Автоматизувати людський чинник: як технології допомагають обробляти врожай
SPEKA разом із компанією Kernel публікує цикл матеріалів, присвячених ІТ-технологіям в агросекторі Data Driven Agriculture. У попередніх публікаціях ми розмовляли з керівником IT-компанії Kernel Digital Андрієм Пішим про застосунки для агро та з Данилом Поляковим, керівником відділу DataScience досліджували, як нейромережі можуть допомогти прогнозувати врожай та чому роботи ще не замінили людей на полі.
У новій публікації циклу ми спілкуємось із Максимом Сорокою, керівником служби розвитку IT-проєктів виробничих активів Kernel, про те, як автоматизувати виробничі процеси та забезпечити контроль і перевірку врожаю майже без втручання людини.
Як інтегрувати роботу водіїв, елеваторів та лабораторій
Завдання підрозділу Максима — перевести «у цифру» всі можливі виробничі процеси на підприємствах Kernel: перевезення зерна, його аналіз у лабораторіях, контроль служби безпеки, заповнення журналів обліку та навіть упорядкування черг з автівок, які транспортують агропродукцію. У команді 10 розробників та аналітиків, а також великий штат інфраструктурних робітників.
«Для ефективної роботи із сировиною та готовою продукцією, планування логістики та обліку усього, що до нас надходить, зберігається та відвантажується, необхідні ефективні системи обліку. Уявіть, що на елеватор приїхали дві машини з зерном. Обидві мають масу 20 тонн нетто, але у однієї вологість продукції 18%, а в іншої 14%. Або ж потрібно визначити олійність насіння, яке приїхало з поля. Після обробітку на елеваторі продукція матиме вже інші показники. Але таких машин тисячі, а елеваторів десятки. Нам необхідно розрахувати кількісні та якісні характеристики продукції, щоб розуміти, скільки грошей ми маємо виплатити контрагенту та куди надалі відправити товар. Це неможливо робити без системи», — пояснює Максим Сорока.
Як автоматизація сприяє прозорості агрологістики
Кожне поле компанії Kernel має власний паспорт, у якому містяться відомості про ділянку, а також дані про врожай.
На полі комбайн збирає і вивантажує в автівку зібраний врожай. Перевізники отримують спеціальні NFC-картки на причіп, авто та окремо для водія. Під час кожного рейсу, коли збіжжя завантажується в машину, через телефон дані карток записуються у логістичну систему: ім’я водія, культура, приблизний тоннаж, приблизна вологість, місце навантаження та елеватор, до якого має прибути.
Підписуйтеся на наші соцмережі
Ці дані завантажуються у хмарне сховище. Коли водій приїжджає на елеватор, дані через NFC-зчитувачі автоматично створюють картку товарно-транспортної накладної в обліковій системі. Тоді же на елеваторі запускається низка бізнес-процесів.
Після цього водій отримує талон та штрихкод, з якими без подальшого супроводу рухається далі: на зважування, завантаження, тестування сировини. Усі ці процеси здійснюються автоматично, щойно водій прикладе штрихкод до зчитувача.
Як працюють безоператорні ваги
Для контролю якості зерна чи соняшникового насіння працюють автоматизовані безоператорні ваги та лабораторія. Завдяки зчитуванню NFC-карток або штрихкодів на зчитувачах, що встановлені на вагах, водій може проводити самостійне зважування та ініціацію відбору проб. Система фіксує масу нетто та брутто й автоматичним пробовідбірником одразу вибирає зразок врожаю для тестування у лабораторії. Далі лаборант перевіряє пробу, зокрема визначає вологість та кількість смітної домішки у збіжжі, друкує аналізну картку.
Дані потрапляють у систему і залежно від показників якості визначається наступне місце розташування сировини (зерно потрібно ще досушити чи очистити від домішок). Також для водія автоматично будується маршрут на потрібний силосний резервуар.
Цієї ж миті вся інформація про відвантаження, кількість та якість продукції опиняється у центральній системі, що дозволяє її обробляти та аналізувати.
Автоматизація лабораторій
Команда Максима Сороки також працює над автоматизацією роботи лабораторій на елеваторах. Вже завершили процес автоматичного виведення результатів аналізів та побудови транспортного маршруту. На стадії розроблення система обліку витратних матеріалів.
«Щоб провести хімічний аналіз, потрібні певні реактиви, прекурсори, розчини. Ми автоматизуємо маркування та реагенти. Коли лаборанту потрібно визначити певний показник, він матиме всі формули розрахунку та зведені рецепти із зазначеною необхідною кількістю реагентів. Згодом працівник лабораторії вносить лише дані про результат аналізу та масу речовини, взятої на пробу. Потім необхідна кількість реагентів списується автоматично, що економить час працівників», — розповідає Максим.
Зараз ці функції доступні лише у десктопній версії, але завдання команди на наступний маркетинговий рік — розробити подібне рішення для смартфонів.
Big Data на елеваторі або віддалений контроль за врожаєм
Після перевірки врожаю у лабораторії та зважування зерно має просушитись, а тому закладається у силосні резервуари. Перед відправленням збіжжя повинне мати конкретний показник вологості, щоб бути належної якості. Облік сушіння відбувається щодня, оскільки необхідно розрахувати, скільки газу чи електрики витратили на цей процес, а також яку масу домішок та води забрали з продукту.
Ще одним важливим чинником є термометрія. Під час зберігання через низку причин воно може самонагріватися. Це може призвести до зниження якості продукту і появи у ньому токсинів, у гіршому випадку навіть до пожежі.
Щоб цьому запобігти, встановлюють спеціальні системи термометрії, що складаються із частини з термопідвісками (температурними кабелями із датчиками) та контролерної шафи, яка збирає інформацію з датчиків. У разі підвищення температури система сигналізує про це, і зерно вентилюють або перевантажують. За цим стежать працівники служби якості.
Силосні сховища можуть мати кілька термопідвісів, а загалом у структурі Kernel десятки елеваторів. Подібні детектори переважно мають власне програмне забезпечення. «У компаній-виробників подібного обладнання різні системи відображення та можливості баз даних. Були сервіси, де довелося розбирати структуру бази, налаштовувати файли обміну та уніфіковувати дані», — розповідає Максим.
За допомогою Raspberry Pi команда розробників отримує дані з елеваторів. Далі пакет даних стандартизується та за певним регламентом відправляється до сервісу потокового оброблення Apache Flink. У сервісі, зокрема, налаштовують сповіщення на тригери (нетипову температуру чи інші аномальні показники, які можуть вирізнятись залежно від сезону чи культури). Після цього інформацію експортують до сервісу Elastic, який є сховищем історичних даних. Аналітику, дашборди та звіти формують у Grafana, налаштована система дозволяє аналізувати кожен окремий об’єкт.
«Зараз ми об’єднали у єдину систему кілька десятків елеваторів, морські термінали та тисячі силосних сховищ. Разом це понад 100 тис. датчиків, які генерують величезну кількість даних. Але саме завдяки цій інформації ми отримали єдину систему, яка дозволяє аналізувати показники термометрії, стежити за якістю врожаю та налаштовували сповіщення для працівників. Окрім того, ми отримали статистичні дані за будь-який період, а також відмовилися від паперових журналів обліку», — підсумовує Максим Сорока.
У наступній публікації ми продовжимо вивчати IT-рішення, які супроводжують шлях врожаю від елеваторів до заводів, та дізнаємося більше про те, як перехід на електронний документообіг допоміг оптимізувати швидкість бізнес-процесів у Kernel, та як влаштована агрологістика.
