Добыча «утопает» в данных: почему цифровизация усложняет управление

Добывающая промышленность столкнулась с неприятной ситуацией: объём данных растёт быстрее, чем способность ими управлять. На фоне активного внедрения ИИ и других цифровых решений компании всё чаще признают, что избыток информации не упрощает процессы, а усложняет принятие решений и требует пересмотра всей архитектуры управления. 

Отрасль оказалась в точке, где производственная информация превратилась в постоянный поток, требующий отдельной логики обработки и интерпретации.  Редакция dprom.ru обратилась к экспертам рынка, чтобы разобраться в сложившейся ситуации. Мнения разделились, что лишь подчёркивает неоднозначность ситуации. 

Читайте также по теме: Цифровизация горной отрасли: импортозамещение ПО и ключевые тренды

От дефицита информации к её избытку

Относительно недавно ключевой проблемой добывающих компаний был дефицит данных. Информация о состоянии оборудования, геологических структурах или параметрах добычи собиралась фрагментарно, часто с задержками и в отсутствие единого стандарта. Управленческие решения в таких условиях опирались на ограниченные показатели и экспертные оценки.

Однако ситуация кардинально изменилась, поскольку добывающие предприятия уже представляют собой по сути систему генерации информации. Параметры работы оборудования фиксируются  в реальном времени, формируются высокодетализированные цифровые модели месторождений, отслеживание логистики и транспорта ведётся  на всех этапах цепочки поставок. Кроме того, компании используют цифровой мониторинг для контроля перерабатывающих мощностей. В результате каждое звено производственной цепочки становится источником постоянного потока данных.

Проблема заключается в том, что информации много, а структурировать и грамотно использовать её в полной мере предприятия ещё не научились. 

Проблема ясна, однако единой трактовки того, как именно изменилось состояние потоков информации в индустрии, по-прежнему нет. Начальник отдела маркетинга НПП «СпецТек» Игорь Антоненко считает, что такая ситуация возникла из-за неправильной логики накопления информации.

«Проблема избытка данных характерна не только для добывающей, но и для других отраслей. Она порождена технологическим развитием, которое обеспечило доступность инструментов сбора и возможность хранения неограниченных объёмов информации. При этом не уделяется должного внимания тому, как они будут использоваться. Как только предприятие попадает в эту ловушку перспектив, собираемые информационные массивы становятся обузой, а не ценным ресурсом», — подчёркивает г-н Антоненко. 

Он также отметил, что проблема усугубляется качеством самих данных, из-за чего предприятиям сложно извлечь из них пользу.  

«У них либо нет нужных атрибутов, либо не добраны ключевые параметры, либо наблюдается разнобой в структуре данных. Реальность такова, что, если не разработать стандарты качества, в итоге получится много непригодного массива, загромождающего системы», — добавил спикер.

Спорная точка отрасли

Несмотря на распространённый тезис о переизбытке информации, в отрасли существует и противоположная точка зрения. Например, руководитель направления разработки аппаратного обеспечения «Айсорс» Никита Бережанский считает, что говорить о переходе к состоянию избытка преждевременно. В частности, если речь идёт об автоматизации дробильно-сортировочных производств или обогатительных фабрик.

Эксперт объясняет это неоднородным уровнем технического развития компаний и различиями в степени их модернизации. 

«Для многих предприятий характерна слабая оснащённость технологических линий контрольно-измерительными приборами и информационными платформами. Затраты на КИПиА для технического перевооружения производств зачастую достигают 60% от стоимости проекта», — говорит г-н Бережанский.

По его словам, проблема заключается не только в оборудовании, но и в отсутствии устойчивых цифровых контуров.

«Недостаточно практики использования локальных систем управления для анализа состояния оборудования. Плюс ограниченное количество предложений от российских вендоров и интеграторов», — подчеркнул эксперт. 

Как следствие, отрасль развивается неравномерно: часть предприятий уже сталкивается с избытком данных и сложностью их интеграции, тогда как другие всё ещё решают задачу базовой цифровизации производственных процессов. 

Информация есть, но единого пространства управления нет

Беседа с экспертами показала, что даже на предприятиях с высоким уровнем цифровизации проблема зачастую не в отсутствии данных, а в невозможности связать их в единый контур управления.

На практике цифровая инфраструктура многих добывающих компаний развивается как набор отдельных контуров. В частности:

• геологические данные обрабатываются на специализированных платформах;
• работу цехов обеспечивают системы производственного управления (MES) и промышленной автоматизации (SCADA);
• логистика и складские операции работают в собственных ИТ-средах;
• анализ данных нередко выносится в отдельные системы бизнес-аналитики. 

Поэтому несмотря на то, что данные присутствуют практически на всех уровнях производственной цепочки, единой управленческой модели предприятиям сложно добиться. По словам Никиты Бережанского, проблема носит не локальный, а системный характер.

«Сложность заключается в необходимости развития алгоритмов управления, наличии узкоспециализированных КИПиА и информационных программ, способных их поддерживать, в отсутствии механизмов централизованного конфигурирования полевых устройств, а также типовых решений для отдельных отраслей», — отмечает эксперт.

Поэтому универсальных подходов в отрасли по-прежнему немного, а внедрение цифровых систем часто требует доработки.

«Каждый проект представляет скорее уникальную, чем типовую задачу для вендора или интегратора, а для заказчика сопровождается необходимостью проведения обязательной опытно-промышленной эксплуатации», — поясняет г-н Бережанский. 

Наличие проблемы подтверждают и другие участники рынка. Начальник отдела маркетинга НПП «СпецТек» Игорь Антоненко считает, что сложности возникают в том числе при попытке интегрировать разные цифровые системы между собой.

«Внедрение решений  управления техническим обслуживанием и ремонтом с планированием ресурсов предприятия, аналитикой и мониторингом оборудования требует сложной настройки. При этом готовых решений “из коробки” на рынке практически нет — их приходится разрабатывать под каждое предприятие», — говорит эксперт.

При этом объём накапливааемой информации сам по себе начинает создавать дополнительную нагрузку на инфраструктуру.

«Прямой обмен данными в силу их большого объёма способен привести к перегрузке базы системы программных решений и процессов. Поэтому требуется предварительная обработка информации — то есть речь идёт уже о формировании полноценной стратегии», — подчёркивает Игорь Антоненко.

Проблему разрозненности данных подтверждают и разработчики цифровых двойников. По словам генерального директора АО «Моделирование и цифровые двойники» Романа Локтева, предприятия зачастую понимают, какая информация необходима для принятия решений, однако не располагают достаточным количеством качественных показателей.

«У большинства компаний нет сложностей с накоплением данных. Проблема в их качестве — процент показателей, которые используются и анализируются неправильно, составляет около 70%», — уточняет эксперт.

Кроме того, сами цифровые контуры нередко оказываются непригодными для построения точных моделей.

«В большинстве случаев массивы информации, собираемые предприятиями, засорены шумами, не дополнены нужными параллельными замерами и не могут использоваться для построения высокоточных моделей», — поясняет г-н Локтев.

Пытаясь решить эту проблему, участники рынка всё чаще обсуждают возможность перехода от цифровизации как набора отдельных ИТ-решений к полноценной архитектуре управления. Другими словами, компании стремятся выстроить единый цифровой контур предприятия — от добычи и переработки до логистики и аналитики.

Однако, как признают эксперты, полностью сквозные цифровые архитектуры в российской добывающей отрасли пока остаются скорее целью, чем массовой практикой.

Искусственный интеллект: рост возможностей без упрощения управления

На фоне роста объёмов данных и усложнения цифровых контуров компании всё активнее внедряют решения на базе искусственного интеллекта (ИИ). Однако, как отмечают эксперты, на текущем этапе развития ИИ не снижает управленческую сложность и не заменяет человека на этапе принятия решений.

Искусственный интеллект уже используется в задачах предиктивного обслуживания, анализа состояния оборудования и оптимизации производственных процессов, но его роль остаётся ограниченной — прежде всего уровнем интерпретации данных.

Как подчёркивает начальник отдела маркетинга НПП «СпецТек» Игорь Антоненко, ключевая проблема заключается не в расчётах, а в понимании того, что именно они означают.

«Искусственный интеллект не осознаёт технические объекты. Он выявляет закономерности в данных, но не объясняет причин, которые их породили», — указывает эксперт.

Это приводит к рискам некорректной интерпретации результатов.

«Ключевой риск — так называемые “галлюцинации”, когда система уверенно выдаёт ошибочный вывод. ИИ не понимает границ своих знаний и не сигнализирует, когда сомневается. В условиях недостатка или искажения данных он способен предложить технически бессмысленное решение — например, рекомендовать вибрационную диагностику для статичного оборудования», — поясняет г-н Антоненко.

По его словам, проблема усиливается, если алгоритмы получают некачественные или оторванные от производственного контекста данные.

«ИИ обучается на информации, которая должна отражать реальные условия эксплуатации, историю обслуживания, режимы работы оборудования. При отсутствии такой связности система начинает работать с усреднённой картиной, что только увеличивает риск ошибочных решений», — добавляет спикер.

В этих условиях возрастает роль эксперта, который способен интерпретировать результаты и сопоставлять их с реальной производственной ситуацией.

«Специалист разрабатывает стратегию, учитывающую бизнес-контекст, риски и ограничения. ИИ моделирует сценарии, но не способен учитывать приоритеты предприятия и заинтересованных сторон», — подчёркивает Игорь Антоненко.

Схожий подход описан в международных стандартах управления активами ISO 55000: принятие решений рассматривается как баланс между производительностью, затратами и рисками, а не как результат чисто вычислительной оптимизации.

Дополнительное ограничение связано с тем, что современные ИИ-системы чувствительны к качеству исходных данных. При их недостаточной полноте или несогласованности модель начинает усиливать существующие ошибки вместо устранения.

От аналитики к автономным производственным системам 

Параллельно с ростом сложности цифровых контуров в отрасли формируется ещё один, более долгосрочный тренд — переход к автономным моделям добычи и обогащения. Речь идёт о постепенном смещении к управлению технологическими процессами без постоянного участия человека.

По словам главного специалиста по АСУ ТП ООО «ПМХ-Инфотех» Евгения Ершенко, конечная цель развития цифровизации в добыче связана с концепцией «безлюдного» производства. В такой модели данные, автоматическое управление и интеллектуальные алгоритмы объединяются в единую систему управления технологическим циклом.

В рамках этого подхода ключевыми элементами становятся цифровые двойники, роботизированный транспорт, предиктивная аналитика и решения автоматической координации, использующие методы искусственного интеллекта. Все они опираются на данные, поступающие от базовых систем автоматизации. Однако, как отмечает эксперт, их объёма и детализации часто недостаточно для устойчивых решений.

Это приводит к необходимости расширения источников информации за счёт устройств интернета вещей и интеллектуальных датчиков, а также к построению единой цифровой платформы, объединяющей отдельные участки производства в общий контур управления.

Больше данных — больше неопределённости 

Эксперты сходятся в одном: ключевой вызов сместился от сбора информации к обеспечению её связности, качеству и интерпретации. Цифровые потоки уже не дефицитный ресурс, но и не самодостаточный инструмент управления. Они требуют отдельной архитектуры обработки и строгих стандартов.

В этих условиях особую роль приобретает человек как элемент системы принятия решений. Искусственный интеллект и цифровые платформы не отменяют необходимость экспертной интерпретации, особенно в ситуациях, где данные неполны, неоднородны или оторваны от производственного контекста.

Как отмечают участники рынка, даже при высоком уровне цифровизации предприятия продолжают сталкиваться с тем, что разрозненные системы — от геологии до логистики — не складываются в единый управленческий контур. Попытки объединения этих данных в сквозные архитектуры остаются сложной и ресурсоёмкой задачей, требующей индивидуальных решений. В результате ключевым элементом контура управления остаётся распределение ответственности за принимаемый выбор.