Kiedyś samochód służył tylko do tego, żeby przewieźć kierowcę i pasażerów z jednego miejsca w drugie. Dziś, jak można usłyszeć w branży motoryzacyjnej, z fabryk wyjeżdżają nie samochody, ale platformy z usługami. I zarówno po opuszczeniu zakładu produkcyjnego, jak przed tym momentem – centralną rolę spełniają zbiory danych. Zapraszamy na krótką podróż po analityce z perspektywy sektora automotive.

Zanim przyjrzymy się, jak dziś powstają prototypy aut, wcześniej naukowe spojrzenie na dane w gospodarce. W ostatnich latach popularność zyskał pogląd, że dane stały się strategicznym zasobem, takim jakim w początkach ery przemysłowej były węgiel i stal, a później ropa. Surowce nadal pełnią ważną rolę, ale obok nich pojawił się na przełomie XX i XXI wieku bardzo specyficzny “surowiec” pod postacią big data. Prof. Katarzyna Śledziewska i prof. Renata Włoch z Uniwersytetu Warszawskiego zauważają w książce pt. “Gospodarka cyfrowa”, że dane “są czynnikiem produkcji wpływającym na efektywność prowadzenia działalności gospodarczej, ale też determinują rozwój nowych modeli, rozwiązań i relacji gospodarczych”. Ale o ich specyficzności decydują przede wszystkim trzy cechy, które odróżniają je od węgla, stali i paliw.

Dane przekształcają znaną nam gospodarkę

Jak wyliczają badaczki, dane są niezastępowalne, to znaczy – jednego zbioru nie można zastąpić innym, bo zawiera inne informacje. Tymczasem tonę węgla da się bez problemu zastąpić inną toną węgla. Dalej – dane mają charakter nierywalizacyjny. Chodzi o to, że konkretny zestaw informacji może być w tym samym momencie wykorzystywany przez wiele podmiotów, algorytmów lub usług i nie będzie tracił swojej wartości. Banknot wydawany przez przedstawiciela jednej organizacji nie może być w tym samym momencie wydawany przez inną osobę. I trzecia wyróżniająca cecha. Wartość informacji jest równoznaczna z tym, co zawiera. Przedsiębiorca ma szansę użyć informacji i replikować ją, nie będąc jej właścicielem. Tymczasem, żeby użyć dobra trwałego, takiego jak surowce, trzeba je posiadać. Sama informacja o nich jest bezużyteczna lub daje ograniczone możliwości.

Prototyp z danych dzięki cyfrowemu bliźniakowi

Zmianę, która zaszła w gospodarce, w tym w branży automotive, celnie opisuje raport “The Rise of Data Capital” przygotowany przez MIT Technology Review. Autorzy akcentują: “Kiedyś sprzęt komputerowy traktowano jako zasób podstawowy, o danych nie myślano w ten sposób. Dziś hardware staje się usługą kupowaną w czasie rzeczywistym, a dane – trwałym zasobem”. Co to oznacza w praktyce procesu produkcyjnego?

Volkswagen już 3 lata temu po raz pierwszy opracował nowy model samochodu, w ogóle nie budując fizycznego prototypu. Koncern użył w tym celu technologii digital twin i, co ciekawe, zaprojektował nie tylko nowy pojazd, ale przeniósł do cyfrowego modelu całą fabrykę. Żeby było to możliwe, musiał pobrać precyzyjne dane o realnym obiekcie, skanując w 3D oraz z użyciem kamer i laserów całą przestrzeń zakładu. Później oprogramowanie AI uczyło się rozpoznawać obiekty, sprawdzało, które elementy są zamontowane na stałe, a które mogą zmieniać miejsce.

Procesy montażowe dotyczące prototypu auta były testowane i ulepszane w przestrzeniach VR. Model uwzględniał rodzaje materiałów, części wyposażenia, jak również narzędzia niezbędne w tym procesie. Eksperci projektowali też np. kontenery do transportowania i magazynowania podzespołów. W efekcie, cyfrowe planowanie produkcji pozwoliło zmniejszyć zużycie materiałów i ograniczyło ilość odpadów. A przy okazji, jako że wszystko przebiegało w pamięci komputerów, firma motoryzacyjna oszczędzała także na służbowych podróżach pracowników.

Wnioski w czasie rzeczywistym

Sednem zbierania i przetwarzania danych w procesie produkcyjnym w fabryce samochodów jest dostarczanie za ich sprawą jak największej wartości. Punkt wyjścia to określenie źródeł danych. W fabryce będą nimi m.in. maszyny, linie produkcyjne i pracownicy. Informacje zbierane z czujników lub bezpośrednio z urządzeń muszą być segmentowane, selekcjonowane i sprawdzane. Do najważniejszych kwestii należy real time – informacje o procesach produkcyjnych mają pełną wartość wtedy, kiedy są zbierane na bieżąco i tak samo przetwarzane z minimalnymi tylko opóźnieniami. Latencja w przesyle danych jest liczona w milisekundach. Sieć 5G pozwala zakładom na ograniczenie tego opóźnienie do około 10 ms, w porównaniu z około 50 ms w technologii 4G. Dla przemysłu, także motoryzacyjnego, to znaczna różnica.

Zbieranie danych w fabryce umożliwia ocenę faktycznej efektywności pracy linii produkcyjnej, szybkości działania maszyn i wydajności pracowników. Analiza statystyczna z wykorzystaniem zaawansowanych systemów informatycznych pozwala z kolei na bieżąco optymalizować procesy i usprawniać dostawy podzespołów. Nowoczesny przemysł zakłada koncepcję tzw. otwartej fabryki, co oznacza, że zakład produkcyjny nie tylko komunikuje się w czasie rzeczywistym wewnętrznie, ale ma też stały kontakt z podwykonawcami i poszczególnymi elementami łańcucha dostaw. I to nie wszystko.

Znowu digital twin

Koncepcja cyfrowego bliźniaka wykorzystywana w nowoczesnych fabrykach motoryzacyjnych nie kończy swojego oddziaływania w momencie, kiedy auto opuszcza zakład. Żeby produkt satysfakcjonował klienta, a firma miała świadomość poziomu tej satysfakcji i mogła poprawiać błędy oraz rozwijać model samochodu – musi mieć informacje także z etapu posprzedażowego. Właściciel nowego pojazdu używa go, a cyfrowy bliźniak auta rejestruje wszystko, co dzieje się z samochodem. Ma informacje o nim już od momentu prototypu, zna materiały, wytrzymałość, żywotność i inne cechy podzespołów.

Dlatego - do gry wchodzi teraz technologia predictive maintenance – analiza danych z czujników pozwoli przewidzieć awarie, zanim nastąpią, i zasugerować kierowcy wizytę w serwisie. A dodatkowo koncern motoryzacyjny będzie zbierał informacje, przekształcone potem we wnioski, na temat tego, co trzeba zmienić w konstrukcji podczas prac nad prototypem kolejnego modelu. Np. jeśli 9% pojazdów nadmiernie zużywa prawą tylną oponę w ciągu pierwszych 2 lat użytkowania, prawdopodobnie trzeba te dane połączyć z informacjami o pracy elementów zawieszenia.

Ciężarówki Volvo i Mack używają technologii predictive maintenance, żeby ograniczyć ryzyka strat finansowych koncernu AB Volvo, do którego należą obydwie marki. Nagłe awarie samochodów, wykluczające pojazdy z komercyjnego transportu, mogą oznaczać koszty na poziomie tysięcy dolarów dziennie. Zastosowanie PdM z wykorzystaniem internetu rzeczy, sztucznej inteligencji i analityki, na bazie rozwiązań dostarczonych przez SAS, pozwala wyeliminować niezaplanowane przestoje. Kiedy czujniki zasygnalizują zbliżające się zużycie jednego z podzespołów, samochód trafia do naprawy, ale jego właściciel ma szansę zorganizować zastępstwo tak, żeby operacja nie powodowała dodatkowych strat. W tej chwili 175 tysięcy ciężarówek Volvo i Mack dysponuje wsparciem predictive maintenance.

Autonomiczna przyszłość

I nawet jeżeli to, co powyżej, brzmi trochę futurystycznie – jeszcze większe zmiany, oparte o zaawansowaną analitykę, mamy cały czas przed sobą. Rynek od kilku lat czeka na wejście na rynek samochodów autonomicznych. Trudno powiedzieć, ile to oczekiwanie jeszcze potrwa, do najtrudniejszych przeszkód należą nie aspekty technologiczne, ale prawne i infrastrukturalne. Natomiast najwięksi producenci pracują nad autami autonomicznymi z poziomu 4 i 5 klasy, czyli tymi, w których kierowca nie musi być w ogóle zaangażowany (4) i nie może być (5). Liderzy prawdopodobnie są już gotowi.

Autonomiczny samochód, w którym wszyscy będą podróżowali w roli tylko pasażerów, musi mieć precyzyjne, pewne, dobrze zinterpretowane i przekazywane z opóźnieniami bliskimi 0 informacje. Chodzi o dane na temat podstawowych parametrów pojazdu, otoczenia, innych uczestników ruchu, warunków atmosferycznych, zwierząt i pieszych na drodze oraz oczywiście przebiegu trasy: zakrętów, łuków, rond, skrzyżowań, brzegów drogi itd. Samochody autonomiczne muszą komunikować się między sobą, żeby ruch był płynny i bezpieczny. A skoro mowa o bezpieczeństwie, puentujemy jednym z największych wyzwań dla autonomicznych pojazdów. Bezpieczeństwo tego rodzaju samochodów zaczyna się od prawidłowego udziału w ruchu, biegnie przez kwestię decyzji w sytuacjach nieuniknionych kolizji (tzw. dylemat staruszki), a kończy się na cyberbezpieczeństwie systemów. Wszystko tutaj opiera się o analizę danych.