Применение прорывных технологий искусственного интеллекта в промышленных экосистемах Индустрии 4.0

В текущих экономических условиях, когда концепция развития цифровой экономики сменяется новым трендом развития – «экономикой данных»,  внедрение цифровых инноваций  и прорывных технологий искусственного интеллекта (ИИ) в промышленных экосистемах Индустрии 4.0  является приоритетным направлением в формировании и развитии технологического суверенитета Российской Федерации.

В основе всех процессов формировании и развития технологического суверенитета нашей страны находится цифровая трансформация производителей и потребителей продуктов и услуг.

Цель цифровой трансформации продуктов и услуг промышленных предприятий Российской Федерации должна заключаться в реализации ряда комплексных мероприятий и проектов основывающихся на прорывных и перспективных технологиях «Индустрии 4.0», включающие в себя технологии искусственного интеллекта в промышленных экосистемах, которые позволяют создать на первом этапе цифровую инфраструктуру промышленности, а в последствии экосистему, способную не только объединить разрозненные цифровые решения, платформы, системы и миллионы «умных» устройств промышленного Интернета вещей в рамках одного информационного поля, но и дать толчок к созданию и развитию новых конкурентных продуктов и услуг в Российской Федерации и за ее пределами [Галкин и др., 2023, c. 167; Палюх и др., 2023, c. 256].

Важным аспектом проектирования, разработки, производства и развития новых промышленных ИТ-решений является применение передовых технологий четвертой промышленной революции, к которым можно отнести: технологии работы с большими данными, машинное обучение и искусственный интеллект, а также создание цифровых платформ и сервизов, функционирующих в рамках вышеупомянутой цифровой экосистемы.

Под цифровой промышленной инфраструктурой понимается комплекс программно-аппаратных решений, обеспечивающий разработку, реализацию и поддержку новых «умных» продуктов и цифровых услуг.

Создание цифровой промышленной инфраструктуры должно основываться, прежде всего, на отечественных разработках, созданных при непосредственном участии научных организаций, высших учебных заведений и ИТ-компаний. Большое значение в разработке и создании отечественных программно-аппаратных комплексов, поддерживающих работу интеллектуальных систем имеют решения и компоненты, созданные МЦСТ «Эльбрус» и НТЦ «Модуль».

Одним из приоритетных направлений для отечественной промышленности является широкое использование технологий промышленного Интернета вещей, обработки и анализа больших данных, а также искусственного интеллекта. В свою очередь, правильная компоновка технологического стека позволяет в кратчайшие строки приступить к проектированию и созданию новых платформенных решений для отечественной промышленности.

В основе цифровых промышленных платформ должны быть использованы передовые информационные технологии, способные обеспечить сбор, верификацию, разметку и анализ больших данных с сотен тысяч устройств и датчиков для анализа и построения системами искусственного интеллекта качественной прогнозной аналитики в интересах промышленных предприятий.

К передовым информационно-технологическим направлениям развития автоматизированных систем относят прежде всего:

• инжиниринг искусственного интеллекта (AI engineering), основанный на применении методологии автоматизации технологических процессов сборки, настройки и развёртывания программного обеспечения – DevOps, процессно-ориентированной методологии разработки и предоставления аналитических данных – DataOps, методологии эффективного развертывания и поддержки моделей машинного обучения на производстве – MLOps;

• доверенный искусственный интеллект (Responsible AI);

• композитный искусственный интеллект (Composite AI);

• искусственный интеллект для промышленного Интернета вещей (Edge AI);

• интеллектуальные приложения и помощники;

• облачные сервисы;

• автономные системы, и другие.

Создание отечественных отраслевых платформенных решений, обработки и верификации гетерогенных данных, собираемых с «умного»-оборудования инфраструктуры промышленного Интернета вещей в режиме реального на основе применения новых технологий обработки больших массивов данных, глубокого машинного обучения, а также отечественных аппаратных комплексов высокой производительности для решения широкого круга задач в интересах промышленных предприятий Российской Федерации – одна из приоритетных задач Укрепления национальной безопасности Российской Федерации, решение которой позволит получить новый «цифровой» инструмент государственной политики в области промышленной безопасности и существенно снизить риски возникновения аварий и чрезвычайных ситуаций [Галкин и др., 2024, c. 62].

Основное назначение разрабатываемых платформенных решений должно заключается в сквозной автоматизации сложных рутинных процессов сбора и обработки большого количества разнородных данных с миллионов «умных» устройств промышленного Интернета вещей, а также предоставлении цифровых сервисов по их обработке и постобработке при помощи новых промышленных облачных моделей распределенных систем искусственного интеллекта (Cloud AI Services), с целью получения новых знаний и дополнительной ценности из имеющихся данных для повышения эффективности и безопасности производства продукции и услуг в различных отраслях промышленности Российской Федерации.

На сегодняшний день отраслевые платформенные решения могут быть использованы для решения следующих наиболее актуальных производственных задач:

·        Контроль качества продукции и обнаружение дефектов. На рисунке ниже представлен пример  технологического процесса контроля качества продукции, который раскрывает общий системный подход к его автоматизации:

В связи с тем, что на многих предприятиях технологический процесс производства продукции точно формализован, сам процесс создания или совершенствования автоматизированных систем строго детерминирован.

Четкое понимание того, как реализуется технологический процесс позволяет нам определить на каких этапах и для решения каких задач автоматизации будут использоваться те или иные информационные технологии сбора, обработки и анализа данных, в том числе позволяет оценить возможность и целесообразность применения технологий искусственного интеллекта. Например, применение глубокого машинного обучения для анализа данных, получаемых с производственных линий, позволяет решить задачу контроля качества с высокой точностью и в режиме реального времени.

Пример подхода к автоматизации процесса контроля качества продукции и обнаружения дефектов представлен на рисунке ниже:

Например, автоматизация входного контроля материалов и раннее обнаружение дефектов, позволяют предотвратить перемещение дефектной продукции по производственной линии, что сказывается на повышении качества выпускаемой продукции. В свою очередь, сбор и накопление исторических данных с производственных линий, посредством датчиков промышленного Интернета вещей, позволяют значительно улучшить работу промышленных систем контроля качества.

·        Прогнозирование спроса. Перед современным предприятием стоит большое количество разных задач, но понимание того сколько и каких видов продукции нужно производить в определенный период времени, какой будет спрос на эту продукцию, как управлять ресурсами и во что инвестировать в краткосрочной перспективе, во многом определяют его конкурентоспособность. В связи с этим решение задачи прогнозирования спроса является одной из приоритетных.

На рисунке ниже представлен пример бизнес-процесса и подхода к решению задачи автоматизации этого процесса:

Решение задачи автоматизации прогнозирования спроса интересна тем, что буквально на каждом из ее этапов могут быть применены современные технологии искусственного интеллекта. Например, на этапе анализа клиентов, мы можем проанализировать данные о покупках и статистику спроса с тем, чтобы лучше понять потребности и особенности покупательского поведения на рынке. На этапе планирования, вся проделанная ранее работа позволит нам эффективно управлять ресурсами и складом продукции. История покупок и сезонность позволят нам определить тренды покупательского поведения, а также спрогнозировать будущий спрос. На этапе маркетинга мы сможем управлять ресурсами продаж. На следующим этапе мы сможем определить необходимый к выпуску ассортимент продукции в зависимости от изменений спроса. Все это позволит нам также принимать и стратегические решения, связанные с инвестициями в новые виды продукции или увеличением объемов выпуска уже имеющейся продукции.    

·        Прогнозируемое обслуживание. Прогнозируемое обслуживание – это метод, в котором используется дополнительное оборудование, программное обеспечение и новые технологии обработки и анализа данных для обнаружения неисправностей оборудования, устройств и технологических процессов с целью их устранения до того момента, как они выйдут из строя. Важную роль в прогнозированном обслуживании играет и применение технологий искусственного интеллекта. Они позволят современным предприятиям перейти от реактивного или превентивного обслуживания к прогнозируемому, а в перспективе и к предписывающему.

На рисунке ниже представлен пример бизнес-процесса и подхода к решению задач автоматизации и интеграции с производственными информационными системами:

На сегодняшний день задача прогнозированного обслуживания является общемировым трендов в промышленной автоматизации. По некоторым оценкам мировой рынок автоматизированных систем составляет более семи с половиной миллиардов долларов США, а к 2028 году будет оцениваться почти в пятнадцать миллиардов долларов.

В сою очередь применение технологий промышленного Интернета вещей, анализа больших данных и искусственного интеллекта позволяют определить новые подходы в решении и автоматизации таких задач, как контроль промышленной безопасности и контроль территорий предприятия.

Применение современных отраслевых платформенных решений уже сейчас позволяет:

• Повысить производительность труда при выполнении операций за счет сокращения времени контроля и увеличения объема контролируемых объектов в автоматизированном режиме.

• Снизить трудозатраты.

• Повысить качество, точность и достоверность, получаемых данных.

• Снизить риски возникновения аварий и стоимость возможного ущерба.

• Увеличить объем производства без ущерба для качества.

• Повысить эффективность производства.

Это достигается, в том числе, за счет создания и совершенствования научно-технического потенциала, реализуемого в автоматизированных системах, а именно:

• Формирования и применения единых требований к системам доверенного искусственного интеллекта.

• Формирования и применения единых требований к структуре и составу обрабатываемых больших данных.

• Применения технологий композитного искусственного интеллекта.

• Применения новых технологий машинного обучения.

• Применения цифровых двойников, и так далее.

В результате чего, применение отечественных платформенных решений, составляющих основу промышленных экосистем, для предприятий и организаций различных отраслей экономики, позволяет повысить качество производимой продукции, являющейся как средствами, так и объектами производства, а также создавать и развивать на их основе новые цифровые инструменты с применением новых технологий искусственного интеллекта и машинного обучения. Это в свою очередь позволяют значительно повысить уровень промышленной безопасности предприятий Российской Федерации и заложить твердую основу технологического суверенитета нашей страны.

Список литературы

1. Галкин Д.И., Чесалов А.Ю. (2023). Перспективы цифровой трансформации производителей оборудования неразрушающего контроля на примере опыта НИИИН МНПО «СПЕКТР» // XXIII Всероссийская научно-техническая конференция по неразрушающему контролю и технической диагностике «Умные технологии НК. Единство теории и практики»: сб. тр. Москва, 23 – 25 октября 2023 г. С. 187-170. – М.: Издательский дом «Спектр». – С. 167 – 170.

2. Палюх Б.В., Чесалов А.Ю. (2023). Методологический подход к цифровой трансформации предприятий отрасли производителей оборудования неразрушающего контроля // «Инжиниринг предприятий и управление знаниями» (ИП&УЗ – 2023) : сборник научных трудов XXVI Российской научной конференции. 29 – 30 ноября 2023 г. / под науч. ред. Ю.Ф. Тельнова.- Москва: ФГБОУ ВО «РЭУ им. Г.В. Плеханова». – С. 256 – 260.

3. Галкин Д.И., Ефимов А.Г., Чесалов А.Ю. (2024). Перспективы создания цифровой инфраструктуры данных в НК // Территория NTD – январь-март – 2024. – С. 62 – 65.