Что произошло в Rohleder

Немецкая семейная компания Rohleder производит заказные интерьерные ткани небольшими сериями. По данным OECD, на предприятии работает около 170 человек, а ассортимент и частая смена дизайнов делают производство заметно сложнее массовой ткацкой линии.

Компания пошла поэтапным путём. Сначала перевела счета из бумаги в цифровой процесс, затем стала собирать и анализировать данные станков вместе с университетскими партнёрами. OECD связывает эти проекты с ростом производительности ткачества на 20% и сокращением остановок оборудования.

Отдельно Rohleder инвестировала 1 млн евро в новую сновальную машину. Подготовка основы, занимавшая около часа, сократилась до 20 минут. Это результат специализированного оборудования и изменения процесса, а не генеративного ИИ.

Компания также изучила машинное зрение для автоматического контроля ткани — и не стала внедрять его. Доступные решения хорошо распознавали повторяющиеся дефекты в стабильном массовом производстве, но хуже соответствовали среде Rohleder с малыми сериями, разными узорами, материалами и частыми переналадками.

В этом и состоит ценность кейса: предприятие получило измеримый эффект от данных и автоматизации, но отказалось приклеивать ярлык «ИИ» к задаче, где технология ещё не проходила по качеству и экономике.

Почему машинные данные сработали раньше ИИ

Для анализа производительности не обязательно учить модель понимать красоту ткани. Станок уже создаёт события, которые можно связать с заданием и временем:

  • начало и окончание операции;
  • рабочая скорость и плановая скорость;
  • длительность и причина остановки;
  • артикул, партия, материал и рецепт настройки;
  • объём выпуска и брака;
  • время переналадки;
  • смена и подтверждённое действие оператора.

Когда эти поля собираются одинаково, руководитель видит не среднее число за месяц, а конкретное узкое место: какой тип заказа вызывает остановки, где растёт переналадка и после какого события снижается скорость.

Первый эффект обычно даёт не сложная нейросеть, а прозрачная аналитика: единый словарь причин, контроль полноты сигналов, сравнение смен и простые уведомления об отклонении. Модель имеет смысл добавлять позже — например, чтобы искать сочетания факторов, которые трудно задать правилом.

Почему визуальный контроль оказался сложнее

Компьютерное зрение требует стабильной постановки задачи. Для каждого дефекта нужны изображения, единая разметка и согласованное решение: является ли конкретная особенность браком, допустимым отклонением или частью дизайна.

В массовой серии камера видит один материал в одинаковом освещении тысячи раз. В заказном производстве фон постоянно меняется: цвет, переплетение, толщина нити, блеск, фактура и допустимые особенности рисунка. Модель может принять новый дизайн за аномалию или, наоборот, пропустить редкий дефект.

Свежий кейс европейского центра цифровых инноваций 24 Vision показывает, что до обучения системы контроля пришлось отдельно подобрать спектр, геометрию света, положение камер и фильтры, а также собрать репрезентативный датасет. Это важная поправка к обещанию «поставим камеру и подключим ИИ»: качество изображения и таксономия дефектов являются частью продукта.

Решение Rohleder не означает, что машинное зрение бесполезно для текстиля. Оно означает, что готовность зависит от повторяемости процесса, частоты дефектов, стоимости пропуска и объёма данных для каждого варианта изделия.

Как перенести подход на российское производство

Практичная программа цифровизации начинается с трёх ворот.

Ворота 1. Есть ли наблюдаемый процесс

До выбора модели нужно понять, откуда берётся факт. Для старого оборудования это может быть промышленный шлюз, сигналы контроллера, датчик тока или ручная форма причины простоя. Важно не количество тегов, а связь события с заказом, машиной и временем.

Ворота 2. Можно ли улучшить процесс правилом

Если станок простаивает из-за отсутствия сырья, просроченного обслуживания или долгой переналадки, сначала нужны планирование, регламент и уведомление. Предсказание не заменит отсутствующую ответственность.

Ворота 3. Даст ли ИИ дополнительное решение

Модель уместна, когда данных достаточно, правило становится слишком сложным, а выход можно проверить. Примеры: прогноз отказа, классификация редких причин по журналу, поиск дефекта на стабильной серии или подсказка оператору по базе знаний.

Такой порядок защищает бюджет. Компания может остановиться после аналитики, если она уже снимает основную потерю, либо подготовить данные для следующего этапа без дорогого эксперимента вслепую.

Минимальная архитектура

Для пилота не требуется заменять всю АСУ ТП. Достаточно изолированного контура из пяти компонентов.

1. Шлюз читает разрешённые сигналы оборудования без права управлять станком.
2. Хранилище временных рядов записывает события с идентификаторами заказа и партии.
3. Справочник нормализует причины остановок, изделия, материалы и режимы.
4. Панель показывает производительность, простой, переналадку и качество по сменам.
5. Контур анализа запускает правила или модель и передаёт рекомендацию человеку.

Для машинного зрения добавляются камера, фиксированное освещение, хранилище кадров и интерфейс разметки. Исходное изображение, версия модели, порог уверенности и решение контролёра должны сохраняться вместе. Без этой связи спорную ошибку нельзя разобрать или использовать для улучшения модели.

Локальная модель уместна, если изображения содержат коммерчески чувствительный дизайн, требуется малая задержка или линия не зависит от внешнего канала. Но локальный запуск не устраняет затраты на камеру, GPU, разметку, мониторинг дрейфа и повторную валидацию после смены материала.

Безопасность производственного контура

Самая опасная ошибка — дать экспериментальному агенту прямую запись в контроллер или систему рецептов. Пилот должен получать данные через односторонний либо строго ограниченный интерфейс и выдавать только рекомендацию.

Минимальные меры:

  • сегментация производственной и офисной сетей;
  • отдельная учётная запись для сборщика данных;
  • чтение только нужных сигналов;
  • очередь и буфер при разрыве связи;
  • журнал изменений справочников и разметки;
  • резервный ручной процесс;
  • подтверждение технолога перед изменением режима;
  • запрет отправки изображений изделий во внешний API без отдельного решения.

Если позже появится AI-агент, его инструменты также следует разделить: чтение показателей, создание черновика задания и фактическое изменение оборудования — разные уровни полномочий.

Модельная экономика для пилота

Предположим, участок использует десять станков. Аналитика и устранение повторяемой причины сокращают простой каждого на 30 минут в рабочий день. При 22 днях это 110 машино-часов в месяц.

Если вклад одного машино-часа в покрытие затрат и прибыль составляет 4 000 рублей, валовой ресурсный эффект равен 440 000 рублей. Допустим, сбор данных, инфраструктура и сопровождение стоят 100 000 рублей в месяц, а запуск — 1,5 млн рублей. Тогда модельный чистый эффект равен 340 000 рублей в месяц, а простая окупаемость запуска — около 4,4 месяца.

Это иллюстрация, не экономика Rohleder. В расчёт нужно подставить маржинальный эффект конкретной линии, а не стоимость выпущенной продукции. Если освобождённое время нельзя превратить в дополнительный выпуск или сократить сверхурочные, финансовая выгода будет ниже.

Для компьютерного зрения следует отдельно считать стоимость ложного пропуска, ложной отбраковки и проверки человеком. Высокая точность на тестовой выборке ещё не доказывает окупаемость.

Пилот на шесть недель

Неделя 1: выберите одну линию и зафиксируйте базу — выпуск, простой, переналадку, брак и время ручного учёта.

Неделя 2: подключите сигналы только на чтение и проверьте совпадение с журналом оператора.

Неделя 3: введите единый справочник причин и добейтесь полноты данных. Пустая причина должна быть видимым исключением.

Неделя 4: найдите одну повторяемую потерю и измените процесс без ИИ: уведомление, обслуживание, подготовку материала или порядок переналадки.

Неделя 5: сравните результат с базовой линией и соседним участком. Только после этого оцените, остаётся ли задача, где модель даст дополнительную ценность.

Неделя 6: примите решение — масштабировать аналитику, собрать датасет для AI-пилота или остановиться. Обоснованный отказ является результатом исследования, а не провалом.

Что взять руководителю

Кейс Rohleder показывает зрелую последовательность: сначала измерить процесс, затем автоматизировать понятную потерю и только потом проверять ИИ. Машинные данные дали компании измеримый результат, а визуальный контроль был отложен, потому что разнообразные малые серии не соответствовали возможностям готового решения.

Для производственного МСБ лучший первый проект — не «ИИ на весь завод», а одна линия, один словарь событий и один проверяемый показатель. Иногда самое выгодное решение окажется моделью. Иногда — датчиком, регламентом или новой машиной. Управленческая ценность состоит в том, чтобы различить их до закупки.