Попытки подружить интеллект и машину предпринимались давно. Еще в советской инжиниринговой школе спорили о том, обоснована ли наша вера в примат человеческого разума над машинным алгоритмом.
Сейчас мы живем в удивительное время, когда уже не всегда можем отличить текст, написанный машиной, от текста, написанного человеком. Получается конструкция не из двух «разум - машина» - а из трех «разум – ИИ - машина» слагаемых. Возможно, это новый эволюционный виток. Но какая в этом витке практическая польза для нас с вами? Уж если за мной приедет Терминатор на мотоцикле – я хочу хотя бы знать, ради чего я рискую :-)
Предлагаю вспомнить про тяжелое станкостроение. Про него мало пишут на высокомерных айтишных ресурсах – а между тем самолеты летают, поезда ездят... и даже сейчас вы читаете этот текст под безопасной крышей на основе металлоконструкций.
Предтечи ИИ
Ниже немножко про изыскания прошлого века на тему «интеллект в управлении машиной».
Значимый вклад в развитие нашей темы внесла инженерная психология. В слиянии возможностей человеческих органов чувств и мозга – и математики с теорией информации ученые искали путь в принципиально инаковый уровень промышленного производства; поднимали философские вопросы технознания.
Вводилась новая терминология. Так, в 1986 году пермский ученый А.В.Дьяченко в своей диссертации, обосновывая необходимостью перестройки системы представлений о взаимодействии человека и техники, выделил любопытный термин: «технический субстрат», как непрерывно эволюционирующее многообразие всех технических объектов, и исследовал взаимоотношения человека и техники в рамках субстратно-субстанциального подхода.
А еще в 1977 году доктор психологических наук В.Ф.Венда, исследуя труд оператора АСУ (кстати, что такое ИИ сегодня – это оператор? или это АСУ?), писал, что оператор непрерывно «манипулирует» в своей деятельности минимум двумя рядами переменных: 1)набором моделей реальной обстановки и 2)набором моделей возможных управляющих действий. Но в 1977 году, чтоб реализовать наиэффективнейшие соотношения между этими рядами, обучали и тренировали самого оператора – сегодня мы делаем то же самое с ИИ. Осуществляемое оператором «мысленное экспериментирование» перед принятием решения, процесс соотнесения входных и выходных переменных, сложнейшие преобразования входной информации, etc – происходят сегодня за доли секунды, без малейшего вмешательства человека. И то, что лет 60 назад называли забытым словом УВМ (управляющая вычислительная машина), сегодня есть на каждом предприятии.
Возвращаясь к теме терминологии, в 1975 году (М., «Машиностроение», 1975) впервые употребляется словосочетание «гибридный интеллект», широко определяемый как система интеллектуального взаимодействия между людьми с широким использованием адаптивных ИВС. Похоже, Интернет изобрели советские машиностроители ровно 50 лет назад! (кстати, в литературе 70-х годов термин «искусственный интеллект» употребляется достаточно широко, но с несколько иными коннотациями - при практически полном совпадении денонтата).
Говоря о тенденциях тех лет, в научной литературе до отвращения много внимания уделялось различным аспектам работы «человека-оператора». Его деятельность изучалась со всех вообразимых сторон – и контроль, и психология, и обучение, и измерение, и восприятие – этого несчастного «человека-оператора». Думаю, в те годы не было более изученного наукой существа, чем «человек-оператор» (ну и возможно, что еще императорский пингвин).
У меня есть идея, что столь устойчивый интерес вызывался интуитивным предположением о слиянии в синтаксеме «человек-оператор» двух компонент: собственно человека, и того функционала, который сегодня присущ ИИ - и желанием декомпозировать две эти роли.
Я не способна вместить в этот отрывок все, что хочу написать, т.к. пора переходить к теме статьи – мне просто хотелось отдать дань уважения предтечам инжинирингового ИИ.
Как ИИ изменит станкостроение, и отчего станкостроение нуждается в ИИ
Индустриальный искусственный интеллект (И3) , изменяя облик IT, логистики, энергетики etc. – влияет на нашу жизнь уже сегодня. Но на истинном пороге цифрового прорыва мы находим тяжелое станкостроение. Задача статьи – рассказать уважаемому читателю, как И3 трансформирует проектирование, производство, эксплуатацию, управление оборудованием, и что мы можем внедрить на практике.
Предикторы внедрения ИИ – это нехватка квалифицированных ИТР и рабочих по всему миру. Это рост требований к точности, т.к. современные станки требуют точности с допусками в 1-5 микрон, где к сверхубыточному браку приведут минимальные колебания температуры, износ инструмента, микровибрации.Это сложность систем и неохватность объема данных, - современные станки оснащаются сотнями датчиков (вибрации, давления, усилий резания, положения осей) – и каждый производственный цикл генерирует все новые гигабайты данных, потенциально содержащие информацию о качестве, производительности, и риске отказов.
Также выяснилось, что четвертая промышленная революция требует от производителей не просто поставлять станки, а интегрировать их в единую цифровую экосистему. То есть немодные станки мы просто не продадим, и не сможем заплатить зарплату нашим ценным кадрам из предыдущего абзаца :) Станок, который захотят купить, должен быть оснащен возможностью удаленного мониторинга и сбора телеметрии, ИИ-диагностики узлов и предсказания отказов,интеграции с ERP, MES и CAD/CAM системами, поддержки цифровых двойников и виртуальной наладки. Заказчикам нужен последний айфон, а не Nokia 3310.
И ИИ, как мы надеемся, дополнит несовершенные возможности органов чувств человека, ручной настройки, традиционного программирования, а именно:
учтет, компенсирует и адаптирует параметры обработки детали в режиме реального времени,
возьмет на себя часть функций живых инженеров и операторов,
проанализирует массивы данных и выявит небанальные закономерности,
свяжет «железо» и ИТ-инфраструктуру предприятия, создавая умные, адаптивные производственные линии.
В результате, станкостроение будущего — это уже не просто механика и электроника, а симбиоз интеллекта, данных и автоматизации, где роль центральной нервной системы на производстве играет ИИ, а не директор завода.
ИИ в проектировании: от чертежей к цифровым двойникам
В этой части мы убедим вас, что ИИ способен способен ускорить и удешевить весь инжиниринговый цикл — от эскиза до готовой конструкции.
1. Генеративный дизайн. ИИ может выполнять сотни и тысячи итераций конструктивных решений за считаные часы. Например, в Autodesk Fusion 360 инженер задаёт условия задачи: точки крепления, нагрузки, ограничения по габаритам и материалу. Далее И2 предлагает варианты форм, которые иногда напоминают органические или бионические структуры, но при этом: уменьшают массу на 30–50%, повышают жёсткость и устойчивость, сокращают количество сварных швов и точек напряжения.
2. Цифровые двойники (Digital Twin). Цифровой двойник – это когда я пришла домой, а с моим мужем – электрическая блондинка. Ой, стоп. Давайте сначала.
Платформы вроде Siemens NX, PTC ThingWorx или Dassault Systèmes 3DEXPERIENCE позволяют создавать цифровых двойников станков, которые моделируют кинематику осей и приводов, тепловые деформации, термонагрузки, вибрации, динамические колебания, износ компонентов и поведение под нагрузкой. Это позволяет в цифровом виде «обкатать» будущий станок, оптимизируя его конструкцию до выпуска первого физического образца, и сократить количество опытных прототипов с 5 до 1–2, а цикл НИОКР — на 30–40%. И конечно же, уменьшить производственные затраты.
3. Интеграция ИИ в CAE/PLM-системы. ИИ-помощники интегрируются в системы компьютерного инжиниринга (CAE) и управления жизненным циклом изделия (PLM). Они помогают выбирать компоненты, предлагают улучшения конструкции, выявляют потенциальные ошибки. Например, если инженер проектирует слишком тонкую стенку в ответственной зоне, ИИ может предупредить о возможной деформации или резонансе — ещё до проведения расчётов.
4. Коллаборация в едином цифровом пространстве. ИИ способен поддерживать работу распределённых команд, автоматически синхронизируя изменения в 3D-моделях, проверяя соответствие стандартам, формируя документацию и даже генерируя управляющие программы для ЧПУ на основе цифровой модели станка.
Таким образом, И2 не просто ускоряет проектирование — он делает его более предсказуемым, интеллектуальным и качественным, прокладывая путь к созданию полностью виртуальных фабрик и автономных производств.
Ну как – убедили? :-)
Жизненный цикл оборудования
А в этой части расскажем, что управление жизненным циклом станка — от концепта до утилизации — становится всё более цифровым. ИИ интегрируется в системы PLM (Product Lifecycle Management) и ALM (Asset Lifecycle Management), добавляя им не просто аналитические, а прогностические и адаптивные возможности.
Таким образом, мы может анализировать жизненный цикл изделия. ИИ отслеживает все этапы — проектирование, производство, эксплуатацию, сервис и модернизацию. Он находит узкие места в логистике, прогнозирует, когда станок выйдет из области допустимых значений, и помогает заранее спланировать переоборудование или замену узлов.
Также И2 анализирует накопленные данные по всем инцидентам, отказам, сервисным заявкам и модернизациям. Это создаёт самоактуализирующуюся, самообучающуюся базу знаний. И2 учится на собственном опыте, опыте других станков сети, в реальном времени создавая эффективные режимы обработки. Это как в детском садике детки учатся друг у друга рисовать котиков. Так, на станках с Siemens SINUMERIK ONE и интеграцией AI Edge используется локальная нейросеть, которая подстраивает программу обработки (это человек на SINUMERIK ONE ее пишет сначала) под реальную жёсткость заготовки и колебания инструмента.
И2 позволяет создавать цифровую петлю данных: информация с реального станка — о нагрузках, вибрациях, отказах — возвращается в отдел разработки. Это улучшает следующие поколения оборудования. Например, если конкретный подшипник выходит из строя чаще остальных, в будущем он будет заменён на более надёжный, а узел — перепроектирован.
А искусственный интеллект, интегрированный с ERP, MES и IoT связывает PLM-платформу с другими уровнями цифрового предприятия: с ERP — для согласования поставок, сроков и бюджета; с MES — для анализа производительности оборудования в производственном контексте; c IoT — для получения телеметрии (классная статья про телеметрию у @Lau) с реального станка в реальном времени.
В результате заказчик получает не просто машину, а умную экосистему, и становится так доволен, что вовремя перечисляет оплату без образования дебиторки (ну это мы что-то забрались совсем уж в фантастику).
ИИ в производстве и эксплуатации станков
Все, о чем мы рассказывали, нужно еще как-то произвести, чтобы потом повыгодней продать (мы ведь помним, чего наши квалифицированные кадры ждут!)
Чтоб произвести 30-тонный станок, нам необходимо два элемента. Первый и самый важный – это станкостроитель. Если такого не имеется, то у вас ничего не получится (помним про кадры?)
И, во вторую очередь, желательно иметь станкостротельный завод. И2 превращает завод в самообучающуюся сверхадапитвную среду. Так, И2-системы (на базе NVIDIA Metropolis, TensorFlow, OpenCV и промышленных камер: Basler, FLIR) способны осуществлять визуальный несубъективный контроль качества, выступать как ассистент живого оператора.
В автокалибровке и автодиагностике геометрии изделия И2 способен управлять циклами калибровки без человека, без остановки основного производственного цикла, используя богатый инструментарий (трекеры, акселерометры, IMU, лазерные интеферометры), и с сохранением точности позиционирования <5 микрон даже через годы эксплуатации.
А роботизированные ячейки с И2 от KUKA, ABB и Fanuc используют данные 3D-сканеров и машинного зрения в производстве малосерийных и индивидуализированных изделий, где стандартные шаблоны сборки неэффективны. Также необходимо упомянуть такие фичи, как: предиктивная диагностика (FANUC AI Servo Monitor), управление логистикой, самодиагностика состояния оборудования в режиме live, мгновенная адаптация ЧПУ-программ.
После того как станок переселяется в свой новый дом, на предприятие, И2 способен реализовывать самообучающиеся режимы обработки, научаясь на собственном опыте и опыте своих друзей-станков в сети: система анализирует успешные траектории резания, нагрузку, износ инструмента, вибрации и качество поверхности; формирует набор оптимальных параметров (скорость подачи, глубина реза, обороты, охлаждение); предлагает улучшенные режимы при повторных операциях. К примеру, на станках с Siemens SINUMERIK ONE и интеграцией AI Edge используется локальная нейросеть, которая подстраивает программу обработки под реальную жёсткость заготовки и колебания инструмента.
И если вообразить, что все, о чем мы писали выше, внедрено – мы будто бы оказываемся в космическом карабле из фантастических повестей прошлого века – когда саморегуляция и самоуправление сложнейшего механизма казались недостижимой мечтой.
Вместо заключения
Надеюсь, друзья, я в своей статье смогла вам рассказать, зачем нужен ИИ в станкостроении. Похоже, это действительно хорошая идея.
Единственная сфера, в которой я не приемлю использования искусственного интеллекта – это процесс научного познания и литература. Я думаю, что истинно живые тексты должны писаться по наитию, а не компоноваться продвинутым т9 на основе наиболее частотных семантических конструкций.
И нет ничего лучше истиной любви к своему делу, библиотеки, и удивительного вайба конструкторского НИИ.
