ИИ использует каждое седьмое предприятие, но цифровизация производства начинается с датчиков

Спор идёт о том, с чего начинается цифровизация производства. Одни видят в ней роботов, автоматические линии и цифровые двойники (виртуальные копии реального объекта, которые повторяют его поведение). Другие напоминают, что без аккуратно собранных данных всё это остаётся красивой картинкой. Мы разбираем позицию материала о промышленной «цифре», который опирается на опрос Банка России и кейсы трёх российских компаний.

В чём суть спора о датчиках и данных?

По опросу Банка России, ИИ использует каждое седьмое предприятие. Первое место занимает сфера услуг, за ней идут добывающий сектор и обрабатывающая промышленность.

В офисе нейросети чаще всего помогают с рекламой и деловой перепиской. Их также применяют для подбора и оценки кандидатов, обработки больших массивов данных и нормативных документов. На производстве «цифру» подключают к самому процессу: к реакторам, рудникам, скважинам.

Главный тезис исходного материала такой: прежде чем завод получит что-то «умное» и автономное, нужно всё измерить, взвесить и посчитать. Потом эти данные надо собрать вместе, найти закономерности и договориться, что считать нормой, а что отклонением.

Аргументы за: датчики ловят поломку раньше, чем она случится

Сторонники цифровизации производства приводят кейсы, где данные решили реальную проблему:

• «Сибур». Компания поставила термодатчики на решётки реактора. Иногда они показывали слегка заниженную температуру и меньший разброс значений. Оказалось, что дело не в сбое. Так проявлялось налипание кокса (твёрдого углеродного осадка), который разрушает решётку. Теперь повреждение можно предсказать и «выжечь» причину заранее, не вскрывая реактор.
• «Норникель». На рудниках работают мобильные лидарные сканеры. Лидар посылает лазерные импульсы и по отражённому сигналу измеряет расстояние до всего на своём пути. Из миллионов таких точек собирают трёхмерную модель горной выработки.
• «Газпром нефть». В собственном центре исследования недр больше 100 учёных в 16 лабораториях изучают керн (образцы породы, которые достают из скважины при бурении). Результаты помогают выбрать метод увеличения нефтеотдачи и подобрать ПАВ (поверхностно-активное вещество). Эти выводы потом применяют на месторождении.

Общий довод: чем подробнее предприятие описывает своё производство, тем больше у него возможностей. Обратите внимание на кейс «Сибура». Датчик не «сломался», а заметил физический процесс, который человек без него увидел бы только при вскрытии реактора.

Аргументы против: датчик ещё не цифровизация

Вторая сторона спора не отрицает пользу данных. Она показывает, сколько стоит их надёжный сбор.

• Деньги. Ставить датчики везде без плана и понимания, зачем они нужны, очень дорого.
• Риск для оборудования. Если дооснащать старые станки, придётся вмешаться в их конструкцию. Это грозит потерей гарантии и некорректной работой техники. Есть способы обойтись без вмешательства в конструкцию, но тогда страдает точность измерений.
• Путь сигнала. Датчик превращает физическую величину в сигнал, сигнал переводят в число и передают в систему. На любом из этих шагов возможны обрывы связи с удалёнными объектами, ошибки преобразования и погрешности самого датчика.
• Контекст. Вибрация двигателя постоянно меняется. Без пометки «где, когда, как и сколько» нельзя отличить норму от отклонения, и система начнёт выдавать ложные тревоги или пропускать настоящие ошибки.
• Неидеальная среда. Сканам «Норникеля» мешают пыль, влага и плохая видимость, часть данных теряется при передаче, а при построении 3D-модели возможны ошибки.

Наконец, даже самая подробная цифровая модель не воспроизводит физический объект со всеми его параметрами. Сами по себе данные не объясняют, в каком состоянии оборудование и что с ним делать. Это лишь очень много чисел, которые ещё предстоит правильно истолковать.

Датчики, ещё не цифровизация, а нейросети не панацея от всех проблем. : Подзаголовок исходного материала о промышленной цифровизации

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Промышленная тема на Дзене обычно скатывается либо в восторг, либо в страшилки. Расскажите о «Сибуре» и коксе на решётке как о детективе: странные показания, подозрение на сбой, разгадка. Такую историю дочитывают.

Маркетологу. Если вы продвигаете промышленное решение, не продавайте «искусственный интеллект». Продавайте понятный результат: какую поломку ловит система, без какой остановки она обходится, что меряет и зачем.

Предпринимателю. Все кейсы в материале российские, так что технологии в стране доступны. Прежде чем покупать нейросеть, составьте список: какие параметры вы уже измеряете, где лежат эти данные и знаете ли вы для каждого параметра, что считать нормой.

Чего ждать дальше? Компании, которые годами наводили порядок в данных, первыми получат от нейросетей отдачу, которую можно измерить в рублях. Остальные будут покупать «умные» системы поверх хаоса и удивляться ложным тревогам. Разрыв между ними будет расти не из-за моделей, а из-за того, насколько аккуратно каждая компания измеряет своё производство.