Как эффективно контролировать свое производство, будучи в другом регионе Российской Федерации

Компания CVC поделилась с digital4food успешным кейсом автоматизации на крупнейшем машиностроительном предприятии.

На этот раз нейросетевая видеоаналитика нашего партнера помогла наладить оперативную дистанционную проверку конвейерной линии. 

Одна из важнейших задач руководителя производства — это использование оборудования с максимальной эффективностью. И несмотря на то, что современные производственные линии неплохо автоматизированы, в них отсутствует важный функциональный элемент — автоматическая фиксация отклонений в бизнес-процессах и рабочих регламентах. Именно эта информация дает наглядное представление о том, когда и сколько работает линия, когда она была остановлена и по каким причинам. Прозрачность подобной информации позволяет руководству не только своевременно реагировать на отклонения от плана, но и принимать взвешенные управленческие решения, оптимизируя рабочий план производства. 

К сожалению, в большинстве российских компаний все сводится к мониторингу производительности на основании полученных отчетов за определенный период. Но из данных отчетов можно видеть лишь факт случившегося события — насколько уменьшился объем производства, сколько по времени был простой производственных линий и насколько не выполнен был план. Однако ни причин простоя, ни причин невыполнения плана мы не видим. Особенно если контролирующий отдел находится за сотни километров от производства. А вот нейросетевая видеоаналитика CVC видит все. При этом она позволяет не только оперативно выявлять причины всех сбоев, но и делать это практически в онлайн режиме, а не задним числом.

Начало пилотного проекта 

Заказчиком по данному кейсу выступал ИТ-департамент дочерней структуры крупного машиностроительного предприятия. Специализация компании — производство и сборка сельхозтехники. 

Обратившись к нескольким игрокам на нашем рынке, компания вышла на нас с запросом на решение своих производственных вопросов. Речь шла о конкретной производственной линии — линии по покраске деталей. Ситуация требовала решения ряда проблем, связанных с поиском причин отклонения от плана по выпуску деталей, причин простоя линии. Все эти проблемы находились в поле зрения головного офиса дочерней структуры, который располагался в другом регионе относительно производства. Соответственно, весь контроль осуществлялся по факту полученных отчетов о невыполнении производственного плана. 

Задача и конечная цель заказчика вполне понятны — автоматизация соответствующего контроля с помощью видеоаналитики. Решение о запуске пилотного проекта на данном предприятии было принято за одну неделю.

Изначальный запрос клиента и немного о подходе CVC

Первоначально клиент обратился к нам с более глобальной задачей. Которая заключалась в том, чтобы научить роботов распознавать, какие детали заезжают в покрасочную камеру, сколько деталей заехало конкретной позиции, правильно ли они подвешены и ряд других моментов. Все это реализуемо в рамках возможностей видеоаналитики CVC. При этом понимая, что номенклатура деталей компании заказчика доходит до нескольких десятков тысяч — дифференцировать их возможно, но на это уйдет море времени. Чтобы был понятен уровень задачи — подобных решений в России на данный момент нет, а в мире их крайне мало. Но сложность заключалась не в этом. Практически это реализуемо, но будет очень долго (возможно, несколько лет) и очень дорого (миллионы) для заказчика. Мы, в свою очередь, не любим затяжные проекты, которые всегда сопровождаются бюрократией со стороны клиента и превращаются в “долгострой”. Нам это не интересно (честно говоря, и клиентам тоже). Поэтому мы используем иной подход — глобальные задачи делить на подзадачи, выбирая для начала самые приоритетные.

Так вышло и в данном кейсе. После интервью с заказчиком было сформулировано следующее решение: “Мы можем реализовать часть вот таких задач. Именно эти задачи потребуют от вас 5% времени и бюджета, но при этом решат более 60% ваших вопросов”. 

Вопрос к клиенту был следующим:

• Насколько предложенное решение соответствует законченному решению для вас?
• Да, это полностью соответствует.

Обратим внимание, что речь идет не о том, что мы отказались от решения глобальной задачи. Речь идет о декомпозиции. То есть глобальная цель никуда не делась. Мы просто разбили ее на этапы для продуктивного распределения времени и ресурсов — для реализации проекта в очень ограниченные сроки. 

Первым этапом и стал наш пилотный проект — внедрение видеоаналитики на нескольких производственных линиях. По факту реализации проекта мы должны были показать и доказать полезность. А заказчики должны были убедиться, что видеоаналитика работает, дает пользу, экономит производственные и людские ресурсы и, конечно, финансы. После чего клиент может принять решение о дальнейшем развитии проекта. 

Об интеграции (внедрении) проекта

Интеграция — рабочий процесс между подписанием договора и передачей готового решения клиенту. Одной из особенностей нашего подхода является прозрачность этого процесса благодаря детальным регламентам и мануалам по взаимодействию наших сотрудников и инженеров заказчика. 

Если говорить упрощенно, то в результате интеграции заказчик должен разместить у себя на объекте определенного типа камеры в определенные места. Чтобы нам понять, куда и как устанавливать видеооборудование, мы запрашиваем видео подконтрольного участка (можно на обычный телефон). Либо, когда у заказчика уже установлены свои камеры видеонаблюдения, то нам высылаются видеозаписи с этих камер.

По данному кейсу установленной ранее системы видеонаблюдения не было. Поэтому мы отправили инструкцию, как записать для нас видео, и вопрос был закрыт.

После получения видео мы сделали отметки, в каких местах расположить камеры и указали, куда эти камеры должны смотреть. Также подготовили список оборудования и описали, как его нужно подключить. Необходимое оборудование включает камеры, свитч, регистратор, диск и прокидка от камер до регистратора, от регистратора до выхода в интернет. Для реализации данного проекта сервер на объекте не подразумевался, по договоренности с клиентом информацию мы должны были обрабатывать на своем дата центре. На все подобные работы с нашей стороны уходит совсем немного времени — от нескольких часов до нескольких дней.

После того как необходимое оборудование установлено на объекте, физическая интеграция считается завершенной. Начинается этап по созданию нейросетевой видеоаналитики.

Какие задачи решила CVC в рамках пилотного проекта?

Спустя пять недель были получены первые ощутимые для клиента результаты. А именно:

1. Определяется факт простоя конвейера. Простоем считается интервал, который превышает время, указанное заказчиком.

2. Определяется причина простоя. 

Такими причинами могут быть:

• Работа с крупногабаритными позициями;
• Смена краски в покрасочной камере;
• Наличие одного маляра вместо двух;
• Подготовка линии;

3. Определяются иные нарушения, требующие объяснения от старшего смены.

Таким образом система позволила оперативно и без существенных затрат времени осуществлять сквозную проверку работы конвейерной линии (100% операций), исполнение персоналом регламента работы, устанавливать тип нарушений, а также агрегировать данную информацию в виде отчета для клиента.

В результате заказчик получил рабочий инструментарий дистанционной проверки, на который проверяющий (сотрудник качества или менеджер по качеству) тратит не более 10 минут в день. За это время он получает полную и объективную картину с видео подтверждениями всего происходящего. И это вместо рутинного и многочасового анализа бесконечных отчетов и постоянных созвонов с производством!

Итогом внедрения проекта стало две вещи:

1. Выросла производительность покрасочной линии (при сопоставимом количестве траверс, прошедших через покрасочную камеру). Проще говоря, стали больше красить деталей. При этом было выявлено ряд нарушений с завесом, чего раньше видеть не могли и не могли оперативно анализировать. Были определены простои по банальным причинам внутреннего снабжения, которые были также нивелированы. Например, простои из-за отсутствия краски, в результате сделали больший запас и т.д.

Производительность выросла  на 8%, что в рамках производства вылилось в серьезные суммы.

2. Были высвобождены кадровые ресурсы. Например, контроллеру качества после внедрения требовалось потратить несколько минут, чтобы выявить причину проблемы на производстве. Для понимания, одна проверка рабочего дня, состоящего из 110 событий, занимала больше 8 часов. После внедрения системы эта же проверка стала занимать не более 30 минут.

В рамках данного кейса обозначим три основных момента.

1. Обязательное условие для видеоаналитики — наличие регламентов у компании. Регламенты — это то, что планируется контролировать. Логично, если в компании либо нет регламентов, либо они есть, но о них сотрудники знать не знают, либо эти регламенты писались еще со времен царя Панька, то контролировать просто ничего. Ведь, чтобы выявить нарушение, где-то должно быть обозначено, как делать правильно. 

На нашем опыте достаточно часто случается, когда только в процессе внедрения видеоаналитики собственник узнает, что регламенты в его компании просто мертвые. 

В таких случаях внедрение ставится на паузу, а собственник разбирается с внутренними процессами компании: составляет/обновляет регламенты, доводит их до сведения сотрудников. 

2. Контролю видеоаналитики не подлежат уникальные нарушения. Нейросеть контролирует только повторяющиеся процессы. Если нарушение происходит раз в год или еще реже, то нейросеть контролировать его не сможет. 

3. Видеоаналитика не решает вопросы, связанные с проверкой качества продукта. Например, нейросеть не определит дефекты покраски: наличие потеков, проколов, потускнений и т.д. Но при этом нейросетью блестяще решаются любые вопросы, связанные с выявлением отклонения, которое можно визуально идентифицировать и сопоставить с правильным образцом (с регламентом).