Введение
Первые идеи в области организации производства относятся к временам египетских фараонов. Труд человека ценился дешево, средства производства были примитивными, и, следовательно, дешевыми, поэтому вопросы организации труда и средств производства не были первоочередными. Основное внимание уделялось вопросам управления как способу воздействия на людей для достижения поставленной цели и контроля их деятельности. Развитие средств труда, методов организации производства и совершенствование управления со времен античности до настоящего времени сопровождало развитие цивилизаций и повышение уровня жизни стран и народов. Совершенствование производства продукции от первых ремесленников древних времен до современных наукоемких цифровых технологий наших дней привело к созданию Индустрии 4.0, повышению качества жизни.
По мере развития техники, технологий и общественных отношений менялось представление о качестве. Разделение труда, появление машин и механизмов привело к необходимости контроля качества продукции и изделий. Усложнение производственных процессов и массовое промышленное производство потребовало новых подходов. В процессе индустриализации вместе с контролем качества продукции появились методы обеспечения качества и управления качеством, а затем и системы менеджмента качества. Принципиальное преимущество управления качеством над контролем заключается в возможности предотвращать несоответствия (дефекты), тогда как контроль качества позволяет лишь обнаружить и устранить дефекты. Такой подход обеспечивает повышение выхода годной продукции и снижает издержки производства. Для эффективного управления качеством в двадцатом веке были разработаны инструменты и методы контроля и управления качеством. Достаточно вспомнить работы В. Шухарта,
А. Фейгенбаума, Э. Деминга и других ученых двадцатого века. Во многих ситуациях качество стало главной составляющей конкурентоспособности и востребованности продукции. Следующим шагом в направлении повышения качества стало появление систем менеджмента качества (СМК). Сейчас уже не все помнят, но в Советском Союзе многое сделали для создания и совершенствования систем качества. Большую роль сыграли СБТ (система бездефектного труда), БИП (бездефектное изготовление продукции), КАНАРСПИ (качество, надежность, ресурс с первых изделий) и прообраз современных систем на основе международных стандартов серии ИСО 9000 – отечественная КС УКП (комплексная система управления качеством продукции). В дальнейшем СМК развивались в рамках международных стандартов ИСО серии 9000 и смежных
серий.
Развитие информатизации производства и переход на следующую стадию развития, которую часто называют «Индустрия 4.0» требует заменить часть устаревших управленческих технологий под управлением человека на цифровые технологии. Переход к Индустрии 4.0 и широкому внедрению цифровых технологий в современную экономику (в том числе в производственные и управленческие процессы) создал предпосылки для нового этапа развития менеджмента качества. На основе цифровых технологий и широкого использования автоматизированных средств сбора и анализа информации создаются новые подходы к управлению процессами. Совсем недавно для анализа устойчивости и стабильности процессов безальтернативно использовались карты Шухарта, диаграммы Паретто и аналогичные инструменты вековой давности. Эти старые и надежные инструменты имеют серьезный недостаток – они дают информацию с большой задержкой во времени и ее анализ происходит после выпуска части (а иногда и всей партии) продукции. Это дает хорошие результаты при массовом выпуске однородной продукции, но при производстве сложной наукоемкой продукции штучно или небольшими партиями (самолеты, корабли, ракеты и др.) они неэффективны.
Для быстрого реагирования и устранения возникающих в производстве проблем уже созданы предпосылки к широкому использованию цифровых технологий. Замена человеческого труда в управлении производством на машинное автоматическое управление (в том числе и с использованием искусственного интеллекта), автоматизация процессов анализа данных от различных датчиков и разработка алгоритмов принятия решений (на основе предиктивной и предписывающей аналитики) по устранению несоответствий практически без участия человека приводит к повышению качества и конкурентоспособности выпускаемой продукции. Кроме искусственного интеллекта большой потенциал имеется у других цифровых технологий – облачные решения, интернет вещей, машинное обучение, виртуальная и дополненная реальность и т. п.
Логично сделать вывод о необходимости совершенствовать цифровые методы организации производства и управления качеством. Особенно важно это при проектировании, моделировании и производстве сложной наукоемкой продукции. Жизненный цикл такой продукции состоит из наукоемких процессов, для управления которыми требуется высококвалифицированный персонал и современные цифровые технологии.
Цифровые технологии и менеджмент
качества
Цифровая трансформация является современным трендом каждого предприятия или организации различных областей деятельности [1, 2]. Желаемыми результатами или «перспективой» цифровой трансформации в этой сфере являются улучшение качества продукта или услуги, соответствие требованиям стандартов и других нормативных документов, улучшение и ускорение процесса принятия решений, повышение эффективности производства при одновременном сохранении высокого качества продукции.
Разработаны программные продукты для реализации цифровых технологий в производстве. На современном этапе развития менеджмент качества применяет множество известных информационных технологий, в их числе: электронный документооборот (EDM системы), системы планирования ресурсов предприятия ERP (Enterprise Recourse Planning), MES (Manufacturing Execution System), PLM (Product Life-cycle Management), MDM (Master Data Management), системы управления взаимоотношениями с клиентами (CRM Customer Relationship Management), управление бизнес-процессами (BPM) и др. Эти технологии обычно задействуют людей, их знания, интеллект и способности для обеспечения продуктивной работы.
Цифровая трансформация предполагает перевести рутинные операции управления в цифровой формат. В современном производстве и менеджменте качества существует много задач, которые предполагают большие затраты человеческого труда, например, ручной сбор и анализ данных о продукции, производственных процессах и системах, мониторинг процессов, принятие решений на основе фактов, расширение действия системы качества на изменяющиеся во времени и пространстве процессы, выявление и анализ рисков и пр.
Результатом цифровой трансформации можно считать формирование единой информационной среды на всех этапах жизненного цикла продукции, включая цифровое конструирование и моделирование, цифровое производство, цифровая цепочка поставок, логистика и цифровая адаптация для потребителя продукта или продажах и сервисном обслуживании. В такой цифровой среде возможно формирование цифрового двойника производственных, технологических и бизнес-процессов, а также самого продукта и готового изделия производства. Серьезным вкладом цифровизации является управление процессами в режиме реального времени и дистанционное управление операциями.
Развитие цифровых технологий значительно расширяет возможности по управлению качеством на предприятиях различных сфер деятельности за счет сокращения «человеческого фактора» [3 – 6]. Однако не следует отождествлять цифровую трансформацию с сокращением человеческой деятельности. Цифровая трансформация снимает «рутину» со многих задач менеджмента качества, которую приходится выполнять персоналу любой организации. С приходом цифровых технологий главной задачей становится задача перепроектирования процессов и процедур таким образом, чтобы и люди, и цифровые устройства могли внести свой вклад в улучшение качества.
Влияние цифровизации обусловливает изменение принципов оценки результативности СМК в сторону непрерывного анализа. Непрерывность анализа предполагает постоянный мониторинг всех элементов СМК с целью повышения ее результативности и эффективности [7]. Важно заметить, что в настоящее время непрерывный анализ СМК – вполне реализуемая процедура, поскольку в условиях цифровизации целевые показатели результативности и эффективности становятся объективными и доступными в интернет-пространстве в виде форумов, рейтингов компаний (например, народного рейтинга, служебного рейтинга и т. д.), что позволяет получать необходимую информацию о компании в реальном времени [8 – 10].
Цифровой двойник – это виртуальное представление изделия или процесса, которое используется, чтобы оценивать и прогнозировать рабочие характеристики этого изделия или процесса [11]. Цифровые двойники являются сравнительно новым понятием, но их прототипами можно считать конструкторскую и технологическую документацию на основе CAD/CAM/CAE систем и CALS (ИПИ-информационная поддержка изделия) технологии. Конструкторская и технологическая документация в цифровом виде составляет основу цифрового двойника изделия или процесса. Цифровые двойники, также, как и ИПИ-технологии, используются на протяжении всего жизненного цикла изделия. Но в отличие от информационной поддержки, цифровой двойник можно использовать, чтобы проводить инженерный анализ, прогнозировать и оптимизировать работу изделия или производственной системы.
Цифровые двойники могут прогнозировать влияние изменений конструкции, технологических процессов, вариантов использования продукции, факторов окружающей среды и других условий на изделие или процесс и сокращают необходимость изготовления экспериментальных и опытных образцов. Благодаря моделированию, аналитике больших данных, предиктивной аналитике, искусственному интеллекту и машинному обучению можно сократить время разработки конструкций и технологий и повысить качество получившегося в результате изделия или процесса.
Область применения цифрового двойника зависит от того, на каком этапе жизненного цикла изделия происходит моделирование [12, 13]. На протяжении всех этапов жизненного цикла изделия или его производства, цифровые двойники используют данные с датчиков, установленных в достаточном количестве на физических объектах (станки, технологическое оборудование, элементы готового изделия), чтобы фиксировать работу объекта в реальном времени, условия работы и изменения параметров в процессе производства и эксплуатации. Таким образом, цифровые двойники совершенствуются и постоянно обновляются в соответствии с изменениями физического аналога на протяжении жизненного цикла изделия. В результате возникает замкнутая обратная связь в цифровой среде, что позволяет разработчикам и производителям постоянно оптимизировать свои изделия, производство и повышать производительность без потери качества. Цифровой двойник должен быть динамическим и постоянно обновляемым представлением реального физического продукта, устройства или процесса. В таком случае можно проводить виртуальные испытания и получать реальные результаты. Для сложной технической продукции сокращается время испытаний и сертификации, что позволяет ускорить выход продукции на рынок и повышает ее конкурентоспособность. При этом покупатели получают полноценную технологию управления жизненным циклом продукции. Такое изделие может самостоятельно собирать и отправлять разработчикам разнообразные данные и выполнять самодиагностику. Такая концепция уже реализована в авиации, космонавтике, атомной электроэнергетике. Расширяется она и на другие объекты – автомобилестроение, станкостроение и др. Цифровой двойник отразит необходимость ремонта или замены деталей в процессе эксплуатации. Грамотно созданный цифровой двойник позволит заказчику «увидеть» физический объект и получить о нем полную информацию, в том числе о возможных событиях и проблемах.
Использование цифровых двойников в сочетании с другими цифровыми технологиями позволяет решить следующие задачи:
1. Регистрация и анализ данных. Это одна из задач в системе качества, требующих больших затрат труда. Появление быстродействующих систем хранения и обработки данных способны более эффективно, чем это было раньше, решать задачу измерения и регистрации всевозможных и, что самое главное, нужных данных, которые влияют (или могут повлиять) на качество продукции. Использование «Интернета вещей» для измерения функций процессов, а также продукции, является обязательным условием формирования источников больших данных. Использование датчиков, установленных на продукции, находящейся в пользовании клиентов, обеспечивает передачу производителю на протяжении всего жизненного цикла продукции данных об условиях эксплуатации, функционировании, отказах и т. п. Это позволяет непрерывно улучшать продукцию, предвидеть и предупреждать сбои в ее эксплуатации, снижать затраты на техническое обслуживание. Вместе с этим технология Big Data (больших данных) способна анализировать данные массивы информации, поступающие из различных источников. Основными источниками больших данных могут быть: заказчики, поставщики (контрагенты), конкуренты, другие предприятия, партнеры, контролирующие органы – внешние источники; продукция, процессы, материалы, сырье персонал, производственная среда и инфраструктура – внутренние источники;
2. Мониторинг и контроль процессов СМК. Зачастую для управления процессами в системе менеджменте качества применяется такой метод менеджмента качества, как статистическая обработка данных (статистические методы). С появлением алгоритмов обучения нейронных сетей для этих целей стало возможным применение искусственного интеллекта. Обученная нейронная сеть будет позволять выявлять тренды (тенденции) и изменения в процессах гораздо эффективнее и быстрее, чем человек или автоматизированные комплексы на основе обработки статданных;
3. Принятие решений, основанных на данных (свидетельствах), в условиях неопределенности (неоднозначности). Стандарты на системы менеджмента качества требуют создания достаточно жестких алгоритмизированных процессов исполнения процедур. Алгоритмы устанавливаются в картах процессов или операционных процедурах. В случае, если процесс является сложным и разветвленным, а выполнение операций зависит от меняющихся параметров, то необходимо либо регламентировать (прописывать) всевозможные варианты течения процесса, либо полагаться на экспертное решение исполнителей процесса. Любая неопределенность может привести к нежелательной ситуации в процессе. Цифровая трансформация позволяет решить эту проблему за счет применения предиктивной аналитики. Благодаря инструментам предиктивной аналитики компании могут анализировать и прогнозировать протекающие во времени процессы, выявлять тенденции, предвидеть изменения и, следовательно, более эффективно планировать будущее.
Цифровая аналитика больших данных
Одним из серьезных преимуществ использования цифровых технологий в производстве является возможность быстрой обработки получаемых данных. Современные технологии производства позволяют получать громадное количество информации о процессах, но человек не всегда может использовать эти необработанные данные. На помощь могут прийти различные алгоритмы обработки данных и визуализация результатов, но этого тоже может быть недостаточно. Следующим шагом в развитии технологии обработки данных является использование искусственного интеллекта и нейронных сетей. Параллельно с развитием информационных технологий растут и возможности аналитики.
Аналитику можно разделить на группы по глубине анализа и значимости результатов [3]. Описательные – это наиболее традиционные показатели для мониторинга известных или предполагаемых корреляций. Качество генерирует описательные показатели (количество открытых событий качества), диагностические показатели (время цикла процесса качества для выявления узких мест) и предсказательные показатели, такие как анализ тенденций.
Описательная аналитика предполагает выявление негативных и позитивных событий в прошлом (ответ на вопрос: «что случилось?»). Она использует регистрацию выявленных несоответствий в процессах и продукции с минимальным анализом причин отклонений, что приводит к формальной реализации процессного управления. Такая аналитика может считаться устаревшей и не отвечающей текущим требованиям рынка наукоемкой продукции.
Оценивающая или диагностическая аналитика обеспечивает не только выявление, но и анализ прошедших событий (ответ на вопрос: «что и почему случилось?»). Она обеспечивает процессное управление, регистрацию и анализ выявленных несоответствий с последующим детальным анализом причин отклонения. На основе такой аналитики можно оценивать соответствие производимой продукции текущим требованиям рынка, но не обеспечивается соответствие новым требованиям в будущем.
Более развитая предсказывающая (предиктивная) аналитика реализует предвидение события в будущем (ответ на вопрос: «что, где и почему случится?»). Она предполагает внедрение инструментов мониторинга текущего состояния процессов и прогнозирования изменений, применение статистических методов управления процессами, реализацию риск-менеджмента в управлении процессами. Такой инструмент анализа позволяет продукции соответствовать текущим требованиям рынка и превосходить их, возможность соответствовать требованиям будущего рынка.
Предписывающая аналитика и принятие решений на основе моделирования ситуаций в будущем (аналитическая система, функционирующая на основе Big Data Analytic) имеет способность соответствовать и превосходить текущие требования рынка, быстро следует за трансформациями рынка.
Когнитивная аналитика предполагает самообучающееся и полностью автоматизированное предприятие (компьютеризация имитации человеческого мышления и действия по отношению к автономному предприятию). Это автоматизированная, предупреждающая, самокорректирующая, самообучающаяся СМК. Предполагает выполнение сотрудниками в области качества аналитических функций и автоматизированную реализацию менеджмента качества в процессах предприятия.
Компании могут применять аналитику больших данных или ML / AI (машинное обучение / искусственный интеллект) к традиционным данным или большим данным для определения корреляций на основе закономерностей, что приводит к новому пониманию процессов. Эти аналитические данные часто гораздо более конкретны, чем традиционная аналитика, например, прогнозирование отказа каждой конкретной машины искусственный интеллект может идентифицировать, диагностировать и в конечном итоге предсказать закономерность, которая приведет к негативному результату, такому как сбой продукта или процесса. Предписывающая аналитика является более продвинутой; она предсказывает неудачу и указывает, что следует сделать для устранения или изменения результата, и обычно включают некоторый уровень автономного поведения. Описательная, диагностическая и прогностическая аналитика выполняется с использованием традиционных данных, но новые идеи реализуются с помощью ML / AI. Предписывающая аналитика относится исключительно к области
ML / AI.
Наряду с рассмотренными аналитическими возможностями целесообразно использовать и другие цифровые технологии [14]. Например, визуализация развивается вместе с данными и обеспечивает более эффективную интерпретацию человеком. Традиционные визуализации включают отчеты, диаграммы и информационные панели. Компании, стремящиеся к Качеству 4.0, должны строить свою аналитическую стратегию после или одновременно со стратегией обработки данных.
Блокчейн – это еще одна преобразующая технология с будущим потенциалом для повышения качества, особенно в области безопасности и прослеживаемости. Блокчейн представляет собой распределенную систему хранения данных, где каждый блок выступает как запись, содержащую отметку времени и связанную с соответствующими блоками и данными. Блокчейн возник как финансовая технология, но сейчас его пробуют и промышленные компании. Использование Блокчейн в производстве изделий повышенного риска (медицинские изделия и препараты, продукты питания и др.) позволяет повысить доверие потребителя к продукции и в ряде случаев заменить сертификацию.
Выводы
Цифровизация проникает во многие сферы жизни и деятельности человека, в том числе в систему менеджмента качества предприятий и организаций. На основании вышесказанного, можно сделать вывод, что цифровизация процессов пойдет на пользу любой организации, в которой она функционирует. Получение в автоматическом режиме неограниченного объема данных о продукции с последующим машинным анализом, принятие решений за минимально возможное время, моделирование на основе цифровых двойников – это цель, которая стоит средств. Несмотря на то, что цифровизация СМК требует больших финансовых затрат на создание и обслуживание цифровой инфраструктуры, баланс преимуществ и недостатков однозначно в пользу цифровизации в части производства наукоемкой, сложной технической продукции. Для реализации этих планов необходимо готовить квалифицированных специалистов по анализу сложных многоуровневых цифровых систем, умеющих работать как с системами
менеджмента качества, так и цифровыми
технологиями.
