РБК Компании
Кейс22 ноября 2022

Evrone создаст кастомную систему аналитики для производителя шин

Evrone Существует много коробочных аналитических систем для предприятий, но что делать, если ни одна не подходит для ваших задач? Ответ прост: создать собственную. Evrone создаст кастомную систему аналитики для производителя шин
Задача

В 2020 году Воронежский шинный завод, принадлежащий Pirelli & C, решил разработать систему анализа производственных процессов предприятия. Но готовые решения «из коробки» не могли предложить необходимую функциональность. Тогда предприятие обратилось к Evrone с запросом на разработку уникальной аналитической системы, которая работает с данными, позволяет их анализировать, визуализировать и видеть узкие места в производстве.

Причина

Pirelli & C — один из крупнейших мировых производителей автомобильных шин премиум-сегмента. Компания владеет 24 фабриками в 13 странах мира, в том числе двумя заводами в России.

Задача: собрать данные с сотен станков в одном месте

На заводе есть сотни станков, которые каждые сутки выполняют миллионы операций. Все сырые данные по ним они отдают в одну большую общую систему. Каждый отдел выгружает и обрабатывает их вручную, на что уходит очень много времени. При этом выгрузить данные из системы можно через SQL, этим занимались специально нанятые специалисты.

Затем каждый отдел готовит отчёт по своему профилю: планированию, оценке качества и т.д. В итоге топ-менеджмент собирает несколько разных отчётов, и на основании их данных получает некую общую картину производства. 

При этом, таких отчётов собирались тысячи: за смену, сутки, месяцы и т.д. Чтобы создать годовой отчёт, работникам каждого отдела приходилось вручную перерабатывать огромные массивы данных. На это уходила большая часть рабочего времени.

Заводу требовалась разработка платформы промышленной аналитики, которая бы повысила эффективность операционных процессов и взяла на себя первичный анализ и обработку данных, могла бы выдавать их в удобном для понимания виде: графиков, таблиц и диаграмм. 

Основные требования к системе: 

  • Возможность работы с разными источниками данных;
  • Интеграция с информационными системами предприятия;
  • Платформа для создания отчетов;
  • Гибкий вывод результатов в виде графиков и таблиц;
  • Аутентификация и авторизация пользователей системы;
  • Деплоймент в рамках международных корпоративных стандартов Pirelli.

Решение: много аналитики и кластерная структура

Бизнес-аналитика

Нам предстояло придумать уникальное бизнес-решение, поэтому мы провели огромную подготовительную работу. В первые месяцы на проекте работали два бизнес-аналитика Evrone, которые изучали архитектуру и сценарии использования существующих баз и запросы пользователей, которые есть к будущему продукту. 

Техническая команда также выезжала на предприятие и знакомилась с технологическим циклом и оборудованием, чтобы понять, как работает производство и существующие внутренние базы и системы. 

Сейчас на проекте работает один аналитик. Он занимается выяснением потребностей клиента, собирает обратную связь по готовым решениям и формулирует задачи для разработчиков. Через него идёт всё общение с технической командой клиента, большая часть которой находится в Италии.

Big Data в промышленности

Требовалось создать приложение для сбора и первичной обработки больших данных. В компании действует система промышленного «Интернета вещей» (IIoT). Помимо данных о непосредственной работе оборудования, типа времени работы, количества и длительности циклов, сбоях, станки отправляют в базы данные о разных рецептурах резиновых смесей и моделях шин. Эта информация стекается в локальные базы и после аккумулируется в общем Data Lake Pirelli. Управление и доступ к данным происходит через внутреннюю систему корпорации. 

Мы научили приложение быстро находить в хранилище нужные данные, и фильтровать их по заданным критериям, а затем на их основании строить таблицы, графики и диаграммы. Приложение также должно собирать не только архивные данные, но и позволять мониторить процессы в режиме реального времени, сообщать о сбоях и нарушениях. У пользователей должна быть возможность корректировать результаты, в таком случае отредактированная версия должна сохраняться отдельно. 

Технологический стек

Основной платформой запуска и управления запущенными приложениями является Kubernetes. Мы выбрали эту платформу по нескольким причинам. Одна из основных — это возможность гибко и быстро масштабировать ресурсы окружения при увеличении нагрузки на сервисы, особенно при увеличении количества аналитических модулей в системе. Встроенные механизмы изоляции позволили нам безопасно и аккуратно работать с данными. Коллеги из Италии уже перевели часть своих сервисов на эту платформу и мы быстро оптимизировали свои процессы деплоймента для работы в глобальном окружении Kubernetes, благодаря единым подходам и инструментам, поддерживаемых мировыми DevOps комьюнити.

Дистрибуция приложения реализована через образы Docker, что позволяет нам быстро доставлять изменения на продуктовое окружение, используя оптимальные языки разработки под конкретные задачи, а также гибко переключаться между релизами. Весь процесс сборки и доставки релизов автоматизирован с помощью инструментов и сервисов CI/CD, что исключает влияние человеческого фактора в этих процессах.

Приложение написано на Python с использованием Django, на фронтенде используется React. Для работы с базами данных используется прослойка в виде Query Engine, позволяющая гибко управлять доступами к таблицами, а также оптимизировать и параллелить запросы при работе с большими данными. Кэширование часто используемых данных реализовано с помощью Amazon ElastiCache. 

Дизайн

Запрос на дизайн интерфейса инструмента BI исходил от нашей команды разработки, а не клиента, как бывает обычно. Первоначальный прототип с использованием готовых решений клиента не устроил — в проекте слишком много разных данных, и в итоговых графиках было крайне сложно найти интересующую информацию.

Нужно было учесть некоторые условности, которые уже приняты в компании. Например, цветовое кодирование. Для обозначения разных групп данных там приняты условные цвета. Также есть предпочтения по типам диаграмм, чаще всего используют диаграммы Парето и waterfall.

Мы написали сценарии для разных групп пользователей, чтобы сделать систему более удобной для работы разных специалистов. Можно выбирать срок для отображения статистики, количество машин, циклы производства и так далее. В быстром доступе оставили наиболее полезные кнопки, чтобы элементы интерфейса не мешали восприятию основной информации.

Результат: релиз MVP по модулям

Внедрение этой системы аналитики разбито на модули, отвечающие за разные аспекты производства, которые мы реализуем в приоритетном для заказчика порядке. Всего в проекте 17 частей, три из них уже выпущены в продакшн. 

Новые размеры

Первый модуль отвечает за мониторинг процессов Phase In — переход оборудования на новый размер покрышек и производство этого размера. При этом есть два типа Phase In — BU и CU, для которых наборы контрольных точек отличаются. Для анализа этих процессов мы научили приложение собирать контрольные точки по всем этапам производства (сборка, вулканизация и финализация) и сравнивать их с нормальными показателями, чтобы любые отклонения были заметны сразу.

Эффективность оборудования 

Затем мы реализовали OEE-систему, которая позволяет оценивать эффективность работы оборудования. Она оперирует данными о работе непосредственно станков без привязки к моделям и рецептуре. Данные можно фильтровать по датам с периодом, сменам, типам машин, конкретным машинам или сбросить все фильтры и видеть общую сводную таблицу. 

Рабочие циклы 

Третий модуль позволяет отслеживать рабочие циклы оборудования и успеваемость операторов. Система формирует статистику по времени рабочих циклов по машинам, моделям резины и операторам. 

Результат

Мы только в начале пути, и планируем добавить в аналитическую систему много других полезных функций, например, отслеживание качества продукции, или оптимизацию процессов технического обслуживания оборудования. В результате у Воронежского шинного завода появится собственная автоматизированная система мониторинга и первичной аналитики, которая поможет сэкономить деньги, время и ресурсы.

Новости отрасли:

Все новости:

Профиль

Дата регистрации21.09.2007
Уставной капитал10 000,00 ₽
Юридический адрес Воронежская область ГОРОД ВОРОНЕЖ ГОРОД ВОРОНЕЖ УЛ СВОБОДЫ 69А ОФИС 602
ОГРН 1073668003089
ИНН / КПП 3664086233 366401001
Среднесписочная численность7 сотрудников

Контакты

Адрес 119180, Россия, г. Москва, ул. Большая Якиманка, д. 26
Телефон +74953748460

Социальные сети