Кейс 3D-Components: 40 сварочных симуляций ускорили с 2,5 суток до 1,5 часа

Почему сварку всё ещё настраивают дорогими пробами

Норвежская 3D-Components развивает RobTrack — аппаратно-программную платформу для роботизированной сварки и направленного энергетического осаждения металла. В таких процессах инженер одновременно работает с десятками взаимозависимых параметров: мощностью, скоростью, подачей материала, траекторией, геометрией, охлаждением, свойствами сплава и закреплением детали.

По данным кейса FFplus, современная установка может иметь более 50 связанных параметров. Проверять комбинации только физическими пробами медленно: квалификационная кампания занимает недели, расходует дорогие сплавы и машинное время, а найденный режим не обязательно будет оптимальным.

RobTrack уже использовал AI-поддержку для предварительного отбора режимов, но анализа одной геометрии было недостаточно. Чтобы прогнозировать тепловое и механическое поведение детали, потребовались физические модели сварки и параллельный расчёт множества вариантов.

Как устроен контур SHAPE-AM

Проект SHAPE-AM связал четыре слоя в один инженерный процесс.

1. Конфигурация эксперимента

Инженер задаёт материал, геометрию, последовательность проходов, параметры источника тепла и закрепление. Эти данные должны быть версионированы: без точной связи между расчётом, деталью и фактическим режимом модель быстро превращается в красивую коллекцию картинок.

2. Физическая симуляция

Конфигурация автоматически преобразуется в конечно-элементную модель Simufact Welding. Такой расчёт оценивает температурные поля, скорости охлаждения, деформации и остаточные напряжения. Это не LLM и не генерация ответа по тексту, а численное решение физической модели.

3. Параллельный запуск на HPC

Варианты выполнялись на норвежском кластере Saga, до 256 процессорных ядер на задачу. Параллельность важна не потому, что одна симуляция обязательно требует суперкомпьютер, а потому, что инженеру нужен пакет из десятков вариантов за время, совместимое с проектным решением.

4. AI-модель и решение инженера

Результаты расчётов становятся обучающими данными для моделей, прогнозирующих качество процесса и структурное поведение. AI помогает быстро отсеять слабые режимы и ранжировать кандидатов. Финальный выбор, физическая проверка и квалификация процедуры остаются у инженеров.

Что получилось в демонстрации

FFplus приводит несколько измеримых результатов:

пакет из 40 вариантов, занимавший около 2,5 суток на рабочей станции, выполнили примерно за 1,5 часа;
модели прогнозировали скорость охлаждения с заявленной точностью выше 98%;
проект сообщает о возможности ускорить кампании разработки процесса до 200 раз;
заявлено потенциальное сокращение отходов материала и связанных выбросов до 90%;
операционные расходы, по оценке проекта, могут снизиться примерно на 60%.

Эти цифры нельзя складывать в одну гарантированную экономию. Результат 2,5 суток против 1,5 часа относится к конкретному пакету расчётов и инфраструктуре. Точность выше 98% относится к прогнозу скорости охлаждения, а не к универсальной точности выявления брака. Формулировки «до 200 раз» и «до 90%» описывают верхнюю границу, заявленную участниками проекта.

Прогноз роста выручки компании и оценка рынка примерно в 2 000 пользователей также являются бизнес-планом, а не подтверждённым результатом продаж. Для собственного проекта их нужно заменить локальными данными: стоимостью материала, часом сварочной ячейки, временем инженера и фактической долей неудачных проб.

Симуляция не отменяет квалификацию сварки

Виртуальный отбор уменьшает число дорогих физических экспериментов, но не превращает прогноз в сертифицированный процесс. ISO 15614-1 определяет квалификацию сварочной процедуры через испытания и подтверждение требуемых механических свойств соединения.

Практическая роль цифрового контура — сузить пространство поиска. Вместо десятков случайных проб инженер получает несколько обоснованных кандидатов, которые затем проверяются на реальном материале. Это особенно важно при смене сплава, толщины, оснастки или геометрии: модель должна подтвердить применимость, а не молча перенести старый режим.

Какие данные и интеграции нужны

Для воспроизводимого пилота потребуется больше, чем архив CAD-файлов.

карточки материалов с температурно-зависимыми свойствами и происхождением данных;
геометрия детали, шва, оснастки и закрепления;
параметры источника тепла, подачи, скорости и траектории;
результаты симуляций с версиями решателя и сетки;
измерения реальных образцов: температурные циклы, геометрия, дефекты, механические испытания;
связь между расчётным вариантом, фактическим запуском и итогом контроля;
журнал ручных корректировок инженера.

Интеграционный контур обычно включает систему подготовки экспериментов, очередь HPC-задач, хранилище артефактов, каталог версий моделей и интерфейс для сравнения вариантов. LLM здесь может помочь оформить отчёт или найти похожий эксперимент, но не должен подменять физический решатель и правила допуска.

Где проходит граница локального контура

Малому производству не обязательно покупать кластер. Чувствительные CAD-модели, технологические карты и результаты испытаний можно хранить локально, а обезличенные расчётные пакеты отправлять в арендуемый или отраслевой HPC-контур. Другой вариант — локальная подготовка и проверка задания с пакетным расчётом в выделенном облаке.

Перед передачей нужно определить:

какие поля считаются коммерческой тайной;
можно ли отделить геометрию от данных заказчика;
где хранятся временные файлы и резервные копии;
кто имеет право запускать дорогостоящие серии;
как удаляются результаты после завершения проекта.

Для эксплуатации полезна гибридная схема: тяжёлые физические расчёты выполняются пакетно, а компактная модель быстрого ранжирования работает рядом с RobTrack. При выходе за область обучающих данных система не угадывает, а отправляет вариант на новый расчёт или ручную проверку.

Модельная экономика пилота

Считать нужно не «стоимость AI», а стоимость одной кампании выбора режима до и после внедрения.

Базовая формула включает:

часы инженеров;
материал и образцы;
машинное время и переналадку;
лабораторный контроль;
лицензии решателя;
вычисления и хранение;
сопровождение данных и моделей.

Примерный расчёт, не относящийся к результатам 3D-Components: если предприятие проводит 12 кампаний в год и на каждой экономит 30 инженерных часов по 2 500 рублей и 50 000 рублей материалов, годовой эффект составит около 1,5 млн рублей. Пилот стоимостью 1 млн рублей окупится примерно за восемь месяцев при условии, что экономия подтверждается и не растут расходы на лицензии и расчёты.

Главная метрика — стоимость квалифицированного режима, а не скорость отдельной симуляции. Быстрый расчёт бесполезен, если он создаёт больше повторных испытаний или инженеры ему не доверяют.

Безопасный следующий шаг на четыре недели

Для первого цикла достаточно одного типа детали и 10–40 исторических либо специально выбранных режимов.

1. Зафиксируйте базу: число физических проб, часы инженера, материал, машинное время и длительность кампании.
2. Выберите один прогнозируемый показатель — например, скорость охлаждения или деформацию.
3. Откалибруйте физическую модель на нескольких известных образцах.
4. Запустите варианты параллельно и отделите проверочную выборку, которую модель не видела.
5. Сравните ранжирование AI с решением инженера и фактическими испытаниями.
6. Рассчитайте полную стоимость принятого режима с лицензиями и вычислениями.

Переходить к автоматическим рекомендациям стоит только после того, как система стабильно отбрасывает слабые варианты, показывает область применимости и сохраняет трассировку решения.

Вывод для бизнеса

Кейс 3D-Components показывает удачную роль AI в промышленности: не заменить инженера и не «сгенерировать сварку», а связать физическую симуляцию, параллельные вычисления и быстрый отбор параметров. Самый убедительный результат — сокращение 40 расчётов с 2,5 суток до 1,5 часа; более широкие показатели экономии требуют проверки на конкретном производстве.

Для малого предприятия разумный путь начинается с одного дорогого процесса проб и ошибок, чистой истории экспериментов и модельной экономики. Если цифровой контур сокращает число физических итераций без потери качества, масштабирование становится инженерным решением, а не ставкой на модное слово.