Big Data в промышленности
"Большие данные" или Big data – термин, который появился сравнительно недавно. Считается, что им стали пользоваться после того, как Клиффорд Линч, редактор журнала Nature, подготовил специальный выпуск – в нем шла речь о том, как взрывной рост объема и многообразия информации может повлиять на мир.
Прошло совсем немного времени, и Big data стали использоваться в различных сферах экономики. Их, в частности, внедряют в промышленность. Но и сегодня не все понимают, что это такое, зачем нужна эта технология и каких результатов с ее помощью можно добиться.
"Большие данные": что это и для чего они используются
В широком смысле Big data – это социально-культурный феномен, основанный на том, что значительно выросли:
объем данных, доступных человечеству;
скорость получения и обработки информации;
разнообразие данных.
Даже 100-200 лет назад промышленность невозможно было представить без информации. Научные открытия, новые изобретения, технологические решения – все это позволяло повысить производительность и опередить конкурентов. Но сейчас предлагается:
во-первых, резко увеличить объем информации, которая будет использоваться – поэтому и применяется термин Big data, так как массив данных существенно превышает то, что было доступно людям еще недавно;
во-вторых, извлекать полезную информацию из данных, которые ранее вообще не были задействованы.
Например, на агрегат можно установить датчик, отслеживающий вибрацию. Анализ показаний даст возможность понять, когда может случиться поломка. Такие решения позволяют сократить простои и уменьшить вызванные ими потери времени и денег, поэтому промышленность, конечно, в них нуждается. Разумеется, можно мониторить любые производственные процессы, главное – определить приоритеты.
Какие данные можно использовать
Промышленность – это сфера хозяйства, в которой решаются задачи по добыче и производству. При этом используется различное оборудование. Еще до появления Big data специалисты, работающие на заводах, фабриках и добывающих предприятиях, собирали информацию и анализировали ее. Что изменилось?
Современные технологии позволяют объединять и обрабатывать данные разных типов. Это могут быть:
реляционные данные из бизнес-систем и учетных систем;
показатели, которые поступают с датчиков, установленных на оборудовании;
информация, поступающая от маркетологов, из логистического отдела и других подразделений.
Все это стекается в централизованное хранилище. Единые инструменты анализа позволяют делать выводы на основании собранных данных и получать комплексную картину того, что происходит, чтобы лучше контролировать промышленность.
Можно сказать, что информация играет чрезвычайно важную роль, а технологии Big data позволяют получать больше данных и быстрее обрабатывать их, чтобы делать более точные выводы и прогнозы.
Что потребуется для внедрения Big data
Любая промышленность имеет свою специфику. Не всегда есть возможность установить датчики: например, конструкция станка не позволяет интегрировать в него дополнительное устройство, сложно получить информацию о состоянии внутренних узлов.
Поэтому лучше оставить последнее слово за специалистами по бизнес-аналитике. Они понимают, как работает промышленность, и представляют, как устроен производственный процесс. Они знают, как устроено оборудование и как связаны его узлы.
Датчики – один из важнейших источников информации, на основании которой создаются массивы Big data. Но это не единственный способ получить данные. Также применяются:
видеокамеры;
различные системы с ручным вводом информации;
любые хранилища данных – в первую очередь электронные, но даже бумажные журналы инцидентов могут оказаться полезными.
Но сама по себе информация не даст ответов, которые вы рассчитываете получить. Необходим специалист, которого называют Data Scientist. Ему требуется программное обеспечение, с помощью которого можно:
очистить Big data – это делается разными способами – от простого отбрасывания пороговых значений до интеллектуального анализа;
обработать массив информации с помощью специальных алгоритмов.
Обычно систему не сразу внедряют в промышленность. Необходимо выдвинуть несколько гипотез, протестировать их и выбрать вариант, соответствующий реальному положению дел. Затем выбранная аналитическая модель проходит обкатку на исторических данных. Только после этого она получает возможность эффективно вести мониторинг оборудования в режиме реального времени и предлагать предиктивную аналитику, основанную на изучении причинно-следственных закономерностей: она позволяет предполагать, когда и с какой вероятностью тот или иной агрегат либо узел выйдет из строя.
Конечно, Big data внедряют в промышленность не только для того, чтобы следить за исправностью станков, двигателей, резаков, печей и других устройств. Это важная задача, но далеко не единственная. Современные технологии сбора и анализа информации позволяют, например:
менять настройки оборудования в зависимости от качества сырья, чтобы экономить энергию и повышать качество продукции;
сокращать время диагностики и, соответственно, делать простои менее длительными;
структурировать аварийные сообщения, чтобы повысить эффективность сигнализации, уменьшить количество ложных срабатываний и свести к минимуму травмы персонала, а также повреждения оборудования;
прогнозировать время, которое понадобится для доставки расходных материалов и запчастей на станции техобслуживания;
оптимизировать логистику, исходя из динамики спроса, мест, где нужно организовать склады, и уменьшения пробега транспорта.
Благодаря им люди, которые работают с данными, больше не тратят много времени только на то, чтобы отсеять второстепенное и выделить главное. Это берут на себя алгоритмы, которые предварительно нужно настроить. Обычно применяются шаблоны, которые можно сконфигурировать один раз для определенного вида оборудования. Если на предприятии появится оборудование такого же типа или нужно будет использовать технологии сбора данных на другом заводе, достаточно задействовать готовый шаблон с уже установленными и проверенными на практике параметрами.
Внедрение Big data в промышленность – это не просто сбор большого объема данных. Информация собирается не ради нее самой, ведь имеет значение не количество, а качество. Тщательный анализ значительных массивов данных позволяет вывести производство на новый уровень, чтобы предотвращать потенциально опасные ситуации, снижать расходы и опережать конкурентов.