Искусственный интеллект, цифровые двойники и Physical AI всё активнее внедряются в производственные процессы. Компании стремятся повысить выход годной продукции, ускорить вывод товаров на рынок и оптимизировать производство. При этом они сталкиваются с рядом вызовов — от нехватки рабочей силы до геополитических рисков и требований ESG.
В выпуске «» представители Siemens — координатор по полупроводниковой отрасли Чжу Сюаньи и координатор по ускорению бизнес-процессов Фань Цзу — обсудили ключевые технологии: Digital Twin, Industrial Copilot, прогнозное обслуживание, Industrial AI Operating System (проект Siemens и NVIDIA), Physical AI и автоматизированные заводы.
Чтобы внедрить AI на производстве, сначала нужно создать цифровую основу: стандартизировать процессы, использовать цифровые модули и подготовить данные, доступные для AI. После этого Digital Twin сможет связать AI с реальным миром. Например, Siemens и Guangda применили Digital Twin на этапе финального QC-тестирования автомобильной электроники. В виртуальной среде они моделировали процессы, механические руки, камеры и многоугольные изображения для проверки установки, пайки и выравнивания компонентов. Результаты передавались AI для анализа — это позволило перенести дорогостоящие тесты и итерации в цифровую среду.
Благодаря Digital Twin срок обновления печи сократился с 90 до 60 дней: предприятие получило дополнительно около месяца производственного времени. А Siemens совместно с Microsoft интегрировал Industrial Copilot в платформу TIA Portal — Eigen Engineering теперь помогает инженерам в совместном проектировании и инженерных работах.
AI способен автоматизировать повторяющиеся задачи, требующие анализа и обобщения данных. Он может обучаться написанию кода и проектированию процессов, а также анализировать записи о решении проблем за последние полгода или год и данные других производственных участков. Так прогнозируемое обслуживание превращается в инструмент управления знаниями предприятия, что особенно актуально в условиях нехватки кадров.
Решение Senseye Predictive Maintenance от Siemens показывает, как прогнозный AI меняет подход к обслуживанию оборудования. Система непрерывно считывает данные с датчиков (вибрация, температура, скорость вращения) и с помощью машинного обучения выявляет аномальные тенденции за 1–3 недели до возникновения проблем. Это позволяет заранее проводить ремонт.
На CES Siemens и NVIDIA объявили о расширении сотрудничества и создании Industrial AI Operating System. Эта система охватывает проектирование, инженерию, производство, эксплуатацию и цепочку поставок. NVIDIA предоставляет инфраструктуру AI и вычислительные мощности на GPU, а Siemens — накопленные знания в области производства. Система охватывает полный жизненный цикл продукта и завода: от проектирования (с ускорением CAD, CAE, EDA с помощью параллельных вычислений на GPU) до производства и обслуживания с использованием Physical AI и управления оборудованием. Главная задача — создать единую базу данных и преодолеть разрозненность данных (Silo).
На электронном заводе Siemens в Эрлангене (Германия) тестировали человекоподобных роботов. Для этого использовали Process Simulation, Digital Twin и платформу NVIDIA. В виртуальной среде смоделировали развёртывание роботов — это позволило заранее рассчитать ROI, оценить затраты времени и эффективность производства и принять решение о реальном внедрении. Человекоподобные роботы больше подходят для этапов подачи материалов и упаковки, где ещё высока зависимость от ручного труда, а не для уже автоматизированных средних этапов в электронной промышленности (EMS).
Генеративный AI, цифровые двойники и роботы ведут производство к автономным заводам. Например, завод в Эрлангене использует Digital Twin и AI-прогнозы для автономности, но человек по‑прежнему нужен для ключевых решений и особых случаев. Эволюция завода проходит три этапа: от автоматизированного через адаптивный к автономному. На этапе автономного завода AI может самостоятельно координировать изменения производственной линии и внедрять новые программы обработки, а люди переходят к роли управления и принятия ключевых решений.
AI и цифровые двойники также помогают повысить эффективность использования энергии и ресурсов. Например, Siemens с помощью AI оптимизировал работу холодильных установок клиента: расчёт оптимального количества запускаемых установок в разных условиях производства позволил повысить энергоэффективность на 10 %. Компания продвигает концепцию «экономии ресурсов и сокращения выбросов углерода», охватывающую не только электроэнергию, но и воду, газ, сырьё, рабочую силу. Digital Twin помогает сократить расход материалов, операций и энергопотребления на всех этапах — от проектирования продукта до производства.
Тайваньским производителям рекомендуют стратегию «от малого к большому»: начать с POC на небольшой производственной линии, определить ключевые проблемы, а затем решать, нужны ли цифровой двойник, прогнозное обслуживание или роботы. Важно не просто проверить работоспособность AI, но и оценить его управленческую и коммерческую ценность (концепция POV — Proof of Value). Например, при внедрении Senseye нужно перенести знания из бумажных источников и опыта сотрудников в цифровую систему, чтобы в будущем AI мог использовать исторические данные по ремонту. Для перехода от анализа и рекомендаций к выполнению задач на месте предприятию необходимо сначала создать достаточную цифровую базу.
Трансформация с использованием промышленного AI — это длительный процесс: от одного процесса к полной линии, системе продуктов и заводу. Будущее конкуренции в производстве будет зависеть от того, кто быстрее преобразует накопленный опыт (оборудование, процессы, кадры, управленческий опыт) в цифровую базу, доступную для AI.
<<<CODE_BLOCK_N>>>
<<<IMG_N>>>
Подписаться в Макс
