Цифровой директор

Когда людей не хватает: зачем бизнесу сервисные роботы  Американская Asylon Robotics внедряет автономные роботы для круглосуточного патрулирования промышленных объектов, складов и стадионов. В связке работают воздушные дроны Guardian, наземные DroneDog и удалённый центр управления. Роботы делают плановые обходы, передают видео в удалённый операционный центр и проверяют срабатывания сигналов тревоги. Если робот обнаруживает необычную активность, то подключается человек-оператор. Он дистанционно проверяет ситуацию и решает, нужно ли направить на место охранника. Этот кейс интересен тем, что человек работает только с событиями и исключениями, а всю рутинную работу делает машина. По оценке компании, около 90% патрулирования система выполняет автономно. Причина замены людей роботами вполне практическая. Business Insider пишет, что американская индустрия безопасности сталкивается с высокой текучестью кадров. В 2024 году текучка в секторе расследований и охранных услуг достигла почти 89%, а компании сталкиваются с постоянной необходимостью в найме нового персонала. Если людей не хватает, чтобы постоянно выполнять рутинную работу, часть таких задач логично передавать машинам. На фоне глобальной нехватки рабочей силы стремительно развивается сервисная робототехника. В России это направление тоже набирает обороты. Например, наша компания НТР вместе с Фондом «Сколково» участвует в проекте АРМС, в рамках которого создаётся консорциум для разработки и выпуска сервисных роботов.  У проектов АРМС и Asylon Robotics  одинаковый принцип: максимум рутинной работы выполняет робот, а человек подключается только в момент принятия решений. Так что бояться сценария из футуристических фильмов пока не стоит. Скорее, роботы будут приходить туда, где людей уже не хватает на всю необходимую работу.

Для Elios 3 Flyability сделали Tether Power Unit — питание по кабелю, за счёт которого инспекцию можно проводить значительно дольше, чем на аккумуляторе. Большинство производителей конкурируют за дополнительные минуты полёта на батарее. Flyability пошла другим путём и решила задачу на уровне архитектуры системы, а не характеристик самого дрона. Если заказчику нужна длительная непрерывная инспекция, зачем ограничивать её ёмкостью аккумулятора? Мы в НТР тоже работаем над увеличением времени инспекции. Дрон «СИНИЛЬГА» автономно летает внутри закрытых сооружений и ориентируется по LiDAR- и визуальному SLAM. Недавно мы добавили горячую замену батареи, и теперь продолжительность инспекции может составлять 20–30 минут. Питание по кабелю для СИНИЛЬГИ мы пока не используем, но сам подход Flyability нам близок. Это хороший пример того, что технологическое развитие – это не всегда гонка за усложнением системы. Иногда разумнее упростить решение и подстроить технологию под реальную задачу заказчика. Интересно, что дальше — связь по оптоволокну? Внимательно наблюдаем за коллегами. 

ЦИФРОВОЙ ДВОЙНИК ПРОИЗВОДСТВА: ОТ ДАННЫХ К УПРАВЛЕНИЮ На промышленном производстве недостаточно просто собирать данные. Важно понимать, что происходит с технологическим процессом в каждый момент времени и использовать эту информацию для принятия решений. В одном из наших проектов мы создали систему потокового контроля гранулометрического состава шихты прямо на конвейере. Компьютерное зрение в реальном времени определяет состав материала, размеры фракций и посторонние предметы. Эти данные становятся частью цифровой модели процесса и помогают оперативно реагировать на отклонения. В видео генеральный директор НТР, Николай Михайловский рассказывает, как такой подход работает на практике, зачем промышленному предприятию цифровой двойник и также о том, как цифровые технологии помогают не просто видеть производство, а управлять им.

Почему большинство проектов по внедрению искусственного интеллекта не приносит результата За последние два года мы прошли знакомый цикл. Сначала все боялись, что искусственный интеллект изменит рынок. Потом появился страх — отстать от конкурентов. Компании начали массово подписываться на ИИ-сервисы, запускать пилоты, обучать сотрудников и объявлять о внедрении искусственного интеллекта. Но прошло немного времени, и всё чаще звучит другой вопрос: если ИИ уже внедрён, почему производительность почти не изменилась? Во многих компаниях сценарий выглядит одинаково: руководство покупает платформу, ИТ-служба её внедряет, сотрудники проходят обучение, а дальше продолжают работать так же, как раньше. В результате появляется ещё один дорогой инструмент, который существует, но почти не влияет на бизнес. Проблема в том, что ИИ сам по себе не создаёт ценность — она возникает, когда меняется процесс. Если процесс устроен плохо, ИИ лишь ускоряет неэффективные действия. Получается не цифровая трансформация, а автоматизированная дисфункция: старые проблемы с новым интерфейсом. Кроме того, ИИ часто воспринимают как самостоятельного исполнителя. В промышленности процесс обычно выглядит как цепочка «человек — ИИ — человек»: кто запускает модель, кто проверяет её выводы и кто действует дальше? Если эта передача ответственности не продумана, автоматизация лишь ускоряет отдельный фрагмент работы, не меняя процесс целиком. Поэтому главный вопрос перед внедрением ИИ должен звучать не «что можно автоматизировать?», а «как сегодня работают люди и где предприятие теряет деньги, время или устойчивость процесса?». Именно там обычно находится настоящее узкое место. И только разобравшись с ним, имеет смысл выбирать технологию. Иногда это будет искусственный интеллект. Иногда — математическая оптимизация, компьютерное зрение или цифровой двойник. А иногда выяснится, что проблему можно решить вообще без ИИ. Самые успешные наши проекты в промышленности начинались не с выбора модели или платформы. Они начинались с понимания процесса. Например, на крупной табачной фабрике узким местом оказалось не оборудование, а производственное планирование. Вместо того чтобы просто «добавить ИИ», была пересмотрена сама логика построения производственного графика, а затем создана математическая модель, которая автоматически рассчитывает оптимальный план с учётом десятков технологических ограничений. Результатом стало сокращение объёма незавершённого производства с ожидаемым экономическим эффектом около 40 миллионов рублей и, конечно, более быстрое планирование. Похожая история была и в металлургии. Цифровой двойник цеха рудоподготовки позволил прогнозировать химический состав шихты до загрузки в доменную печь, а система компьютерного зрения — непрерывно контролировать гранулометрический состав сырья прямо на конвейере. Искусственный интеллект и машинное зрение здесь были лишь частью инженерного решения. Проблемой оказался не недостаток данных, а невозможность использовать их для принятия решений в реальном времени. Настоящий эффект появился потому, что изменился сам процесс управления производством. В этом сегодня и проходит граница между успешными и неудачными проектами. Главной новостью больше не является сам искусственный интеллект. Новостью становятся проекты, где инженеры смогли заставить ИИ работать в условиях реального производства: со старым оборудованием, непредсказуемой средой, людьми, ограничениями безопасности и нестандартными процессами. И этот переход от лабораторной модели к промышленной эксплуатации сегодня выглядит главным источником инженерных инноваций.

Самыми интересными становятся проекты, где инженеры смогли заставить ИИ работать в условиях реального производства: со старым оборудованием, непредсказуемой средой, людьми, ограничениями безопасности и нестандартными процессами. Именно этот переход от лабораторной модели к промышленной эксплуатации сегодня выглядит главным источником инженерных инноваций.

Почему большинство проектов по внедрению искусственного интеллекта не приносит результата За последние два года мы прошли очень знакомый цикл. Сначала все боялись, что искусственный интеллект изменит рынок. Потом появился другой страх — отстать от конкурентов. Компании начали массово подписываться на ИИ-сервисы, запускать пилоты, обучать сотрудников и объявлять о внедрении искусственного интеллекта. Но прошло совсем немного времени, и всё чаще звучит другой вопрос: если ИИ уже внедрён, почему производительность почти не изменилась? Причина, как ни странно, редко связана с самим искусственным интеллектом. Во многих компаниях сценарий выглядит одинаково: руководство покупает платформу, ИТ-служба её внедряет, сотрудники проходят обучение, а дальше продолжают работать так же, как и раньше. В результате появляется ещё один дорогой инструмент, который формально существует, но почти не влияет на бизнес. Проблема в том, что искусственный интеллект не способен сам создать ценность. Ценность возникает только тогда, когда меняется процесс. Если процесс изначально устроен плохо, ИИ просто помогает быстрее выполнять те же самые неэффективные действия. Получается не цифровая трансформация, а автоматизированная дисфункция — старые проблемы, только с новым интерфейсом и модным названием. Есть ещё одна причина, о которой говорят гораздо реже. Многие воспринимают искусственный интеллект как самостоятельного исполнителя. На практике это почти никогда не так. Почти любой промышленный процесс выглядит как цепочка «человек — ИИ — человек». Кто принимает решение перед запуском модели? Кто проверяет её выводы? Кто действует дальше? Если эта передача ответственности не продумана заранее, эффективность не появляется. Мы автоматизируем отдельный фрагмент работы, но не меняем весь процесс. Поэтому главный вопрос перед внедрением ИИ должен звучать не «что можно автоматизировать?», а «как сегодня работают люди и где предприятие теряет деньги, время или устойчивость процесса?». Именно там обычно находится настоящее узкое место. И только разобравшись с ним, имеет смысл выбирать технологию. Иногда это действительно будет искусственный интеллект. Иногда — математическая оптимизация, компьютерное зрение или цифровой двойник. А иногда выяснится, что проблему можно решить вообще без ИИ. Именно поэтому самые успешные проекты, которые мы видели в промышленности, начинались не с выбора модели или платформы. Они начинались с понимания процесса. Например, на табачной фабрике JTI узким местом оказалось не оборудование, а производственное планирование. Вместо того чтобы просто «добавить ИИ», была пересмотрена сама логика построения производственного графика, а затем создана математическая модель, которая автоматически рассчитывает оптимальный план с учётом десятков технологических ограничений. Результатом стало не просто более быстрое планирование, а сокращение объёма незавершённого производства с ожидаемым экономическим эффектом около 40 миллионов рублей. Похожая история была и в металлургии. Цифровой двойник цеха рудоподготовки позволил прогнозировать химический состав шихты до загрузки в доменную печь, а система компьютерного зрения — непрерывно контролировать гранулометрический состав сырья прямо на конвейере. Искусственный интеллект и машинное зрение здесь были лишь частью инженерного решения.  Проблемой оказался не недостаток данных, а невозможность использовать их для принятия решений в реальном времени. Настоящий эффект появился потому, что изменился сам процесс управления производством. Пожалуй, именно в этом сегодня и проходит граница между успешными и неудачными проектами. Не между теми, кто внедрил ИИ, и теми, кто ещё не успел. А между теми, кто использовал ИИ как очередной модный инструмент, и теми, кто с его помощью смог по-новому организовать работу предприятия. Главной новостью больше не является сам искусственный интеллект.

Самыми интересными становятся проекты, где инженеры смогли заставить ИИ работать в условиях реального производства: со старым оборудованием, непредсказуемой средой, людьми, ограничениями безопасности и нестандартными процессами. Именно этот переход от лабораторной модели к промышленной эксплуатации сегодня выглядит главным источником инженерных инноваций.

Как оценить уровень уровень цифровизации предприятия  Для этого нужно честно оценить текущее состояние, замерить разрыв между «как есть» и «как хочется» и сформировать план действий.  Об этом расскажут на онлайн-встрече комьюнити Digital4food «Модель цифровой зрелости. Оцените уровень своего предприятия и сформируйте план шагов для развития за 1 час». В программе: ✔️5 уровней и 5 направлений развития, в рамках которых предприятию необходимо равномерно двигаться для наращивания общего уровня цифровизации. ✔️30+ инструментов и навыков, по наличию или отсутствию которых можно понять, на каком уровне находится предприятие. Спикер: Андрей Шишкин – основатель Digital4food, основатель экосистемы «Константа», 20+ лет опыта, 30+ разработанных стратегий цифрового развития, 100+ реализованных проектов автоматизации Подробности и регистрация по ссылке - https://clck.ru/3V2Gj6 12 августа 10:00-11:00 по МСК | онлайн

Промышленные объекты требуют постоянного контроля, но проверять их вручную дорого, долго и небезопасно. Одна незамеченная трещина может обернуться аварией, дорогостоящим ремонтом и остановкой линии. Как не упустить критичный дефект? Для профилактического мониторинга в сложных условиях нужны особые решения. Дрон „Синильга“ работает там, где человеческие возможности ограничены: в замкнутых пространствах, высоко над землёй и в полной темноте. С максимальной детализацией. „Синильга“ – это не простой DJI формата камера на раме. Это полноценнная промышленная система инспекции и мониторинга со своей системой навигации без спутников (разработка НТР), коаксиальной схемой винтов, промышленным шасси и продуманной защитой. Это второй релиз “Синильги” и мы в НТР гордимся своей разработкой. Рассказали подробнее о технической подноготной и кейсах применения в видео.

В 2020 году инспекционная компания RoNik Inspectioneering решила всерьез проэкзаменовать Elios 2 в задаче инспекции резервуаров для нефтепродуктов. В Антверпене нашелся подходящий объект — небольшой составной резервуар под давлением, который пришло время проверить на дефекты. Инспекторы хотели понять, способен ли дрон заменить человека в этой работе. Да, в 2020 ответ на этот вопрос был совсем не очевиден. Дело в том, что инспекция резервуаров — не только опасная, но и крайне ответственная работа. Неквалифицированный осмотр этих сложных объектов приводит не просто к каким-нибудь остановкам и дополнительным расходам, а к взрывам и катастрофам. Именно поэтому существуют отдельные и очень строгие правила инспекции — стандарт API 510 — а также жесткие требования к допуску специалистов. Чтобы получить такую сертификацию, инспекторы проходят сложнейший экзамен, где должны доказать глубокие знания в области технического обслуживания, осмотра и ремонта. И вот RoNik Inspectioneering, сохраняя скептический и даже придирчивый подход, провела 15 тестов и в итоге уверенно заявила: да, дрон-инспектор можно использовать для проверки резервуаров по стандартам API 510. От себя добавим: не только можно, но и нужно. Потому что классический метод обследования требует не только привлечения суперквалифицированных специалистов, но и строительства девятиэтажных лесов — вместе со всеми связанными с этим экономическими и медицинскими рисками. Почему мы пишем про эту историю именно сейчас, спустя шесть лет? Во-первых, потому что за это время инспекция с помощью дронов только укрепила свои позиции и постепенно становится промышленным стандартом. А во-вторых, потому что сама задача инспекции никуда не делась, а вот Elios 2 — делся. И помочь с осмотром резервуаров в России он не сможет. Поэтому мы решили отправить второе поколение наших дронов-инспекторов «Синильга» в полет туда, где темно, опасно и не работает GPS — в нефтяные резервуары. «Синильга 2.0» идеально подходит для этой сложной задачи. Дрон ориентируется и ищет дефекты в полной темноте с помощью лидаров, предотвращает столкновения благодаря системе Pilot Assist, может непрерывно работать до получаса. А спустя эти полчаса батареи можно заменить практически на лету — не выключая дрон. Разумеется, GPS ему тоже не нужен. С помощью дрона-инспектора время инспекции сокращается в четыре раза — и это уже не говоря об экономии на строительстве лесов и повышении безопасности людей. С 2020 много воды утекло (а нефти из антверпенского резервуара, к счастью, нисколько не утекло). За это время слишком многое изменилось, но мы стараемся меняться вместе с отраслью, направляя наши продукты туда, где они действительно нужны.

Пару лет назад мы открыли новое (для компании) направление — оптимизацию производства. Обычную, классическую математическую оптимизацию. И что интересно: в эпоху генеративного AI она нужна ничуть не меньше, чем раньше. Задач в этом поле всё так же полно, потому что привычными AI-инструментами они просто не решаются. Построить оптимальное расписание, найти действительно лучшие настройки технологических параметров, чтобы минимизировать расход сырья и простои — привычные AI-инструменты здесь не слишком полезны Все эти задачи, при всей их внешней непохожести, по сути сводятся к одной задаче, которую впервые решил в конце 30-х молодой математик Леонид Канторович. Его пригласили в Ленинградский фанерный трест решить вроде бы рядовую производственную задачу: как распределить восемь сортов шпона по пяти типам станков, чтобы получить максимальный выход. Канторович справился и заодно случайно открыл новый раздел математики, линейное программирование, а в 1975 году еще и получил за это Нобелевскую премию по экономике. Ну, знаете, в Советском союзе AI не было, автоматизировали тихо, не спеша, с помощью линейного программирования. Внедрять проекты с математической оптимизацией сейчас бывает интересно — иногда приходится убеждать заказчика, что AI-инструменты тут не понадобятся, иногда настоящая оптимальность оказывается совсем не там, где искали, а иногда оптимальное решение вообще заставляет пересмотреть сложившиеся процессы. Но вот что успокаивает — и на заре оптимизации такие проекты сталкивались с забавными проблемами и непониманием. Дальше можно было бы пересказать своими словами, но, честно говоря, не хочется ничего менять в оригинальном рассказе самого Канторовича из его последнего в жизни интервью:

Много лет назад произошла, пожалуй, наиболее типичная - по непониманию - ситуация, которую сегодня часто вспоминают как анекдот. Но это - не анекдот. На вагоностроительном заводе имени Егорова в Ленинграде с помощью линейного программирования сделали раскрой металла. Это была пионерная работа и в мире, и у нас в стране. Делалось все в эпоху арифмометров, а не ЭВМ, вообще, вероятно, это было первое в мировой практике реальное применение методов линейного программирования. После того как были применены оптимальные методы и несколько сократился расход металла, оказалось, что резко уменьшилась возможность сдачи металлолома. В итоге был сорван план сдачи отходов металла, а раз один из показателей плана не выполнен, то предприятие не может быть премировано в полном размере. Тогда райком помог преодолеть эту трудность, и в виде исключения премия заводу была сохранена, несмотря на срыв одного из показателей. Второй казус этой ситуации: отраслевое начальство, получив рапорт о том, что завод на 4 процента увеличил использование металла при раскрое, предложило им не терять темпа и в следующем году опять подняло план использования металла на те же 4 процента. Выходило, что металл должен использоваться на 101 процент, и пришлось даже писать бумагу от академии, что больше 100 процентов не бывает.

На LogiMAT 2026 в категории технологий для складских операций победил SkyBot от немецкой CeiliX Technology. Жюри признало SkyBot первым мире мобильным омнинаправленным коботом, который полностью работает под потолком. Идея простая и гениальная одновременно. У вас тесный цех, склад с колоннами, куча напольного оборудования, AMR и людей. Где найти место для новых роботов? “Ну на потолке еще поищи” — вспомнили школьную присказку разработчики, поискали на потолке и придумали CeiliXElements. Это модульная сеть рельсов под потолком, на которые можно навесить почти любое оборудование — роботов, коботов, краны и так далее. Ценность технологии (помимо собственно инженерного решения) — в умной системе, которая позволяет разному оборудованию двигаться без столкновений, независимо от геометрии помещения, расположения конвейеров и колонн. Самым интересным кажется сама потолочная система с умной регулировкой движения, но премию получил именно SkyBot. Он занимается отбором товаров, перевозкой небольших грузов, сортировкой и простой сборкой. Но главное — он не требует выделенной и огражденной зоны как классические промышленные роботы, не конкурирует за место в коридорах с AMR и вообще не занимает ни метра полезной площади. Конечно, не для каждого производства это подойдёт. Нужно нормальное перекрытие, которое выдержит рельсы, и задачи, где манипуляция сверху логична. Но для сборочных линий, упаковки, сортировки на складах с высокой плотностью это вполне может стать спасением, если площади стоят дорого или расширяться уже некуда. У CeiliX в арсенале еще есть робот для перемещения тяжелых грузов, роботы для координации разных участков производства, а еще невероятно смешное видео с человеком в костюме робота, привязанному к CeiliXElements. Видимо, для демонстрации того, как эту потолочную систему можно будет использовать с роботами-гуманоидами.

Иногда наши проекты с крупными заказчиками рождают проекты поменьше — мы окунаемся в какую-то область, видим с какими проблемами сталкиваются специалисты и как-то сама собой обнаруживается необходимость что-нибудь автоматизировать. А нам бы только повод. Так появился наш сервис для идентификации номеров вагонов по фотографии. Сервис доступен прямо сейчас для всех. Можно загрузить подходящие фото вагона или контейнера (а можно даже несколько сразу) и через пару секунд получить выгрузку с результатами. Система работает на базе моделей машинного обучения и определяет номер с точностью около 98%. В сервис также вшита автоматическая проверка правильности номера. Это решение появилось из реальной проблемы одной крупной горно-металлургической компании, нашего заказчика. Там каждый день данные о сотнях контейнеров (номер, тип, вес) обрабатывались вручную. Мы автоматизировали для них этот процесс и помогли сократить количество ошибок, ускорить обработку, повысить прозрачность отчетов и в целом облегчить жизнь сотрудникам. Автоматизировали для одних и подумали, что это может быть полезно многим. Так что мы специально сделали сервис открытым, чтобы любой мог зайти и попробовать. Не нужно договариваться, согласовывать пилот и ждать два месяца. Заходите на railcar.ntr.ai, регистрируйтесь и тестируйте на своих данных. Пробуйте, ругайте, если что-то не так, хвалите если всё так

Сегодня у нас большой день — мы запустили собственный AI-инструмент для автоматизации тестирования. Это OGORON, знакомьтесь! Мы шли к этому релизу очень долго, и для нас это правда волнительный и важный момент. OGORON сам генерирует и поддерживает UI и API тесты прямо в CI/CD, помогая выпускать продукт быстрее и с меньшим количеством багов без роста QA-команды. Мы сами уже используем его на своих проектах для промышленных заказчиков, и эффект ощутимый. Сейчас открыт бесплатный trial на 14 дней, чтобы можно было подключить продукт к своему проекту и посмотреть, как оно работает именно у вас. Запуск прошёл сегодня на Product Hunt, заходите и попробуйте наш OGORON! А если у вас получится оставить комментарий под нашим запуском, то это очень поможет нашей команде. Спасибо большое, мы очень ценим вашу поддержку

Стартап Mind Robotics только что закрыл раунд Series A на $500 млн для создания AI-роботов для промышленности. Причём речь идёт не о гуманоидах и даже не о «робофлоте» — заявлена полноценная платформа: foundation-модель, железо и инфраструктура развертывания. Сейчас большинство решений в промышленности заточены под повторяющиеся, стабильно стандартизированные задачи. По мнению Mind Robotics, этого уже недостаточно, и в производственных процессах остаётся большая дыра, где автоматизация откровенно слаба — операции, требующие человеческой ловкости, адаптации к переменным условиям и физического рассуждения. Поэтому Mind Robotics хочет закрыть эту нишу и автоматизировать то, на что текущие промышленные роботы пока замахнуться не могут:

«Продвинутые роботы станут критичны для глобальной конкурентоспособности и решения дефицита кадров на заводах», — говорит основатель Mind Robotics RJ Scaringe.

Заявка сильная, но этого мало, чтобы попасть в пост на этом канале) У Mind Robotics, кажется, есть один ключевой козырь. Дело в том, что это на самом деле спин-офф автогиганта Rivian. Rivian остаётся и партнёром, и крупным акционером, то есть у стартапа автоматически есть доступ к огромному потоку данных с его заводов. Можно с большой долей уверенности предположить, что роботы Mind Robotics будут учиться на реальных производственных сценариях и сразу тестироваться в живой среде. $500 млн финансирования — это замечательно, но данные и полигон для запуска — пожалуй, гораздо более серьёзное преимущество. С тем, что промышленные роботы должны браться за новые, более сложные и менее понятные процессы, мы полностью согласны и убеждаемся в этом на своём опыте. Кстати, мы сами сейчас работаем над роботизированной рукой для задач pick-and-place. На первый взгляд они кажутся вполне тривиальными, но если перейти к реальным условиям — например, к разбору багажа в аэропорту, где каждая сумка или рюкзак имеет совершенно непредсказуемую форму, вес и вообще лежат как попало, становится понятно, о какой именно «дыре» говорят в Mind Robotics. В общем, будем следить за Mind Robotics. Если у них получится реализовать заявленное, это может стать одним из тех сдвигов, после которых «обычная» промышленная робототехника уже никогда не будет прежней.

12 марта 2026 года в Федеральной службе по экологическому, технологическому и атомному надзору под председательством Руководителя Ростехнадзора Александра Трембицкого прошло расширенное заседание Коллегии. В заседании приняли участие Заместитель Председателя Правительства Марат Хуснуллин, представители федеральных органов исполнительной власти, Администрации Президента, Совета Федерации, Государственной Думы, Генеральной прокуратуры, Счётной палаты, общественных организаций и профессиональных объединений. Участники Ассоциации «Цифровые активы промышленности» - Группа компаний «НЕОЛАНТ», НТР, QUBOT - представили на выставочной экспозиции цифровых технологий, проводимой в рамках заседания Коллегии Ростехнадзора, совместный стенд, посвященный применению бионических роботов и дронов-инспекторов для безлюдного сбора данных об актуальном состоянии объектов использования атомной энергии (ОИАЭ), остановленных для вывода из эксплуатации, формирования на основе данных цифровых исполнительных инженерно-радиационных моделей (ЦИИРМ) и их применения для контроля безопасности на этапах вывода из эксплуатации ОИАЭ. Совместный стенд компаний вызвал интерес участников Коллегии из нескольких управлений Ростехнадзора, осуществляющих надзор в различных отраслях промышленности. Более подробно о Коллегии Ростехнадзора далее ▶️ Канал Ассоциации Дзен | MAX

На прошлой неделе представили в компании коллег наш дрон-инспектор Синильгу в компании его коллег

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.

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

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!