Примеры успешного использования ИИ на предприятиях обрабатывающей промышленности России: наиболее массово в промышленности применяются компьютерное зрение и предиктивная аналитика - решают ключевые задачи контроля качества, безопасности и эффективности о

 

Систематизируем и классифицируем все упомянутые в отчете примеры по классам систем искусственного интеллекта.

Классификация наглядно демонстрирует, что наиболее массово в промышленности применяются компьютерное зрение и предиктивная аналитика, так как они напрямую решают ключевые задачи контроля качества, безопасности и эффективности оборудования.

Для классификации будем использовать основные технологические направления ИИ, представленные в отчете.

Классификация Примеров внедрения ИИ в обрабатывающей промышленности

1. Системы компьютерного зрения (Machine Vision)

Назначение: Автоматический анализ изображений и видео для контроля качества, безопасности, мониторинга процессов и навигации.

Примеры:

• Контроль качества:

  • Пример 20: Контроль качества очистки чугуна (НЛМК)

  • Пример 21: Автоматический контроль качества стали для вертолетов (АО «РТ-Техприемка»)

  • Пример 22: Система прослеживаемости трубы (АО «Загорский трубный завод»)

  • Пример 23: Контроль соблюдения мер гигиены (ГК «Дамате»)

  • Пример 24: Система управления ресурсами цеха Morigan Lean (ООО «Агросила.Челны-МПК»)

  • Пример (Foxconn): Система контроля качества FOXCONN NxVAE

• Погрузка, логистика и измерения:

  • Пример 1: Контроль погрузки горной породы в думпкары (НЛМК)

  • Пример 2: Интеллектуальная система измерения круглого лесоматериала Smart Timber («Сегежа Групп»)

  • Пример 12: Автоматизированный контроль состояния конвейерных лент («ЕВРАЗ»)

• Промышленная безопасность:

  • Пример 15: Контроль использования СИЗ и попадания в опасные зоны («Росатом»)

• Роботизация:

  • Пример 7: Универсальный индустриальный робот-манипулятор (АО «Москабельмет»)

  • Пример 8: Робот для сортировки мусора (АО «Автопарк №1 Спецтранс»)

---

2. Предиктивная аналитика и Интеллектуальная поддержка принятия решений (ИППР)

Назначение: Прогнозирование событий (например, отказов оборудования) и предоставление рекомендаций для оптимизации процессов.

Примеры:

• Предиктивное обслуживание (PdM):

  • Пример 11: Система мониторинга оборудования SmartDiagnostics (Тверской вагоностроительный завод)

  • Пример 13: Информационная система для удаленного мониторинга и диагностики оборудования (Тверской вагоностроительный завод)

  • Пример 14: Система предиктивной диагностики электродвигателей (ММК)

  • Пример (Siemens): Решение для предиктивного анализа ремонта газовых турбин

• Оптимизация производственных процессов:

  • Пример 3: Рекомендательный сервис для стана горячей прокатки (НЛМК)

  • Пример 4: Рекомендательный сервис для управления термообработкой (ТМК)

  • Пример 5: Прогнозный сервис для оптимизации расхода ферросплавов (Ашинский метзавод)

  • Пример 6: Предиктивная модель загрузки мельниц (НЛМК)

  • Пример 9: «Цифровой двойник» для прогнозирования обрывов бумажного полотна («Сегежа Групп»)

  • Пример 19: Аналитическая система планирования поставок и шихтования (Учалинский ГОК)

  • Пример 25: Система мониторинга оборудования «ДИСПЕТЧЕР» (Авиастар-СП)

• Управление безопасностью:

  • Пример 16: Роботизированный комплекс противопожарной защиты (Калининская АЭС)

---

3. Обработка естественного языка (NLP)

Назначение: Анализ, понимание и генерация человеческой речи для автоматизации коммуникаций и поиска информации.

Примеры:

• Автоматизация коммуникации:

  • Пример 10: «Цифровой ассистент» для обработки обращений поставщиков (НЛМК)

• Интеллектуальный поиск и анализ данных:

  • Пример 17: Интеллектуальная поисковая система для научно-технической информации («Газпром Нефть»)

---

4. Робототехника и автономные системы

Назначение: Выполнение физических задач, заменяющих или дополняющих человеческий труд, часто в сочетании с компьютерным зрением.

Примеры:

• Производственные операции:

  • Пример 7: Универсальный индустриальный робот-манипулятор (АО «Москабельмет»)

  • Пример (Tesla): Роботы на заводе Gigafactory

  • Пример (Machina Labs): Роботизированное предприятие по изготовлению деталей

• Логистика и обслуживание:

  • Пример 8: Робот для сортировки мусора (АО «Автопарк №1 Спецтранс»)

  • Пример (Швеция, KRA): Беспилотники для инвентаризации на складах

  • Пример (RoboCV): Роботизированные складские тележки

• Экстремальные и опасные условия:

  • Пример 16: Роботизированный комплекс противопожарной защиты (Калининская АЭС)

---

5. Генеративный ИИ и Перспективные методы (включая генеративный дизайн)

Назначение: Создание новых, оптимальных проектных решений и контента, которые бы было сложно или невозможно разработать человеку.

Примеры и примеры:

• Генеративный дизайн:

  • Пример (General Motors): Создание кронштейна сиденья, который легче и прочнее

  • Пример (Briggs Automotive): Проектирование самых легких колес в мире

  • Пример (NASA): Проектирование посадочного аппарата «Ландер»

• Оптимизация процессов (ПМИИ):

  • Пример 5: Прогнозный сервис для оптимизации расхода ферросплавов

  • Пример 6: Предиктивная модель загрузки мельниц

  • Пример 9: «Цифровой двойник» для прогнозирования обрывов

---

6. Платформы и инфраструктура (Индустриальный IoT и AI-платформы)

Назначение: Создание единой цифровой среды для сбора данных, разработки и внедрения различных ИИ-решений.

Примеры:

• Пример 18: Платформа Zyfra Industrial IoT Platform для цифровизации бизнес-процессов («ЕВРАЗ»)

• Пример (Siemens и NVIDIA): Промышленная метавселенная для создания цифровых двойников

• Пример («Газпром нефть»): Корпоративная платформа роботизации

---

Сводная таблица классификации

Класс Систем ИИ	Основная Функция	Примеры из Примеров
Компьютерное зрение	Контроль качества, безопасность, мониторинг	Контроль очистки чугуна (20), контроль СИЗ (15), Smart Timber (2)
Предиктивная аналитика и ИППР	Прогнозирование и оптимизация процессов	SmartDiagnostics (11), оптимизация прокатки (3), цифровой двойник (9)
Обработка естественного языка	Автоматизация коммуникаций и поиска	Цифровой ассистент (10), интеллектуальный поиск (17)
Робототехника	Автоматизация физического труда	Робот-манипулятор (7), сортировка мусора (8), завод Tesla
Генеративный ИИ/Дизайн	Создание оптимальных проектных решений	Кронштейн GM, колеса BAC, посадочный аппарат NASA
AI-платформы и IoT	Единая среда для разработки решений	Платформа Zyfra (18), промышленная метавселенная Siemens

Эта классификация наглядно демонстрирует, что наиболее массово в промышленности применяются компьютерное зрение и предиктивная аналитика, так как они напрямую решают ключевые задачи контроля качества, безопасности и эффективности оборудования.

 

А теперь сами примеры успешного использования ИИ на предприятиях обрабатывающей промышленности в РФ

3.1 Методология отбора Примеров

Для целей выявления лучших практик с помощью анализа информации из открытых источников (Цифробанк, AI-Russia, ICT.Moscow, АЛРИИ и др.) была создана база Примеров (порядка 60 Примеров) по внедрению решений с использованием технологий ИИ в обрабатывающей промышленности, формирование которой проводилось исходя из следующих критериев:

1. Эффективность ИИ-решения, то есть решение должно обладать доказанным эффектом (экономический, управленческий или социальный);

2. Тиражируемость ИИ-решения, то есть решение должно быть переносимым от одного промышленного предприятия к другому без существенных доработок для обеспечения функциональности;

3. Технологическая независимость ИИ-решения, то есть решение может быть воспроизведено на базе отечественных или открытых компонентов.

Далее по результатам опроса экспертов и разработчиков ИИ-решений из длинного перечня был сформирован короткий список Примеров (порядка 35) успешного использования ИИ на предприятиях обрабатывающей промышленности в РФ, представленный в данном Примербуке. Примеры оценивались экспертно по следующим критериям:

• Бизнес-эффект – оценивается экономия производственных затрат и снижение себестоимости продукции, полученных от внедрения ИИ-решения, по сравнению со стоимостью его внедрения;

• Скорость – оценивается повышение скорости выполнения бизнес-процесса;

• Качество – оценивается, способствует ли ИИ-решение увеличению или поддержанию качества продукции/деятельности/процессов;

• Безопасность – оценивается влияние ИИ-решения на повышение или поддержание уровня безопасности в процессах на производстве;

• Управляемость – оценивается влияние ИИ-решения на повышение прозрачности и понятности управления предприятием, включая планирование и управление рисками.

Пример №1: Контроль погрузки горной породы в думпкары и самосвалы методами машинного зрения

• Поставщик: ООО «Рэдмэдробот»

• Заказчик: ПАО «НЛМК»

• Проблема: Высокие затраты на погрузку и транспортировку породы, покупку топлива, электроэнергию, расходные материалы. Необходимость повышения качества загрузки руды при транспортировке. Высокие затраты на техническое обслуживание и ремонт оборудования. Риски несчастных случаев при перевалке.

• Решение: Программно-аппаратный комплекс для анализа качества загрузки руды в думпкары (вагоны-самосвалы) и автосамосвалы. Источником данных служит видеопоток от стационарного видеооборудования на точках мониторинга, а также исторические данные предприятия. Учет качества и объема перевозимой массы обеспечивает оперативную выработку рекомендаций по погрузке для машинистов экскаватора и информирование машинистов тепловозов.

• Эффекты:

  • Увеличение объема перевозимой породы на 2%

  • Сокращение затрат на электроэнергию и ГСМ до 3% в год

  • Сокращение простоев электровозов до 3% в год

• Бизнес-процесс: Логистика

• Технологии ИИ: Компьютерное зрение

Пример №2: Интеллектуальная система измерения круглого лесоматериала Smart Timber

• Поставщик: ГК «Ланит»

• Заказчик: ПАО «Сегежа Групп»

• Проблема: Допущение ошибок при ручном измерении древесины, высокие временные затраты на расчеты вручную и на занесение этих данных в формы отчетности.

• Решение: Мобильное приложение Smart Timber позволяет лесоперерабатывающим предприятиям любого масштаба быстро и с высокой точностью производить вычисление объемов древесины, сложенной штабелями на земле или погруженной в лесовоз. Сервис избавляет работников от необходимости использования линейки, таблиц и рукописных отчетов. Получив снимок штабелей, нейросеть самостоятельно рассчитывает параметры и предоставляет информацию о высоте, ширине, длине, объеме и коэффициенте полнодревесности штабеля. Система сохраняет фотографии древесины, госномер лесовоза, данные о его геолокации и дате снимка, формируя информационный массив о происхождении и передвижении древесины.

• Эффекты:

  • Точность вычисления объемов древесины до 97–98%

  • Уменьшение потерь перевозимой древесины до 5%

• Бизнес-процесс: Логистика

• Технологии ИИ: Компьютерное зрение

Пример №3: Рекомендательный сервис для ускорения работы стана горячей прокатки

• Поставщик: АО «Инфосистемы Джет»

• Заказчик: ПАО «НЛМК»

• Проблема: Значительное увеличение вероятности брака и аварийной остановки стана, если разрывы между заготовками становятся слишком маленькими, поэтому операторы традиционно рассчитывают расстояние с запасом.

• Решение: Сервис для ускорения работы стана горячей прокатки. Математическая модель машинного обучения помогает операторам оптимизировать процесс проката металла. В режиме реального времени система предоставляет операторам прокатного стана рекомендации по оптимальному интервалу подачи заготовок и управлению скоростью их движения. Для обучения математической модели обрабатываются исторические данные с датчиков температуры, давления, скорости движения и другого регистрирующего оборудования. Помимо показателей самого стана алгоритмы машинного обучения учитывают в рекомендациях типы и марки сплавов в заготовках.

• Эффекты:

  • Увеличение прибыли предприятия «Стан 2000» в год на 30 млн руб.

  • Увеличение времени работы прокатного стана на 3,5 ч в месяц

• Бизнес-процесс: Производство

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

Пример №4: Рекомендательный сервис для управления длительностью и эффективностью процесса термообработки*

• Поставщик: ООО «Цифра»

• Заказчик: ПАО «Трубная металлургическая компания»

• Проблема: Отсутствие оперативной информации для точечной корректировки процесса работы печей непрерывного действия в режиме реального времени, что приводит к росту себестоимости и снижению производительности.

• Решение: Программный комплекс для обеспечения автоматизации процессов на уровне оперативного производственного управления. Обеспечивает предоставление технологу и оператору линии термообработки рекомендаций по заданию технологических параметров с целью получения необходимых механических свойств продукции с учетом исходных данных (химический состав, масса, толщина и др.)

• Эффекты:

  • Повышение производительности участка термообработки на 8%

  • Рост продуктивности термообработки на 5%

  • Повышение качества продукции на 2%

  • Сокращение издержек на 10%

• Бизнес-процесс: Производство

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

• Примечание: в первую очередь предназначено для производств с линиями проходных печей непрерывного действия

Пример №5: Прогнозный сервис, определяющий оптимальный химический состав и набор ингредиентов для получения целевых характеристик продукции (Оптимизация расхода ферросплавов Datana Mash)

• Поставщик: ООО «Датана»

• Заказчик: ПАО «Ашинский металлургический завод»

• Проблема:

  • При формировании навески ферросплавов вручную расход ферросплавов не является оптимальным, что приводит к повышению себестоимости выпускаемой продукции.

  • При расчете навески ферросплавов велико влияние человеческого фактора, т.к. расчет требует одновременного учета массы параметров; риск неточного попадания в требуемый химический состав.

• Решение: Рекомендательный сервис, подбирающий оптимальную навеску ферросплавов для отдачи на этапе выплавки и внепечной обработки стали, позволяющий получить требуемый химический состав стали. В основе модели лежат методы машинного обучения и математической оптимизации, которые выполняют функции прогнозирования химического состава, прогнозирования угара легирующих элементов, расчета оптимальной навески ферросплавов с учетом оптимальной цены в условиях множества ограничений.

• Эффекты:

  • Снижение затрат на ферросплавы до 8% на тонну

  • Точность попадания в требуемый химсостав в 99% случаев

• Бизнес-процесс: Производство

• Технологии ИИ: Перспективные методы искусственного интеллекта (ПМИИ) и Интеллектуальная поддержка принятия решений (ИППР)

Пример №6: Предиктивная модель оптимальной загрузки шаров в горнорудные мельницы

• Поставщик: ООО «Рэдмэдробот»

• Заказчик: ПАО «НЛМК»

• Проблема: Снижение производительности шаровых мельниц, вследствие неоптимальной загрузки мелющими телами. Отсутствие информации о фактическом количестве мелющих тел в шаровых мельницах, неточность и длительность расчетов объема загрузки шаров приводят к тому, что дозагрузка мелющими телами осуществляется не вовремя, либо объем загружаемых шаров не соответствует оптимальному значению. Что может являться причиной увеличения себестоимости продукции и снижения эффективности работы предприятия.

• Решение: Решение реализовано в виде автоматизированного рабочего места оператора мельницы. Ядром системы является предиктивная модель, принимающая на входе технические параметры мельницы, минералогический состав руды и прочие данные (всего более 10 параметров). На выходе система строит прогноз текущего остатка в мельнице, а также определяет оптимальный объем дозагрузки с учетом производственных ограничений по времени и допустимого объема дозагрузки.

• Эффекты:

  • Снижение удельного расхода шаров на тонну руды на 5%

  • Увеличение выпуска готовой продукции на 1%

• Бизнес-процесс: Производство

• Технологии ИИ: Перспективные методы искусственного интеллекта (ПМИИ) и Интеллектуальная поддержка принятия решений (ИППР)

Пример №7: Универсальный индустриальный робот-манипулятор, использующий технологии компьютерного зрения

• Поставщик: ООО «Арипикс Роботикс»

• Заказчик: АО «Москабельмет»

• Проблема: Высокие трудозатраты на тяжелую и рутинную работу по загрузке металла в прессы и низкая точность укладки кабеля, что ограничивает пропускную мощность оборудования (станка, цеха), риски травм на производстве.

• Решение: Роботы Aripix A1 самостоятельно определяют ориентацию металлических заготовок в пространстве и рассчитывают оптимальную траекторию движения. Механизмы захвата учитывают особенности материала и геометрическую форму заготовок и могут удерживать и перемещать их в прессы. Оснащенный специальными датчиками робот консольного типа Aripix D1 исключает перекручивание кабеля, а автоматически настраивающийся механизм подачи позволяет укладывать кабель с точностью 0,5 мм.

• Эффекты:

  • Сокращение издержек производства на 5%

  • Увеличение производительности труда на 10%

• Бизнес-процесс: Производство

• Технологии ИИ: Компьютерное зрение

Пример №8: Робот, с помощью компьютерного зрения осуществляющий сортировку мусора для вторичной переработки

• Поставщик: Институт теплофизики им. С.С. Кутателадзе Сибирского отделения РАН, ГК Тайгер-Сибирь

• Заказчик: АО «Автопарк №1 Спецтранс»

• Проблема: Высокие затраты и низкая скорость процесса сортировки отходов, сложность в самостоятельном определении типов пластика.

• Решение: Робот, обученный на нескольких десятках тысяч фотографий, позволяет сортировать подходящий для вторичной переработки мусор и различать в том числе сильно смятые и запачканные объекты на ленте конвейера. Ориентируясь на данные с камер, робот поднимает и складывает нужный вид мусора в отдельные предназначенные для него контейнеры. Система может распознавать разнообразные типы отходов: бытовой пластик и упаковки автомобильных масел, банки.

• Эффекты:

  • Стоимость отобранных роботом фракций 400–800 тыс. руб./мес.

  • Экономия на ФОТ и налогах, заменяемых одним роботом: 3–6 человек

  • Увеличение скорости сортировки объектов на ленте до 130 шт./мин.

  • Выявление необходимого типа пластика с точностью 95%

  • Повышение производительности сортировки на 5%

• Бизнес-процесс: Производство

• Технологии ИИ: Компьютерное зрение

Пример №9: «Цифровой двойник» для отслеживания обрыва ленты на бумагоделательном оборудовании

• Поставщик: АО «Инфосистемы Джет»

• Заказчик: ПАО «Сегежа Групп»

• Проблема: Высокая вероятность обрыва движущегося на бумагоделательных машинах полотна, что приводит к простою оборудования, дополнительному расходу сырья и финансовым потерям.

• Решение: Решение представляет собой набор моделей в виде цифрового двойника бумагоделательной машины, которые анализируют данные с датчиков оборудования и показатели АСУ ТП, касающиеся обслуживания станка и замены материалов. Система определяет показатель вероятности обрыва полотна или остановки станка, прогнозируя дату, время и возможную причину повреждения. Получая прогнозную информацию от «двойника», оператор своевременно меняет технологические параметры работы машины и после локализации проблемы возобновляет нагрузку.

• Эффекты:

  • Увеличение производственных мощностей крафт-бумаги до 360 тыс. т/год

  • Предсказание возможных обрывов в 60% всех случаев (до внедрения решения предсказание обрывов было полностью недоступным)

• Бизнес-процесс: Производство

• Технологии ИИ: Перспективные методы искусственного интеллекта (ПМИИ) и Интеллектуальная поддержка принятия решений (ИППР)

Пример №10: «Цифровой ассистент» на базе искусственного интеллекта для автоматизации рутинной коммуникации

• Поставщик: ООО «В Контакте»

• Заказчик: ПАО «НЛМК»

• Проблема: Ручная обработка большого числа типовых запросов поставщиков, длительный процесс сбора необходимой для ответа информации и низкая скорость готовых ответов, что приводит к недовольству и снижению уровня лояльности или вовсе отказу от сотрудничества.

• Решение: Система представляет собой автоматические диалоговые сценарии в ответ на типовые обращения поставщиков компании (направляемые на естественном языке для уточнения недостающей информации о поставках, требуемых ресурсах, состояния прохождения квалификации с объяснением причин отклонения и пр.), сценарии ответов на вопросы и выполнения действий по разрешению проблемных инцидентов, сценарии по отслеживанию состояния платежа за поставленные материалы/услуги. Цифровой помощник заменяет профильных специалистов и сотрудников службы снабжения, повышая качество и скорость ее работы.

• Эффекты:

  • Повышение скорости ответа до 120 раз

  • Снижение загрузки сотрудников отдела закупки на 25%

  • Оптимизация поставок на 10%

• Бизнес-процесс: Закупка сырья

• Технологии ИИ: Обработка естественного языка

Пример №11: Система мониторинга и предиктивного анализа состояния промышленного оборудования SmartDiagnostics

• Поставщик: ООО «Кловер Групп» (Ctrl2Go)

• Заказчик: ОАО «Тверской вагоностроительный завод»

• Проблема: Отклонения в работе промышленного оборудования и несвоевременная аналитика его состояния, влекущая за собой аварийные остановки и простои на производстве, снижение эффективности производственных процессов и повышение затрат на ремонт и обслуживание техники.

• Решение: Система осуществляет мониторинг промышленного оборудования на основании поступающих данных телеметрии с установленных датчиков, а также данных о внешних факторах (температура, давление) и АСУ ТП и ERP-систем. Собранная информация позволяет проводить предиктивную аналитику о возможном выходе оборудования из строя и проводить ремонты и обслуживание по фактическому состоянию.

• Эффекты:

  • Снижение затрат на ремонт на 30%

  • Снижение удельного расхода энергии на 4,4%

  • Снижение времени простоев на 12%

• Бизнес-процесс: Техническое обслуживание и ремонт (ТОиР)

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

Пример №12: Автоматизированный контроль состояния конвейерных лент

• Поставщик: ООО «Визорлабс»

• Заказчик: ООО «ЕВРАЗ»

• Проблема: Несвоевременное выявление неисправности оборудования (конвейерных лент) и, как следствие, высокие затраты на ремонт, а также простои в производстве и рост себестоимости конечной продукции.

• Решение: Система видеоаналитики, которая позволяет автоматически отслеживать состояние ленты на всех конвейерах, формировать индивидуальные отчеты по каждой ленте и по каждому стыку, выявлять критический износ или повреждения и отправлять оперативные уведомления мастеру для назначения ремонтов. Благодаря решению конвейер работает непрерывно, без остановки на ежесуточный осмотр, сокращается время пересменки рабочих. Данные в системе синхронизируются с информацией о проведенных ремонтах, прогнозируется износ ленты и заранее назначаются новые планово-предупредительные работы.

• Эффекты:

  • Повышение уровня достоверности данных контроля ленты с 50–75% до 100%

  • Сокращение трудозатрат на осмотр конвейерных лент на 1,5–2 ч/сутки

• Бизнес-процесс: Техническое обслуживание и ремонт (ТОиР)

• Технологии ИИ: Компьютерное зрение

Пример №13: Информационная система для удаленного мониторинга, автоматической диагностики и прогнозирования технического состояния оборудования

• Поставщик: ООО «Кловер Групп» (Ctrl2Go)

• Заказчик: ОАО «Тверской вагоностроительный завод»

• Проблема:

  • Повышения технической готовности к процессу эксплуатации и снижения расходов на ремонт и обслуживание.

  • Повышения прозрачности процесса ремонта и повышения контроля качества для снижения риска штрафов со сторон заказчика.

• Решение: Решение представляет собой систему риск-ориентированного управления техническим обслуживанием и ремонтом с централизованным хранением, обработкой и автоматическим анализом лог-файлов с унифицированных пультов управления. Продукт создан для оценки и прогноза технического состояния оборудования.

• Эффекты:

  • Увеличение количества выпускаемой продукции на 10%

  • Повышение технической готовности к процессу эксплуатации оборудования на 50%

  • Снижение расходов на ремонт и обслуживание на 30%

• Бизнес-процесс: Техническое обслуживание и ремонт (ТОиР)

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

Пример №14: Система предиктивной диагностики электродвигателей

• Поставщик: ПАО «МАК «Вымпел»

• Заказчик: ПАО «Магнитогорский металлургический комбинат»

• Проблема: Непредвиденные поломки оборудования, как следствие простои в производственном процессе, что приводит к росту себестоимости и снижению производительности предприятия.

• Решение: Решение представляет собой, с одной стороны, систему беспроводных датчиков, измеряющих электромагнитное поле электродвигателей и их вибрацию, с другой стороны, систему, которая быстро и точно определяет наличие и тип неисправностей по полученным данным и заблаговременно прогнозирует возможные дефекты составных частей электродвигателя. Диагностика оборудования и прогнозирование неисправностей позволяют перевести техническое обслуживание и ремонт электромеханического оборудования из режима плановых ремонтов на обслуживание по состоянию, что существенно снижает затраты на его содержание.

• Эффекты:

  • Рост производительности на 2%

  • Экономия на ремонте оборудования в месяц до 200 тыс. руб.

  • Уменьшение расходов на обслуживающий персонал на 17,5%

• Бизнес-процесс: Техническое обслуживание и ремонт (ТОиР)

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

Пример №15: Автоматизированный контроль использования средств индивидуальной защиты и попадания в опасные зоны

• Поставщик: ООО «Визорлабс»

• Заказчик: Росатом

• Проблема: Несистематическое или халатное отношение сотрудников к правилам техники безопасности и охраны труда, отсутствие оперативной информации о пострадавших сотрудников, отклонение от регламентов обслуживания оборудования.

• Решение: VizorLabs Health & Safety – автоматическая система контроля соблюдения техники безопасности и применения средств индивидуальной защиты (СИЗ) для предотвращения производственного травматизма. Изображение с камер наблюдения в производственных помещениях передается на сервер видеоаналитики, на котором нейронная сеть проверяет изображения на предмет ношения СИЗ сотрудниками, регистрирует нарушения техники безопасности, контролирует комплектность и численность бригад. Информация о нарушениях мгновенно передается на рабочее место (монитор или мобильное устройство) начальника смены и регистрируется в отчете. Начальник смены по радиосвязи останавливает работы до устранения нарушений.

• Эффекты:

  • Сокращение количества несчастных случаев в 8 раз

  • Экономия на каждые 150 сотрудников: 25 млн руб./год

  • Устранение риска отягощения в инцидентах и снижение выплат в каждом расследовании до 200 тыс. руб.

• Бизнес-процесс: Охрана и безопасность

• Технологии ИИ: Компьютерное зрение

Пример №16: Роботизированный комплекс противопожарной защиты*

• Поставщик: Росатом

• Заказчик: ГП Калининская АЭС

• Проблема: Потребность в противопожарном мониторинге и предотвращении возникновения аварийных ситуаций на АЭС, негативное воздействие опасных факторов пожара.

• Решение: Решение предназначено для предупредительного мониторинга, автоматического обнаружения возгораний и управления тушением пожара без участия людей. Система сканирует помещение по температуре и содержанию в воздухе горючих газов, в том числе водорода. Алгоритмы определяют необходимый режим тушения с учетом вида исходного события, динамики развития аварийной ситуации и запаса огнетушащих веществ. Применение в устройстве робототехнических средств с элементами ИИ позволяет расширить технические возможности и усовершенствовать технологию пожаротушения.

• Эффекты:

  • Повышение скорости реагирования на внештатные ситуации до 95%

  • Минимизация вероятности повреждения технологического оборудования до 5%

• Бизнес-процесс: Охрана и безопасность

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

• Примечание: может быть применено на предприятиях обрабатывающей промышленности

Пример №17: Интеллектуальная поисковая система

• Поставщик: АО «Наумен»

• Заказчик: ООО «НТЦ «Газпром Нефть»

• Проблема: Большое количество времени специалистов, затрачиваемое на поиск необходимой научной информации, что приводит к недостаточно высокой скорости обработки информации и ошибкам при ее анализе из-за человеческого фактора.

• Решение: Система представляет собой набор алгоритмов для автоматического поиска и структурирования найденных данных о технологиях, исследованиях и инженерных решениях, расположенных на внутренних ресурсах компании и во внешних источниках. Найденные и автоматически отобранные данные позволяют эффективнее принимать управленческие решения разного уровня, от решений по разработке месторождений до изменений в технологических процессах.

• Эффекты:

  • Сокращение ежедневных затрат на поиск документов на 50%

  • Увеличение скорости обработки обращений до 1000+/мес.

• Бизнес-процесс: Делопроизводство

• Технологии ИИ: Обработка естественного языка

Пример №18: Платформа с встраиваемым ИИ-модулем для цифровизации бизнес-процессов на производственном предприятии

• Поставщик: ООО «Цифра»

• Заказчик: ООО «ЕВРАЗ»

• Проблема: Отсутствие единой среды управления данными, что снижает общую эффективность бизнес-процессов, приводит к росту затрат на ИТ и снижению скорости внедрения тех или иных новых цифровых решений.

• Решение: Zyfra Industrial IoT Platform – это отечественная цифровая платформа, включающая весь необходимый набор компонентов для создания и внедрения цифровых решений на предприятии, она служит средой для быстрой разработки вертикальных IT-приложений, решающих конкретные производственные задачи. Например, были решены задачи выявления и сокращения идентифицированных потерь, снижения риска хищения сырья и готовой продукции, снижения издержек на производственных процессах и т. д.

• Эффекты:

  • Снижение затрат на поддержку и интеграцию ИТ-решений до 60%

  • Снижение нецелевого потребления сырья на 5% (от 50 млн руб./год)

  • Сокращение простоев оборудования и транспорта на 5%

  • Снижение энергопотребления на отдельных процессах на 15% (от 150 млн руб./год)

  • Сокращение количества нарушений технологического режима на 50%

• Бизнес-процесс: ИТ-обеспечение и связь

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

Пример №19: Аналитическая система качественно-количественного планирования поставок и шихтования*

• Поставщик: ООО «Кловер Групп» (Ctrl2Go)

• Заказчик: АО «Учалинский ГОК»

• Проблема: Отсутствие непрерывности технологического процесса обжига из-за разброса параметров химического состояния шихты, как следствие снижение производительности обжиговых печей и внеплановые остановки оборудования.

• Решение: Система на основе цифрового решения Smart Advisor осуществляет планирование по данным качества концентратов, поставляемых на завод. Аналитическая система производит изучение исходного сырья и делает прогноз качества и количества шихты на несколько дней. После этого программный комплекс предоставляет рекомендации по качественно-количественному управлению шихтованием и планированию поставок концентратов. Цифровой советчик оптимизирует принятие решений и снижает вероятность ошибок при ведении процесса флотации** операторами, а также позволяет прогнозировать показатели обогащения при изменении параметров процесса.

• Эффекты:

  • Снижение внеплановых остановок оборудования на 12%

  • Повышение качества выходного продукта на 6%

  • Повышение производительности на 5%

• Бизнес-процесс: Управление качеством

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

• Примечание: * – процесс смешивания ископаемого сырья разных сортов или с разным содержанием ценного компонента для придания смеси определенных технологических свойств, улучшающих процесс обогащения; ** – метод обогащения полезных ископаемых на промышленных предприятиях

Пример №20: Контроль качества очистки чугуна с помощью компьютерного зрения

• Поставщик: ООО «ВидеоМатрикс»

• Заказчик: ПАО «НЛМК»

• Проблема: Низкая степень чистоты сырья за счет влияния человеческого фактора (субъективной оценки сотрудников), что приводит к низкому индексу чистоты, повышенному расходу металла на плавку и дополнительным издержкам.

• Решение: Решение позволяет повысить эффективность контроля чистоты скачивания шлака на установке десульфурации чугуна и представляет собой систему умной видеоаналитики, которая анализирует процесс очистки чугуна от шлакопленки и автоматически контролирует степень чистоты сырья. Нейронная сеть и математические алгоритмы обнаруживают на видеопотоке ковш, его границы, скиммер, задействованные в процессе очистки чугуна. Далее анализируют в режиме реального времени результат действий работника бригады, вычисляют процент – индекс частоты скачивания шлака.

• Эффекты:

  • Экономия 20 млн руб./год

  • Сокращение потерь металла при скачивании шлака до норматива: 2 т на плавку

  • Увеличение индекса «чистоты скачивания»* с 75% до 90%

  • Рост производства за счет сохраненного чугуна на 1 тыс. т/год

• Бизнес-процесс: Управление качеством

• Технологии ИИ: Компьютерное зрение

• *Примечание: Скачивание – процесс удаления шлака с поверхности расплава при выплавке

Пример №21: Автоматический контроль качества стали с помощью компьютерного зрения

• Поставщик: ООО «ВидеоМатрикс»

• Заказчик: АО «РТ-Техприемка»

• Проблема: Недостаточный уровень выявления дефектов продукции, в данном случае стали для боевых и гражданских вертолетов, вследствие человеческого фактора. Невыявленный своевременно микродефект может стать причиной поломки вертолета и оказать негативное влияние на безопасность полетов.

• Решение: Система контролирует качество продукции предприятий металлургической и химической отраслей промышленности, в том числе стали, которая используется при создании боевых и гражданских вертолетов. Готовые стальные листы размещаются на платформе и подвергаются мультиспектральной аналитической обработке методом компьютерного зрения. Задача системы – отбраковать сталь с повреждениями поверхности на этапе приемки продукции и не допустить ее к эксплуатации.

• Эффекты:

  • Повышение уровня распознавания брака до 97%

  • Ускорение процесса дефектоскопии в 6 раз

• Бизнес-процесс: Управление качеством

• Технологии ИИ: Компьютерное зрение

Пример №22: Система прослеживаемости трубы на основе методов компьютерного зрения и глубокого машинного обучения

• Поставщик: ООО «Точка зрения»

• Заказчик: АО «Загорский трубный завод»

• Проблема: Сложности при контроле качества технологических параметров изготовления труб газопроводов: скорости вращения и перемещения (труб, нагрева, толщины изоляции и др.).

• Решение: Решение представляет собой систему сопровождения каждой единицы продукции (труб большого диаметра) на конвейере предприятия в процессе ее изготовления. Система рассчитывает скорости вращения и перемещения труб и согласовывает значения технологических параметров (нагрев, толщина изоляции и др.). Алгоритмы компьютерного зрения позволяют минимизировать влияние помех (движущихся людей, техники, изменения освещения) на работу системы. Система позволяет повысить эффективность процессов за счет автоматизации процедур контроля качества и снижения роли человеческого фактора.

• Эффекты:

  • Снижение доли брака на 10%

  • Снижение затрат на исправление дефектов на 15%

• Бизнес-процесс: Управление качеством

• Технологии ИИ: Компьютерное зрение

Пример №23: Система контроля соблюдения мер гигиены сотрудниками на производстве

• Поставщик: ООО «Коннектком»

• Заказчик: ГК «Дамате»

• Проблема: Контроль за санитарными правилами и нормами (СанПиН) и гигиеническими нормативами (ГН) является требованием к предприятиям, работающим по данным регламентам. Несоблюдение нормативов ведет к штрафам, потенциальному вреду здоровью потребителей конечной продукции и связанным репутационным и экономическим потерям, риску отзыва партии и остановки производства на время расследования.

• Решение: Система «Direktiva: Санитария» отслеживает выполнение сотрудниками внутренних производственных регламентов и санитарных норм в соответствии с Европейским стандартом EN-1500. «Умный» рукомойник напоминает о необходимости гигиенической обработки рук и проверяет точное выполнение санитарных регламентов. Камеры оснащены функцией распознавания лиц, что позволяет проводить аутентификацию сотрудников, соблюдение регламента мытья рук и осуществлять контроль доступа на рабочее место. Система исключает вероятность попадания на производство сотрудников, не выполнивших надлежащие регламентные операции по мойке и дезинфекции.

• Эффекты:

  • Снижение влияния человеческого фактора на производимую продукцию до 5%

  • Увеличение соблюдения исполнения параметров санитарной обработки рук до 100%

• Бизнес-процесс: Управление качеством

• Технологии ИИ: Компьютерное зрение

Пример №24: Система управления ресурсами цеха Morigan Lean

• Поставщик: ООО «Маттлер»

• Заказчик: ООО «Агросила.Челны-МПК»

• Проблема: Низкая эффективность работы сотрудников на конвейерной линии, субъективная оценка его труда, невозможность расчета оптимальной рабочей загрузки сотрудника и нарушение технологических процессов ведущие к снижению эффективности производства.

• Решение: Система видеоаналитики Morigan.Lean в производственном цехе позволяет получить аналитическую информацию из разных участков цеха в режиме реального времени. На основе этой информации можно оценить качество и скорость работы каждого сотрудника или группы сотрудников в целом, скорректировать ФОТ согласно выработке и повысить загрузку производственной линии.

• Эффекты:

  • Снижение срока обучения новых сотрудников на 15%

  • Снижение времени простоев на 30%

• Бизнес-процесс: Управление качеством

• Технологии ИИ: Компьютерное зрение

Пример №25: Система мониторинга промышленного оборудования «ДИСПЕТЧЕР» с встраиваемым ИИ-модулем

• Поставщик: ООО «Цифра»

• Заказчик: АО «Авиастар-СП»

• Проблема: Отсутствие оперативного доступа к структурированным данным о ходе производственных процессов, состоянии оборудования, уровне его загрузки, что ведет к снижению качества управленческих решений, простою и поломкам оборудования, снижению производительности предприятия, росту затрат.

• Решение: «Диспетчер» может снимать информацию с любого станочного оборудования, по широкому набору интерфейсов и протоколов. Подключение при помощи оригинальных аппаратных устройств или прямым соединением устройства числового программного управления осуществляется по эффективной методике и подходит для станков, выпущенных много лет назад.

• Эффекты:

  • Рост загрузки станков на 31,5%

  • Экономия с одного станка за счет оптимизации энергопотребления на 36 тыс. руб./год

  • Экономия на одном участке на 18 млн руб./год

• Бизнес-процесс: Бизнес-планирование

• Технологии ИИ: Интеллектуальная поддержка принятия решений (ИППР)

 

 

Аналитический отчет: Эффективные отечественные практики на базе технологий искусственного интеллекта в обрабатывающей промышленности (Ноябрь 2022)

1. Введение и ключевые выводы

• Текущее состояние: В 2021 году только около 16-21% российских промышленных компаний внедряли ИИ, что значительно ниже среднемирового показателя (~54% в 2020 г.).

• Потенциал: Технологии ИИ способны дать дополнительный прирост ВВП России на 1% к 2025 году и повысить рентабельность предприятий на 5% и более.

• Цель отчета: Стимулировать внедрение ИИ в промышленности путем популяризации успешных отечественных Примеров с доказанным экономическим эффектом.

• Целевая аудитория: Собственники предприятий, топ-менеджеры, руководители цифрового развития.

2. Основные тренды ИИ в обрабатывающей промышленности

В отчете выделены глобальные и российские тренды:

• Индивидуализированное производство: Переход от массового выпуска к продукции под запрос клиента (например, Nike Maker Experience).

• Цифровые двойники: Создание виртуальных копий физических объектов для моделирования, оптимизации и прогнозирования (используются «Норникелем», «Газпром нефтью»).

• Генеративное проектирование: Использование ИИ для автоматического создания оптимальных конструкций деталей (опыт General Motors, NASA).

• Промышленный Интернет вещей (IIoT) и интеллектуальные датчики: Сбор и анализ данных в реальном времени для управления процессами.

• Рекомендательные системы: Анализ больших данных для поддержки принятия управленческих решений (внедрены на НЛМК, «Сегежа Групп»).

• Роботизация: Применение роботов для замены рутинного труда, обслуживания производства и логистики (Tesla, «Черкизово»).

• Компьютерное зрение: Для контроля качества, безопасности и сортировки (внедрено на НЛМК, «Северстали», в «Росатоме»).

• Промышленные метавселенные: Создание виртуальных пространств для обучения, сотрудничества и оптимизации бизнес-процессов (Siemens, NVIDIA).

3. Классификация бизнес-процессов для внедрения ИИ

Процессы предприятий разделены на три категории, для каждой приведены примеры решений:

• Основные процессы (10 Примеров): Закупка сырья, производство, логистика, продажи, послепродажное обслуживание.

• Обеспечивающие процессы (8 Примеров): Техническое обслуживание и ремонт (ТОиР), ИТ, охрана и безопасность.

• Управленческие процессы (7 Примеров): Управление качеством, персоналом, рисками, бизнес-планирование.

4. Методология отбора Примеров

Для включения в отчет Примеры должны были соответствовать трем критериям:

1. Эффективность: Наличие доказанного экономического, управленческого или социального эффекта.

2. Тиражируемость: Возможность переноса решения на другие предприятия без существенных доработок.

3. Технологическая независимость: Решение может быть воспроизведено на базе отечественных или открытых компонентов.

Примеры оценивались экспертами по пяти параметрам: бизнес-эффект, скорость, качество, безопасность и управляемость.

5. Примеры успешного внедрения ИИ (выборочно)

Отчет содержит 25 подробно описанных Примеров. Вот некоторые из них:

• Пример 1 (НЛМК): Контроль погрузки горной породы. Компьютерное зрение анализирует загрузку вагонов, что позволило увеличить объем перевозок на 2% и сократить затраты на электроэнергию.

• Пример 3 (НЛМК): Сервис для ускор работы стана горячей прокатки. Рекомендательная система оптимизирует интервалы подачи заготовок, увеличив время работы стана на 3.5 часа в месяц и принеся 30 млн руб. дополнительного дохода в год.

• Пример 5 (Ашинский метзавод): Прогнозный сервис химсостава стали. ИИ-модель оптимизирует расход ферросплавов, снижая затраты на 8% на тонну и обеспечивая точность попадания в химсостав в 99% случаев.

• Пример 8: Сортировка мусора компьютерным зрением. Робот сортирует отходы для переработки со скоростью до 130 объектов в минуту, заменяя труд 3-6 человек.

• Пример 11 (Тверской вагоностроительный завод): Система мониторинга оборудования SmartDiagnostics. Предиктивная аналитика позволила снизить затраты на ремонт на 30%, а время простоя — на 12%.

• Пример 15 («Росатом»): Контроль СИЗ и опасных зон. Система на базе компьютерного зрения в 8 раз сократила количество несчастных случаев.

• Пример 20 (НЛМК): Контроль очистки чугуна. Система обеспечила экономию 20 млн руб. в год за счет снижения потерь металла.

• Пример 25 (Авиастар-СП): Система мониторинга «ДИСПЕТЧЕР». Позволила увеличить загрузку станков на 31.5% и сэкономить 18 млн руб. в год на одном участке.

6. Перспективные российские и зарубежные практики

• Зарубежные: Полностью роботизированное производство деталей (Machina Labs), генеративный дизайн (General Motors, Briggs Automotive Company), промышленные метавселенные (Siemens, NVIDIA), полная автоматизация (Tesla).

• Отечественные: Безлюдное производство «Черкизово», корпоративная платформа роботизации «Газпром нефти».

7. Лидеры развития ИИ в промышленности

• Ключевые разработчики: «Цифра», «Кловер Групп» (Ctrl2Go), «Рэдмэдробот», «Наумен», «Визорлабе», «ВидеоМатрикс».

• Ключевые заказчики-инвесторы: «Газпром нефть», «РОСТЕХ», «Росатом», «Норникель», «НЛМК», «Северсталь», «Трансмашхолдинг», «Сегежа Групп».

8. Экосистема развития ИИ на федеральном уровне

• Государственное регулирование: Нацпрограмма «Цифровая экономика», ФП «Искусственный интеллект», Указ Президента №490, Стратегия развития ИИ до 2030 года.

• Ключевые министерства: Минэкономразвития, Минцифры, Минпромторг.

• Инфраструктура: Национальный центр развития ИИ (на базе ВШЭ), АНО «Цифровая экономика», Альянс в сфере ИИ, Ассоциация «ИИ в промышленности».

• Институты развития и фонды: РФПИ, Фонд «Сколково», РВК, Фонд содействия инновациям.

• Научные и образовательные центры: ИТМО, МФТИ, Сколтех, Университет Иннополис, ВШЭ.