Виртуальная реальность, умные датчики и цифровые двойники — управление современной фабрикой все больше напоминает игру в SimCity. Используя новые технологии, компании дистанционно прогнозируют поломки, отслеживают дефекты и строят реалистичные симуляции аварий.
Тренд на цифровизацию и расцвет сервисной экономики привели к появлению новой модели — Maintenance-as-a-Service (пер. с англ. «техобслуживание как услуга»). Разбираемся, как она устроена и какие преимущества дает бизнесу.
В 20-м веке поставщики промышленного оборудования действовали по стандартной схеме: они разрабатывали и собирали технику, продавали ее клиентам и получали профит. На этом цикл замыкался. Продажи были основным источником дохода.
По такой модели работали и компании из других отраслей. Например, производители электроники — до появления интернета и мобильных операционных систем клиент покупал телевизор или радио, и на этом его коммуникация с брендом заканчивалась.
Сегодня при покупке смартфона мы оформляем подписки на стриминговые сервисы, скачиваем приложения, резервируем облачные хранилища или платим за продление гарантийного обслуживания. Для сравнения, в 2012 году сервисы приносили Apple 6,5% выручки, а в 2020-м — уже 22,5%.
То же самое происходит и в промышленном секторе. Еще в 90-е поставщики оборудования начали исследовать бизнес-модели, которые приносили бы рекуррентную выручку. Классический пример — Rolls-Royce, которая в конце 90-х представила пакет услуг TotalCare: клиенты не покупали двигатели, а платили почасовую оплату за эксплуатацию во время полетов. Компания занималась ремонтом и обслуживанием, а также последующей переработкой. Впоследствии такой формат получил название Equipment-as-a-Service (EaaS), или оборудование как сервис.
В 2010-е бум интернета вещей и облачных технологий вызвал рост рынка умных производственных систем, и уже к 2019 году он достиг $215,8 млрд. В Европе почти 50% компаний в этой сфере предоставляют ПО, а половина — сервисы и железо, причем доля сервисного обслуживания преобладает. EaaS-модель расширилась — теперь поставщики оборудования могли не только предоставлять офлайн-услуги, но и удаленно мониторить работу аппаратов, анализировать данные и даже прогнозировать поломки.
Так появилось понятие Maintenance as-a-Service — техобслуживание как сервис. Разберемся на конкретных примерах, как устроена эта бизнес-модель и почему ей заинтересовались как стартапы, так крупные технологические корпорации, вроде Amazon.
Предиктивная диагностика
Компания дистанционно анализирует метрики на производстве и с помощью новых технологий — например, машинного обучения и датчиков компьютерного зрения — и прогнозирует поломки.
Есть разные варианты монетизации. MaaS-фирма может сама производить оборудование и заниматься техобслуживанием, либо выступать посредником и связывать фабрику с подходящими поставщиками. Многие зарабатывают исключительно на прогностике — в этом случае ценностное предложение строится на предотвращении ущерба и инцидентов.
Еще один плюс MaaS-систем — это экспертиза в сфере искусственного интеллекта и больших данных. Фактически стартап предлагает штат ИИ-разработчиков и дата-аналитиков по системе «все включено», и фабрике не нужно собирать свою команду специалистов.
Примеры. Amazon Lookout for Equipment — новый digital-сервис американской корпорации, который с помощью машинного обучения выявляет аномалии в работе оборудования. Воспользоваться услугами может любое предприятие, где есть IoT-датчики. В основном учитывается давление, температура, скорость оборотов и потребляемая мощность, но Amazon может собирать данные с 300 различных сенсоров.
Похожий функционал предлагает MaaS-единорог Uptake, который анализирует массивы данных и строит детальные прогнозы. Главное преимущество стартапа — это инструменты сбора информации. Так, Uptake может одновременно сканировать датчики и считывать информацию с рукописных документов.
Интересные решения есть и на российском рынке — например, система предиктивной аналитики «ПРАНА» от «Ротека». Разработчики утверждают, что технология выявляет отклонения за одну секунду, а точность ее прогнозов доходит до 99,9%. Это позволяет снижать расходы на ремонт и избегать рыночных штрафов.
Основной фокус компании — крупные промышленные объекты, ремонт которых обходится недешево. Система собирает данные и пропускает их через свой математический аппарат, который распознает отклонения в техническом состоянии и ранжирует их по степени риска. Вся информация поступает в мобильное приложение в режиме реального времени, так что пользователи оперативно узнают о любых аномалиях и могут посмотреть графики с нарушениями. Интересно, что «ПРАНУ» уже используют для расследований инцидентов в российской энергетике, а страховые компании учитывают данные системы при расчете страховой ставки.
Любопытные примеры появляются и в B2C-секторе. Так, производители автомобилей агрегируют все больше данных и на их основе создают сверхточные предиктивные модели для водителей. Например, Otonomo, разрабатывает удобные аналитические платформы для BMW и Mitsubishi — их можно интегрировать с личным кабинетом на сайте или мобильным приложением.
Есть и другие интересные примеры MaaS-компаний, которые устанавливают собственные устройства. Стартап Sensoteq производит датчики для мониторинга, а сервис FitMech определяет эффективность работы оборудования на заводе по вибрациям — для этого тоже используются небольшие сенсоры, которые предоставляются по подписке.
В то же время крупные IT-компании предлагают свои вычислительные мощности для сбора и аналитики данных — среди них Microsoft, IBM, SAP и Siemens.
Разработка «умных» инструментов для техобслуживания
AR/VR-симуляции, интерактивные платформы, системы дистанционного мониторинга. Главная особенность — это кастомизация. Стартапы создают специализированный контент для конкретных заказчиков с учетом их оборудования и пожеланий.
Примеры. Coca-Cola связывается с поставщиками оборудования удаленно, используя AR-технологии TeamViewer (Ubimax), — эксперты дистанционно оценивают состояние техники и выявляют дефекты.
Сервис Mira предлагает устройства для дистанционной работы на производстве. Одна из главных разработок — AR-гарнитура Prism Pro, которая работает в связке с обычным смартфоном. С ее помощью рабочий может настраивать или чинить оборудование в режиме hands-free — все мануалы, данные и рекомендации выводятся на дисплей.
Создание симуляций
Техобслуживание предполагает не только мониторинг, но и проработку потенциальных сценариев на случай будущих поломок, форс-мажорных ситуаций или масштабирования. MaaS-посредник проверяет, как поведет себя система в случае обесточивания или подключения новых аппаратов к сети, выдержит ли оборудование повышенную нагрузку. Так, клиент может оценить резервные мощности или запустить аварийные системы в тестовом режиме. Как и предиктивная аналитика, симуляция сводит к минимуму риск простоя — а некоторым производствам он обходится в $100—150 тысяч за минуту.
Пример. Сервис Anylogic создает цифровых «двойников» промышленного цеха. Компания с точностью до нескольких дней определяет, в какой момент степень износа достигнет критической точки. При этом учитываются особенности оборудования и нюансы эксплуатации. Например, у многоосевых роботов-манипуляторов в первую очередь изнашиваются шарниры. Благодаря симуляции заказчик понимает, когда лучше провести профилактический осмотр оборудования и в какой момент следует заказывать новые детали на замену изношенным.
Многие компании объединяют сразу несколько форматов работы, а также комбинируют разные бизнес-модели, например, Maintenance-as-a-Service и Manufacturing-as-a-Service (производство комплектующих или поиск подрядчиков по запросу). Форматы монетизации тоже отличаются, среди них:
Источник: RB.RU