На диаграмме Ганта отображается информация по каждой производственной единице оборудования, о том, сколько времени и чем она будет загружена.
Те редкие варианты решения этой задачи, которые уже встречаются, имеют достаточно серьезные точки для роста. В настоящий момент они построены по принципу, согласно которому система служит помощником в части визуализации, ускоряющим операции отрисовки расписания, но не в части его оптимизации, оптимизацией продолжает заниматься человек.
Главная точка роста в этих задачах – это оптимизационные алгоритмы, которые позволят строить расписание, принимая во внимание не только ограничения, но и критерии оптимизации.
Несмотря на то, что информация о выпусках все еще была сильно дискретной, уже можно было увидеть в какие моменты времени произошли выпуски, где возникли простои, просадки по скорости или ускорения. До недавних пор, это была, по сути, максимально возможная оперативность данных.
Когда в молочной отрасли возникла задача интеграции с ГИС «Честный знак», многие переработчики установили на фасовочное оборудование дополнительные камеры технического зрения. С их помощью, по фасовочному оборудованию можно получать более точную картину:
На основании этих данных можно считать интегральный показатель ОЕЕ и анализировать эффективность работы оборудования.
Для оценки эффективности некоторых производственных участкам, где частота учета выпуска высокая, установка камер технического зрения не обязательна. Например, если говорить про мясопереработку, где процесс куттерирования занимает от 10 до 15 минут, то похожие графики можно строить с достаточно высокой для принятия решений степенью точности, просто на основании учета в MES.
Через такой анализ эффективности и производительности руководители производства определяют «узкие места» на производстве и начинают работу над ними. Если планируется приобретение дополнительного оборудования, то, опираясь на эту информацию можно проанализировать, насколько это целесообразно. Действительно ли необходимы инвестиции или имеется «запас прочности», скрытый в текущей низкой эффективности эксплуатации.
Дальше рассмотрим те сервисы, которые должны появиться на базе MES в пищевой промышленности в ближайшем будущем.
Главное, что нужно сделать для внедрения такого сервиса в бизнес – это перестроить мышление технологов, научить их работать с настройкой ограничений оптимизации, вместо того чтобы вручную пересчитывать рецептуры. Таким образом предприятие сможет получить уникальную рецептуру для каждой партии продукции, оптимизированную по стоимости, исходя из входных параметров используемого сырья.
Вся эта информация стала доступной для статистического анализа. Но работать с таким большим объемом данных, не имея специальных средств, достаточно сложно. Об этом говорил Александр Попушой, когда делился опытом ОАО «Карат» на конференции «Цифровизация пищевой отрасли»: аналитические средства появились, но пока они позволяют решать задачу в очень упрощенном виде.
Решить задачу более качественно позволит искусственный интеллект (ИИ). ИИ может быть применен, чтобы обработать информацию и передать технологу уже не просто массив данных, а рекомендации. При этом технолог может подтверждать эти рекомендации, либо их опровергать, обучая тем самым ИИ, либо вводить дополнительные параметры, ограничивающие рекомендации ИИ. Как и в случае с оптимизацией рецептур, внедрение такого сервиса требует серьезного перестроения процесса работы технологов.
Цена такого решения высокая, но ценность перевешивает – даже те упрощенные средства анализа, которые применяет «Карат» и другие предприятия, использующие MES, позволяют получить гораздо больше инсайтов о том, что влияет на качество и себестоимость продукции. Экономический эффект от таких изменений обычно настолько велик, что внедрение MES окупается за месяцы, а не за годы.