От хайпа к эффекту: как меняется подход к инновациям в промышленности

Фото: Shutterstock
Фото: Shutterstock
Еще пару лет назад крупные компании массово тестировали любые цифровые инновации. Почему они стали разборчивее и что изменится завтра, рассказывает Александр Васильев из Центра развития цифровых технологий «Норникеля»

Об эксперте: Александр Васильев, руководитель направления компетенций Центра развития цифровых технологий «Норникеля».

Этап первый: цифровой хайп и «огульная» цифровизация

Последние лет пять цифровые инновации были очень модной, «хайповой» темой. Промышленные компании постоянно что-то тестировали и запускали, будь то дроны, роботы, искусственный интеллект или цифровой двойник. Подход у всех был примерно одинаковым: «Давайте будем пробовать все новое, классное, красивое, что появляется на рынке и в бизнес-инкубаторах и проверим — полетит или нет».

В 2018 году в «Норникеле» создали Цифровую лабораторию, чтобы пристальнее следить за инновационными трендами. Основной задачей этой структуры был поиск и внедрение самых перспективных из существующих на рынке новинок. Мы внимательно следили за тем, что делают наши конкуренты или игроки из смежных отраслей в части инновационных цифровых решений, подбирали технологии, которые могли бы быть полезны производству.

К настоящему моменту на рынке цифровых инноваций в промышленности сформировалось четыре основных тренда:

  • компьютерное зрение;
  • искусственный интеллект;
  • машинное обучение;
  • предиктивная диагностика.

Эти технологии применяют практически все крупные игроки. Но в промышленности, в отличие от банков или ретейла, нельзя просто скопировать чужой опыт или взять с рынка готовое коробочное решение.

Допустим, мы видим интересный кейс в черной металлургии на основе компьютерного зрения, там с его помощью управляют каким-то технологическим процессом — например, сливом шлака. В цветную металлургию этот кейс напрямую перенести нельзя. Но можно проанализировать, какие возможности есть в рамках тренда на компьютерное зрение и как их можно использовать применительно к нашим процессам.

Фото:Unsplash
Индустрия 4.0 Что такое цифровые двойники и где их используют

Многие инновации, которые мы находили на рынке и адаптировали под себя, оказались очень кстати и обеспечили нам «быстрые победы» на разных участках производства. Но проблема в том, что просто прочесывая рынок в поисках новинок, можно ухватить только очевидные решения, «низко висящие фрукты».

Часто получалось так, что инициативу успешно апробировали, но она не приживалась. На производстве смотрели и говорили: «Классная штука, но непонятно, что она дает и как ее поддерживать». Через это прошли практически все наши коллеги. Некоторые создавали амбициозные стратегии цифровизации, но в жизнь воплощали очень маленькую их часть. Потому что цифровые амбиции были скорее данью моде, чем ответом на нужды производства.

Этап второй: поиск решений с прицелом на проблему

Со временем мы поняли: нужен более системный и осознанный подход к инновациям. И стали ориентироваться не на моду, а на потребности производства и желаемый результат.

В 2022 году Цифровая лаборатория «Норникеля» трансформировалась в Центр развития цифровых технологий. От поиска интересных кейсов на рынке и погони за трендами мы перешли к подбору и разработке решений исходя из проблематики и целей производства.

Мы не хотим обвешивать производство датчиками, которые дадут огромное количество разной информации, а потом уже разбираться, что с этим делать. Новый подход предполагает, что сначала надо провести диагностику, выявить болевые точки, наметить пути решения проблемы. И только после этого локально цифровизировать участки, без чего было бы трудно, скажем, запустить новую модель управления или оптимизировать процессы.

Как выглядит цикл внедрения инноваций в «Норникеле»:

  1. Диагностика конкретного производства или площадки: выявление «узких мест» и возможностей для повышения эффективности, определение потенциала.
  2. Приоритезация: на какие элементы воздействовать в первую очередь с учетом потенциала и готовности к применению цифровых технологий.
  3. Формирование гипотез: что можно сделать, чтобы достичь нужных эффектов, какие решения или технологии из доступных на рынке применить.
  4. Определение сценариев и возможного результата: каким будет эффект с точки зрения экономики, безопасности, экологии или других критериев.
  5. Создание прототипа.
  6. Пилотирование и подтверждение эффектов. Если прототип успешный, его переводят в промышленную эксплуатацию и тиражируют. Если нет, отправляют на доработку.

Уже на этапе отбора технологий и построения гипотез мы отсекаем решения, по которым хотя бы теоретически нельзя подтвердить положительный результат. Это позволяет нам концентрировать усилия на действительно эффективных и перспективных решениях.

Более половины прототипов сразу получаются успешными. Из остальных большинство тоже доходят до эксплуатации, хотя и не сразу. Если прототип не дал ожидаемого эффекта, то мы ищем и анализируем проблему, дорабатываем решение, а потом возвращаемся к испытаниям с новыми знаниями. В последние пару лет благодаря такому подходу к цифровым инновациям мы получаем ежегодно экономический эффект около 1–2% на EBITDA (прибыль компании до вычета процентов, налогов, износа и амортизации. — РБК Тренды).

Этап третий: единый контур и цифровые двойники фабрик

В ближайшей перспективе компании будут стремиться уже не к отдельным точечным решениям, а к замыканию этих решений в единый контур и созданию цифровых двойников целых производств. Это позволит отслеживать показатели фабрик в реальном времени, моделировать различные сценарии. Например, что будет, если мы увеличим производство на руднике? Справится ли обогатительная фабрика с потоком сырья, как поведет себя металлургия?

В комплексных цифровых системах легче обсчитывать инвестиционные проекты, дооснащение, модернизацию. Но чтобы перейти на этот уровень применения инноваций, нужно нарастить цифровую зрелость.

Сейчас даже внутри одной промышленной отрасли глубина проникновения цифровых инноваций бывает разной. Самая продвинутая область в горнодобывающем секторе — это обогатительные фабрики, где руда перерабатывается в концентраты цветных металлов. Тут уже запущено много решений на базе искусственного интеллекта, машинного обучения. Мы выясняем, как те или иные показатели зависят от различных факторов и подбираем параметры, которые максимизируют результат. На основе такого анализа создаются советчики для операторов или системы автоматического управления параметрами.

Фото:Айгуль Сабирова
Экономика образования Как в России заинтересовать молодежь карьерой в сфере промышленности

Но есть и консервативные сегменты, такие как добыча сырья. Здесь, как правило, применение «цифры» ограничивается системами управления производством, планированием и мониторингом горных работ.

Дело осложняется тем, что теперь компании испытывают сложности с доступом к зарубежным технологиям. Причем это касается не только горнодобывающего сектора, а практически всех отраслей промышленности.

Тем временем за рубежом крупные игроки уже начинают использовать комплексный подход, переходя к сквозной цифровизации. Российскому горнодобывающему сектору на это понадобится 5–10 лет. Конкретные сроки будут зависеть от того, как быстро мы сможем обеспечить импортозамещение и подобрать правильную базу и архитектуру для сквозных цифровых решений.

Обновлено 21.10.2022
Главная Лента Подписаться Поделиться
Закрыть