На заводе за станком: Как строят станки на заводе «Саста». Фоторепортаж

Как строят станки на заводе «Саста». Фоторепортаж

Представьте себе токарный станок, способный изготовить деталь с точностью до 6 микрон диаметром до 1 м., длиной до 12 м. и весом до 8 тонн. Впечатляет? Срок службы таких станков достигает 40 лет, а изготавливают их на заводе «Саста» в г. Сасово Рязанской области.

 

Участок общего монтажа станков, © sun9-13.userapi.com

 

Станки

«Саста» производит не только гигантов. Предприятие специализируется на средних и тяжелых токарных и трубонарезных станках, обрабатывающих центрах. Каталог завода включает 17 моделей различных размеров как с ручным управлением, так и с числовым программным управлением.

 

Участок монтажа крупногабаритных станков, © sun9-38.userapi.com

 

Сасовские станки работают в 39 странах мира. Их используют предприятия энергетики, судостроения, тяжелого и транспортного машиностроения, авиационно-космические предприятия и предприятия нефтегазового комплекса.

«Саста» активно работает над модельным рядом. За последние 3 года разработано и выпущено несколько новых моделей: токарные обрабатывающие центры с осью С и фрезерной функцией НТ500, токарный станок с гибкой системой управления «для всех» FLEX, тяжелый токарный станок с 2-мя проходными суппортами, осью С и осью У СА1350.

 

Как строят станки на заводе «Саста», изображение №58, © sun9-74.userapi.com

 

Завод

Строительство станокстроительного завода в Сасово началось в 1971-м году. Предприятие задумывалось для производства металлорежущих станков повышенной точности.

Свой первый станок  – завод выпустил 45 лет назад, в 1975-м году.

Сегодня на предприятии действует конструкторский центр, который разрабатывает требования к новым станкам, технические проекты и конструкторскую документацию.

Инженеры «Састы» свои станки разрабатывают в системах автоматического проектирования (САПР). Конструкторская информация об изделии управляется централизованно PDM-системой (PDM — product data management, управление данными об изделии).

Благодаря этому каждый конструктор при разработке узла сверяется с результатами работы коллег и использует библиотеку типовых решений, созданную на заводе.

 

Участок обработки корпусных деталей, © sun9-32.userapi.com

 

Сварочно-заготовительный участок

Завод реализует полный технологический цикл, который включает литейное, сварочно-заготовительное, механообрабатывающее и сборочное производства. Станочный парк «Састы» насчитывает 200 единиц оборудования.

 

Сварочно-заготовительный участок, © sun9-49.userapi.com

 

П и В

Каталог завода «Саста» включает 17 металлообрабатывающих станков. Из них 7 имеют класс точности «П» (повышенный) и 3 — «В» (высокий). Класс «П» означает, что станок гарантирует обработку детали с точностью до 6 микрон, класс «В» — до 4.

Давайте посмотрим, благодаря чему достигаются эти цифры.

На рисунке показана обобщенная схема станка:

 

Как строят станки на заводе «Саста», изображение №7, © sun9-33. userapi.com

 

Деталь одним концом зажимается в патрон, другим — удерживается задней бабкой. Резец закрепляется на суппорте. Каретка суппорта перемещается вдоль детали винтом подачи, который вращается коробкой подач.

Таким образом, точность обработки детали определяется люфтом шпинделя, точностью соосности шпинделя и задней бабкой, люфтом каретки суппорта, плавностью и точностью ее подачи.

Но это не все. Конструкция станка должна исключать вибрации и обладать жесткостью, исключающей деформацию его узлов при высокой нагруженности. А если станок предназначен для обработки крупных деталей, то несущие узлы (станина, передняя и задняя бабки, шпиндельный узел) должны надежно удерживать тяжелую заготовку, масса которой может достигать нескольких тонн.

Решение этих задач усложняется тем, что станок должен сохранять свои характеристики на протяжении срока эксплуатации.

 

Жесткость

Жесткость и виброустойчивость станка обеспечивают тем, что его основные несущие узлы изготавливают литьем из чугуна, реже из высокоуглеродистой стали.

Литые детали для станков «Саста» изготавливает на собственном литейном производстве.

 

Подготовка к выпуску чугуна © sun9-42.userapi.com

Выпуск чугуна из индукционной печи емкостью 1.5 т. © sun9-30.userapi.com

Взятие пробы сплава перед заливкой формы © sun9-55.userapi.com

Снятие шлака с поверхности сплава © sun9-55.userapi.com

 

Подготовка к выпуску чугуна

При выплавке чугуна берут пробы, по которым определяют соответствие сплава необходимым свойствам: выполняется химический и спектральный анализ состава сплава, контроль микроструктуры, механические испытания.

По необходимости состав сплава корректируют добавкой присадок или шихты (измельченный металлический лом, чугун).

 

Подготовка литейной полуформы. На заводе используются холоднотвердеющие смеси, позволяющие получать литье высокой размерной точности. На модельную плиту устанавливается ящик, который затем заполняется формовочной смесью.

Формовочная смесь готовится роторным смесителем (на фото – желтый агрегат), который смешивает кварцевый песок со смолой и катализатором, а затем подает ее в модельный ящик. После того, как смесь застынет, готовую полуформу извлекут из ящика, © sun9-57.userapi.com

 

Участок крупных литейных форм, © sun9-23.userapi.com

 

Установка стержней в литейную форму станины станка СА500, © sun9-22.userapi.com

 

Автоматизированная линия безопочной формовки. Модельные ящики, установленные на линию, заполняются формовочной смесью. После затвердевания смеси ящик подается на распаровщик, © sun9-65.userapi.com

 

Готовый сплав заливают в формы, для изготовления которых используют холоднотвердеющие смеси. Эта технология дает высокую размерную точность отливок и применяется для изготовления деталей различных размеров с качественной поверхностью.

 

Заливка станины токарного станка СА500, © sun9-59.

userapi.com

 

Заливка станины станка СА700, © sun9-30.userapi.com

 

Как строят станки на заводе «Саста», изображение №22, © sun9-36.userapi.com

 

Формовочные смеси перед использованием проходят входной контроль в земельной лаборатории. На литейном производстве действует пять лабораторий: спектральная, механическая, металлографическая, химическая и земельная.

 

Спектральная лаборатория. Концентрацию легирующих элементов и примесей в сплаве измеряют эмиссионным спектрометром ДФС-500. По результатам анализа принимается решение о необходимости корректировки состава сплава, © sun9-51.userapi.com

 

В металлографической лаборатории выполняются контроль микроструктур чугунов и сталей, © sun9-23.userapi.com

 

От застывшей отливки отделяют фрагменты литниковой системы и зачищают заливы, затем направляют на термообработку.

Деталь равномерно прогревается до высокой температуры, а затем охлаждается. Благодаря этому в структуре металла снимаются внутренние напряжения и достигается однородность механических свойств отливки, что улучшает ее прочность и жесткость.

 

Обрубка станочной коробки подач, © sun9-9.userapi.com

 

Термический участок завода оборудован электропечью с выкатным подом. Благодаря термической обработке в структуре металла снимаются внутренние напряжения и достигается однородность механических свойств отливки, что улучшает ее прочность и жесткость, © sun9-52.userapi.com

 

В результате на выходе литейного производства получают литье с механическими свойствами, необходимыми для несущих узлов станка.

 

Точность

Крупные заготовки заготовки литых деталей, такие как станины, корпуса передних, задних бабок, каретки обрабатываются на участке обработки корпусных деталей.

Здесь работает автоматическая линия Toyoda, в которую входит два обрабатывающих центра Toyoda FA800S. Система подачи этой линии включает 50 паллет для установки деталей. Линия обеспечивает работу станков на 72 часа без вмешательства оператора. Оба обрабатывающих центра оснащены системой смены инструмента на 330 позиций, поэтому она выполняет обработку литой заготовки в полном объеме, включая высокоточную обработку поверхностей.

 

Автоматическая линия Toyoda. В ее состав входят два обрабатывающих центра Toyoda FA800S. Система подачи этой линии включает 50 паллет для установки обрабатываемых деталей. Линия обеспечивает работу станков на 72 часа без вмешательства оператора, © sun9-45.userapi.com

 

Оба обрабатывающих центра оснащены системой смены инструмента на 330 позиций. На фото – стройные ряды конусных оправок инструментов в системе смены инструментов обрабатывающего центра Toyoda FA800S, © sun9-51.userapi.com

 

Линия выполняет обработку литой заготовки в полном объеме, включая высокоточную обработку поверхностей, © sun9-70. userapi.com

 

Как строят станки на заводе «Саста», изображение №31, © sun9-48.userapi.com

 

Кроме расточных и фрезерных станков здесь применяется портально-фрезерный обрабатывающий центр с 2х-осевой поворотной головкой Micromat, предназначенный для прецизионной обработки крупногабаритных деталей.

Его дублером по номенклатуре обрабатываемых деталей является новый высокотехнологичный продольно-фрезерный станок.

 

Портально-фрезерный обрабатывающий центр с 2х-осевой поворотной головкой Micromat выполняет прецизионную обработку крупногабаритных деталей, © sun9-20.userapi.com

 

Портально-фрезерный обрабатывающий центр PC-4225, © sun9-14.userapi.com

 

Сменный инструмент портально-фрезерного обрабатывающего центра PC-4225, © sun9-60.userapi.com

 

Продольно-фрезерный станок формирует профиль призматических направляющих станины, © sun9-31. userapi.com

 

На призматические направляющие станины устанавливаются задняя бабка и каретка суппорта, поэтому шероховатость направляющих определяет точность позиционирования и плавность перемещения бабки и каретки, а следовательно и точность изготовления деталей.

Обработка призматических направляющих производится на продольно-шлифовальных станках. В основном это уникальное оборудование, производство которого уже прекращено, поэтому такие станки в хорошем состоянии в России и даже мире ценятся «на вес золота». Похвастаться наличием такого оборудования может далеко не каждое производство. На «Састе» таких станков четыре, с длиной столов — 4, 6, 7 и 7,5 метров. С их помощью решается сложная задача — изготовление длинномерных станин. Дело в том, что из-за технологических особенностей процесса литья невозможно изготовить цельнолитую станину длиной более 5-6 м., поэтому длинномерные станины собираются из модулей по 3 м., и только затем производится шлифование призматических направляющих.

 

Продольно-шлифовальный станок с длиной стола 7.5 м. © sun9-2.userapi.com

 

Продольно-шлифовальный станок с длиной стола 4 м. © sun9-17.userapi.com

 

Чистовая обработка шпиндельных узлов (которые для своих станков «Саста» изготавливает самостоятельно) выполняется на круглошлифовальном станке Studer.

 

Обработка шпиндельного узла на станке Studer, © sun9-17.userapi.com

 

Износоустойчивость деталей и рабочих поверхностей «Саста» достигает тремя методами обработки.

Перед механической обработкой литые детали проходят процесс искусственного старения, проводимый в электропечи. Деталь помещается в печь, нагревается до температуры, обозначенной в технологическом процессе, после чего выдерживается при этой температуре необходимое время. В процессе искусственного старения снимаются остаточные напряжения металла и повышается предел его прочности.

 

Электропечи. Перед механической обработкой литые детали проходят процесс искусственного старения, проводимый в электропечи. Деталь помещается в печь, нагревается до температуры, обозначенной в технологическом процессе, после чего выдерживается при этой температуре необходимое время. В процессе искусственного старения происходит снятие остаточных напряжений металла и повышается предел его прочности, © sun9-6.userapi.com

 

Печи химико-термической обработки. Химико-термическая обработка позволяет изменить химический состав и механические свойства поверхностей деталей, © sun9-59.userapi.com

 

Призматические направляющие станин, посадочные места подшипников, зубчатые колеса подвергаются поверхностной закалке, которая выполняется нагревом поверхности детали под действием тока высокой частоты. В результате механические свойства поверхности меняются, а свойства остальной детали остаются неизменными.

 

На переднем плане – станины, призматические направляющие которых прошли закалку током высокой частоты, слева – установка закалки стали током высокой частоты, на заднем плане – продольно-шлифовальный станок, © sun9-18. userapi.com

 

Химический состав и механические свойства всей поверхности детали изменяют химико-термической обработкой.

 

Производство

Станки собираются на двух участках: на участке общего монтажа станков и участке монтажа крупногабаритных станков.

Сборка станка начинается с обвязки станины (прокладка кабелей, установка датчиков и мелкого оборудования). Затем на нее устанавливают шпиндельную, заднюю бабки, каретку, а также механизмы передачи движения от двигателя (такие, как шарико-винтовые передачи), остальные узлы. Каждый этап сборки станка завершается контролем качества, который выполняют работники ОТК.

 

Универсальный трубонарезной станок СА983 на участке общего монтажа станков, © sun9-73.userapi.com

 

Установка револьверной головки на мостик, станок СА500, © sun9-13.userapi.com

 

Коробка передач токарного станка на участке узловой сборки станкостроительного завода “Саста”. Все узлы своих станков Саста собирает на собственном производстве. На каждый узел оформляется паспорт, в котором фиксируются результаты испытаний узла, © sun9-2.userapi.com

 

Токарно-фрезерный станок F.O.R.T. В рамках программы модернизации производства несколько токарных станков этой марки были поставлены на участок обработки мелких деталей. F.O.R.T. – российская торговая марка, под которой выпускает станки “Балтийская промышленная компания” (в ее состав с 2017 г. входит завод, © sun9-21.userapi.com

 

Зубофрезерный станок в работе, © sun9-45.userapi.com

 

Завершается сборка станка установкой защитных кожухов.

Узлы и агрегаты станков собираются на участке узловой сборки, панель электрошкафа и пульт управления — на участке электромонтажа.

Производство деталей для узлов выполняется на сварочно-заготовительном участке и участке обработки мелких деталей. Здесь свою магию творят гидроабразивные и лазерные станки, листогибы, прессы, токарное, фрезерное, зубофрезерное, строгальное и шлифовальное оборудование, на котором из стального проката изготавливают детали для узлов новых станков.

 

Сварочно-заготовительный участок, © sun9-71.userapi.com

 

Источник

 

Характеристика профессий и специальностей – ГБПОУ “Первомайский политехнический техникум”

Подробности

Категория: Информация для абитуриентов

Просмотров: 10625

СТАНОЧНИК (МЕТАЛЛООБРАБОТКА)

Станочник широкого профиля – это главная рабочая профессия в машиностроении. Он должен быть высококвалифицированным рабочим, т.к. создавая качественную продукцию должен уметь перестроить обслуживаемое оборудование, знать устройство, принцип действия и технологические возможности станков, технологическую оснастку и режущий инструмент, читать технологические карты и чертежи. Все операции рабочий должен спланировать самостоятельно, а это можно сделать только при хорошем знании оборудования, физики, математики, черчения.

1. Профессия Оператор станков с программным управлением

Существующие сегодня станки с программным управлением различаются по своему назначению и по степени автоматизации. По назначению выделяют сверлильные, токарные, фрезерные и расточные станки (особенность последних в том, что на них обрабатывают вращающимся режущим инструментом предварительно полученные отверстия, например, цилиндры автомобильных двигателей и т.п.).

Оператор любого типа станков с программным управлением выполняет следующие основные функции: непосредственное обслуживание станка, производство контрольно-измерительных операций и наладку его на новую партию деталей. Обслуживание станка состоит из подготовки и уборки рабочего места, установки и съема детали, ухода за станком, наблюдения за его работой. Контрольно – измерительные операции включают: осмотр заготовки детали и режущего инструмента, измерения, контроль за тем, соответствуют ли полученные результаты (например, размеры обрабатываемых деталей) предусмотренным программой, нет ли отклонений в установке инструмента.

Наладка станка в деятельности оператора заключается в подготовке рабочих органов станка, режущего инструмента и приспособлений для обработки определенной партии деталей, изделий. Такая наладка является наиболее ответственной частью работы оператора. От того, насколько правильно она произведена, зависит качество обработки всей партии деталей. В зависимости от характера обрабатываемых деталей и типа станка наладка может быть более или менее сложной.

2. Профессия Станочник широкого профиля

Станочник широкого профиля рабочий, который изготавливает различные детали из металла и других материалов для создания различных узлов и механизмов. Для этого используются токарные, фрезерные, сверлильные, шлифовальные и другие станки. Руководствуясь чертежом детали, мастер станочник определяет последовательность ее изготовления. Подбирает необходимые для этого инструменты. Использует справочники и производит необходимые расчеты. Выбирает режим резания, проводит наладку станка, устанавливает инструмент и заготовку, проводит обработку детали. Выверяет с помощью оптических приборов размеры детали и качество ее обработки.
Работает на металлообрабатывающем производстве, в ремонтных мастерских, ремонтных цехах различных производств.

Основные виды работ (трудовые действия)

Состав работ, которые должен выполнять станочник широкого профиля, зависит от уровня его квалификации. Профессия имеет 2-6 разряды. На экспериментальном производстве станочникам высокой квалификации может быть присвоен 7 и 8 разряды.
Рабочий более высокой квалификации должен уметь выполнять работы, предусмотренные для рабочих более низкой квалификации, а также руководить рабочими более низких разрядов этой же профессии.

Профессиональные компетенции

– выполнять обработку заготовок, деталей на сверлильных, токарных, фрезерных, шлифовальных,   копировальных и шпоночных станках;
– осуществлять наладку обслуживаемых станков;
– проверять качество обработки деталей.

СЛЕСАРЬ

1. Слесарь-инструментальщик

Работа связана с изготовлением или ремонтом различного рода инструментов. Инструменты или приспособления, использующиеся в производстве и имеющие широкое распространение, выпускаются специализированными инструментальными заводами. Но помимо стандартного инструмента, предприятиям требуется еще и специальный инструмент, применяемый в конкретном производстве. Поэтому на предприятиях существуют специальные цехи по его изготовлению, где и работают слесари-инструментальщики. В зависимости от вида изготовляемой продукции можно выделить следующие группы слесарей-инструментальщиков: слесарь по изготовлению и ремонту обрабатывающего и измерительного инструмента, по изготовлению и ремонту приспособлений, по изготовлению и ремонту штампов для холодной и горячей штамповки, по изготовлению пресс-форм для литья под давлением.
Изготовление инструмента происходит в несколько этапов. Во-первых – чтение чертежей. При чтении чертежа слесарю необходимо представить себе изделие в объеме, понять взаиморасположение всех его частей в рабочем режиме. Особую важность на этом этапе представляет учет особенностей материала, из которого будет изготавливаться инструмент. Вторым этапом в изготовлении инструмента является планирование стратегии и тактики работы: слесарь определяет для себя оптимальные способы и последовательность обработки изделия, учитывает технические характеристики, специфику выбранного пути для того, чтобы не выполнять лишней работы. Следующим этапом в работе слесаря-инструментальщика будет разметка. Необходимо перенести основные элементы чертежа на заготовку для будущего изделия. Слесарная обработка включает опиловку отверстии, вырубку углублений, шлифовку и притирку, подгонку и сборку отдельных деталей будущего изделия. Также слесарь-инструментальщик может производить доводку и сборку изделия из деталей, изготовленных на токарных и фрезерных станках. Работа слесаря-инструментальщика характеризуется комбинированием различных трудовых операций в зависимости от поставленных задач.

2. Профессия Слесарь механосборочных работ

Слесарь механосборочных работ работает в организациях машиностроения и металлообработки в цехах, где есть слесарные и слесарно – сборочные работы.
Слесарь механосборочных работ из отдельных деталей собирает станки, моторы, турбины, тракторы, автомобили и другие майданы и механизмы.
Профессия слесаря механосборочных работ распространяется на лиц мужского и женского пола, но в большинстве случаев, по этой профессии работают мужчины.
Слесарь механосборочных работ может работать по родственным профессиям: слесарь по контрольно-измерительным приборам и автоматике, слесарь-инструментальщик.

Содержание выполняемой работы

Слесарь механосборочных работ выполняет работу в следующей последовательности:

• с помощью ручного и механизированного слесарно-сборочного инструмента выполняет операции по подгонке, соединению, креплению и регулировке изделий;

• на специальных стендах испытывает собираемые или собранные узлы и агрегаты, устраняет обнаруженные дефекты.

Виды работ, выполняемые слесарем механосборочных работ:

• сборка, регулировка, испытания и сдача в соответствии с техническими условиями сложных и экспериментальных, уникальных машин, станков, агрегатов и аппаратов;

• слесарная обработка и пригонка деталей, изделий, узлов;

• сборка деталей под прихватку и сварку;

• резка заготовок из прутка и листа на ручных ножницах и ножовках;

• снятие фасок;

• сверление отверстий по разметке, кондуктору на сверлильном станке, а также пневматическими и электрическими машинками;

• нарезание резьбы метчиками и плашками;

• соединение деталей и узлов пайкой, клеями, болтами и холодной клепкой;

• испытания собранных узлов и механизмов на стендах и прессах гидравлического давления;

• устранение дефектов, обнаруженных при сборке и испытании узлов и механизмов;

• разметка, шабрение, притирка деталей и узлов средней сложности;

• элементарные расчеты по определению допусков, посадок и конусности;

• запрессовка деталей на гидравлических и винтовых механических прессах;

• регулировка зубчатых передач с установкой заданных чертежом и техническими условиями боковых и радиальных зазоров;

• пайка различными припоями;

• статическая и динамическая балансировка различных деталей на специальных балансировочных станках с искровым диском, призмах и роликах;

• сборка, регулировка и отладка сложных машин, контрольно-измерительной аппаратуры, пультов и приборов, уникальных и прецизионных агрегатов и машин, подборка и сборка крупногабаритных и комбинированных подшипников;

• проверка сложного уникального и прецизионного металлорежущего оборудования на точность и соответствие техническим условиям;

• монтаж трубопроводов, работающих под давлением воздуха и агрессивных спецпродуктов;

• устранение дефектов, обнаруженных при сборке и испытании узлов, агрегатов, машин;

• монтаж и демонтаж испытательных стендов;

• снятие необходимых диаграмм и характеристик по результатам испытаний и сдача машин ОТК;

• испытания сосудов, работающих под давлением, а также испытания на глубокий вакуум;

• управление подъемно-транспортным оборудованием с пола;

• строповка и увязка грузов для подъема, перемещения, установки и складирования;

• участие в оформлении паспорта на собираемые и испытуемые машины.

Уровень квалификации слесаря механосборочных работ зависит от сложности выполняемых работ и определяется тарифным разрядом.

 

3. Профессия Слесарь–ремонтник

Характеристика работ

• Разборка, ремонт, сборка и испытание простых узлов и механизмов оборудования, агрегатов и машин.

• Ремонт простого оборудования, агрегатов и машин, а также средней сложности под руководством слесаря более высокой квалификации.

• Слесарная обработка деталей по 12-14 квалитетам.

• Промывка, чистка, смазка деталей и снятие залива.

• Выполнение работ с применением пневматических, электрических инструментов и на сверлильных станках.

• Шабрение деталей с помощью механизированного инструмента.

• Изготовление простых приспособлений для ремонта и сборки.

Должен знать:

• основные приемы выполнения работ по разборке, ремонту и сборке простых узлов и механизмов, оборудования, агрегатов и машин;

• назначение и правила применения слесарного и контрольно-измерительных инструментов;

• основные механические свойства обрабатываемых материалов;

• систему допусков и посадок, квалитеты и параметры шероховатости;

• наименование, маркировку и правила применения масел, моющих составов, металлов и смазок.

Примеры работ

• Арматура мартеновских печей, дроссели, отсечные клапаны – снятие, ремонт, установка.

• Болты, гайки, шпильки – опиливание, прогонка резьбы, смена их и крепление.

• Вентили запорные для воздуха, масла и воды – установка с пригонкой по месту.

• Завалочные окна, канаты крышкоподъемников и перекидные устройства – смена.

• Коленья, тройники для трубопроводов – гидравлическое испытание и сборка.

• Лубрикаторы, линейные питатели – ремонт, регулировка.

• Маслоохладители – разборка, ремонт, сборка.

• Насосы поршневые – ремонт, установка.

• Оборудование – нейтрализация от кислых и щелочных сред.

• Ограждения – снятие и установка.

• Прокладки – изготовление.

• Редукторы галтовочных барабанов – разборка, ремонт и сборка.

• Сетки металлические – замена, изготовление, ремонт.

• Точила наждачные и пылесосы к ним – ремонт, сборка, замена и правка абразивных кругов.

• Шпонки – опиливание.

• Шпулярники сновальных машин – ремонт и установка на машину. 

 

Специальность Технология машиностроения
Квалификация – техник

Машиностроение является главной отраслью народного хозяйства, которая определяет возможность развития других отраслей. Развитие машиностроительной промышленности способствует повышению благосостояния общества. Все машиностроительные отрасли и другие сферы жизнедеятельности нуждаются в специалистах машиностроительного профиля.

Технология машиностроения ХХI века – это комплексная наука, изучающая действующие при изготовлении машин закономерности для их использования в производстве новых деталей и машин заданного качества на основе применения компьютерной техники и компьютерных систем автоматизированного проектирования. Машиностроение – самая распространенная и универсальная специальность, необходимая на любых предприятиях машиностроения, приборостроения, ремонтных и многих других отраслей промышленности.

Технология машиностроения – специальность для тех, кто стремится научиться что-то делать своими руками, кто готов управлять современными станками с ЧПУ и промышленными роботами, выполнять чертежи на компьютере, точить детали на станке, организовать свое дело.

Квалификационная характеристика выпускника
По специальности «Технология машиностроения» готовятся специалисты для предприятий и организаций, занимающихся проектированием, изготовлением и ремонтом машин и аппаратов, применяемых в различных отраслях промышленности, в том числе: машиностроительной, химической, нефтеперерабатывающей, пищевой и др.

Современное развитие машиностроения требует специалистов по технологии машиностроения с глубокими знаниями в области проектирования технологических процессов и технологической оснастки, новых форм организации и управления производством, комплексной автоматизации производственных процессов, современных станков с числовым программным управлением (ЧПУ) и робототехнических систем, прогрессивных способов обработки материалов, использования вычислительной техники для исследования, проектирования и управления технологическими процессами.

• < Назад

Эволюция машинной автономии в производственных операциях

Представьте себе день, когда упаковочная машина на заводе автоматически определяет, что ей нужно больше материалов, и предупреждает поставщика — заказ и оплата продукции и планирование доставки, и все это без какого-либо вмешательства человека. . Или фабричный цех, где машины самоорганизуются и самооптимизируются для повышения производительности, сокращения отходов и повышения качества продукции.

Это день, к которому стремится движение «Индустрия 4.0». В этом будущем состоянии производства данные и услуги передаются за пределы заводских стен в глобальной коммуникационной инфраструктуре внутри компании и платежной сети.

Некоторые из них уже существуют. «Связь между машинами для обхода сбоев уже происходит», — сказал Стивен Меллор, главный технический директор Консорциума промышленного Интернета (IIC) и исполнительный вице-президент группы управления объектами (OMG). «На самом деле, это то, для чего был изобретен Интернет в отношении сетевых узлов. Скажем, на фабрике данные будут собираться периферийными узлами, и они будут принимать решения о том, как перенаправить маршрут в обход вышедшей из строя машины».

Таким образом, хотя мы еще не полностью вступили в эпоху машинной экономики, определяемой как сеть умных, подключенных и самодостаточных машин, которые экономически независимы и могут автономно выполнять транзакции на рынке практически без вмешательства человека, мы приближаются.

Строительные блоки для создания завода будущего уже здесь, включая Интернет вещей (IoT), искусственный интеллект (ИИ) и блокчейн. У этой тройки технологий есть потенциал изменить промышленное пространство, но она должна быть связана еще с несколькими вещами, такими как технология цифровых двойников, мобильные роботы, стандартизированный способ связи машин и интеллектуальные услуги, такие как совместное использование мощности машин. в распределенной экосистеме.

Что еще более важно, должна быть структура, обеспечивающая эту повсеместную взаимосвязь. В то время как технологические компании создают межмашинные приложения, в отрасли предпринимаются усилия, направленные на создание базовой архитектуры и партнерской экосистемы.

Источник: IOTA. Connectivity Framework (IICF), эталонная архитектура промышленного Интернета (IIRA), Business Strategy and Innovation Framework (BSIF) и Industrial Internet Security Framework (IISF).

IICF определяет эталонную архитектуру для открытия данных, которые в противном случае были бы заблокированы во множестве доменных технологий подключения, используемых в системах IIoT, путем использования шлюзов для одного из нескольких основных стандартов подключения, которые могут обеспечить синтаксическую совместимость без ущерба для достоверности данных. функциональные и нефункциональные аспекты предметно-ориентированной технологии.

IIRA, основанный на стандартах архитектурный шаблон и методология, позволяет системным архитекторам промышленного Интернета вещей (IIoT) проектировать свои собственные системы на основе общей структуры и концепции. В нем рассматривается потребность в общей архитектурной структуре для разработки совместимых систем IIoT для различных приложений в широком спектре промышленных вертикалей в государственном и частном секторах.

BSIF обеспечивает высокоуровневую идентификацию и анализ проблем, которые необходимо решить любому предприятию, чтобы извлечь выгоду из возможностей, возникающих в результате нынешней революции, которой является IIoT.

И решение проблемы кибербезопасности имеет решающее значение для успеха IIoT, Индустрии 4.0 и революции промышленного Интернета. С этой целью члены IIC разработали IISF, общую структуру безопасности и подход к оценке кибербезопасности в системах IIoT. По данным IIC, это наиболее глубокая межотраслевая структура безопасности, включающая экспертное видение, опыт и лучшие практики безопасности.

Это лишь некоторые из научно-исследовательских проектов IIC, которые будут способствовать развитию отрасли.

«В семь лет мы опубликовали несколько основополагающих документов, определяющих ландшафт машинной экономики, — сказал Меллор. «Мы начали несколько лет назад с испытательных стендов. Как следует из названия, это были тестовые технологии и бизнес-модели. Сейчас мы сосредоточены на развертывании в отрасли, которое позволит целевой компании преобразовать свой бизнес в цифровую форму».

Например, испытательный стенд в Корке, Ирландия, под названием International Future Industrial Internet Testbed (INFINITE) разрабатывает программно-определяемые инфраструктуры с использованием больших данных, которые позволяют безопасно работать нескольким виртуальным доменам через одну физическую сеть. На первом этапе испытательного стенда три географически разнесенных центра обработки данных соединяются в реконфигурированную сеть Dell. На втором этапе INFINITE применяется к варианту использования под названием «Bluelight», который позволяет машинам скорой помощи безопасно подключаться к системе больницы и передавать информацию в пути, чтобы персонал больницы был готов взять на себя уход за пациентом после прибытия машины скорой помощи. .

Конечным результатом является использование интеллектуальных данных для улучшения аварийно-спасательных служб. Согласно заметкам на испытательном стенде INFINITE: «Рассмотрите сценарий, в котором автомобиль службы экстренной помощи отправляется на место происшествия. Время отклика критично. Что, если данные GPS в реальном времени, генерируемые автомобилем службы экстренной помощи, можно объединить с другими данными в реальном времени из различных источников, таких как: текущий уровень трафика на всех маршрутах до места происшествия, местонахождение дорожных работ, объезды и перекрытые дороги. Комбинируя и анализируя эти разнообразные необработанные наборы данных в режиме реального времени, чтобы обеспечить ценное и интеллектуальное планирование маршрута и информацию для автомобиля службы экстренной помощи, время реагирования улучшится, что приведет к лучшим результатам, улучшающим жизнь».

Та же концепция может быть применена к производственному цеху. «Парки машин будут собирать данные, которые отправляются в центр обработки данных, которые можно сравнить и сопоставить, а затем изменить рабочие параметры неоптимальных машин», — сказал Меллор.

Источник: Siemens Торговая площадка машин
Для выполнения финансовых транзакций машины должны иметь свои «кошельки», над чем Фонд IOTA работает с 2017 года, когда была основана некоммерческая инициатива. Этот международный консорциум европейских университетов и технологов объединился, чтобы создать протокольный уровень для Интернета вещей, который определяет, как устройства взаимодействуют друг с другом, используя надежные данные в технологическом стеке на виртуальном отраслевом рынке.

Сегодня предпосылка та же, но исполнение другое. «Видение IOTA одинаково для машинной экономики. Обеспечить общедоступный протокол или лучшую общедоступную инфраструктуру автоматизации и машин по-прежнему важно. Но мы переориентировали IOTA больше на инфраструктуру», — сказал Хольгер Кётер, директор по управлению партнерами в IOTA Foundation, отметив, что последние полтора года организация потратила на переписывание технологического стека IOTA (узла, библиотеки, кошелек) с нуля, сохранив при этом Видение IOTA и текущие требования рынка.

В марте IOTA объявила о запуске бета-версии своего кошелька Firefly, дав криптовалютным кошелькам новый эталон безопасности и удобства использования. В основе Firefly лежат две новые библиотеки с открытым исходным кодом, одна для разработки приложений кошелька, а другая для безопасности. Он также легкий и использует алгоритм цифровой подписи кривой Эдвардса (EdDSA), который изначально поддерживается большинством устройств IoT, сказал Кетер.

Кроме того, модернизированная технология распределенного реестра (DLT), называемая Tangle, обеспечивает безопасные микроплатежи между машинами. Он является открытым, бесплатным и масштабируемым, разработанным для поддержки беспрепятственной передачи данных и не основанным на блокчейне, который имеет ограничения по стоимости и масштабируемости, согласно IOTA, целью которого является создание целой экосистемы для машинной связи, которая может применяться к различным отрасли.

«Общая история заключается в том, что IOTA удобна для разработчиков… и предоставляет отказоустойчивую и масштабируемую систему на основе DLT», — сказал Кетер. Кроме того, IOTA работает с Open Management Group над сертификацией протокола IOTA и стандартизацией его работы.

По мере согласования архитектуры и стандартов другие компании разрабатывают области, которые станут важной частью уравнения, такие как цифровой двойник. «Чтобы иметь возможность отправлять запросы, которые могут быть выполнены, в основном означает наличие цифрового двойника этого продукта, который был разработан, проверен, и программа обработки детали обработана для конкретного станка. Это важная часть уравнения», — сказал Аластер Орчард, вице-президент Siemens Digital Enterprise.

Для достижения мечты об Индустрии 4.0, когда киберфизические машины могут понимать свои собственные возможности, договариваться с другими машинами и проектировать любой продукт, требуется полностью оцифрованное производство. И, конечно же, не каждая машина является разумной.

«Мы работаем и внедряем переходную технологию, в которой мы берем план производства, называемый технологической ведомостью, который похож на рецепт, содержащий всю информацию, необходимую для производства чего-либо, включая материалы, допуски, заданные значения. и программы обработки деталей», — сказал Орчард. «Если [машины] не являются интеллектуальными, у нас есть возможность с помощью нашей передовой технологии создать вокруг них интеллектуальную оболочку, а затем использовать производственный план для обмена сообщениями между машинными обертками».

Цифровой двойник машины знает, где находятся все части продукта, чтобы развернуть систему, в которой выполняется технологическая ведомость, которая распределяется по периферийным ящикам, а продукты перемещаются по фабрике, взаимодействуя с заброшенными машинами через интеллектуальные упаковщики. «Ключом к этому является логистика, будь то интеллектуальный конвейер или AGV для перемещения продукта между машинами. Таким образом, мы фактически можем запустить полностью автономное и гибкое производство, даже если сами машины не являются той суперкиберфизической интеллектуальной сущностью, о которой мы мечтали».

Способность гибко перемещать вещи и собирать эти данные по всей цепочке поставок — еще одна область, которую необходимо решить, по мнению IBM. «В сегодняшней цепочке поставок все разрознено, — сказал Виджай Пандиараджан, операционный директор IBM Sterling, отметив, что в процессе так много шагов, что сложно все согласовать, особенно если груз не прибыл. «У нас есть аналитика бизнес-транзакций, которая отображает все документы, которые вы должны получить, и упорядочивает их».

Аналитика бизнес-транзакций, входящая в состав IBM Supply Chain Business Network, позволяет компаниям получить более глубокое представление о данных цепочки поставок, чтобы помочь им лучше управлять, например, взаимодействиями между заказом и наличными и покупкой и оплатой. Технология делает это, частично используя машинное обучение для выявления аномалий объема, скорости и структуры стоимости в документах и ​​транзакциях цепочки поставок.

— Это простой пример ИИ, — сказал Пандиараджан. «ИИ не [решит] все, но сделает вас более способным как человека».

При дискретном производстве технологическая карта может быть опубликована в исполнительном механизме, который сопоставляет возможности оборудования с каждой операцией и направляет продукт в его уникальном путешествии по фабрике. Источник: Siemens Культура и потенциал
Действительно, в конечном счете, то, чего пытается добиться машинная экономика, — это создание лучшего человеческого опыта. Тем не менее, люди являются самым большим узким местом на автономном рынке.

«Самое большое препятствие — это культура, — сказал Меллор из IIC. «Средний возраст промышленного предприятия — 19 лет.годы. Это огромные инвестиции, которые рассчитаны на десятилетия. Организации, управляющие этими объектами, очень осторожны. Даже вероятность отказа в 0,5% может стоить миллионы долларов».

Но у нас есть технологии, и важные шаги по переходу к машинной экономике делаются уже сейчас.

Вы можете увидеть это в компании Siemens, где разрабатывается экспериментальная торговая площадка M2M, целью которой является продажа машин собственной мощности. «На наших немецких обрабатывающих заводах так много областей для экспериментов, где каждая машина понимает свои собственные затраты, свой собственный график, свое собственное техническое обслуживание и сообщает о любых окнах возможностей, которые у нее есть, в блокчейне разрешений, на который другие могут подписаться и запрашивать неиспользуемые. время безотказной работы машины для обработки их деталей», — сказал Орчард.

Это ранний пример того, как машины, использующие IoT, AI и блокчейн, могут полностью изменить бизнес-модель производства на фабрике будущего.

Программное обеспечение Siemens Digital Industries

Отраслевой консорциум IoT

Группа управления объектами

технологии, и промышленные компании обратили на это внимание. Развернув правильное сочетание технологий искусственного интеллекта, производители могут повысить эффективность, гибкость, ускорить процессы и даже обеспечить автоматическую оптимизацию операций. Анализ BCG показал, что использование ИИ может снизить затраты производителей на конверсию до 20%, при этом до 70% снижения затрат связано с повышением производительности труда. Производители могут увеличить объем продаж, используя искусственный интеллект для разработки и производства инновационных продуктов, специально предназначенных для конкретных клиентов, и поставлять их в гораздо более короткие сроки.

Таким образом, искусственный интеллект является неотъемлемой частью фабрики будущего, на которой технологии повысят гибкость заводских структур и процессов. (См. «Фабрика будущего», BCG Focus, декабрь 2016 г.)

Неудивительно, что компании по всему миру и в разных отраслях изучают возможность применения ИИ в своей деятельности. Тем не менее, некоторые руководители по-прежнему скептически относятся к тому, что ИИ может принести обещанные преимущества. Чтобы лучше понять возможности и проблемы, The Boston Consulting Group недавно изучила ожидания от ИИ и состояние внедрения ИИ в промышленных операциях.

Исследование BCG было сосредоточено на результатах глобального опроса более 1000 руководителей и менеджеров из множества производственных отраслей. (См. врезку.) В целом, мы обнаружили, что производители ожидают, что ИИ станет решающим рычагом для повышения производительности. Но реализация не оправдала ожиданий, в значительной степени из-за того, что многим компаниям не хватает четырех ключевых факторов реализации ИИ: стратегии (включая комплексную дорожную карту), модели управления для реализации, соответствующих компетенций сотрудников и поддерживающей ИТ-инфраструктуры.

Опрос показал, что транспортные и логистические, автомобильные и технологические компании находятся в авангарде внедрения ИИ, в то время как перерабатывающие отрасли (например, химическая промышленность) отстают. Компании в США, Китае и Индии значительно опередили своих коллег в таких странах, как Япония, Франция и Германия. Различия в скорости внедрения ИИ в разных странах отражают разные ожидания в отношении преимуществ ИИ.

В то время как компании в развивающихся странах, таких как Китай, склонны с энтузиазмом относиться к этим преимуществам, компании из многих промышленно развитых стран, таких как Германия, придерживаются более консервативного взгляда. Поскольку немецкие компании также отстали в разработке подробных планов по внедрению ИИ, их статус отстающих, вероятно, сохранится. В Германии автомобильная промышленность является одной из самых продвинутых в использовании технологий искусственного интеллекта, в то время как перерабатывающим отраслям предстоит продвинуться значительно дальше.

Результаты опроса показывают, что промышленные производители должны значительно активизировать свои усилия по внедрению, если они хотят реализовать свои амбиции в отношении ИИ. Одними только технологиями этого не сделать. Чтобы задействовать весь потенциал ИИ, компании должны учитывать на организационном уровне все необходимые факторы.

ИИ изменит операции

ИИ дает компьютерам и машинам возможность разумно выполнять задачи. Это помогает производителям выбрать наилучшую последовательность действий для достижения целей и позволяет им удаленно управлять операциями в режиме реального времени. (См. врезку.) 

Многие лидеры отрасли ожидают, что ИИ изменит процессы по всей цепочке создания стоимости от начала до конца, включая проектирование, закупки, управление цепочками поставок, промышленные операции (производство и связанные функции), маркетинг, продажи и обслуживание клиентов. В недавнем исследовании руководители промышленных компаний назвали операции областью компании, которая, вероятно, больше всего пострадает от ИИ. (См. Reshaping Business with Artificial Intelligence, отчет BCG и MIT Sloan Management Review, осень 2017 г.)

ИИ дополняет, а не заменяет существующие рычаги, которые производители применяют для постоянного повышения производительности. Это один из основных технологических строительных блоков Индустрии 4.0. (См. «Индустрия 4.0: Будущее производительности и роста в производственных отраслях», BCG Focus, апрель 2015 г.) Кроме того, производители могут использовать ИИ для повышения эффективности традиционных рычагов, таких как автоматизация и бережливое управление. (См. «Когда бережливое производство встречается с индустрией 4.0: следующий уровень операционного совершенства», BCG Focus, декабрь 2017 г.) Например, выявляя первопричины проблем с качеством и тем самым помогая устранять дефекты, ИИ поддерживает усилия бережливого управления по сокращению потерь. Действительно, 40% участников нашего исследования ожидают, что ИИ станет очень важным фактором повышения производительности в 2030 году, по сравнению с 29% участников. %, которые считают это очень важным для повышения производительности сегодня. (См. Приложение 1.) 

Внедрение ИИ

значительно изменит состав рабочей силы, снизив затраты на преобразование, поскольку уменьшит потребность в ручных операциях в производственных процессах. Например, задачи, связанные с контролем качества, которые сегодня требуют интенсивного участия человека, будут в высокой степени автоматизированы и будут иметь обширную поддержку ИИ. Но даже если существующие рабочие места будут ликвидированы, появятся новые рабочие места, требующие навыков, дополняющих ИИ. В целом, участники опроса продемонстрировали небольшой уклон в сторону ожидания того, что чистым эффектом ИИ будет сокращение общей рабочей силы.

Однако ожидания значительно различались в зависимости от страны. Например, респонденты опроса из китайских компаний считают, что внедрение ИИ значительно сократит их общую рабочую силу (отражая замену технологий на низкоквалифицированных работников), в то время как респонденты из немецких компаний ожидают небольшого, если вообще, сокращения их более высококвалифицированной рабочей силы.

Варианты использования ИИ

ИИ представляет собой изменение парадигмы для фабрики. Современные фабрики автоматизируют процессы и оборудование с помощью подхода, основанного на правилах, а современное программирование робототехники работает с фиксированным набором сценариев. Напротив, фабрика будущего будет использовать поддержку ИИ для автоматизации процессов и оборудования, чтобы реагировать на незнакомые или неожиданные ситуации, принимая разумные решения. В результате технические системы станут более гибкими и адаптируемыми. Например, при подходе, основанном на правилах, робот не может идентифицировать и выбирать нужные детали из корзины с несортированными деталями, потому что ему не хватает детального программирования, необходимого для работы с множеством возможных ориентаций деталей. Напротив, робот с поддержкой ИИ может выбирать нужные детали из несортированной массы независимо от их ориентации.

Различные варианты использования ИИ включают повышение производительности в основных областях деятельности как снаружи, так и внутри производственных стен. Среди участников опроса 37% оценили производство как область фабричных операций, в которой ИИ является наиболее важным рычагом повышения производительности, в то время как 25% поставили наивысшую оценку качеству, а 12% выбрали логистику. В соответствии с этими выводами компании считают наиболее важными вариантами использования ИИ самооптимизирующиеся машины, обнаружение дефектов качества и прогнозирование потерь эффективности. Хотя отдельные компании найдут различные варианты использования особенно ценными, производители могут получить все преимущества только за счет применения ИИ и интеграции пулов данных между функциями, а также с поставщиками и клиентами.

За пределами Фабрики. Вне заводских стен проектирование и управление цепочками поставок являются наиболее важными операционными областями, в которых можно применять ИИ:

• Инжиниринг. Производители могут использовать ИИ для продвижения исследований и разработок, которые оптимизируют дизайн, улучшают реагирование на спрос и ожидания клиентов и упрощают производство. ИИ поддерживает генеративный дизайн продукта, в котором алгоритмы исследуют все возможные дизайнерские решения на основе определенных целей и ограничений. Благодаря многократному тестированию и обучению алгоритмы ИИ оптимизируют проекты и предлагают решения, которые могут показаться нетрадиционными для человеческого разума. Некоторые аэрокосмические компании используют генеративный дизайн для разработки деталей самолетов с совершенно новой конструкцией, таких как бионические структуры, которые обеспечивают ту же функциональность, что и обычные конструкции, но весят значительно меньше.
• Управление цепочками поставок. Прогнозирование спроса является ключевой темой для применения ИИ в управлении цепочками поставок. Лучше предвидя изменения спроса, компании могут эффективно корректировать производственные программы и улучшать загрузку фабрики. ИИ поддерживает прогнозирование потребительского спроса, анализируя и изучая данные, связанные с запуском продуктов, информацией из СМИ и погодными условиями. Некоторые компании используют алгоритмы машинного обучения для выявления моделей спроса путем объединения данных из систем складского хранения и планирования ресурсов предприятия (ERP) с информацией о клиентах.

Внутри фабрики. Внутри заводских стен ИИ принесет различные преимущества для производства и таких вспомогательных функций, как техническое обслуживание, качество и логистика:

• Производство. Наше исследование охватило весь спектр производственных сред, включая непрерывные процессы (например, при производстве химикатов и строительных материалов) и дискретное производство (например, задачи сборки). Во всех средах производители будут использовать ИИ для снижения затрат и увеличения скорости, тем самым повышая производительность. Они также будут использовать его для повышения гибкости и решения проблемы сложности производства, например, при изготовлении продуктов для конкретных клиентов. ИИ позволит машинам и агрегатам стать самооптимизируемыми системами, которые регулируют свои параметры в режиме реального времени, постоянно анализируя и изучая текущие и исторические данные. Некоторые производители стали уже используют ИИ, чтобы позволить печам автономно оптимизировать свои настройки. AI анализирует материальный состав потребляемого железа и определяет самую низкую температуру для стабильных условий процесса, тем самым снижая общее потребление энергии. В другом важном случае использования в производстве роботы, оснащенные интеллектуальными возможностями распознавания изображений, смогут собирать несортированные детали в неопределенных местах, например, из мусорного ведра или с конвейерной ленты. Первые приложения уже доступны, например, в автомобильной промышленности.
• Техническое обслуживание. Производители будут использовать искусственный интеллект, чтобы уменьшить количество поломок оборудования и повысить эффективность использования активов. ИИ поддерживает профилактическое обслуживание — например, предотвращение поломок путем замены изношенных деталей на основе их фактического состояния. ИИ будет постоянно анализировать и учиться на основе данных, генерируемых машинами и агрегатами (например, данных датчиков и ассортимента продукции). Эта технология принесет особую пользу перерабатывающим предприятиям, где поломки приводят к потере продаж. Например, некоторые нефтеперерабатывающие заводы внедрили модели машинного обучения, которые оценивают оставшееся время до отказа оборудования. Модели учитывают более 1000 переменных, связанных с входными и выходными материалами, параметрами процесса и погодными условиями.
• Качество. Производители могут использовать ИИ, чтобы как можно раньше обнаруживать проблемы с качеством. Системы машинного зрения используют технологию распознавания изображений для выявления дефектов и отклонений в характеристиках продукта. Поскольку эти системы могут непрерывно обучаться, их производительность со временем улучшается. Поставщики автомобилей начали использовать системы технического зрения с алгоритмами машинного обучения для выявления деталей с проблемами качества, включая дефекты, не содержащиеся в наборе данных, используемом для обучения алгоритма. ИИ также может постоянно анализировать и учиться на основе данных, генерируемых машинами и производственной средой. Например, ИИ может сравнивать настройки сверлильного станка со свойствами и поведением материала, чтобы предсказать риск того, что сверление превысит допустимые уровни.
• Логистика. Наше исследование было сосредоточено на внутризаводской логистике и складировании, а не на логистике по внешней цепочке поставок. ИИ обеспечит автономное перемещение и эффективную поставку материалов на заводе, что необходимо для управления растущей сложностью, связанной с созданием нескольких вариантов продукта и продуктов, адаптированных к потребностям клиентов. Беспилотные транспортные средства, которые перевозят товары на заводе и складе, будут использовать ИИ для обнаружения препятствий и корректировки курса транспортных средств для достижения оптимального маршрута. Производители медицинского оборудования начали использовать беспилотные автомобили в своих ремонтных центрах. Не полагаясь на указания магнитных полос или конвейеров, транспортные средства могут останавливаться при столкновении с препятствиями, а затем самостоятельно определять наилучший маршрут. Алгоритмы машинного обучения будут использовать логистические данные, такие как данные об оттоке и притоке материалов, уровне запасов и частоте оборотов деталей, чтобы склады могли самостоятельно оптимизировать свои операции. Например, алгоритм может порекомендовать перемещать детали с низким спросом в более удаленные места и перемещать детали с высоким спросом в близлежащие районы для более быстрого доступа.

Некоторые варианты использования ИИ применимы более чем к одной области деятельности. Например, виртуальные агенты, способные генерировать и обрабатывать языки (по аналогии с Siri от Apple и Alexa от Amazon), будут предоставлять операторам контекстно-зависимую информацию, поступающую из ИТ-систем. Некоторые компании уже используют голосовые системы для обработки заказов, упаковки, получения и пополнения запасов. В этих приложениях голосовая система, подключенная к спецификации в системе ERP, направляет оператора к нужному бункеру.
Системы искусственного интеллекта будут предлагать решения для инцидентов (таких как поломки машин, отклонения в качестве и потери производительности) на основе отчетов об инцидентах (например, фотографий и письменных отчетов), которые они постоянно анализируют и извлекают уроки. Производители самолетов внедрили алгоритм самообучения, который использует отчеты об инцидентах для выявления закономерностей в производственных проблемах, а затем сопоставляет текущие инциденты с аналогичными прошлыми инцидентами и предлагает решения.

Среди участников исследования ожидания того, что каждый из упомянутых выше вариантов использования станет очень важным к 2030 году, варьировались от 81% до 88%, но уверенность в том, что эта возможность уже полностью реализована во многих областях производства, была довольно низкой (6%). до 8%). На рисунке 2 представлен обзор вариантов использования, которые участники опроса назвали наиболее важными для фабрики будущего.

Разрыв между амбициями и реальностью

Многие компании планируют внедрить ИИ в ближайшее время, но наше исследование показало, что компании в Китае, Индии и Сингапуре в среднем имеют самые большие амбиции по внедрению ИИ в производство в ближайшей перспективе. Среди обследованных отдельных отраслей здравоохранение и энергетика являются наиболее амбициозными в ближайшей перспективе; обрабатывающая промышленность и машиностроительная продукция, как правило, в меньшей степени.

Большинство компаний, принявших участие в нашем исследовании, заявили, что считают искусственный интеллект все более важным. Однако их инвестиции, планирование и реализация еще не соответствуют их амбициям. Хотя 87% участников исследования заявили, что планируют внедрить ИИ в производство в течение следующих трех лет, только 28% разработали комплексную дорожную карту внедрения. У остальных 72% компаний нет подробных планов: 32% тестируют выбранные варианты использования, 27% имеют только предварительные идеи, а 13% отодвинули ИИ от приоритетов или еще не рассматривали его.

Ограниченная степень реализации отражает недостаток всестороннего планирования, обнажая большой разрыв между амбициями и реальностью. В прошлом только около 50% компаний достигали своих целей при внедрении вариантов использования ИИ. Поэтому неудивительно, что сегодня только около 16 % компаний полностью внедрили более одного варианта использования ИИ в нескольких областях производства — достижение, которое, согласно используемым нами определениям, квалифицирует их как первопроходцев. Среди 12 стран, включенных в наше исследование, процент компаний, рано принявших решение, самый высокий в США (25%), Китае (23%) и Индии (19%).%), а самые низкие в Японии (11%), Сингапуре (10%) и Франции (10%). (См. рис. 3.) Среди опрошенных немецких компаний только 15% являются первопроходцами.

Высокий уровень внедрения среди компаний США, вероятно, отражает широкое распространение там технологии искусственного интеллекта. Несмотря на это, Китай обогнал США по финансированию ИИ, и в прошлом году на его долю пришлось почти половина мировых инвестиций в стартапы ИИ. Также в 2017 году Государственный совет Китая опубликовал План развития искусственного интеллекта следующего поколения, в котором изложена трехэтапная стратегия развития для достижения превосходства ИИ к 2030 году; а муниципальные власти Тяньцзиня, недалеко от Пекина, объявили о создании фонда в размере 5 миллиардов долларов для поддержки индустрии искусственного интеллекта. Другие развивающиеся страны, такие как Индия, также считают внедрение ИИ необходимым условием сохранения конкурентоспособности своих производственных отраслей на международном уровне и вложили в ИИ крупные инвестиции. Напротив, некоторые промышленно развитые страны, такие как Япония, по-прежнему сосредоточены на традиционных рычагах (например, бережливом производстве), которые в прошлом способствовали их конкурентоспособности.

Среди восьми отраслей, на которых сосредоточилось наше исследование, транспорт и логистика (21%) и автомобилестроение (20%) имеют наибольшую долю компаний, которые первыми внедрили продукцию, в то время как инженерные продукты (15%) и обрабатывающая промышленность (13%). ) отставать. (См. рис. 4.) Эти различия отражают разные отправные точки и склонность отраслей к оцифровке. Неудивительно, что автомобильные и технологические компании являются одними из самых передовых. Другим отраслям еще предстоит освоить многие цифровые тактики, которые с годами стали неотъемлемой частью цепочки создания стоимости этих отраслей.

Количество сотрудников компании также влияет на внедрение ИИ. Малые предприятия с меньшей вероятностью, чем крупные, будут первыми внедрить ИИ — возможно, потому, что небольшие компании, как правило, имеют меньшие бюджеты и меньше возможностей для внедрения ИИ. Хотя последние достижения в области технологий и снижение затрат на хранение и обработку данных снизят порог для финансирования инвестиций в ИИ, общий разрыв в возможностях, вероятно, сохранится.

Ликвидация разрыва

Для успешного внедрения ИИ в операции необходимы четыре фактора: стратегия и дорожная карта, модель управления, компетенции сотрудников и ИТ-инфраструктура. Ранние последователи добились значительно большего прогресса, чем отстающие компании, в обеспечении полной функциональности средств искусственного интеллекта. (См. Приложение 5.)

Стратегия и дорожная карта. Чтобы обеспечить направление и руководство для всех своих действий по внедрению ИИ, компания должна иметь четкую стратегию. Стратегия ИИ должна быть сосредоточена на наиболее ценных вариантах использования — тех, которые отвечают конкретным бизнес-потребностям и задачам компании, — и согласовывать их с общей цифровой стратегией компании. Компании также необходима четкая дорожная карта внедрения, в которой излагаются бизнес-кейсы и измеримые цели для инвестиций. Участники опроса оценили наличие четкой стратегии ИИ для операций как наиболее важный фактор.

Модель управления. Видимая приверженность руководства имеет решающее значение для реализации потенциальных улучшений. Высшее руководство должно использовать структурированные коммуникации, чтобы обеспечить четкое понимание ИИ в организации. Компания должна установить четкие роли и обязанности по внедрению ИИ и разработать четкую организационную структуру. Эффективное сотрудничество и общение между соответствующими службами необходимы для преодоления культурного сопротивления применению ИИ.

Компетенции сотрудников. Чтобы внедрить ИИ и цифровизацию в целом, в компании должны быть сотрудники, помимо прочего, обладающие сильными навыками программирования, управления данными и аналитики. Компания должна иметь четкое представление о том, какие наборы навыков ей требуются, и должна оценивать разрывы между этими потребностями и навыками, которыми в настоящее время обладают ее сотрудники.

По таким темам, как понимание основ ИИ в работе, сотрудники могут получить необходимые навыки в рамках обучающих программ как внутри компании, так и за ее пределами. Для тем, которые требуют более формального курса обучения, связанного с ИТ, например расширенной аналитики, компания должна нанимать новые типы работников, в том числе специалистов по обработке и анализу данных.

Среди участников исследования 93 % сообщили, что не имеют достаточных компетенций в своей компании для внедрения ИИ в операции. Более чем каждый четвертый (29%) заявил, что их компания увеличила количество сотрудников, занимающихся ИИ, и почти половина (47%) ожидает, что это число увеличится в ближайшие годы.

ИТ-инфраструктура. Совместимость устаревших ИТ-систем и машинного оборудования, поддерживаемая интерфейсами прикладного программирования и сетевыми стандартами, имеет решающее значение для успеха внедрения ИИ. Кибербезопасность — еще одна важная проблема для практиков, работающих с ИИ и Индустрией 4.0 в целом.

При внедрении ИИ компания должна рассмотреть возможность перехода на гибкий режим работы, который позволит ей корректировать свою стратегию и дорожную карту по мере изменения требований. Применяя технологию искусственного интеллекта, компания должна использовать подход, основанный на отказоустойчивости и минимально жизнеспособном продукте, при котором она тестирует новые идеи в небольших масштабах, а затем уточняет их в быстрых итерациях, прежде чем переходить к полномасштабному внедрению. Ранние последователи с большей вероятностью, чем отстающие, будут использовать этот гибкий режим работы.

Начало работы

Результаты исследования указывают на необходимость действий как промышленных компаний, так и производителей промышленного оборудования и средств автоматизации. (См. врезку.) 

Чтобы наверстать упущенное в гонке по внедрению ИИ, промышленные компании должны принять структурированный трехэтапный подход:

Оценить статус-кво. Компания должна начать с оценки своих болевых точек и зрелости ИИ, а затем сравнить свое текущее состояние с аналогичными показателями или со средним показателем по отрасли. Поскольку для внедрения ИИ необходима надежная ИТ-инфраструктура, компания должна оценить текущее состояние своих операционных ИТ. Одним из предварительных условий для проведения оценки в цеху является наличие репозитория тем оценки и эталонных показателей, доступных на мобильных устройствах.

Установить активаторы. Компания должна разработать исчерпывающий список вариантов использования ИИ для устранения проблем, выявленных во время проверки работоспособности. Все заинтересованные стороны должны встречаться на семинарах, чтобы подробно обсудить варианты использования и определить, какие из них следует отдать приоритет реализации. При оценке финансовых и нефинансовых преимуществ приоритетных вариантов использования компания должна рассчитать бизнес-кейсы для инвестиций. На этом этапе чрезвычайно ценным может оказаться вклад экспертов по ИИ, имеющих опыт количественной оценки выгод и требуемых инвестиций. После определения приоритетных вариантов использования компания может разработать целевую картину для ИИ в работе и создать дорожную карту для внедрения.

Модель управления компании должна четко определять роли и обязанности по внедрению ИИ и должна предусматривать согласованную организационную структуру. Компании также необходимо сравнить квалификацию своей текущей рабочей силы с квалификацией, необходимой для реализации ее вариантов использования ИИ, и определить, как устранить пробелы. Кроме того, он должен определить ИТ-требования для реализации вариантов использования и разработать вторую модель управления для эффективного и действенного управления данными. Специалисты по данным и ИТ-специалисты с опытом работы с ИИ должны участвовать в определении требований.

Тестирование и масштабирование решений. Компания должна протестировать варианты использования ИИ в определенных частях предприятия. Чтобы ускорить этот процесс, ему следует инициировать свои первые пилотные программы одновременно с определением видения и созданием инструментов реализации. Цель каждого пилотного проекта должна состоять в том, чтобы быстро разработать минимально жизнеспособное решение, а затем с помощью гибких методов разработки улучшить дизайн пилотного проекта за несколько итераций. Взаимодействуя с пилотными проектами, сотрудники могут ощутить на ощупь варианты использования ИИ. Чтобы облегчить пилотные проекты, компания должна иметь доступ к технологическим инструментам, позволяющим быстро воздействовать, таким как датчики для мониторинга активов и умные очки. Компании следует масштабировать решения, которые она успешно протестировала в пилотных проектах. Наконец, чтобы реализовать весь потенциал внедрения ИИ, компания должна внедрять интегрированные решения в полном объеме.

---

Наше исследование показывает, что ИИ вот-вот станет самым важным рычагом повышения операционной производительности. Но многие компании не осознают, что для использования преимуществ ИИ требуется нечто большее, чем инвестиции в технологии.