ ее сокращения видно на разработке широкофюзеляжного самолета.

Пример. Компания Boeing спроектировала самолет модели 777 полностью в цифровой среде, без традиционных полноразмерных макетов, объединив конструкторские данные всех участников программы в единой системе. Первоначальная цель состояла в том, чтобы сократить долю изменений, ошибок и переделок на пятьдесят процентов относительно предыдущих программ. По оценке инженеров, работавших над первыми поставленными самолетами, фактическое сокращение составило от шестидесяти до девяноста процентов. Цифровая сборка позволила выявить более десяти тысяч случаев пересечения деталей в пространстве, которые при прежнем порядке обнаруживались только на этапе физической сборки или уже после поставки самолета заказчику.

Единая среда данных перевела десять тысяч потенциальных конфликтов в цифровую модель, где их устранение обходилось многократно дешевле, чем на сборочной линии.

Границы применимости. Инструмент применим при разработке сложных изделий с длительным жизненным циклом и множеством участников: в авиастроении, автомобилестроении, тяжелом машиностроении. По методике это сложный инструмент. Первое ограничение — охват участников: система дает эффект только при вовлечении всех, кто работает с данными об изделии, включая поставщиков, и частичное подключение оставляет прежние расхождения на неохваченных участках. Второе — дисциплина внесения изменений: единая база работает, только если каждое изменение фиксируется в ней, а не передается в обход системы. Третье — горизонт данных: подход охватывает весь жизненный цикл вплоть до утилизации, что требует удержания данных на десятилетия, значительно дольше срока службы отдельных программных решений. Управление жизненным циклом продукции получает данные от автоматизированных систем управления производством (G1-02) и служит источником сведений об изделии для систем планирования и исполнения (G1-03).

Чек-лист перед внедрением управления жизненным циклом продукции:

Определен состав участников, чьи данные об изделии предстоит объединить, включая поставщиков.
Установлен порядок обязательного внесения изменений в единую систему без обходных путей.
Оценена совместимость данных из разных систем проектирования, если участники используют разные инструменты.
Определен горизонт хранения данных, соответствующий полному жизненному циклу изделия.
Предусмотрена проверка конфликтов геометрии на этапе цифровой сборки, до изготовления деталей.
Установлены показатели, по которым измеряется сокращение изменений и переделок.

Типовые ошибки:

Частичное подключение участников. Систему внедряют внутри конструкторского отдела, поставщики остаются вне контура. → Определять полный состав участников до начала внедрения.
Обход системы при изменениях. Часть правок вносится в обход единой базы, данные расходятся. → Устанавливать обязательность внесения изменений без исключений.
Отсутствие проверки конфликтов. Цифровая модель существует, но конфликты геометрии не выявляются до изготовления. → Проводить цифровую сборку и проверку пересечений на этапе проектирования.
Недооценка горизонта хранения. Систему выбирают без учета необходимости хранить данные десятилетиями. → Оценивать долгосрочную поддержку и миграцию данных при выборе решения.

G1-03 — Системы для управления производственными процессами (APS/MES)

Откуда появился инструмент. Термин обозначения систем управления производственными процессами закрепился на рубеже 1980-х и 1990-х годов, когда предприятия столкнулись с разрывом между планированием на уровне предприятия и фактическим исполнением на уровне цеха. В 1992 году образовалась ассоциация производителей, поставщиков и пользователей таких систем, впоследствии получившая название MESA International; ассоциация свела разрозненную практику в общую модель из одиннадцати функций, определивших состав подобных систем на десятилетия вперед. Параллельно развивалось продвинутое планирование производства — направление, ориентированное не на исполнение, а на построение оптимальных графиков загрузки мощностей с учетом ограничений, которые классическое планирование ресурсов предприятия не учитывало.

Суть и механика. Системы управления производственными процессами объединяют два взаимодополняющих класса решений. Продвинутое планирование и построение графиков производства акцентирует внимание на предсказуемости и оптимизации производственных процессов: создание оптимальных производственных планов, оптимизация расписания, анализ сценариев «что если», управление запасами. Система управления производственными процессами на уровне цеха обеспечивает контроль и оптимизацию процессов на уровне цеха: контроль производственных операций, сбор и обработку данных, контроль качества, прослеживаемость производства. Первое отвечает на вопрос, что и когда следует произвести, второе — что происходит в цехе в текущий момент.

Разницу между догадкой о причине простоев и расчетом по данным видно на работе производителя санитарной арматуры.

Пример. Компания Neoperl, выпускающая арматуру для водоснабжения, внедрила автоматический сбор сигналов остановки оборудования непосредственно с контроллеров станков, без участия оператора в фиксации причины простоя. Сопоставление кодов аварийных сигналов с фактическими остановками и случаями брака показало, что всего четыре типа сигналов объясняют восемьдесят процентов всех простоев, тогда как прежде эти простои считались рассредоточенными по множеству мелких причин. По данным поставщика платформы, доля простоев сократилась на 10%, а коэффициент готовности оборудования вырос на 8%. Система стала постоянным инструментом производственного анализа, а не разовым проектом.

Система управления процессами на уровне цеха окупается сопоставлением кодов аварийных сигналов с фактическими остановками, которое выявляет несколько причин, отвечающих за большую часть потерь, а не самим фактом сбора данных.

Границы применимости. Инструмент применим на предприятиях с многономенклатурным производством и сложной последовательностью операций, где ручное планирование и учет исполнения перестают справляться с объемом: в машиностроении, электронике, фармацевтике, пищевой промышленности. По методике это сложный инструмент, самый трудоемкий в статье. Первое ограничение — интеграция уровней: продвинутое планирование без обратной связи от цеха строит графики по устаревшим данным, а система исполнения без связи с планированием фиксирует факт без сопоставления с целью. Второе — качество первичных данных: расчет ценности сигналов зависит от полноты их фиксации на уровне оборудования, а не только от программной части. Третье — организационная готовность: система показывает истинные причины потерь, что требует готовности руководства действовать по этим данным, а не оспаривать их. Системы для управления производственными процессами получают данные об изделии от управления жизненным циклом продукции (G1-02) и поставляют накопленные сведения для аналитики больших данных (G2-01).

Чек-лист перед внедрением систем управления производственными процессами:

Определен состав функций, необходимых предприятию: продвинутое планирование, исполнение на уровне цеха, или оба класса вместе.
Обеспечен автоматический сбор сигналов с оборудования без зависимости от ручной фиксации оператором.
Установлена связь между планированием и фактическим исполнением, чтобы графики опирались на текущие данные.
Проведен анализ, какие коды сигналов или причины отвечают за основную долю потерь.
Подтверждена готовность руководства действовать по выявленным причинам, а не оспаривать данные системы.
Определена периодичность пересмотра планов и анализа причин на основе накопленных данных.

Типовые ошибки:

Планирование без обратной связи с цехом. Графики строятся по устаревшим данным о фактической загрузке. → Связывать продвинутое планирование с системой исполнения в реальном времени.
Ручная фиксация причин простоя. Оператор указывает причину произвольно, данные ненадежны. → Собирать сигналы автоматически с контроллеров оборудования.
Анализ без выделения основных причин. Данные собираются, но не сопоставляются для выявления ключевых источников потерь. → Проводить сопоставление кодов сигналов с фактическими остановками.
Оспаривание данных вместо действия. Руководство ставит под сомнение выявленные причины вместо работы с ними. → Заранее договариваться о порядке реагирования на данные системы.

G2-01 — Аналитика больших данных (Big Data Analytics)

Откуда появился инструмент. Термин «большие данные» вошел в оборот в середине 1990-х годов в среде компании Silicon Graphics, где его использовал главный научный сотрудник Джон Мэши в докладах и рекламных материалах компании. Более десяти лет термин оставался узкоспециальным, пока в феврале 2001 года аналитик Даг Лейни из компании Meta Group не опубликовал отчет «Управление трехмерными данными: контроль объема, скорости и многообразия данных», в котором сформулировал три характеристики, ставшие впоследствии общепринятым определением больших данных. Именно эти три признака отличают большие данные от традиционной аналитики и объясняют, почему для их обработки потребовались новые инструменты.

Суть и механика. Аналитика больших данных — метод исследования массивных и сложноструктурированных наборов информации с целью выявления скрытых закономерностей, корреляций и других полезных инсайтов. В отличие от традиционной аналитики, она работает с данными, характеризующимися тремя признаками: объемом, то есть масштабом накопленных сведений; скоростью поступления, то есть темпом, с которым данные генерируются; и многообразием, то есть разнородностью источников и форматов — от показаний датчиков до текстовых сообщений и изображений. В производственном контексте источниками таких данных служат датчики оборудования, системы управления производственными процессами, системы управления жизненным циклом продукции и внешние сведения вроде погодных условий.

Значение сплошного потока данных с датчиков видно на обслуживании авиационных двигателей.

Пример. Компания Rolls-Royce выстроила единый цифровой контур, объединяющий показания датчиков с двигателей самолетов по всему миру, данные бортовых систем, технические журналы и планы полетов, поступающие в реальном времени. Анализ этого потока позволил сдвигать сроки планового обслуживания отдельных узлов на основе их фактического состояния, а не по усредненному регламенту: в отдельных случаях интервал между обслуживаниями удалось увеличить до пятидесяти процентов, а запасы деталей на складах сократить на значительные суммы. По данным компании, анализ полетных сведений также позволил скорректировать режимы полета таким образом, что суммарная экономия топлива обернулась сокращением выбросов на двадцать два миллиона тонн.

Скорость и разнородность потока данных с тысяч двигателей раскрывают закономерности, не заметные при анализе показаний одного изделия: они проявляются только при сопоставлении данных в масштабе всего парка.

Границы применимости. Инструмент применим там, где накоплен достаточный объем разнородных данных из нескольких источников и есть однозначная задача, для решения которой эти данные привлекаются: обслуживание сложного оборудования, управление качеством, оптимизация процессов на предприятиях с большим парком машин или изделий. По методике это сложный инструмент. Первое ограничение — состояние источников данных: аналитика больших данных работает поверх систем управления производственными процессами и управления жизненным циклом, и без них ей попросту нечего анализировать. Второе — стоимость инфраструктуры: обработка данных такого объема и скорости требует вычислительных мощностей, окупаемых только при достаточном масштабе применения. Третье — разграничение закономерности и причины: обнаруженная корреляция не заменяет понимания механизма, стоящего за ней, и решения на основе одной лишь статистической связи рискуют оказаться ошибочными. Аналитика больших данных опирается на данные систем для управления производственными процессами (G1-03) как на основной источник и продолжает применение ИИ в стратегическом планировании (E4-03) на уровне отдельного предприятия.

Чек-лист перед внедрением аналитики больших данных:

Определена задача, для решения которой привлекается анализ больших данных, а не сбор данных ради самого сбора.
Проверено наличие источников данных достаточного объема, скорости и разнообразия.
Оценена стоимость вычислительной инфраструктуры и сопоставлена с масштабом применения.
Установлено разграничение между статистической закономерностью и причинно-следственной связью.
Предусмотрена проверка выявленных закономерностей на новых данных перед принятием решений.
Определена периодичность пересмотра моделей по мере изменения характера производственных процессов.

Типовые ошибки:

Сбор данных без задачи. Данные накапливают впрок, не определив, для чего они понадобятся. → Формулировать задачу до начала сбора и анализа данных.
Корреляция вместо причины. Найденную закономерность принимают за объяснение без проверки механизма. → Проверять причинно-следственную связь, а не только статистическое совпадение.
Инфраструктура без масштаба применения. Вкладываются в мощности, которые не окупаются объемом задач. → Сопоставлять стоимость инфраструктуры с реальным масштабом использования.
Модель без пересмотра. Закономерности, найденные однажды, применяют без учета изменения процессов. → Устанавливать периодичность проверки и обновления моделей.

Резюме

Четыре инструмента этой статьи образуют сквозной технологический контур: от программирования станка до анализа накопленных им данных. Автоматизированные системы управления производством переводят проект в управляющую программу для оборудования. Управление жизненным циклом продукции удерживает данные об изделии согласованными на всем его пути. Системы для управления производственными процессами связывают план с фактическим исполнением на уровне цеха. Аналитика больших данных находит в накопленных этими системами данных закономерности, недоступные при разборе отдельного случая. Общее условие для всех четырех состоит в зависимости каждого следующего звена от качества предыдущего: расчет траектории станка зависит от точности модели, планирование зависит от достоверности данных цеха, а аналитика больших данных не может существовать без систем, поставляющих ей данные. Разработка Boeing 777 показывает это в масштабе целой программы: единая среда данных перевела десять тысяч потенциальных конфликтов в цифровую модель, где их устранение обходилось многократно дешевле, чем на сборочной линии. Суммарная трудоемкость составляет 176 часов, и это соответствует характеру группы G: она задает технологическую основу, на которой строятся дальнейшие инструменты цифровой трансформации. Для промышленного предприятия отсюда следует практический вывод: последовательность внедрения этих четырех инструментов имеет значение не меньшее, чем выбор каждого из них по отдельности, поскольку аналитика больших данных, поставленная раньше систем, которые должны питать ее данными, не имеет материала для анализа.

В следующей статье цикла продолжим группу G: разберем цифровые двойники, генеративный искусственный интеллект, машинное обучение и ИИ-агенты.