Авиастроение – технически сложная и наукоёмкая отрасль, где стоимость каждой ошибки или незначительного простоя может измеряться миллионными потерями. При этом сборка самолета – тяжёлый процесс, распределённый не только по цехам, но и по городам и странам. Вследствие этого Airbus – один из крупнейших производителей воздушных транспортных средств – столкнулся с серьёзной задачей: трансформировать и структуризировать хаотичные данные, собираемые с оборудования в рамках IoT-сценариев, в понятную информацию о реальных БП с целью их последующих анализа и оптимизации.
Контекст
Производство Airbus устроено как цепочка рабочих станций. Каждая отдельно взятая единица линии фиксирует данные о совершённых действиях, результатах тестов и инцидентов в системе хранения без централизованного и унифицированного формата описания. Всё это хранится в NoSQL – базе данных, где информация организована в сложную структуру. Отсутствие формализованной BPM-системы усложняет задачу ещё больше: инженеры и ответственные менеджеры работают в условиях отсутствия единого источника данных, как именно строится самолёт по линии сборки, сколько времени тратится на каждое тестирование, где возникают ошибки.
Реализация
На входе процессные аналитики Airbus совместно с партнёрами из Университета Севильи определили ключевую проблему: мощностей классического Process Mining недостаточно для решения задач, так как базовая процессная аналитика требует событийных логов в строго определённом формате. Ручное превращение неструктурированных IoT-данных в нужную форму было бы длительным, трудоёмким и подверженным ошибкам. В итоге был разработан подход, позволяющий извлекать корректные логи событий с автоматической конвертацией в XES-формат, которые впоследствие поступают в систему Process Mining. Решение опиралось на три точки: DSL-язык, коннектор передачи логов и low-code-платформа процессной аналитики, что обеспечило работу конвейера передачи данных для PM.
В проекте реализуется три ключевых сценарий анализа. Первый ориентирован на отслеживание маршрута собирающегося самолета через рабочие станции. Исследование этих логов позволяет визуализировать реальный маршрут и выявлять параллельные переходы и нестандартные ответвления. К примеру, оказалось, что некоторые станции движутся к самолету, а не наоборот, что важно учитывать в планировании. Также были выявлены фиктивные переходы с нулевым временем, нерелевантные в контексте анализа.
Второй сценарий – отражение последовательности и фиксация таймингов конкретных тестов для каждого самолёта. Это позволяет сформулировать стандартизированный регламент, найти повторные попытки после сбоев и оценить реальное время на каждый тест. Благодаря такому подходу инженеры получили инструменты, сократившие время сборки.
Фокус третьего сценария – анализ инцидентов. Каждый случай регистрировался как событие с указанием типа проблемы и времени, потраченного на её решение. Анализ помог обнаружить закономерности между типами инцидентов и их вероятной последовательностью. Кроме того, команда проекта смогла выявить неожиданный эффект, связанный со сменой оператора – более 30% специфических ошибок происходили после передачи задачи от одного сотрудника к другому.
Итоги
Таким образом, выбранная стратегия позволила Airbus преобразовать более 9 тысяч «сырых» логов тестирования, полученных с 52 рабочих станций, на которых осуществлялась сборка 15 самолётов. Внутри данных – более 1000 уникальных тестов и более 3000 зафиксированных инцидентов. Впоследствии Process Mining визуализировал неизвестные ранее процессы, что стало источником информации для принятия оптимизационных решений.
В результате Airbus стандартизировал взаимодействие между различными заводами, сократил время сборки самолётов и тестирований, а также снизил количество инцидентов и повторных тестов. Ещё один эффект – упрощение коммуникации между ИТ-специалистами, инженерами и менеджерами. При этом проект выявил и важные ограничения. Для IoT и CPS характерны огромные объёмы данных, что требует продуманной интеграции с архитектурой Big Data. Выбор правильного кейса для анализа и фильтрации событий требует глубокого знания специфики бизнеса и тщательной предварительной аналитики. Также существует риск получения так называемых «спагетти-моделей» – слишком сложных и запутанных процессов, которые затрудняют интерпретацию и принятие решений.
Кейс Airbus показывает, что даже в промышленности с крайне высокой сложностью и распределённостью процессов Process Mining приносит ощутимую ценность. Ключом к успеху становится решение проблемы подготовки данных – превращение сложных и полуструктурированных логов в формат, готовый для анализа и открытия реальных сценариев работы.