Когда мы говорим об обучающих фабриках и цифровых двойниках (Digital Twin), функционирующих в облаке, мы не можем не упомянуть кибернетические физические системы (CPS — cybernetic physical systems). Они представляют собой физические производственные и транспортные объекты со встроенными инструментами для сбора, обработки и распространения данных и связаны с цифровыми двойниками, а также между собой в режиме онлайн через сеть Интернет.
Сочетание CPS, высокопроизводительного программного обеспечения и специальных пользовательских интерфейсов, интегрированных в цифровые сети, создаёт совершенно новый мир функциональности системы.
CPS первого поколения содержат технологии идентификации, такие как RFID-датчики (радиочастотная идентификация), которые позволяют однозначно идентифицировать устройство, в которое они встроены.
Системы второго поколения, оснащены не только датчиками, но и исполнительными механизмами с ограниченным набором функций.
А вот уже CPS третьего поколения могут хранить, анализировать и обрабатывать данные в относительно больших масштабах, они оснащены несколькими датчиками и сложными исполнительными механизмами.
Связь M2M (Machine to Machine) — это общее название связи через CPS.

Киберфизические системы делятся на:

— Мультиагентные системы — это системы самодействующих агентов. Эти агенты не обязательно должны быть физическими объектами — они могут быть и только программными эмуляторами. Но если в составе агентов присутствует хоть один физический объект, то это уже система CPS. Хорошим примером могут служить автоматические конвейеры, логистические и транспортные системы.
Преимуществами многоагентных систем являются большая гибкость и отказоустойчивость, недостатками – требуются большие вычислительные мощности и значительное время на обработку данных, а также необходимость некоторой стандартизации.

— Холонические системы — это многоагентные системы, в которых агенты являются частями производственного оборудования, оснащённого элементом управления и программным агентом. Таким образом, холонический агент способен планировать, координировать и активно осуществлять действия. В холонических системах агентом может быть датчик, исполнительный механизм, а также вся машина, производственная линия или компания.
Люди подключаются к этим CPS через мультимодальные человеко-машинные интерфейсы и могут управлять ими, например, с помощью голоса или сенсорных экранов. Сейчас активно развиваются системы на основе виртуальной реальности, в которых можно действовать жестами. Сами системы могут быть объединены в сеть, автономны и децентрализованы — т.е. полностью находиться под знаком подобных производственных фракталов, для создания сетей и независимой оптимизации. Непрерывное снижение затрат является предметом интереса практически для каждой производственной компании и в этом значительно порой помогает создание интеллектуальной производственной или транспортной системы, которая организуется локально в режиме реального времени с использованием CPS.

Ключевой особенностью таких продуктов является доступность производственных и транспортных данных в режиме реального времени. С помощью этих данных в реальном времени можно объединить объекты реальный мира с виртуальным миром, постоянно обновлять данные виртуальной реальности, получая данные из реала. Это создаёт возможности для работы с цифровыми двойниками, моделируя совершенно новые процессы на основе существующих данных.

Облачные вычисления

Если обучающая фабрика построена на облачных вычислениях, необходимо также учитывать процесс обработки и анализа производственных и транспортных данных. Для этого в облаке есть механизм работы облачных вычислений. Реконфигурируемость стала новой инженерной технологией, которая оказывает значительное влияние на изменения в дизайне всей архитектуры.

Облачные вычисления — это операционный механизм, связанный с последовательными вычислениями, который указывает, что несколько операций общего порядка выполняются одновременно в один и тот же период времени, возможно посредством нескольких серверов объединённых в облако. В таком процессе могут быть задействованы обработка с несколькими инструкциями, дополнительные системы памяти, компьютерные рабочие группы, локальные сети, вычислительные сети и облачных кластеры, которые в настоящее время используются для обработки мультимедийных сообщений с большими данными. Поскольку большие и сложные вычислительные задачи требуют большого объёма вычислений, облачные вычисления позволяют быстро выполнять процессы, используя синтез различных ресурсов.

При реализации параллелизма нейронной сети это может быть сделано несколькими способами:

— путём горизонтальной синхронизации нейронной сети для достижения параллелизма;
— путём иерархической сегментации нейронной сети;
— путём деления обучающей выборки.

Ожидается, что цифровая фабрика будет обладать возможностями углублённого машинного обучения с несколькими скрытыми слоями для достижения многоуровневого эффекта и представления функций. Каждый слой нейронов основан на представлении символов, изученных нейронами в предыдущем слое, который затем изучает и создаёт более абстрактное представление атрибутов высокого уровня на уровне слоя для определения или распределения объектов данных.

Облачное моделирование процессов в режиме реального времени

Ключевой особенностью современных производственных и транспортных условий является динамическое представление. Производство сталкивается с такой динамикой, при которой заказы клиентов меняются в краткосрочной перспективе – когда, например, поставщики не соблюдают сроки поставки, либо внутренние процессы прерывания приводят к задержкам в производстве. В результате такой динамичной среды современные системы детального планирования имеют тенденцию к перепланированию, что, в свою очередь, создаёт некую внутреннюю турбулентность, которая приводит к неопределённости среди вовлечённых сотрудников. Проектирование логистических систем с использованием компьютерного моделирования и эмуляции является основной частью эффективной оптимизации производства и складирования в компании.
Задача эффективного планирования и управления производством заключается в обеспечении надёжных производственных и логистических процессов, а также достаточно продуманного реагирования на динамические воздействия. Одним из способов решения этой задачи является облачное моделирование производственных процессов, которые могут работать в режиме реального времени.

Целью облачного моделирования в реальном времени должна быть поддержка сотрудников в сложных ситуациях принятия решений. Поэтому очень важно, чтобы инструмент моделирования имел доступ к производственной информации в режиме реального времени.
На этой основе создаются имитационные модели, которые отображают реальность с достаточной точностью. Распознавая закономерности и анализируя поведение модели, можно определить эффективные шаги по активному управлению производством, так и оптимальную конфигурацию, а также получить формулировки рекомендаций по мерам и рычагам для улучшения самой конфигурации управления. Моделирование в режиме реального времени позволяет отображать и прогнозировать последствия сбоев и надёжно реализовывать контрмер, прогнозируя их последствия.

Используя сенсорные технологии и искусственный интеллект и визуализируя результаты, можно ощутить и понять потенциал оцифровки для повышения эффективности использования ресурсов. Обучающие цифровые фабрики могут предлагать обучение по этой теме для консультантов и сотрудников компаний, демонстрируя презентации различных подходов до практических примеров внедрения цифровых инструментов в производственные процессы. Именно обучающие цифровые фабрики, посредством инновационных инструментов моделирования, очень полезны для создания различных ситуационных сценариев.

Риски облачных вычислений

Когда дело доходит до работы на облачной платформе, необходимо учитывать связанные с этим риски. Устойчивое производство — это не только само производство, но и продукты/услуги которые оно генерирует. Оценка рисков безопасности проводится для выявления уязвимостей клиентского приложения и разработки надёжных мер безопасности в рамках бюджетных ограничений. Однако при переходе на облачную платформу общее представление об их общедоступных политиках безопасности затрудняет оценку клиентами угроз безопасности, относящихся исключительно к их приложениям.

Конечно, переход на облачные сервисы не решит проблему безопасности полностью. Вместо этого вопросы безопасности сосредоточены на других ключевых областях. Крупный облачный провайдер, вероятно, будет более крупной целью и более привлекательным для тех, кто хочет вызвать максимальное нарушение с помощью хакерских атак, которые, будучи успешно проведены, как правило, вызывают распределённый отказ в обслуживании.
Внешние приложения также увеличивают область атаки, для которой они наиболее уязвимы, и требуют надёжной целостности программного обеспечения, созданного с использованием безопасных методов разработки. Поэтому специалисты должны постоянно пытаться выявлять слабые места, где разработчики не смогли последовать обязательным рекомендациям по безопасности.

Многие проблемы безопасности в облаке связаны со сторонним управлением — тем фактом, что облачный провайдер не управляется напрямую из клиентской организации. В результате аутсорсинг вызывает общие проблемы безопасности, то есть опасения по поводу целостности, контроля и устойчивости поставщика, а также общего риска, которому подвергается клиент, полагаясь на третью сторону. Ни одна из этих проблем не является новой в области информационной безопасности. Однако инновация должна заключаться в желании, чтобы облачный сервис стал гораздо лучшим инструментом для его работы. Текущий инструмент должен быть связан с услугами для многих клиентов и не должен ожидать тестовых отношений с каждым клиентом.

Другие риски включают адекватность разделения данных между клиентами и их географическим (и нормативным) местоположением, технические проблемы, такие как наличие или отсутствие зашифрованных (более безопасных) коммуникаций и безопасность виртуализации, а также связанные с этим проблемы архитектуры. Вызывают порой опасения и отсутствие регулирующих органов, которые можно было бы использовать для мониторинга поведения системы и конечных пользователей.
Последняя категория проблем касается интеграции в существующие бизнес-процессы. Многие компании вложили значительные средства в системы контроля доступа и управления идентификационными данными, чтобы гарантировать, что их процессы входа и выхода из системы гарантируют, что вычислительное устройство защищено всё время. Но и тут надо отслеживать, чтобы человеческий фактор не испортил всю защиту из-за того, что отдел кадров вовремя не сообщил, если сотрудник сменил работу или покинул компанию.

Итак, можно наблюдать, что за последние несколько лет обучающие фабрики начали менять парадигмы образования и профессиональной подготовки, активно привлекая внимание исследователей и практиков. В настоящее время масштабные исследования в области методов обучения на таких фабриках проводятся в трёх основных смежных областях: образование, производство, проектирование и разработка систем интеграции.