Интернет вещей. Новая технологическая революция - Мачей Кранц

Как только вы связали машины, устройства, вещи и сопутствующие им датчики и счетчики друг с другом в единой сети и начали сбор данных, далее логично наладить предиктивную аналитику. Существует множество решений и алгоритмов предиктивной аналитики, причем некоторые из них фокусируются на отдельных отраслях, сценариях использования и средах. Все эти решения оценивают приходящие к ним данные, сравнивают их с теми данными, которые были проанализированы ранее, рассчитывают влияние множества параметров, включая среду, погоду, материалы и операции, и предсказывают тенденции со статистической точностью. Благодаря этому вы знаете, что конкретная проблема с вероятностью X процентов возникнет в определенный промежуток времени, а это дает вам возможность заблаговременно предупредить нужных людей, чтобы они приняли необходимые корректирующие меры.

Это не магия – это просто проверенная статистика и теория вероятности. Чем дольше история и чем больше у вас данных, тем точнее ваши предсказания. Используя подходящее, разработанное на основе правил программное обеспечение, предиктивная система может сообщать вам, что и когда произойдет, и предлагать ранжированный по приоритету список возможных вариантов решения потенциальных проблем. Благодаря этому вы сами или ваши сотрудники получаете возможность принимать лучшие решения. Как и остальные сценарии быстрого достижения результатов, предиктивная аналитика представляет собой лишь первый шаг на пути к IoT. Как только вы внедрите предиктивную аналитику в свою производственную среду, ваша организация сможет оценивать и внедрять более сложные аналитические решения, включая прескриптивную аналитику и даже обучение на базе межмашинного взаимодействия.

Внедрение предиктивного технического обслуживания для повышения времени работоспособности системы и продуктивного времени

Предыдущий сценарий сосредоточен на шагах, которые обычные компании любой отрасли могут предпринять для достижения быстрых результатов. Но некоторые особые случаи требуют отдельного упоминания. Одна из моих любимых историй о получении быстрой выгоды от IoT рассказывает о нетипичной компании в нетипичной отрасли. Это история горнодобывающего предприятия Rio Tinto (рис. 5.5), которую я уже рассказывал в главе 3. Однако ее стоит рассказать еще раз. Она показывает, как быстрые результаты достигаются даже в экстремальных условиях. Внедренное Rio Tinto предиктивное техническое обслуживание окупилось сполна. Такие же выгоды может получить и любая другая компания, чьи системы и операции развернуты в экстремальной среде.

Рисунок 5.5. Пример Rio Tinto

Задача Rio Tinto заключалась в объединении процессов и оборудования в единую сеть с целью повышения эффективности, максимизации безопасности, минимизации штата и оптимизации объемов выработки. Ключевым аспектом проекта являлась автоматизация примерно 900 гигантских самосвалов посредством установки в каждый 92 датчиков для мониторинга состояния двигателей, трансмиссии и колес. Датчики отслеживают состояние, скорость, местоположение и другие параметры, позволяя грузовикам – которые перемещаются только по частной территории – функционировать без водителей.

Суммарно парк Rio Tinto генерирует примерно 4,9 ТБ данных ежедневно. Эта информация не только контролирует работу грузовиков, но и повышает эффективность операций. Превентивное техническое обслуживание обеспечивает максимальный срок службы оборудования. Датчики местоположения также позволяют для каждого грузовика выбирать самый короткий маршрут для минимизации потребления топлива. Как ни удивительно, эти маленькие выгоды выливаются в огромные преимущества.

Большинство необходимых технологий для создания такой системы уже существует – это и умные датчики, и интеллектуальные компоненты, и протоколы связи, и опыт в сфере программного обеспечения. Давайте снова обратимся к Rio Tinto. Как мы знаем, предприятие использует крайне дорогостоящее оборудование в очень агрессивной и удаленной среде. Это оборудование рано или поздно ломается, и лучше, чтобы это происходило не на самом дне глубокого карьера. Временные и финансовые затраты на ремонт вышедшего из строя оборудования Rio Tinto слишком велики – около 2 миллионов долларов в день на каждый сломанный грузовик. Теперь удвойте эти расходы, поскольку компания также вынуждена снять с работы еще один грузовик, который используется, чтобы вытащить поврежденную машину из карьера. (Чтобы вытащить одну из этих громадин, в дорожную службу не обратишься.) В итоге затраты Rio Tinto уже возрастают до 4 миллионов долларов в день – и это даже не считая стоимости ремонта поврежденного оборудования.

Помните, какое решение я описал в главе 3? Решить проблему помогает предиктивное техническое обслуживание. Вещи (оборудование, автомобили, машины, ресурсы, что угодно) ломаются во всех отраслях, причем зачастую это происходит в самое неподходящее время или в самом неподходящем месте. Должно быть, это следствие закона Мерфи. Однако если вы можете предвидеть эти поломки, то сумеете и предотвратить их возникновение в неудачное время и в неудобных местах. В результате вы сможете избежать сбоя в производстве, скажем, во время рождественских праздников, если вдруг какой-нибудь датчик покрылся пылью или возникли неполадки в моторе.

Предиктивное техническое обслуживание прибегает к ресурсам IoT для сбора и передачи информации. Ее можно анализировать почти в реальном времени, используя предиктивную аналитику для предсказания времени возникновения следующей неисправности, а желательно и определения момента проведения профилактики для устранения возможных неполадок. Это даст вам время скорректировать график производства, найти материалы и запчасти – все, что нужно, чтобы соблюсти производственный график, не тратя лишних денег из-за невозможности заблаговременного планирования.

Вот четыре сценария быстрого получения результатов и несколько примеров внедрения IoT реальными организациями. Хотите еще больше? Посмотрите, как ваши коллеги быстро получают выгоды, используя IoT во всевозможных отраслях. Попробуйте адаптировать один из следующих сценариев:

В сельском хозяйстве

• В Тасмании (Австралия) устричная ферма обратилась к IoT и предиктивной аналитике для оптимизации своей деятельности. Посредством системы датчиков IoT осуществляется мониторинг условий на ферме. Устрицы очень чувствительны к изменению температуры воды и ее чистоте. IoT дает предупреждение, если по какой-либо причине условия начинают ухудшаться, потенциально угрожая устрицам. Подобные решения используются и в США. Помогая компаниям спасти их устриц, IoT в буквальном смысле спасает потоки их выручки.

• В долине Напа (Калифорния) системы IoT осуществляют мониторинг и предупреждают персонал виноградников о любых проблемах с лозами и используют контекстуальную информацию, чтобы давать рекомендации и определять, когда лучше всего собирать урожай.