Кейс K I TECH: как цифровой пресеттер сократил настройку инструмента на 30–40%

Не каждый эффект автоматизации требует нейросети

Малое производство часто приходит к ИИ с реальной болью: станок простаивает при переналадке, качество зависит от опытного наладчика, а параметры остаются в блокноте или в памяти сотрудника. В такой ситуации соблазнительно сразу искать предиктивную модель или AI-агента. Но кейс болгарского микропредприятия K I TECH показывает более практичный первый шаг — оцифровать измерение и замкнуть управляемый контур.

Компания вместе с EDIH Zagore и технологическими партнёрами создала прототип цифрового пресеттера для подготовки и калибровки режущего инструмента. Описанная система сочетает автоматическое управление параметрами, мониторинг в реальном времени, журналирование и интерфейс оператора. По данным опубликованного кейса, время настройки сократилось на 30–40% по сравнению с ручным процессом.

Это история не о том, как генеративный ИИ заменил наладчика. Наоборот: измеримый результат появился после того, как ручная операция получила датчики, фиксированные параметры, журнал событий и повторяемый алгоритм. Именно такая основа позже позволяет безопасно добавлять локальную аналитику и ИИ.

Что подтверждено первоисточником

K I TECH относится к микропредприятиям с численностью от одного до девяти сотрудников. Проблемой была ручная подготовка инструмента: она занимала время, зависела от навыка конкретного оператора и не давала системно сохранять параметры для последующего анализа.

В прототип вошли четыре программно-аппаратных модуля:

автоматическое управление параметрами настройки;
мониторинг процесса в реальном времени;
сбор и анализ операционных данных;
интерфейс и визуализация для оператора.

Источник сообщает о сокращении времени настройки на 30–40%, полной повторяемости калибровки в рамках испытанного прототипа и снижении влияния ручных ошибок. Цифровая зрелость компании по методике проекта выросла с 34% до 39%. Разработка программной части была внесена партнёрами как неденежный вклад, поэтому прямые расходы компании на неё в рамках проекта указаны как нулевые.

Эти цифры нужно читать в контексте. Это отчёт участника программы поддержки, а не независимый аудит серийной эксплуатации. «100% повторяемость» относится к проверенному прототипу, а окупаемость на горизонте одного-двух лет названа ожидаемой и связана не только с собственным производством, но и с будущим лицензированием или продажами решения. Для другой площадки результат необходимо подтвердить заново.

Почему это важно для проектов ИИ

ИИ не исправляет процесс, в котором неизвестно, какой инструмент был установлен, какие целевые размеры заданы и кто изменил поправку. Без такого контекста модель увидит поток чисел, но не сможет отличить нормальную переналадку от дрейфа, ошибку измерения — от износа, а запланированную остановку — от сбоя.

Цифровой пресеттер создаёт три актива, без которых продвинутый анализ остаётся презентацией:

1. **Единицу наблюдения.** Каждое измерение связано с конкретным инструментом, заданием и версией настройки.
2. **Эталон.** Есть целевое значение, допуск и подтверждённый итог калибровки.
3. **Обратную связь.** Можно сопоставить параметры подготовки с фактической работой станка, качеством детали и последующим износом.

Поэтому для малого предприятия правильный вопрос часто звучит не «какую модель поставить», а «какие события процесса мы сможем доказуемо связать между собой».

Архитектура локального контура

Базовую систему разумно разделить на пять слоёв.

Первый — измерительное оборудование и контроллер. Пресеттер получает геометрию инструмента, сравнивает её с заданием и формирует результат калибровки. Критическая логика допуска должна оставаться детерминированной и работать даже при недоступности аналитического сервера.

Второй — адаптер данных. Он переводит сигналы конкретного оборудования в стабильную схему. Для машинного парка полезно рассмотреть открытые модели MTConnect или OPC UA for Machine Tools: они задают общую семантику для состояния оборудования, инструмента, событий и результатов. Выбор стандарта зависит от поддерживаемых интерфейсов, но собственный формат без версий быстро превращается в ещё одну точку зависимости.

Третий — локальное хранилище событий. Для каждого цикла нужны идентификатор инструмента, станка и заказа, целевые размеры, измеренные значения, отклонения, внесённые поправки, время, оператор, версия калибровки и состояние датчиков. Изменения лучше записывать как новые события, а не перезаписывать старую строку.

Четвёртый — рабочий интерфейс. Оператор видит допуск, причину остановки и предложенное действие. Руководителю доступны длительность настройки, повторные измерения, простои и распределение отклонений. Один экран не должен смешивать производственное управление и экспериментальные прогнозы.

Пятый — интеграция с MES, CMMS или учётной системой. Измерение приобретает бизнес-смысл, когда связано с операцией, партией и последующим качеством выпуска.

Где появляется локальный ИИ

После накопления качественной истории можно добавлять модели по одной задаче за раз.

Аномалия в последовательности измерений может предупреждать о загрязнении, разбалтывании крепления или дрейфе датчика.
Прогноз оставшегося ресурса инструмента можно строить по измерениям, нагрузке и результатам обработки.
Модель может оценивать ожидаемое время переналадки для расписания.
Локальный помощник может объяснять оператору журнал событий и находить похожие случаи в инструкции, не получая права самостоятельно менять смещения.

Для первых трёх задач важнее временные ряды и корректные признаки, чем большая языковая модель. LLM уместна как интерфейс к документам и журналам, но не как единственный контур управления станком.

На старте все прогнозы должны работать в теневом режиме. Модель пишет рекомендацию рядом с фактическим решением человека, а команда сравнивает результат. Право изменять параметры выдаётся только детерминированному сервису с белым списком операций, диапазонами и подтверждением.

Данные и контроль качества

Минимальная схема записи одного цикла включает:

`tool_id`, тип и серийный номер инструмента;
`machine_id`, заказ, материал и операция;
целевые размеры и допуски;
исходные и итоговые измерения;
список поправок и их автора;
длительность каждого этапа;
код результата и причина повторной настройки;
версию прошивки, адаптера и правил;
отметку о последующем качестве детали.

Нужно отдельно контролировать пропуски, задвоенные события, рассинхронизацию часов и смену единиц измерения. Если датчик после обслуживания начал писать миллиметры вместо микрометров, модель не должна первой обнаружить это на плохой детали.

Доступ к журналу и командам разделяют. Аналитика может читать больше данных, чем сервис управления, но не должна наследовать его права на запись. Для действий сохраняются пользователь, основание, старое и новое значение, а также подтверждение оператора.

Как считать экономику

Главный показатель — не точность модели, а высвобождённое машинное время при сохранении качества. Упрощённая формула месячного эффекта:

`число переналадок в день × сэкономленные минуты × рабочие дни × стоимость машино-часа`.

Модельный пример, не результат K I TECH: при 12 переналадках в день, экономии 8 минут, 22 рабочих днях и полной стоимости машино-часа 3 000 рублей высвобождается 35,2 часа, или около 105 600 рублей в месяц. Из суммы нужно вычесть обслуживание, калибровку, интеграцию и время оператора на исключения.

Отдельно учитываются снижение брака, сокращение аварийных остановок и стоимость более быстрой подготовки заказа. Но эти эффекты нельзя складывать без проверки: высвобождённые минуты имеют финансовую ценность только тогда, когда станок действительно используется для дополнительного выпуска или предотвращает сверхурочную работу.

Пилот без дорогой перестройки

Пилот можно ограничить одним типом инструмента и одним станком. Две недели фиксируется ручная база: медиана и p95 времени настройки, число повторных измерений, ошибки и простои. Затем цифровой контур работает параллельно ещё две-четыре недели.

Критерии приёмки стоит задать заранее:

сокращение медианы и p95 времени настройки;
отсутствие ухудшения допуска и качества деталей;
доля циклов без ручного исправления данных;
число повторных калибровок;
доступность системы и время восстановления;
экономия на один подтверждённый цикл.

Только после этого решается, нужен ли следующий слой ИИ. Если детерминированная автоматизация уже убрала основную потерю, возможно, лучшей инвестицией станет подключение второго станка, а не обучение модели.

Что повторить малому производству

Кейс K I TECH ценен не конкретным пресеттером, а последовательностью: прототип, измеримые параметры, журналирование, испытание интеграции и только затем масштабирование. Партнёрский формат снизил первоначальный риск, но ответственность за собственную экономику всё равно остаётся у предприятия.

Начните с карты одной переналадки: кто принимает решение, какие данные использует, где возникает ожидание и чем подтверждается результат. Оцифруйте этот маршрут и установите базовые метрики. Когда появится достоверная история, станет понятно, где локальная модель действительно добавит ценность, а где обычное правило работает дешевле и надёжнее.