ИИ на производстве: где он приносит пользу и как начать

Где ИИ на производстве приносит пользу

Искусственный интеллект на производстве полезен в задачах, где много однотипной проверки и уже есть данные: видео с камер, показания оборудования, документы, инструкции. В первых проектах он обычно подсказывает человеку, а оборудованием не управляет. Вот брак на изделии, вот человек без каски в опасной зоне, вот узел, который работает не так, как обычно, вот нужный пункт инструкции.

Первые четыре направления работают с камерами и оборудованием, последние два с текстом. С текста начать обычно проще: ошибку видно при проверке, и линию она не останавливает.

С какими данными работает ИИ на производстве

Данные предприятия

• КамерыКачество, каски и жилеты, опасные зоны, простой
• ОборудованиеПоказания датчиков и история ремонтов для прогноза отказов
• ДокументыЗаявки, закупки, сопроводительные документы
• ИнструкцииОтветы смене со ссылкой на источник

Компьютерное зрение на производстве

Компьютерное зрение на производстве закрывает три группы задач: качество продукции, безопасность людей и учёт простоя. Как устроена сама технология и чем машинное зрение отличается от компьютерного, мы разобрали в статье про компьютерное зрение. Здесь о том, что важно в цехе.

Контроль качества с помощью компьютерного зрения

Система ищет на изделии дефекты: царапины, сколы, недолив, неверную маркировку. Обзорная камера цеха мелкий дефект не разглядит, поэтому над линией обычно ставят отдельную камеру и ровный свет. Дальше порядок такой.

1. Договоритесь с ОТК, что считать браком. Нужен список дефектов, допустимые отклонения и правило для спорных случаев. Если контролёры сами расходятся в оценках, модель будет ошибаться там же.
2. Соберите снимки. Нужны и годные изделия, и каждый вид брака. Труднее всего с редкими дефектами: примеров мало, и учиться модели не на чем.
3. Решите, что происходит при срабатывании. Сигнал оператору, отметка на изделии или автоматический сброс с линии. Автоматический сброс уже инженерный проект: скорость линии, механика и ответственность за выброшенное годное изделие.
4. Сравните с ручным контролем. На одной партии посчитайте, сколько брака нашли люди, сколько нашла система и сколько годных изделий она отметила зря.

Охрана труда: каски, жилеты, опасные зоны

Камеры могут замечать людей без касок и жилетов, проход в опасную зону, человека на пути погрузчика. По статье 214 Трудового кодекса работодатель обязан организовать контроль за тем, правильно ли работники применяют средства индивидуальной и коллективной защиты. Статья 214.2 даёт ему право использовать для контроля за безопасностью производства работ устройства, которые ведут дистанционную видео-, аудио- или иную фиксацию процессов производства работ, и хранить полученную информацию. Если система должна узнавать работника по лицу, это биометрия: по части 1 статьи 11 закона 152-⁠ФЗ на её обработку нужно письменное согласие, кроме случаев из части 2. Как оформить такой контроль на вашем предприятии, решайте с юристом и специалистом по охране труда: это не юридическая консультация.

Сигнал с камеры не заменяет ограждения, блокировки и аварийные кнопки. Чем ещё цех отличается от склада или офиса, рассказано в разделе о производстве статьи про видеоаналитику для бизнеса.

Похожие задачи на стройке решает Flexvision Стройнадзор: находит людей без касок и жилетов, проход в опасную зону и простой техники и сохраняет каждое нарушение со временем и кадром. В цехе условия съёмки другие, поэтому любую систему видеоаналитики сначала проверяют на записи с ваших камер. Так же, с записи, начинают запуск Flexvision на стройке, на въезде и в торговых и бизнес-центрах.

Простой оборудования и техники

Простой можно учитывать по камерам: система считает, сколько участок или машина стояли без движения. Flexvision Стройнадзор, например, показывает, сколько техника на стройке работала, а сколько стояла. Если станки уже передают сигналы о работе и остановке, простой считают по этим данным.

Причины простоя обычно пишут в журнал смены свободным текстом: «ждали материал», «нет наладчика», «переналадка». Языковая модель может разложить такие записи по группам и показать, какие причины повторяются чаще и на каких участках. Что с ними делать, решает начальник производства.

Прогноз отказов оборудования: что нужно, чтобы он заработал

Прогноз отказов, или предиктивное обслуживание, строят на показаниях оборудования: вибрации, температуре, токе, давлении. Модель учится отличать обычную работу узла от той, что бывает перед поломкой, и заранее подаёт сигнал механику.

Для этого нужны три вещи:

• Датчики и сохранённые показания. Если показания не пишутся или их вносят в журнал раз в смену, сначала придётся наладить сбор.
• История отказов и ремонтов. Модели нужно знать, чем закончились прошлые отклонения. Запись «починили» без даты, узла и причины для этого не годится.
• Время. Отказы одного узла случаются редко, поэтому примеры для обучения и проверки копятся долго.

Если истории мало, начинают с наблюдения за отклонениями: система замечает, что узел стал работать иначе, чем обычно, а разбирается механик. Сколько поломок удастся предупредить, заранее не скажет никто: это видно только по работе на вашем оборудовании. Сигнал модели остаётся подсказкой для службы ремонта, а решение остановить линию принимает человек.

Документы, закупки и база знаний для смены

Текстовые задачи есть на любом заводе, и для первого проекта они часто удобнее камер и датчиков: данные уже лежат в документах, а ошибку видно при проверке.

• Закупки. ИИ разбирает закупочную документацию, сравнивает предложения поставщиков и собирает выводы со ссылками на источники. Решает специалист. Подробнее в статье про ИИ для тендеров.
• Документооборот. Заявки, акты, сертификаты на материалы: распознать скан, достать нужные поля, сверить с заказом. Об этом статья про автоматизацию документооборота.
• Ответы смене. Наладчик спрашивает, как перевести линию на другой формат, и получает ответ по инструкции со ссылкой на пункт. Как собрать такого помощника, рассказано в статье как создать ИИ-ассистента.

У мастера в цехе редко есть под рукой компьютер, поэтому заранее решите, где он увидит ответ: в телефоне, в мессенджере или на терминале у участка.

ИИ-агент для производства

ИИ-агент нужен, когда система должна сама пройти несколько шагов. Например, на заводе металлообработки агент может разобрать входящую заявку: достать из письма и спецификации материал, размеры и количество, найти похожие заказы в архиве и подготовить черновик расчёта для технолога. Цену и сроки называет человек. Как устроены агенты и почему права им выдают постепенно, разобрано в статье про ИИ-агентов для бизнеса.

Как внедрить ИИ на производстве: выбор первой задачи

Внедрение ИИ в производство начинают с одной задачи. Хорошая первая задача частая, проверяемая и безопасная. Проверьте кандидата пятью вопросами.

Какую задачу брать первой

• Хороший кандидат
  • Повторяется каждую смену
  • Данные уже есть: записи, журналы, документы
  • Результат видно сразу
  • Ошибка не грозит травмой и не останавливает линию
  • Есть конкретный получатель сигнала
• Лучше отложить
  • Случается раз в месяц и реже
  • Данные ещё предстоит собирать
  • Результат подтвердится через месяцы
  • Сигнал должен сам останавливать оборудование
  • Сигнал некому получать

1. Повторяется ли она каждую смену? Задача раз в месяц не даст ни экономии, ни примеров для проверки.
2. Есть ли данные уже сейчас? Записи с камер, журналы, документы. Если данные ещё предстоит собирать, пилот растянется.
3. Можно ли быстро проверить результат? Брак на снимке или нет, контролёр видит сразу. Прогноз отказа подтвердится через месяцы.
4. Что будет при ошибке? Начинать лучше там, где ошибка не грозит травмой и не останавливает линию. Если сигнал должен сам останавливать оборудование, это отдельный проект с инженерами.
5. Кто получит результат? У сигнала должен быть конкретный получатель: мастер смены, контролёр ОТК, механик. Если получателя нет, начинать рано.

По этим вопросам прогноз отказов редко подходит для первого проекта, если история ремонтов не ведётся. Поиск по инструкциям, разбор документов и записи с камер, которые уже стоят, подходят чаще.

Как посчитать эффект

Считайте эффект по потерям, которые уже стоят денег, и только по тем, что готовы защитить перед финансовым директором. Общая формула сэкономленных часов приведена в статье про автоматизацию бизнес-процессов. На производстве к ней добавляются свои статьи.

Учтите ещё две вещи. Освободившиеся часы сами по себе не экономия: высвобождённое время и фактическое сокращение ФОТ считают раздельно. А в стоимость входит и эксплуатация: поддержка, обновление моделей и время людей на разбор сигналов.

Как запустить пилот на производстве

Шаги пилота те же, что в любом проекте внедрения ИИ, они описаны в статье как внедрить ИИ в бизнес. На производстве важны детали.

Пилот на производстве: от участка до решения

1. Один участокОдна задача и один получатель сигнала
2. Замер до пилотаБрак, простой, нарушения, время
3. Проверка на архивеПрошлые записи, журналы, документы
4. Режим подсказкиВсе смены, решает человек
5. РешениеВнедрять, донастроить или остановить

• Один участок. Одна задача, один участок и один получатель сигнала. Цифры «как есть» снимите до старта.
• Сначала архив. До работы в живом режиме систему проверяют на прошлых записях с камер, журналах или документах. Так видно, подходят ли камеры и данные.
• Все смены и условия. Проверяйте систему ночью, при пыли и паре, на всех видах продукции. Результат дневной смены ничего не говорит о ночной.
• Режим подсказки. На пилоте система сигналит, а решает человек. Линию по сигналу ИИ не останавливают.
• Критерии заранее. Что считать верным срабатыванием, какая доля пропусков допустима, при каком результате систему внедряют, донастраивают или останавливают.
• Люди на участке. Объясните смене, зачем камера и что попадает в журнал, иначе её примут за слежку. Ознакомьте работников под роспись с документом о порядке обработки их данных: этого требует пункт 8 статьи 86 Трудового кодекса. Пункт 6 той же статьи запрещает при решениях, которые затрагивают интересы работника, основываться на его персональных данных, полученных исключительно в результате автоматизированной обработки. Поэтому нарушение из журнала перед взысканием смотрит человек. Порядок согласуйте с юристом.

Внедрение ИИ в промышленную эксплуатацию

После удачного пилота систему переводят в промышленную эксплуатацию, то есть в ежедневную работу на всех нужных участках. На этом шаге обычно добавляются:

• связка с системами, где уже работают люди: учётом, журналом смены, системой ремонтов;
• размещение на серверах предприятия, если данные нельзя выпускать наружу;
• права доступа и журнал действий, согласованные со службой безопасности;
• обучение смены и понятная инструкция, что делать по сигналу;
• владелец системы, который следит за качеством. Новая продукция, другая оснастка или сдвинутая камера меняют картину, и модель приходится донастраивать.

Типичные ошибки

• Начать с «цифрового завода». Большая программа без одной измеримой задачи часто заканчивается презентацией. Надёжнее один участок и один показатель.
• Выбрать редкое событие. Аварии и крупные отказы бывают редко, и проверить на них систему трудно.
• Не замерить, как было. Без цифр до пилота результат не с чем сравнить, и разговор о пользе превращается в спор мнений.
• Не решить, что делать по сигналу. Сигналы приходят, но никто не знает, останавливать ли работу и кого звать. Через неделю их перестают читать.
• Проверить только днём. При хорошем свете система работает, а ночная смена, пыль или новая продукция всплывают уже после запуска.
• Перенести чужие цифры. Чужой результат получен на другой линии и других данных. Считайте эффект на своих.
• Оставить систему без хозяина. Через полгода участок изменился, а разметка и модель остались прежними.

Когда звать подрядчика и что он должен сделать

Собрать данные и наметить задачу можно своими силами. Подрядчик обычно нужен, чтобы довести задачу до ежедневной работы: подобрать или дообучить модель, развернуть систему на ваших серверах, связать её с учётными системами и настроить права.

Что он должен сделать:

• разобрать процессы, данные и ручные операции и выбрать задачи, где ИИ принесёт пользу;
• показать концепцию: сценарии, интеграции, ограничения и состав первой версии;
• посчитать эффект до разработки: время на операцию, трудозатраты, ФОТ, стоимость внедрения и эксплуатации;
• проверить решение на ваших данных и сравнить результат с исходными показателями;
• согласовать размещение, права доступа и меры защиты с вашей службой безопасности;
• после запуска следить за качеством и донастраивать систему.

Так устроено наше внедрение ИИ: начинаем с бесплатного аудита, затем считаем эффект, проводим пилот на ваших данных и внедряем, в том числе на ваших серверах.