Применение Data Science в цифровом производстве

Оглавление

• Введение ^[1]

• Понятие цифрового производства ^[2]

• Цифровая нить ^[3]

• Цифровой двойник ^[4]

• Источники данных в цифровом производстве ^[5]

• Почему цифровому производству необходим Data Science ^[6]

• Основные направления применения Data Science в цифровом производстве ^[7]

• Проблемы и перспективы развития ^[8]

• Заключение ^[9]

• Список литературы ^[10]

Введение

Увеличение сложности продукции, а также необходимость повышения производительности труда, качества и сохранения конкурентоспособности требуют от предприятий перехода к цифровому производству. Сегодня в процессе производства вместе готовой продукцией формируются и накапливаются большие объемы данных на всех этапах жизненного цикла изделия. Каждое действие оставляет цифровой след.

Отсутствие грамотного подхода к процессам сбора, хранения, обработки и анализа данных не позволяет современным компаниям полноценно использовать эти ресурсы. Напротив, применение методов Big Data и Data Science позволяет сохранять данные и извлекать полезную информацию из сырых данных, что приводит к повышению скорости и качества принимаемых решений, снижает издержки и улучшает качество готовой продукции.

Понятие цифрового производства

Цифровое производство – это подход к организации деятельности предприятия, при котором данные становятся важнейшим производственным ресурсом наряду с человеческим капиталом, технологиями и оборудованием.

Цель цифрового производства – объединить в единую цифровую среду инженерные данные, результаты расчётов и моделирования, производственные процессы, данные метрологии, контроля качества и эксплуатации изделия. Это позволяет ускорять разработку, раньше выявлять ошибки ^[11], повышать качество продукции, снижать затраты и делать производство более управляемым, прозрачным и гибким.

Цифровое производство охватывает все этапы жизненного цикла изделия: проектирование, конструирование, расчеты (прочностные, тепловые, динамические и т.д.), макетирование и прототипирование, испытания, технологическая подготовка, закупки (цепь поставок), производство, цифровая метрология, логистика, эксплуатация, обслуживание, утилизация.

Цифровая нить

Одной из ключевых концепций цифрового производства является цифровая нить.

Цифровая нить – это сквозная связность и прослеживаемость данных, которые накапливаются на протяжении всего жизненного цикла изделия. Идея цифровой нити заключается в том, что любые существующие данные не хранятся разрозненно, а включены в единую структуру и связаны между собой.

Одним из важных принципов цифрового производства, который обеспечивается за счет цифровой нити является обеспечение быстрого доступа к нужным данным в нужное время в нужном месте.

На практике цифровая нить реализуется на базе PLM/PDM систем, таких как PTC Windchill. Эти системы обеспечивают централизованное хранение и доступ к цифровым подлинникам, управление версиями, контроль изменений, разграничение прав доступа, маршрутизацию согласований и установление взаимосвязей между разными объектами.

Цифровое производство стремится к тому, чтобы в одной системе хранились полные комплекты документации достаточные для разработки, производства, эксплуатации, обслуживания и утилизации изделий.

Внедрение цифровой нити:

• повышает доступность информации,

• улучшает поиск и повторное использование ранее найденных решений,

• обеспечивает быструю обратную связь между подразделениями и этапами жизненного цикла,

• повышает прозрачность и управляемость процессов,

• повышает скорость принятия решений.

Цифровая нить особенно важна для сложных изделий с длинным жизненным циклом и разветвлённой цепочкой поставок. На всем протяжении существования изделия возникают большие объёмы данных. Если эти данные разрознены, их трудно использовать. Если они связаны в цифровую нить, они становятся ценным ресурсом.

Цифровой двойник

Еще одной базовой концепцией цифрового производства является цифровой двойник – виртуальное представление конкретного изделия, формируемое на основе данных цифровой нити.

В традиционном производстве между 3D-моделью и готовым изделием имеется разрыв: часть информации о 3D-модели теряется на этапе изготовления, а данные изготовленной детали и результаты эксплуатации редко возвращаются и учитываются в проектировании и конструировании. Подход создания цифрового двойника устраняет этот разрыв.

Цифровой двойник развивается в течение всего существования изделия. На ранних этапах основой цифрового двойника действительно становится 3D-модель, используемая для конструирования, расчетов и подготовки конструкторской документации. Далее цифровой двойник дополняется результатами прочностных, тепловых, динамических и других расчетов, технологическими процессами, параметрами изготовления, результатами контроля, данными метрологии, испытаний и эксплуатации.

Ценность цифрового двойника состоит в том, что он отражает не только номинальный замысел конструкции, но и фактические параметры произведенного изделия, поведение ^[12] изделия в различных условиях и на разных стадиях жизненного цикла.

Источники данных в цифровом производстве

Ключевой особенностью цифрового производства является то, что на каждой стадии жизненного цикла изделия возникает большое количество данных, что делает производственную среду особенно богатой с точки зрения ^[13] возможностей для аналитики и прогнозирования.

На начальных этапах разработки изделия формируются основные требования, разрабатывается проектная, конструкторская документация, появляются результаты моделирования и расчетов.

Далее по этапам возникают следующие основные группы данных:

• технологическая подготовка: маршруты, технологические паспорта, параметры обработки, программы для станков с ЧПУ (числовым программным управлением);

• закупки: сведения о партиях материалов, результаты входного контроля;

• производство: фактические режимы обработки, данные датчиков, информация об оборудовании, журналы событий;

• цифровая метрология: данные КИМ (координатно-измерительных машин), лазерных 3D-сканеров, результаты измерений;

• испытания: результаты экспериментов.

Затем на этапах логистики, эксплуатации, обслуживания и утилизации возникают данные о транспортировке, условиях хранения, отказах, ремонте, наработке, фактических условиях и сценариях использования изделия. Эксплуатационные данные становятся ценным источником информации ^[14], необходимой для принятия обоснованных решений по доработке конструкции и технологии.

Почему цифровому производству необходим Data Science

В цифровой нити накапливаются большие объемы разнородных данных. Ценность данных заключается в возможности их анализа и принятия решений на их основе.

Классическая аналитика, основанная на ручной обработке структурированных данных, оказывается не способна обрабатывать большие данные, которые характеризуются большими объемами, вариативностью и высокой скоростью появления. Например, если причина брака кроется не в каком-то отдельном параметре, а является комбинацией разнородных факторов с разных стадий существования изделия, традиционная аналитика не справится с установлением причин несоответствия.

Data Science, в свою очередь, применяет другие подходы и способен работать с большими данными, включая структурированные и неструктурированные источники, такие как данные датчиков промышленного оборудования, производственные журналы, изображения, текстовые документы и потоковые данные. Используя методы машинного обучения ^[15] и интеллектуального анализа данных, Data Science позволяет выявлять сложные скрытые закономерности, строить предсказательные модели, обнаруживать аномалии и оптимизировать производственные процессы.

Основные направления применения Data Science в цифровом производстве

Data Science охватывает широкий диапазон задач в цифровом производстве. Приведем основные направления применения Data Science.

1. Компьютерное зрение для контроля качества.

Требования к готовой продукции можно условно разделить на количественные (заданные в виде числовых параметров, например: размеры, масса, шероховатость) и качественные (описанные словами, например: отсутствие царапин и наминов, равномерность покрытия, соответствие цвета). Количественные требования можно измерить с помощью КИМ или других приборов контроля. Такая метрология поддается цифровизации и автоматизации.

Качественные требования, наоборот, сложно формализовать и запрограммировать напрямую. Контроль таких параметров традиционно выполняется методом визуального контроля. Такой подход имеет ряд недостатков, связанных с человеческим фактором и сложностью масштабирования. В таких случаях контроль можно автоматизировать с помощью компьютерного зрения. Модели компьютерного зрения обучаются на базе изображений годной и дефектной продукции. Внедрение компьютерного зрения автоматизирует и ускоряет процесс контроля, повышает повторяемость оценки качества изделий и исключает человеческий фактор.

2. Анализ результатов испытаний и оптимизация конструкций.

Методы Data Science позволяют сопоставлять расчетные модели, производственные параметры и результаты испытаний. Это приводит к более глубокому пониманию взаимосвязи входных признаков и целевых характеристик, и позволяет точнее определять причины расхождений между теорией и практикой. По результатам исследования данных формируются рекомендации по введению улучшений конструкции и принимаются обоснованные инженерные решения.

3. Предсказание отказов оборудования и предиктивное обслуживание.

Обслуживание оборудования обычно проводят либо по регламенту, когда приходит время очередной перепроверки, либо при наличии уже выявленных отклонений в работе. Это приводит к дополнительным затратам и простоям оборудования.

В цифровом производстве накапливаются данные датчиков, временные ряды, журналы событий, информация о заменах и ремонтах. Анализируя эти данные, можно найти корреляции между признаками, выявить ранние признаки износа оборудования и прогнозировать вероятность отказа. Это позволяет перейти к превентивному обслуживанию по фактическому состоянию производственного оборудования.

4. Оптимизация технологических процессов.

Сопоставление конструкторской документации, технологических процессов и данных цифровой метрологии позволяет доработать технологию изготовления для получения необходимых свойств готового изделия.

Анализ исторических данных о режимах обработки и связь этих данных с качеством получаемых изделий позволяют определить корреляции и настроить производственные процессы так, чтобы производство давало наивысшее качество при наименьших затратах ресурсов. Например, можно найти баланс между скоростью обработки, износом инструмента, качеством поверхности и вероятностью брака.

5. Выявление аномалий и отклонений в производственных процессах.

Часто брак в изделии возникает постепенно. Например, от детали к детали увеличивается ее шероховатость или уходят размеры. Анализ данных цифровой метрологии позволяет сопоставить технологические операции с результатами изготовления, выявить отклонения и своевременно предпринять необходимые меры: заменить инструмент, скорректировать режимы обработки, проверить состояние оборудования.

6. Создание ML и нейросетевых моделей.

Накопленные массивы данных открывают широкий простор для обучения искусственного интеллекта ^[16], способного на создание документации, анализ документации, генеративный дизайн, семантический поиск по базам данных и многое другое. Сложные модели глубокого обучения помогают находить причинно-следственные связи между принятыми решениями и полученными результатами на разных этапах создания изделия. Такой подход особенно ценен для производств с длинным жизненным циклом.

Проблемы и перспективы развития

Многие крупные предприятия России уже реализуют отдельные элементы цифрового производства. Постепенно внедряется понятие цифрового двойника, основой которого становится 3D модель, развивается электронный документооборот, информация об изделии хранится в единых PDM/PLM системах. Тем не менее часто отсутствует или на практике не осуществляется целенаправленный переход к формированию цифровой нити, обеспечивающей сквозную связность информации со всех этапов жизненного цикла изделия.

Основные преграды для применения Data Science в современном производстве заключаются в неполноте данных, низком качестве данных (шумные и неструктурированные данные, отсутствие разметки), отсутствии налаженных процессов по сбору, хранению, обработке данных и использованию полученных знаний, неготовности IT инфраструктуры компаний к хранению и обработке больших данных.

Переход к цифровому производству ресурсозатратен. Он требует инвестиций в инфраструктуру, обучение сотрудников, перестройку процессов. При этом ожидаемая польза не всегда очевидна и не всегда быстро достигается на практике. Именно поэтому, для принятия управленческого решения о переходе к цифровому производству, необходимы реальные случаи, когда большие данные и методы Data Science дали ощутимые преимущества и результаты. Такие примеры будут формировать понимание перспектив цифрового производства и способствовать его более широкому внедрению.

Заключение

Цифровое производство генерирует большое количество данных на всех этапах жизненного цикла изделия. Однако данные сами по себе не несут большой практической пользы. Ценность появляется тогда, когда на основе этих данных принимаются решения. Поэтому именно Data Science становится тем самым драйвером, позволяющим перевести производство на качественно новый уровень.

Методы Data Science позволяют обрабатывать большие объемы разноформатных данных, анализировать данные, искать закономерности, аномалии и корреляции, проверять гипотезы, создавать модели и подготавливать решения к внедрению в производственные процессы.

В производстве существует широкий спектр задач, которые уже решаются с помощью Data Science: прогнозирование отказов оборудования, оптимизация производственных процессов, автоматизация контроля качества, анализ экспериментальных данных и усовершенствование конструкций.

Полноценное внедрение цифрового производства продвигается медленно из-за сложности, дороговизны и отсутствия быстрых результатов. Однако именно Data Science становится тем самым ключевым звеном, которое наделяет цифровое производство его преимуществами и позволяет превращать накопленные данные в реальную практическую ценность.

Список литературы

1. Мизюн В.А., Евдовская С.А., Ишкильдина С.А. Цифровое производство: отличительные характеристики и перспективы развития // Вестник Саратовского государственного социально-экономического университета. 2019. № 4(78). С. 71-75. EDN: HBVVHX.

2. Евдокимова Е.Н., Куприянова М.В., Симикова И.П., Соловьева И.П. Технологии Big Data как составляющие цифровой трансформации предприятий // Московский экономический журнал. 2021. № 10. С. 323-330. DOI: 10.24412/2413-046X-2021-10583.

3. Elahi M., Afolaranmi S.O., Martinez Lastra J.L., Perez Garcia J.A. A comprehensive literature review of the applications of AI techniques through the lifecycle of industrial equipment // Discover Artificial Intelligence. 2023. Vol. 3. Art. 43. DOI: 10.1007/s44163-023-00089-x.

4. Li C., Chen Y., Shang Y. A review of industrial big data for decision making in intelligent manufacturing // Engineering Science and Technology, an International Journal. 2022. Vol. 29. Art. 101021. DOI: 10.1016/j.jestch.2021.06.001.

5. Soori M., Arezoo B., Dastres R. Digital twin for smart manufacturing, A review // Sustainable Manufacturing and Service Economics. 2023. Vol. 2. Art. 100017. DOI: 10.1016/j.smse.2023.100017.

6. Autodesk. What Is a Digital Thread? [Электронный ресурс]. Режим доступа: https://www.autodesk.com/solutions/design-manufacturing/digital-thread ^[17]. Дата обращения: 17.03.2026.

7. Barbie A., Hasselbring W. From Digital Twins to Digital Twin Prototypes: Concepts, Formalization, and Applications // IEEE Access. 2024. Vol. 12. P. 75337-75365. DOI: 10.1109/ACCESS.2024.3406510.

8. Kim S.W., Kong J.H., Lee S.W., Lee S. Recent Advances of Artificial Intelligence in Manufacturing Industrial Sectors: A Review // International Journal of Precision Engineering and Manufacturing. 2022. Vol. 23, No. 1. P. 111-129. DOI: 10.1007/s12541-021-00600-3.

9. Королев В.И. Методы прогнозного мониторинга технического состояния электрических машин // Электротехнические и информационные комплексы и системы. 2023. Т. 19. № 2. С. 62-72. DOI: 10.17122/1999-5458-2023-19-2-62-72.

10. Салихов М.Р., Юрьева Р.А. Алгоритм прогнозирования состояния оборудования на основе машинного обучения // Известия высших учебных заведений. Приборостроение. 2022. Т. 65. № 9. С. 648-655. EDN: FBHJVU. DOI: 10.17586/0021-3454-2022-65-9-648-655.

11. Pittino F., Puggl M., Moldaschl T., Hirschl C. Automatic Anomaly Detection on In-Production Manufacturing Machines Using Statistical Learning Methods // Sensors. 2020. Vol. 20, No. 8. Art. 2344. DOI: 10.3390/s20082344.

12. Кривякин К.С., Щеголева Т.В. Опыт ^[18] цифровизации промышленного производства на основе технологий искусственного интеллекта // Экономинфо. 2024. Т. 19. № 1. С. 81-89. EDN: RULUBN.