Цифровизация станкостроения как основа технологического лидерства 

Что сегодня важнее для промышленности — новые станки, искусственный интеллект или данные?

Судя по дискуссии «Станкостроение и промышленность 4.0: цифровизация как основа технологического лидерства», которая прошла на конференции «Эффективное производство 4.0» в рамках выставки «Металлообработка-2026», ответ всё чаще склоняется в пользу последних. Участники рынка отмечают, что необходима единая цифровая среда, без которой невозможно эффективное планирование, развитие предиктивной аналитики и внедрение технологий искусственного интеллекта в производство.

Центральной темой обсуждения стала готовность промышленности перейти от автоматизации начальных операций к управлению предприятий на основе объективной технологической информации.

Читайте также: Цифровой контроль на производстве: зачем предприятиям мониторинг в реальном времени

Цифровая среда вместо разрозненных решений 

По словам директора Департамента цифровых технологий Минпромторга России Владимира Дождёва, современные промышленные компании уже подошли к этапу, когда обмениваться одними только готовыми решениями и практиками недостаточно. Предприятиям пора делиться между собой и данными.

Однако наряду с тем, что информация становится стратегическим активом, единых правил её оборота в стране пока не ввели. И остро эту проблему ощущают вовсе не крупные холдинги, где информационные потоки и без того выстроены. Страдают небольшие организации.

«Отсутствие законодательного определения и регуляторных норм в этой сфере по-прежнему тормозит процессы обмена промышленными показателями, цифровыми моделями, двойниками и первичной информацией», — отметил г-н Дождёв.

По его словам, сейчас Минпромторг вместе с участниками рынка разрабатывает правила и стандарты обмена промышленными данными. Параллельно над этим трудятся и индустриальные центры компетенций, которые должны помочь предприятиям перейти от разрозненной автоматизации к комплексному развитию отраслевых ИТ-ландшафтов.

Впрочем, в ходе дискуссии на поверхности оказалась и проблема, далёкая от регулирования: многие предприятия пока находятся на этапе формирования собственной информационной базы.

Искусственный интеллект и качество данных

Когда речь заходит об информации и её качестве, неизбежно возникает вопрос о роли искусственного интеллекта. Не стала исключением и пленарная сессия: участники регулярно возвращались к этой теме, однако разговор вновь и вновь смещался от возможностей нейросетей к более фундаментальным вопросам.

Так, генеральный директор ООО «ОДК-ЦТ» Яна Соколова обратила внимание на распространённый стереотип, будто промышленные предприятия не способны эффективно использовать цифровую информацию. 

«Мы умеем работать с данными, но в них нельзя запрыгнуть наскоком. Здесь нужен серьёзный фундамент — как в части их сбора, так и в развитии систем, которые их генерируют и используют», — подчеркнула она.

По словам г-жи Соколовой, одним из ключевых факторов цифровой трансформации стала работа с нормативно-справочной информацией (НСИ). Например, в ОДК систему управления НСИ внедрили более десяти лет назад. Благодаря этому компания получила фундамент, который сегодня позволяет быстрее запускать сложные промышленные комплексы на нескольких производственных площадках одновременно.

С этой проблемой в 2026 году сталкивается немало предприятий. Эффективность технологий предиктивной аналитики, машинного обучения и искусственного интеллекта напрямую зависит от качества исходных данных.

Схожий подход используют и в «Трансмашхолдинг» («ТМХ»). Директор по информационным технологиям компании Анатолий Ушаков назвал наиболее эффективным цифровым проектом холдинга создание комплексной системы производственного планирования и учёта, которая объединила информацию со всех технологических площадок.

Сегодня «ТМХ» консолидирует сведения с двенадцати машиностроительных заводов и использует их для комплексного анализа. Единая цифровая среда стала базой для дальнейшей работы с искусственным интеллектом и большими языковыми моделями.

По словам Анатолия Ушакова, наибольший экономический эффект в холдинге обеспечили системы производственного планирования (MRP-алгоритмы), позволяющие рассчитывать потребность в материалах и ресурсах, а также аналитические платформы (BI-инструменты), обеспечивающие быстрый доступ к данным и их обработку. 

Производство учится работать на опережение

Другим ключевым вопросом дискуссии стала предиктивная аналитика. По мнению генерального директора ГК «Цифра» Михаила Аронсона, промышленность уже переходит от автоматизации действий к управлению последствиями.

Раньше предприятия в основном стремились автоматизировать отдельные процессы — планирование, загрузку оборудования или диспетчеризацию. А теперь они сфокусированы на том, чтобы как можно быстрее получать информацию и прогнозировать развитие ситуации.

«Эффективность современного производства держится на двух факторах: скорости получения информации и качестве прогнозирования», — отметил г-н Аронсон.

Он также привёл в пример проект, реализованный для Горьковского автомобильного завода. В рамках особо значимого проекта индустриального центра компетенций по автомобилестроению компания объединила системы оперативного управления производством (MES) и управления жизненным циклом продукции (PLM) в единую цифровую среду, что позволило повысить производительность оборудования. 

В результате показатели на 188 единицах оборудования выросли примерно на 15%. По оценке предприятия, только за 2024 год экономический эффект от внедрения превысил 100 млн рублей.

Не менее важное направление — прогнозирование отказов оборудования. По словам Михаила Аронсона, сегодня модели на основе данных вибродиагностики позволяют заранее выявлять признаки неисправностей и предотвращать аварийные остановки производства.

О том, что предприятия постепенно отходят от точечных цифровых проектов, говорили и представители судостроительной отрасли. Так, например, руководитель управления департамента технического развития АО «ОСК» Елена Ролдугина отметила, что концепция цифровой верфи значительно шире внедрения отдельных информационных программ.

По её словам, цифровое производство охватывает весь цикл создания продукции: от подготовки конструкторской документации до складской логистики и мониторинга оборудования. 

Такой подход уже реализует несколько предприятий корпорации. В частности, на заводе «Красное Сормово» через четыре месяца после старта проекта автоматизировали процессы конструкторско-технологической подготовки производства, через пять месяцев — складское хозяйство, а ещё через месяц — диспетчеризацию.

Главной задачей было синхронизировать все технологические процессы, в том числе выпуск документации, материально-техническое обеспечение, загрузку оборудования и строительство судов непосредственно.

Представитель ОСК также обратила внимание на значимость систем мониторинга технологического и сварочного оборудования. По её мнению, станки сегодня необходимо рассматривать в том числе и как источник данных. Анализ загрузки позволяет объективно оценивать необходимость покупки новых станков и избегать необоснованных затрат за счёт более эффективного использования существующих мощностей.

От ожиданий к реальным результатам

Пожалуй, наиболее критично к текущему ажиотажу вокруг искусственного интеллекта отнёсся генеральный директор холдинга промышленного ПО «Экспанта» Александр Смоленский.

По его мнению, отрасль переживает очередной виток завышенных ожиданий от ИИ. В большинстве своём компании рассчитывают, что генеративные модели смогут заменить сложные инженерные решения и собственные команды разработки. Однако на практике это далеко не так. 

«Для простых задач такой подход работает. Но в промышленности сложные решения нельзя просто сгенерировать. Их нужно проектировать, сопровождать и нести ответственность за их работу», — отметил он.

При этом сам искусственный интеллект уже приносит вполне измеримый эффект в конкретных производственных задачах. В качестве примера г-н Смоленский привёл систему контроля качества сварных швов. После выполнения сварки у модели есть всего несколько секунд, чтобы проанализировать параметры процесса и определить необходимость повторной обработки.

Точность таких решений достигает 997 корректных прогнозов на 1000 операций. Для многих производственных процессов это уровень, который позволяет использовать технологии машинного обучения в реальной эксплуатации. Подобный подход применяют и в программах управления ремонтами оборудования. Обычно в таких случаях большие языковые модели помогают анализировать документацию, формировать сводки и снижать влияние человеческого фактора на принятие решений.

По итогам дискуссии следует вывод, что российская промышленность постепенно меняет отношение к цифровизации. Раньше зрелость в ней оценивали по количеству внедрённых систем, а теперь компании смотрят на эффективность данных, которые эти продукты создают.

Вероятно, следующим этапом цифровой трансформации станет создание полноценной инфраструктуры данных — от нормативного регулирования и дата-платформ до инструментов анализа.