Не каждый дрон — квадрокоптер. А в некоторых промышленных задачах квадрокоптеры и вовсе проигрывают другим конструкциям. Поэтому наш дрон-инспектор “Синильга” устроена по другому принципу. Какой дрон выбрать для разных задач, какие преимущества и проблемы у разных конструкций, и может, ручная инспекция все же эффективнее?

Если у вас есть ответы или другие вопросы на этот счёт -— присоединяйтесь к онлайн-дебатам завтра, 17 октября в 15:00. Регистрация тут

Hyundai открыла новую фабрику в Джорджии, HMGMA. Чем примечательна эта новость? Тем, что если всё сложится как задумано, то эту фабрику еще не скоро понадобится модернизировать. В HMGMA изначально заложены буквально все последние технологии, а также оставлено место для будущих инноваций.

Пока конкуренты и коллеги модернизируют существующие производства, реализуют сложные проекты по внедрению AI, роботов и так далее, на фабрике в Джорджии всё устроено так с самого открытия. Дроны автоматически инвентаризируют склады, умные камеры корректируют окраску деталей, беспилотные такси доставляют оборудование, а робособака ходит по производству и проверяет правильность сборки.

Кейс HMGMA — наверное, один из первых в текущую эру модернизации, но точно не первый в истории. Чуть больше века назад промышленность, так же как и сейчас, переживала бурный переход в новую эру. Производства гудели от инноваций, компании проводили масштабные проекты, модернизировали все возможные и невозможные процессы — шла электрификация. На этой волне, в октябре 1910 года, Ford открыл новую фабрику в Мичигане, Highland Park. Чем была примечательна эта новость? Тем, что по задумке владельцев эту фабрику долго не нужно было модернизировать. Это был совершенно новый тип производства — Форд был убежден, что электричество и освещение должны быть буквально в каждом углу завода.

В Highland Park был установлен гигантский генератор, который по проводам доставлял электричество по всему заводу — к двигателям оборудования и к бесчисленным лампочкам. Эта “электрификация от рождения“, разумеется, привела к невероятным преимуществам: производство стало точнее, быстрее и эффективнее. Но еще это дало эффект, на который создатели не рассчитывали. Производство получилось просторным, гибким, открытым — оно дало место для новых идей. В итоге всего через три года, в октябре 1913, в Highland Park придумали первый в мире сборочный конвейер, который сократил время производства со 150 до 25 минут.

Это не было результатом целенаправленных исследований или какого-то продуманного проекта. Это было спонтанным результатом того, что state-of-the-art производство освободило время и место для создания чего-то принципиально нового. Так что ставим таймер на три года и следим за фабриками вроде HMGMA, “цифровыми от рождения”.

Gurobi Optimization выпустила годовой отчет о положении математической оптимизации в индустрии, а такое мы с недавних пор не пропускаем. Опрос не самый масштабный (473 респондента), но подобных исследований пока в принципе мало, поэтому будем довольствоваться тем, что есть. Главный вывод — оптимизация становится новым фокусом внимания цифровых директоров. 51% представителей компаний ответили, что руководство увеличивает затраты на оптимизацию и в большей степени отдает ей приоритет.

Решения на основе математической оптимизации применяются в 7 из 10 компаний. Лидер среди точек приложения — планирование, причем любое: долгосрочное и краткосрочное, планирование производства, поставок и так далее. На уверенном втором месте — логистика. Также респонденты упоминают ценообразование.

Вы спросите: «А как же AI?» Вопрос однозначно уместен и приходит в голову всем, кто сталкивается с внедрением математической оптимизации в производство. Оптимизация не заменяет AI, а AI не заменяет оптимизацию — они решают разные задачи и делают это по-своему. Оптимизация — более древняя область, но сегодня разговор о любой автоматизации немыслим без AI, поэтому естественным образом возникает сотрудничество этих двух подходов.

По результатам Gurobi, 81% опрошенных компаний реализуют хотя бы один проект, в котором применяются и математическая оптимизация, и машинное обучение. Для сравнения, в 2020 году таких компаний было всего 46%. С генеративным AI ситуация пока более скромная — совмещение с оптимизацией остается скорее на уровне экспериментов (помощь в кодинге не в счет).

Gurobi Optimization, конечно, компания заинтересованная, и, составляя такие отчеты, преследует свои понятные цели. Но и мы с недавних пор не беспристрастны в этой области — видим спрос у наших заказчиков, видим перспективу для математической оптимизации на российском рынке и с удовольствием реализуем такие проекты.

Показали Синильгу, пусть и не в деле

Компания Brightpick представила новый — очередной в своей линейке — мультифункциональный робот для складских задач. Он может автоматически передвигаться, искать товары и собирать заказы на складе, но главное — делает это не медленнее человека.

Autopicker 2.0 позиционируют как человекоподобного робота, но, к счастью, в данном случае человекоподобность не про форму, а про поведение. Техническое оснащение перечислять не будем — всё, примерно, стандартно. Главное, что действительно делает его ближе к человеку, — способность одновременно двигаться и собирать товары. То есть, робот забирает не нужный товар, а всю корзину и сразу же продолжает движение к следующей точке. Сборка происходит по дороге от одной точки до другой. Маршрут тоже по-умному оптимизируется, получается почти непрерывный поток действий: в одном месте забрал, в другом поставил, где-то там же рядом взял следующий — и всё это без пауз на вытаскивание товара из корзины.

Отказ от остановок увеличивает скорость работы, примерно, в 1,5 раза — до 70–80 операций в час.

Есть важное уточнение, которое, возможно, слегка охладит впечатление: всё это работает только внутри складской экосистемы Brightpick — со стандартизированными контейнерами, стеллажами и заданными размерами. Но как демонстрация концепции Picking-in-Motion — вполне любопытно.

А вот про нашу Синильгу в Дронофлоте пишут

В процессе автоматизации часто возникают ситуации, когда неочевидно, должно ли «умное» решение полностью заменить классический подход или лишь дополнить его. Один из таких примеров — доменная печь, в которой из железорудного сырья (шихты) выплавляют чугун. В шихту входят материалы самого разного размера: окатыши, кокс, известняк. При этом гранулометрический состав шихты в значительной степени определяет эффективность работы печи.

Есть стандартный способ определения гранулометрического состава — метод рассева. Из потока отбирают небольшую порцию шихты и просеивают её через набор сит (“грохотов”), получая точный гранулометрический состав. Однако на производстве по конвейеру могут проходить тонны сырья в минуту, тогда как на рассев отбирается не более 200 кг. Очевидно, что такой подход не даёт полной картины и тем более не позволяет отслеживать состав шихты в каждый момент времени.

Современное решение — система компьютерного зрения, камера которой установлена прямо над конвейером и в режиме онлайн позволяет отслеживать гранулометрический состав шихты. Система определяет размер каждого увиденного “камня”, а затем уже рассчитывает все гранулометрические характеристики. Эта система работает на фреймворке VideoAI.NTR и дополнительно обучена на рассевах, чтобы не только определять состав на поверхностном слое, но и оценивать распределение фракций во внутренних слоях материала, недоступных прямому обзору камеры.

Казалось бы, такое решение должно заменить трудоемкое и очень выборочное (пусть и локально очень точное) определение состава. Однако практикам не очевидны границы применимости потоковой гранулометрии. По мнению одних специалистов, от рассевов нужно отказываться полностью (собственно, с таким запросом к нам когда-то и обратились), по мнению других — система компьютерного зрения, даже обученная на реальных рассевах и работающая 24/7, не может заменить точный рассев — любая умная модель упирается в физические ограничения и верить ее результатам нельзя.

Вопрос интересный и пока не решенный, поэтому мы решили провести вебинар, на котором попробуем определить действительные границы применимости видеоконтроля состава шихты. Расскажем о нашем опыте и нашей системе, сравним разные методы гранулометрии и обсудим ограничения на примере реального кейса в крупной металлургической компании.

Зарегистрироваться на вебинар можно здесь. Присоединяйтесь, чтобы услышать не презентацию "идеального решения”, а честный разговор о плюсах, минусах и границах применимости современных методов контроля качества сырья и цифровизации.

Вебинар о видеоаналитике в гранулометрии уже сегодня! Если еще не успели, регистрируйтесь на вебинар здесь. Обсудим плюсы, минусы и границы применимости современных методов контроля качества сырья и цифровизации.

Время подводить итоги года — отраслевые и личные.

2025 год для цифровых решений в индустрии наверняка запомнится широчайшим, а местами и взрывным развитием генеративного ИИ — или как минимум беспрецедентным интересом к нему. К концу года уже можно сказать, что genAI прошёл путь от моды — к цели и далее к привычке.
Не хочется дублировать истины, которые за этот год прозвучали практически во всех тг-каналах. Гораздо интереснее оглянуться на уходящий год со своей, личной точки зрения.

Для «Цифрового директора» это был ещё один насыщенный, полный открытий год. Мы пролистали наш канал на год назад и отобрали несколько постов, к которым предлагаем вернуться и вам.

Например, пост о “страхах цифрового директора”. В начале года главными рисками для лидеров цифровизации мы называли кибербезопасность, отсутствие единой IT-стратегии и проблемы функциональной совместимости со старыми решениями. Год спустя эти риски, пожалуй, так и остались ключевыми.

А вот обещанный Forbes тренд уходящего года — полностью автономные «тёмные фабрики». На наш взгляд, трендом в полном смысле слова они не стали, но по частоте упоминаний в новостях уверенно входят в топ-10 индустриальных тем.

Мы делились не только новостями, но и собственным, нет-нет да и экспертным, мнением. Рассуждали о том, что же в итоге победит: централизация или децентрализация в AI. Победитель пока не определён, продолжаем наблюдать. А ещё рассказывали об использовании ИИ в металлургии — разумеется, на собственном опыте.

Были и новости о необычных, а местами даже странных, но при этом неожиданно успешных решениях. Например, AI-робот для разделки рыбы по старинному японскому методу икэ дзимэ. Или очень узкое и очень успешное решение исключительно для сбора шампиньонов.

Делились и собственными успехами: вот «Синильга» — дрон для промышленной инспекции с защитой лопастей, а вот «ВеКо» — AI-инструмент, помогающий операторам досмотра сохранять внимание и не отвлекаться.

В 2026 продолжим следить за новостями, делиться опытом, обсуждать удачные и не очень решения и смотреть, как технологии действительно работают в индустрии. Счастливого Нового года и до встречи в 2026!

Ваш Цифровой директор

Пару лет назад, когда российский бизнес столкнулся с уходом Wonderware, мы разработали универсальную платформу мониторинга предприятий — UNIOS. И дело было не только в импортозамещении: в конце концов, системы уровня Wonderware были (да и есть) далеко не у каждого, даже крупного предприятия.

Ключевой вопрос для бизнеса был в другом. Насколько экономически оправдано внедрение сложной цифровой системы ради гипотетического предотвращения неисправностей и аварий? Может ли такая система быть эффективнее опытного оператора или машиниста, который много лет работает на предприятии и знает оборудование досконально?

UNIOS создавался как попытка дать практический ответ на этот вопрос (непременно положительный). Задачей было объединение данных разрозненных датчиков, их интерпретация, автоматизация эксплуатации, технического обслуживания и ремонта (ТОиР), построение AI-прогнозов, своевременное оповещение о неисправностях, а также упрощение и ускорение отчетности.

Спустя два года мы можем сказать, что UNIOS со своей задачей справился. Нам удалось и дать бизнесу понятные ответы, и создать доступный отечественный продукт, доказавший свою эффективность на практике. Теперь мы хотим дать слово самому бизнесу.

Мы пригласили пользователей UNIOS — Лахта-центр, Липецкий завод сэндвич-панелей и Городской мониторинговый центр Санкт-Петербурга — чтобы они в открытом формате поделились своим опытом работы с платформой.

13 февраля пройдет онлайн-встреча с практическим разбором реальных кейсов и онлайн-трансляцией с действующего предприятия. Обсудим, почему для современного ТОиР умная система мониторинга перестала быть «опцией» и стала необходимостью. 

Если вы руководите производством или эксплуатацией, отвечаете за ТОиР, надежность, безопасность, управление персоналом и бюджетом — обязательно подключайтесь. Нам есть чем поделиться друг с другом. 

В 2023 году сотрудник NASA Али Ага (Ali Agha), занимавшийся разработкой искусственного интеллекта для марсоходов, решил, что этим технологиям пора спуститься с небес на Землю. Его мотивация была проста: в чисто цифровых задачах AI уже достиг впечатляющих результатов, но в работе с физическим миром он по-прежнему заметно отстает. Причина банальна — нехватка данных. В общем-то, для искусственного интеллекта Земля сегодня изучена немногим лучше, чем Марс.

Так появился стартап FieldAI, ориентированный на промышленные и прикладные сценарии.

В основе FieldAI лежит идея универсального «робомозга», который можно встроить почти в любого робота. Главная особенность модели — акцент на физической природе среды, в которой этот робот существует. Разработчики говорят о дополнительном «физическом слое» в архитектуре модели, который наделяет систему отдельным набором знаний о реальном мире и позволяет оценивать физическую ситуацию. FieldAI выдает не готовые рекомендаций, а анализ физических рисков и ограничений среды.

Вот что говорит сам Ага:

Мы избрали принципиально иной путь. Вместо того чтобы пытаться втиснуть крупные языковые и визуальные модели в робототехнику — а затем постфактум бороться с их галлюцинациями и ограничениями, — мы с самого начала спроектировали систему с осознанным отношением к рискам.

Рискованной для рядового предпринимателя выглядит и бизнес-стратегия FieldAI. В отличие от большинства стартапов, компания не пытается сначала нарастить критическую массу полезных функций, а уже потом выходить на рынок. Здесь логика обратная: как можно быстрее отправить роботов в свет — на стройки, заводы, склады и другие реальные объекты. Пусть на первых порах они будут мало что уметь и понимать, зато каждый такой выход дает данные для обучения модели. Улучшенная модель позволяет запускать еще больше роботов — и так далее.

Видимо, так рисковать Али позволяют внушительный багаж и экспертизы, и связей, и авторитета. Об этом говорит и то, что в 2025 стартап поддержали Nvidia, Билл Гейтс и Джефф Безос

Как организована пропускная система на вашем предприятии? В нашем московском офисном центре, например, всё по классике: есть карточки, есть система разовых пропусков, но бумажный журнал и пропуска «по звонку» тоже в ходу. Для офисов это, пожалуй, нормально, а вот для промышленного предприятия такой пропускной режим вряд ли подходит.

Устные согласования, разовые пропуска, бумажные журналы — эти привычные вещи делают процесс неуправляемым и создают серьёзные дыры в системе безопасности. Очевидно, что нужна автоматизация. Но как именно она должна быть устроена, чтобы не стать системой «для галочки», чтобы навести порядок в пропускной системе, а не зафиксировать беспорядок?

Об этом 25 февраля будут говорить наши друзья из Синерго на вебинаре «Пропускной режим на предприятии: где теряется контроль и как это исправить». Обещают поделиться практическим опытом и разобрать кейс с реального предприятия.

Мы придем и вас приглашаем. Регистрация тут, до встречи!

На одном предприятии (пока оставим его в тайне) развернули киберфизическую систему управления. Сеть датчиков непрерывно отслеживает расход сырья и физические параметры производства. В результате автоматизированы ключевые элементы логистики и санитарных процедур. Что это за предприятие? Похоже на любое крупное современное производство. А вот и нет — это небольшая кленоварня в Квебеке. И сама система появилась не в результате масштабной цифровизации, а как исследовательский проект местного университета.

Выпаривание кленового сиропа — сегмент не просто маломасштабный, а еще и сугубо сезонный. Увидеть здесь системы, привычные для индустриальных цифровых производств, довольно неожиданно. Впрочем, именно на это, похоже, и рассчитывали авторы проекта, утверждающие, что их работа — первый научно задокументированный кейс интеграции Индустрии 4.0 в кленоварнях. В кленоварнях. Похоже на правду.

Киберфизическая система на квебекской кленоварне устроена по тем же принципам, что и системы на крупных процессных предприятиях. Датчики собирают данные о потоке сока, температуре и концентрации сахара. Эта информация обрабатывается во внутреннем контуре управления, который динамически регулирует маршрутизацию подачи жидкости, загрузку выпарных установок и циклы санитарной очистки. Благодаря этому система способна реагировать на изменения без вмешательства операторов.

За прошедший производственный сезон система выполнила 431 автоматизированную операцию и более 900 циклов балансировки. Помимо технологических задач, она интегрирована и в административные процессы: трекинг партий и операций сократил время подготовки отчетности с более чем 30 часов примерно до одного.

Здесь нет сложной роботизации, да и сложных производственных процессов тоже. Но именно поэтому проект наглядно показывает, как сложные цифровые системы могут распространяться на небольшие производства. Получилось у квебеской кленоварни — получится и у вас. И у нас

Небольшой город Чиро в Южной Каролине, завод по производству комплектующих для автомобилей и авиации Schaeffler. Завод не самый маленький, конечно, но в Чиро с его населением в 5 тысяч не находится достаточного числа работников. Schaeffler пытается справиться с нехваткой кадров — у входа на завод постоянно висит большая вывеска «Now Hiring». Но 750 жителей уже работает на предприятии, а новых свободных рук в городе просто так не появляется.

Год назад Schaeffler наняла робота-гуманоида от орегонского стартапа Agility, который избрал интересную тактику позиционирования на фоне конкурентов вроде Boston Dynamics и Tesla — Agility категорически избегает трюков вроде сальто или робобокса. Их гуманоид Digit уже тестировался у таких гигантов, как Amazon и GXO, но под их стандарты безопасности пока не подходит — робот не может надежно распознавать находящихся поблизости людей, поэтому его можно запускать только в полностью огороженной среде.

А Schaeffler такой подход вполне устраивает — выбирать не приходится. На заводе Digit работает в одиночку внутри ограждения из оргстекла. В этой «клетке» он неспешно переносит корзины весом около 11 килограммов с деталями подшипников от штамповочного пресса к моечной линии. Примерно через минуту после того, как он забирает первую корзину с поддона, робот возвращается за следующей. Четыре часа он переносит корзины, затем уходит на подзарядку во время обеденного перерыва, после чего снова работает ещё четыре часа. Рядом находится сотрудник-подрядчик Agility, контролирующий его работу (хотя в компании утверждают, что вскоре постоянный надзор станет не нужен).

Год назад эту работу выполнял сотрудник. Теперь он — нет, конечно, не уволен, Schaeffler не может так раскидываться кадрами — переведен на на более квалифицированную должность в отделе контроля качества.

Компания не раскрывает стоимость Digit, но оценивает эксплуатационные расходы в диапазоне от 10 до 25 долларов в час — в зависимости от того, покупает ли предприятие робота или арендует. Для сравнения: стартовая зарплата на заводе Schaeffler, где нет профсоюза, составляет около 20 долларов в час.

Да, Digit работает не слишком быстро, иногда уходит на перерыв (впрочем, как и живой сотрудник), зато в условиях «Now Hiring» ему в Чиро конкурентов пока не находится.