Восемь часов задержки мешали видеть себестоимость и износ

Total Plastic Solution (TPS) — ирландское малое предприятие с 10–49 сотрудниками и оборотом €2,6 млн, которое выпускает точные детали методом литья пластмасс под давлением. В цехе работают 28 термопластавтоматов. Компания уже много лет развивала собственную ERP, но производственные показатели попадали в неё с задержкой минимум в одну восьмичасовую смену.

Из-за этого руководители не видели текущую загрузку, энергетическую стоимость запуска и переналадки, фактический расход на деталь и приближение сервисного интервала. Нельзя было точно связать цену заказа с временем работы оборудования и потреблением энергии. Неисправности обнаруживались поздно, а данные для расчёта углеродного следа приходилось собирать отдельно.

TPS вместе с институтом IDEAM и хабом FactoryXChange построила систему мониторинга по состоянию. Проект получил два европейских гранта — €10 тыс. и €90 тыс. Это важно для интерпретации результата: речь не о дешёвой коробке, которую подключили за вечер, а о последовательной инженерной работе с внешней исследовательской командой и финансированием.

Официальный кейс Европейской сети цифровых инновационных хабов опубликован 23 сентября 2024 года. Показатели и выводы в нём предоставлены участниками проекта и не являются независимым аудитом. Тем не менее архитектура и конкретные измерения дают малому производству полезный шаблон: сначала собрать достоверный сигнал на границе цеха, затем настроить пороги и только после этого добавлять машинное обучение.

Как устроен контур данных

На станках установили периферийные устройства сбора данных. Они получают электрические параметры трёхфазного оборудования и состояние узлов, после чего передают нормализованные события в систему мониторинга. Контур считает:

  • состояние и время работы станка;
  • потребление энергии;
  • число произведённых деталей;
  • длительность цикла, эффективность и OEE в реальном времени;
  • прямую стоимость энергии и расчётный CO₂ на деталь;
  • наработку инструмента и приближение обслуживания.

Панель показывает текущие режимы и производственные KPI. При превышении порога система создаёт уведомление по электронной почте. История нескольких машин использовалась для статистического анализа и алгоритмов машинного обучения: они находили нормальные диапазоны и тренды для отдельных элементов оборудования.

Ключевой момент — ML не заменил измерение и технологические правила. Сначала инженеры определили, что именно означает цикл, простой, запуск, нормальная мощность и сервисный интервал. Без этих определений модель лишь обнаруживала бы изменения в неразмеченном потоке, но не объясняла бы, какое действие требуется смене.

Что изменилось на производстве

Система обнаружила ослабленное соединение в электрическом контакторе. Следы нагрева показывали, что проблема существовала давно; нестабильное питание могло со временем повредить обмотки двигателя и остановить производство. Раннее обнаружение позволило заменить компонент до отказа. Для литья под давлением это особенно важно: при аварийной остановке станок приходится освобождать от материала и только затем ремонтировать, поэтому отказ означает не только деталь, но и простой плюс отходы.

Данные о наработке инструмента интегрировали с ERP, чтобы заранее создавать задачи профилактического обслуживания. Энергопотребление во время утреннего запуска стало управляемым: раньше нагрев могли включать за несколько часов до фактического производства. Показания также помогли быстрее находить неправильные настройки. На одном стороннем предприятии избыточное усилие смыкания формы связывалось с дефектами и лишним расходом энергии; корректировка устранила проблему качества и снизила нагрузку на инструмент.

К маю 2024 года TPS коммерциализировала решение и установила его ещё на трёх предприятиях. Это заявление участника кейса, а не подтверждение массовой эксплуатации. Для руководителя ценнее другое: внутренний проект превратился в дополнительную услугу только после того, как доказал пользу на собственном процессе и накопил понятные данные.

Как читать цифры без самообмана

В источнике приведён трёхдневный прогон примерно 50 тыс. деталей с циклом около 20 секунд на двух гидравлических машинах. Таблица показывает для одной машины 2,20 кВт·ч в час и €0,54 прямых затрат на электроэнергию, для другой — 11,67 кВт·ч в час и €2,88. Это разница примерно в 5,3 раза по потреблению и стоимости энергии на час.

Ниже таблицы в официальном тексте есть фраза, которая меняет машины местами и утверждает обратное соотношение. Поэтому безопасно опираться на значения таблицы, а не на спорное предложение. Более широкое заявление TPS о том, что старый гидравлический станок потребляет в пять раз больше нового полностью электрического, также следует проверять на собственной номенклатуре, режимах, тарифах и состоянии оборудования.

Цифра «в пять раз» не означает, что любой старый станок надо немедленно менять. В расчёт входят:

  • доля времени под реальной нагрузкой и при прогреве;
  • выпуск годных деталей за час;
  • брак и отходы при остановках;
  • стоимость переналадки и обслуживания;
  • остаточный ресурс оборудования;
  • цена капитала и нового станка;
  • тариф по времени суток и максимальная мощность.

Правильная метрика — полная переменная стоимость годной детали и стоимость часа доступной мощности. Только после этого можно решать, переносить ли серию на другой станок, менять режим запуска, ремонтировать узел или планировать замену оборудования.

Минимальная архитектура для малого завода

Для российского предприятия разумно разделить решение на пять слоёв.

**1. Сигнал.** Счётчики энергии, дискретные состояния, контроллер станка, счётчик циклов и датчики вибрации или температуры там, где они действительно связаны с отказом. Подключение не должно нарушать гарантию, промышленную безопасность и логику ПЛК.

**2. Периферийный шлюз.** Он собирает данные рядом со станком, ставит точное время, буферизует поток при потере сети и переводит протоколы в единую модель. Управляющие команды отделены от аналитики: отказ панели не должен останавливать производство.

**3. Хранилище и контекст.** Телеметрия связывается с заказом, изделием, формой, материалом, сменой и причиной остановки. Без контекста одинаковый скачок мощности может быть нормальным прогревом, новой рецептурой или неисправностью.

**4. Правила и аналитика.** Сначала вводятся технологические пороги и простые тренды. ML добавляется для узлов, где есть повторяемый сигнал, история нормальной работы и подтверждённые события обслуживания. Предупреждение должно содержать причину, окно времени и рекомендуемую проверку.

**5. Рабочий процесс.** Уведомление создаёт задачу в ТОиР или ERP, но человек подтверждает диагноз, действие и факт ремонта. Обратная связь техника возвращается в набор данных. Иначе система копит тревоги, а предприятие — усталость от уведомлений.

Локальное размещение здесь обычно естественнее облачного: поток телеметрии велик, задержка важна, а станки не должны зависеть от внешнего канала. В облако можно передавать агрегаты для отчётности или обучения, если это разрешено политикой данных. Большая языковая модель для базового мониторинга не нужна; она может позже объяснять отчёты или помогать искать инструкции, но не заменяет детерминированную защиту оборудования.

Риски, которые надо закрыть до пилота

Подключение цеха к сети расширяет поверхность атаки. Аналитический шлюз должен находиться в отдельном сегменте, иметь только необходимые исходящие соединения и не получать права на изменение программы станка. Обновления подписываются, учётные записи персональны, события журналируются, а резервный ручной режим проверяется заранее.

Второй риск — ложные тревоги. Если порог срабатывает каждую смену, операторы перестают реагировать. Нужны владелец сигнала, классификация критичности, время реакции и еженедельный разбор ложных срабатываний. Для ранней версии полезнее десять надёжных предупреждений, чем сто красивых графиков.

Третий риск — неверная причинность. Совпадение изменения тока и дефекта не доказывает, что ток вызвал дефект. Технолог должен подтвердить механизм, а контрольный прогон — показать повторяемость. Решение о ремонте и качестве остаётся у ответственного сотрудника.

Модельная экономика пилота

Допустим, у предприятия восемь станков, простой критичного станка стоит 18 тыс. рублей в час, а мониторинг предотвращает один четырёхчасовой отказ в квартал. Модельная выгода — 288 тыс. рублей в квартал. Если оптимизация прогрева экономит ещё 35 тыс. рублей в месяц, суммарный эффект достигает 393 тыс. рублей за квартал до вычета затрат.

Из него нужно вычесть датчики и монтаж, шлюзы, интеграцию, калибровку, поддержку, защищённую сеть и время технологов. Эти числа не относятся к TPS и служат примером расчёта. Пилот окупается не количеством датчиков, а подтверждёнными предотвращёнными часами простоя, снижением энергии на годную деталь и уменьшением брака.

Следующий шаг: шесть недель на одном узком месте

Выберите один станок, где простои или энергия действительно влияют на маржу, и одну измеримую гипотезу.

  • **Неделя 1:** зафиксируйте базовую линию — выпуск, брак, простои, энергию, прогрев и сервисные события.
  • **Недели 2–3:** подключите чтение без управляющих команд, проверьте время и полноту данных, согласуйте определения режимов.
  • **Неделя 4:** настройте два-три технологических порога и ручной журнал подтверждений.
  • **Неделя 5:** запустите уведомления в теневом режиме и измерьте ложные срабатывания.
  • **Неделя 6:** сравните энергию на годную деталь, время обнаружения и предотвращённые простои с базой.

Машинное обучение добавляйте только если простые правила оставляют повторяемую задачу и накоплены подтверждённые примеры. Кейс TPS показывает здравую последовательность: ERP не становится «умной» от ещё одного дашборда. Она становится полезнее, когда получает живой сигнал, а каждое предупреждение связано с ответственным действием и экономическим результатом.