Вчера залип на вебинар про AI в manufacturing — сначала думал, будет очередная вода про «трансформацию индустрии», но оказалось плотно. Делимся выжимкой без хайпа.
Predictive maintenance: где модели уже пашут
Самый работающий кейс — предсказательный ремонт оборудования. Вместо плановых остановок каждые N часов (когда 80% времени ресурс ещё есть) или аварийных простоев (когда уже поздно), модели анализируют:
- Вибрации с датчиков
- Тепловые паттерны
- Исторические данные о поломках
# Упрощённый пример feature engineering для vibration analysis
def calculate_spectral_entropy(signal):
psd = np.abs(np.fft.fft(signal)) ** 2
psd_norm = psd / psd.sum()
return -np.sum(psd_norm * np.log2(psd_norm))
На практике внедряют через гибридный подход:
- Лёгкие модели на edge-устройствах фильтруют шум
- Тяжёлые ансамбли в облаке дают финальный прогноз
Но есть нюанс — для обучения нужно минимум 2-3 года реальных данных. Все кто кричат «запустили за неделю» либо врут, либо делают демку на синтетике.
Computer vision на конвейере: от детекции до сортировки
Второй по зрелости сценарий — инспекция качества. Камеры + CV модели заменяют:
- Визуальный контроль человеком (устаёт, пропускает дефекты)
- Жёсткие правила типа «если пиксель > X яркости» (не гибко)
Лучшие практики из кейсов:
- Использовать synthetic data augmentation для редких дефектов
- Размечать не только bounding boxes, но и семантические маски
- Держать human-in-the-loop для сложных случаев
# Типичный стек для embedded CV
TensorFlow Lite -> ONNX Runtime -> LibTorch (для ARM)
Проблема: в реальных условиях освещение меняется, оборудование вибрирует, а брак может быть в 0.1% случаев. Модель с 99.9% accuracy на тестах будет давать сотни ложных срабатываний в день.
Где ИИ пока не взлетел (но все делают вид)
- Оптимизация цепочек поставок — слишком много внешних факторов (погода, геополитика). Модели дают погрешность выше эвристик опытных planners.
- Генеративное проектирование — красивые картинки из Midjourney для деталей, но 90% не проходят проверку на manufacturability.
- Автономные AGV — в тестовых цехах работают, но при массовом масштабировании начинаются edge cases.
Что пробовать в 2024
- RAG (Retrieval-Augmented Generation) для мануалов — когда оператор спрашивает «что делать если X», система ищет в базе знаний + достраивает ответ.
- TinyML модели для дефектовки — квантизация и pruning под микроконтроллеры.
- Multi-agent systems для планирования — где каждый станок/склад/транспорт агент с своей политикой.
Главный урок: manufacturing — это domain где AI внедряют не ради технологии, а только если считают ROI. Лучшие кейсы те, где посчитали экономию на минутах простоя или проценте брака. Всё остальное — пока эксперименты.