Единый подход к цифровизации

СТА («Современные технологии автоматизации») — профессиональный научно-технический журнал для специалистов и управленцев, работающих в сфере автоматизации, встраиваемых систем и в других смежных областях опубликовал статью в которой раскрыта идеология и методология продуктовой линейки «ДАТА-ЦЕНТР Автоматика». Авторы статьи :Директор по инновациям, лауреат премии Губернатора свердловской области за инновации в IT Дмитрий Беренов и Директор по науке Варвара Рассказова, кандидат физико-математических наук, доцент МАИ.

Фирма при разработке своих продуктов руководствуется единым подходом к цифровизации. В основе этого подхода лежит метод объектных отношений (Object Relations Technique или ORT) в качестве универсальной структуры для моделирования производства. В основе метода лежит понятие «объекта», представляющего собой любую сущность производственной цепочки (завод, цех, агрегат, производственная операция, единица продукции и т.д.). Ключевым отличием метода объектных отношений от агентного моделирования является то обстоятельство, что объектам не навязаны никакие поведенческие сценарии. Тем самым структура «объект» оказывается полномочной вступать в любые отношения с другими «объектами» в рамках рассматриваемой модели, что, в свою очередь, позволяет аккумулировать различного рода данные в единую иерархию и гарантирует достоверность анализа любого уровня

Далее приводятся выдержки из статьи «Извлечение значимых бизнес-результатов из всей совокупности производственных данных».

 Основные положения ORT

Цифровизация подразумевает получение эффекта на основе интеллектуальной обработки производственных данных. Причём в области интеллектуальной обработки данных появилось множество инструментов, в том числе на основе Open Source технологий, включающих обработку больших данных, зрелый Open Source BI, системы для аналитиков на основе Juputer Lab, включающие самые последние библиотеки статистического анализа и машинного обучения.

Однако эффективное применение современных инструментов затруднено, поскольку данные предприятия замкнуты внутри большого количества систем автоматизации и цифровизации. Модели и форматы данных определяются бизнес-процессом участка производства и поэтому специфичны для каждой системы.

В результате независимо от уровня вооружённости предприятия системами цифровизации основным инструментом анализа данных для принятия управленческих решений является EXCEL.

Как только для управления требуются данные от разных систем, единственным способом работы с данными становится выгрузка отчётных форм из этих систем в EXCEL, сведение данных из множества таблиц и только затем аналитика и принятие решений.

Но и это не последняя трудность. Если вы ищите пути оптимизации производства на основе собранных вами данных, то ваша работа постоянно прерывается для перехода между системами. Построение сводных таблиц вы сделаете в EXCEL, статистическую обработку данных в специализированном пакете типа Matlab, отчет о результатах работы оформите в Word и разошлете по электронной почте. После вас попросят уточнить результаты за другой временной период и все с начала!

Управление на основе данных постоянно прерывается для перехода между системами. Это все равно что возить заготовки между разными предприятиями вместо их обработки на едином конвейере.

Большие надежды в области решения означенной задачи возлагались на инструментарий Big Data, предполагалось, что все получится если собрать данные вместе. Итог подвел журнал Форбс в 2018 году в статье «What Is Continuous Intelligence?» . В частности отмечалось:

• Складывание всех данных в одном месте для их обработки далее требует еще больше работы, чтобы сделать их пригодными для использования.

• Пестрая коллекция таблиц и файлов данных, выгружаемых из источников в озера данных… привела к новому болезненному процессу — это подготовка сырых данных для выполнения последующей аналитики над ними, преобразование сырых (грязных) данных, хранящихся в любых произвольных форматах, в требуемые для аналитических приложений.

• Аналитики, которые разведены отдельными модулями, отдельными задачами и отдельными командами со специализированными навыками, только крадут время, не добиваясь самого главного - своевременной непрерывной информации из всех ваших данных.

Там же давалась формулировка как должен работать непрерывный конвейер по обработке данных: «Речь идет о непрерывном бесшовном извлечении значимых бизнес-результатов из всей совокупности производственных данных. Быстром доступе до всех производственных данных, как только они поступят, независимо от удаленности источников данных, независимо от количества источников данных, не зависимо от того насколько велики объемы данных. Речь идет не об однократной возможности, но о том, чтобы автоматизировать получение и обработку данных как непрерывный и бесшовный бизнес-процесс (Continuous Intelligence)».

Таким образом была обозначена необходимость - создать модель представления производственных данных, которая является единой для любого производственного модуля и любой производственной задачи. Естественно, что создать такую модель на основе описания производственных бизнес-процессов было невозможно в силу множественности и специфичности этих бизнес-процессов.

ORT формулирует подход к производственным данным, исключив разделение описания структур данных под отраслевую, физическую и иную предметную специфику.

В основе подхода лежит переход от описания бизнес-процессов к самим объектам, на которые эти процессы направлены. Производство в этом случае представлено как поток объектов, которые под воздействием процессов меняют свойства и вступают в отношения друг с другом (Object Relations Technique или ORT).

Объекты ORT это учетные единицы производства (полуфабрикат, материалы, готовая продукция) и узлы обработки (агрегаты, технологические узлы, склады и их места хранения). Свойства объектов описываются через их параметры. Между объектами возникают связи. Например, переработка материала в заготовки устанавливает связь между материалом и заготовками (генеалогия). Загрузка материала в печь образует связь между материалом и печью (событие начала обработки), отгрузка на склад – связь между продукцией и местом хранения. Нетрудно заметить, что любые производственные события — это установление и прекращение связи. Объектами являются не только единицы продукции, но любые учетные единицы, на которые направлен бизнес-процесс предприятия. Модель ORT способна учесть и обработать кроме единиц продукции (полуфабриката, изделия), наряд-заказы, простои, сменные задания, оперативные планы, стадии выполнения бизнес-процессов. Например, в объектной модели поступление задания в цех описывается как возникновение связи между объектом-«цех» и объектом «задание».

Представление производства как отношения объектов хорошо совместим с совре-менными инструментами интеллектуального управления и инструментами Big Data.

Наш 30-летний опыт построения систем управления производством на основе данных показал, что описываемый подход применим не зависимо от предметной специфики для решения любых задач цифровизации, например: трекинг продукции и материальных потоков предприятия; глобальная аналитическая система на основе больших данных; оптимальное оперативное планирование; анализ качества и опти-мизация технологических процессов; создание единого источника данных для всех звеньев цифровизации (единого источника правды); создание интеллектуальных по-мощников и подсказчиков; глобальных BI систем; систем для data science. Подход позволил получать от данных реальный эффект за счет понятной, единой, целостной картины производства режиме реального времени и таким образом решить задачу создания Continuous Intelligence систем на производстве.

Для применения описываемого подхода существует следующий набор инструментов:

DATA-TRACK - Потоковая трансформация производственных данных в объекты, их свойства и отношения.

EXPERT BASE - Извлечение информации из объектных данных, универсальная система гибких глобальных запросов, BI и аналитическая система.

DATA-PLAN - Открытая система решений для управления, планирования и оптимизации производства.

Потоковая трансформация производственных данных в объекты, их свойства и отношения

Объект для описываемого подхода — это любая производственная сущность, на которую направлены усилия, внимание, желание и воля бизнеса. Объекты вступают между собой в отношения через формирование связей. Например, объект «цех» связан с объектами «центры обработки». Или для металлургического производства объект «Горячекатаный рулон» связан со слябом, из которого он прокатан, а сляб связан с плавкой, из которой он разлит на машине непрерывного литья. Если продолжать пример из металлургии, то объект «плавка» вступал в отношения (связи) с конвертером, агрегатами внепечной обработки, машиной непрерывного литья. Если объект вступил в отношения с центром обработки, то он приобретает новые свойства, которые протоколируются как параметры, связанные с объектом.

Через объекты, их свойства и параметры общая картина производственных данных становится прозрачной для пользователя как в текущий момент времени, так и в виде исторических данных. Полностью контролируется, где находится (находился) материал, фактические параметры обработки, по какому заданию и техкарте произ¬водилась обработка (задания, техкарты, планы также являются объектами системы).

Для получения «объектной картины мира» предоставляется платформа DATA- TRACK, которая при настройке на производственную площадку преобразует поток производственных данных в объекты ORT и их отношения. Для достижения результата конфигурируется цифровой двойник движения продукции по производственным линиям и решается задача трекинга. Таким образом движение материальных потоков и информационные потоки связываются как объекты и параметры ORT.

DATA-TRACK - Low code платформа, которая предоставляет единую систему описания трансформации данных процессов через объекты «Object Oriented Data Transformation Stream» или сокращенно «OODTS».

Другими словами, основная функция DATA-TRACK – объединение ключевой информации информационных систем предприятия в единое предметно-ориентированное хранилище. Это позволяет собирать, связывать, анализировать данные и вовремя предоставлять информацию функциональным модулям с помощью универсальной системы гибких глобальных запросов.

Извлечение информации из объектных данных. Универсальная система гибких глобальных запросов

Из структурированных через OODTS данных можно извлечь любую полезную производственную информацию путем построения запроса. При этом формат построения запроса универсален и основан на отношениях объектов. Продолжая пример из металлургической тематики, можно для анализа данных по горячекатаным рулонам запросить параметры самого рулона (например температуры прокатки), а также химсостав плавки, из которой рулоны были прокатаны. Для чего при формировании отчета нужно просто пройти по связи от рулона к плавке и запросить нужные параметры уже для плавки. Следует обратить внимание, что пользователь оперирует только объектами, параметрами и их связями, а значит при составлении запроса работает с терминами своей предметной области (каждый объект содержит свое название, свои параметры и свои связи). Не требуется быть IT специалистом для извлечения нужной информации. При этом можно получать любые данные для решения любой производственной задачи, например простои можно контролировать по количеству вступивших в связь с узлом обработки объектов за определенный про-межуток времени. Также легко решается задача извлечения данных для построения различных KPI для BI дажбордов.

Важно, что получателем данных после формирования запросов может быть не только Data Scientist, но и смежные системы цифровизации.

Инструментарий для интерактивного формирования запросов, вычисления KPI и прочих характеристик производства, исследования данных и формирования инфор-мации для других звеньев цифровизации предоставляет платформа EXPERT BASE.

EXPERT BASE - Low code платформа, позволяющая стандартным образом инте-рактивно построить запрос к объектным данным, обработать полученную информацию и сформировать BI дажборды для дальнейшего использования или выдать ин-формацию смежным системам. Интеллектуальные советники и оптимизаторы также строятся средствами системы, поскольку система располагает библиотеками для ста-тистической обработки данных и средствами ML.

Иными словами, EXPERT BASE реализует Универсальную систему гибких гло-бальных запросов, “Universal Global Flaxible Requests System” - “UGFRS”.

Открытая система решений для управления, планирования и оптимизации производства

Поскольку текущее состояние производства прозрачно для системы, то на базе текущих и исторических данных предлагаются готовые решения оптимизации производства на базе модулей оптимального оперативного планирования DATA-PLAN. При этом EXPERT BASE предоставляет инструменты для построения собственных оптимизационных модулей.

Сочетание DATA-PLAN и EXPERT BASE предоставляет пользователю Открытую систему решений для управления, планирования и оптимизации производства или иначе Интеллектуальную систему управления на основе производственных дан-ных (OS Manufacturing Data Mind - OS MDM).

Преимущества подхода

ORT MDM модель производственных данных, а также OODTS, UGFRS и OS MDM способы их обработки имеют следующие преимущества.

1. Прием потоковых данных производства проходит объектно-ориентированную трансформацию, которая описывает объект с учётом его преобразований и условий, которые его окружают в процессе этих преобразований. Результат протоколируется в виде объектов, их параметров и отношений (связей) объектов.

2. Процесс обращения к данным сильно упрощён, по сравнению с другими решениями, путем применения единого универсального интерфейса, который не требует переписывание данных под задачу и преобразования данных из одного формата описания в другой для решения конкретной задачи

3. Помимо поставляемых модулей для решения задач по планированию и оптимизации производства, предоставляется инструментарий, чтобы быстро извлечь и обработать необходимую информацию, а в случае необходимости построить новый интерфейс для смежных модулей.

Единый характер данных предоставляет возможности простого масштабирования, а также применения современных инструментов работы с большими данными и аналитическими инструментами в масштабе всего предприятия.

В завершение обзора научной статьи директора по науке в соавторстве с директором по инновациям компании «ДАТА-ЦЕНТР Автоматика», предлагаем ознакомится с выступлениями и видео-интервью наших экспертов на международных промышленных выставках Иннопром 2021, 2022 и 2023: 

А также с кратким видео-обзором основных и новых цифровых продуктов компании где используется метод объектных отношений: