ИИ на производстве: синергия компьютерного зрения и процессной аналитики
Реклама. ООО «КОЗИСОФТ», ИНН 6320062617
erid: F7NfYUJCUneVdT5WbH92
Цифровизация производственных процессов выходит на новый уровень благодаря связке технологий компьютерного зрения (CV) и процессной аналитики (process mining). На производстве это значит, что видеокамеры не только записывают происходящее, но и с помощью ИИ автоматически распознают действия людей и оборудования.
В статье от экспертов ИТ-компании «КозиСофт» рассмотрим, как именно работает связка CV+Process Mining, какие модели поведения позволяет выявить ИИ и как видеоаналитика соотносится с маршрутными картами.
Как работает связка компьютерного зрения и процессной аналитики
Компьютерное зрение с интегрированными нейросетями способно видеть происходящее в цеху и автоматически распознавать события производственного процесса. Камеры фиксируют работу операторов, движение персонала, взаимодействие сотрудников с оборудованием, перемещение материалов и даже состояние продукции. Затем специальное ПО анализирует видеопоток в реальном времени, выделяя значимые события и представляя их в структурированном виде (цифровой журнал событий). Иными словами, CV-приложение преобразует неструктурированное видео в последовательность событий, понятных для последующего анализа процессов.
Например, нейросеть может определить, что оператор начал операцию (сборка детали, замена инструмента и т. д.) в определённое время и завершил её через установленный интервал или что груз переместился с одного участка на другой. Эти низкоуровневые события затем агрегируются до уровня операций процесса, необходимого для анализа процессной аналитикой.
В результате можно автоматически получить журнал событий производственного процесса, даже если часть операций не оставляет цифрового следа в ИТ-системах. Проще говоря, камеры — это ещё один источник данных о процессе наравне с датчиками и системами учёта.
Выделение поведенческих моделей и отклонений
Когда действия и операции переводятся в данные, искусственный интеллект начинает видеть поведенческие модели. Алгоритмы машинного обучения строят модель типичного хода процесса, выявляя стандартные последовательности операций и маршруты перемещений.
Например, CV-система может зафиксировать, что в норме оператор выполняет шаги в определённом порядке: взял деталь → установил на станок → запустил обработку → снял деталь. Эти регулярные последовательности формируют стандартный маршрут процесса. Process Mining в свою очередь создаёт карту процесса AS-IS (как есть) и показывает наиболее частые пути выполнения операций, по сути выявляя базовый сценарий работы.
Далее ИИ выявляет отклонения от этих стандартных моделей. Любые нестандартные маршруты или действия операторов, которые отличаются от шаблона, будут замечены. Например, если работник обходит обычный порядок действий или посещает участки цеха в неверной последовательности, это отметится как вариант процесса, требующий внимания.
Процессная аналитика позволяет визуализировать такие скрытые отклонения: на карте процесса будут видны обходные пути или лишние шаги, которые совершаются не так, как предусмотрено регламентом. Это помогает понять, где возникают задержки, лишние операции или ошибки, мешающие оптимальному потоку.
Обнаружение узких мест и неэффективностей
На основе видеоданных система способна измерять фактическое время выполнения каждой операции и движение между ними. Это даёт возможность вычислить, где процесс замедляется: например, выявить стадию, на которой образуется очередь деталей, или операцию, которую один из сотрудников выполняет заметно дольше нормы.
Кроме того, сопоставляя множество выполнений процесса, ИИ может обнаружить примеры непродуктивности — скажем, регулярные простои оборудования между операциями, лишние перемещения персонала, повторные переделки брака и т. д. Так, нейросеть, обученная на массе видеозаписей, может самостоятельно выделять закономерности в поведении, аномальные ситуации и даже предсказывать, где возможен сбой.
Примером может служить опыт горнодобывающей промышленности: на буровых установках применяется визуальный контроль с ИИ, где алгоритм сам идентифицирует отклонения, а человек лишь подтверждает или уточняет выводы системы. Это сняло с операторов рутину постоянного мониторинга — они вовлекаются, только когда система сигнализирует о нестандартной ситуации.
Связка CV+Process Mining позволяет построить поведенческую модель процесса (что и в какой последовательности делают люди и машины) и на её основе автоматически выявлять отклонения от этой модели. Типичные маршруты и шаблоны действий фиксируются как бенчмарк, а всё, что выходит за пределы, подсвечивается для анализа.
На практике компании, внедряющие такие системы, получают конкретные инсайты: где теряется время, какая смена работает медленнее, какие действия можно исключить или автоматизировать.
Сопоставление с маршрутными картами и нормативами
Для эффективного управления важно не только выявлять отклонения, но и понимать — отклонения от чего.
В производстве каждому процессу соответствует маршрутная карта (технологическая последовательность операций) и установлены нормативы времени на их выполнение, а также другие технологические регламенты (например, требования безопасности, стандарты качества). Интеграция CV+Process Mining позволяет напрямую сопоставлять фактическое исполнение процесса (по видео) с этими заданными маршрутами и нормами.
Алгоритмы автоматически сравнивают, насколько реальный ход процесса соответствует эталонной модели или карте процесса. Таким образом, система указывает, какие шаги выполняются не по порядку, где процесс отклоняется от маршрутной карты и какие операции занимают больше времени, чем заложено нормативом.
Представим, что технологический регламент требует: операция A → B → C, каждая не дольше 5 минут. CV-система создаёт журнал событий: фактически было A (5 мин) → C (2 мин) → B (7 мин). Process Mining сразу же выявит несоответствие: операция C выполнена раньше B (нарушение порядка) и операция B длилась 7 мин (превышение норматива времени). Такие несоответствия визуализируются на процессной карте — шаг B может быть подсвечен красным как превышение SLA, а последовательность C→B показана как отход от регламента. В аналитических дашбордах эти выводы представлены в наглядном виде: диаграммы и таблицы показывают, какая доля случаев идёт по стандартному маршруту, а какая — с отклонениями, какие именно шаги выпадают из нормы по времени.
Отслеживание норм труда
CV способен считать рабочее время и контролировать дисциплину. По сути, данные с видеокамер дополняют (а иногда и заменяют) данные систем учёта рабочего времени, но с большей детализацией — видно не только во сколько пришёл и ушёл работник, но и чем он занимался в течение смены, сколько времени реально работал, а сколько простаивал.
Также CV-модели могут проверять соответствие качественных параметров нормам. К примеру, в металлургии компьютерное зрение контролирует качество и время выполнения отдельных этапов (по внешним признакам продукта и состоянию процесса) — это снижает влияние человеческого фактора и стабилизирует выпуск.
Если в технологическом регламенте указано, что определённая операция (скажем, перемешивание шлака) должна длиться не менее X минут для обеспечения качества, система машинного зрения отследит фактическое время по видео и подаст сигнал, если оператор сократил этап или нарушил технологию. Таким образом, каждый шаг процесса на видео сверяется с «цифровым двойником» процесса — маршрутной картой и нормативами.
При помощи интеллектуальных панелей управления (AI-дашбордов) инженеры по производству и мастера смен сразу видят, где практика расходится с теорией: какие операции требуют больше времени, кто из сотрудников работает быстрее или медленнее нормы, где нарушаются техпроцессы и стандарты компании. Такая прозрачность не только повышает дисциплину, но и позволяет пересмотреть нормы, если данные показывают нереалистичность отдельных требований, либо точечно обучить персонал, если выявлены пробелы в следовании инструкциям.
От видео к дашбордам: готовое решение для производственников
Рассмотрим, как конкретно устроена система CV + Process Mining. Фактически, это сквозной конвейер обработки видео, выдающий понятную управленческую информацию.
Сбор данных
На предприятии устанавливается система камер (обычно используются уже существующие камеры наблюдения либо недорогие стандартные IP-камеры). Они охватывают ключевые рабочие зоны: станки, конвейеры, склады, проходные, узлы сборки и т. д. Потоки с этих камер поступают в систему компьютерного зрения. Дополнительно могут интегрироваться и другие источники данных — например, данные датчиков оборудования, сигналы от системы доступа (СКУД), трекеры и пр., чтобы обогатить видеоаналитику контекстом.
Анализ видео с помощью CV-моделей
На этом этапе нейросети в реальном времени обрабатывают видеопоток. Благодаря заранее обученным детекторам, система распознаёт объекты и действия: идентифицирует сотрудников, определяет их позы и жесты, отслеживает перемещение материалов, фиксирует начало и конец операций, распознаёт нарушение правил (например, отсутствие каски или вход в запретную зону).
Библиотека детекторов обычно включает десятки или сотни типовых сценариев: от контроля техники безопасности до сложных производственных операций. Наличие таких готовых моделей резко ускоряет внедрение — не надо обучать ИИ с нуля под каждую задачу, достаточно адаптировать имеющиеся алгоритмы под конкретный цех и тип продукции.
Формирование графа событий (event log)
Распознанные события в удобном виде заносятся в цифровой журнал. Каждая запись может содержать:
- метку времени,
- идентификатор контекста (например, номер изделия или смены, имя оператора, участок),
- тип события (действие или состояние),
- дополнительные параметры (длительность операции, количество единиц продукции, геолокация и пр.).
Эти события структурируются в последовательности по каждому экземпляру процесса (например, по каждому собранному изделию или каждой выполненной заявке на производство). По сути, создаётся граф процессов — схожий с процессной моделью, отражающий все варианты прохождения операций. Далее с этим event log уже работают инструменты процессной аналитики.
Процессная аналитика и моделирование
Используя методы Process Mining, система строит модель процесса AS-IS на основе полученных событий. Специальные алгоритмы выявляют все уникальные пути (варианты) процесса, считают частоту их повторения, вычисляют статистику по временам выполнения каждого шага. Выполняется и проверка соответствия (Conformance Checking) — сравнение полученной модели с эталонной (если загружен регламент процесса). Это позволяет автоматически определить, какие шаги отклоняются от нормативов и маршрутных карт.
Также вычисляются KPI процесса: среднее и максимальное время цикла, простои между операциями, доля брака, производительность на одного работника, нагрузка на оборудование и т. п. Процессная аналитика может даже дать рекомендации — например, указать, что определённый этап целесообразно автоматизировать или параллелить, если данные показали бутылочное горлышко.
Визуализация результатов в дашбордах
Для конечных пользователей — мастеров, инженеров, руководителей производства — вся информация выводится в наглядной форме. Как правило, это веб-интерфейс или приложение с интерактивными дашбордами.
На них отображаются:
- карта процесса (граф со всеми этапами, где толщина стрелок и цвет узлов указывает частоту и задержки, а отклонения от регламента подсвечиваются);
- панель показателей (например, сколько операций выполнено за смену, среднее время на операцию, процент соблюдения норм);
- таблицы с перечислением обнаруженных нарушений или событий (с указанием кто, когда, что нарушил);
- видеофрагменты — система зачастую позволяет сразу просмотреть видео любого зафиксированного события одним кликом. Например, если в отчёте указано, что оператор Иванов нарушил последовательность операций на станке № 5 в 14:35, руководитель может нажать и тут же посмотреть видео этого эпизода для разбирательства.
В итоге
Связка компьютерного зрения и процессной аналитики открывает перед промышленностью новые горизонты в управлении операциями. Видео с камер превращается в источник ценных данных о реальном ходе работ, а алгоритмы ИИ делают эти данные понятными и полезными. Распознавание действий операторов и состояний оборудования позволяет построить цифровую модель производственного процесса, обнаружить скрытые проблемы и отклонения, сопоставить практику с заложенными нормами.
Те, кто первыми внедрит эти технологии, получат не только более безопасное и прозрачное производство, но и конкурентное преимущество на рынке. Ведь в эпоху Индустрии 4.0 скорость и точность управленческих решений становятся ключевым фактором успеха, а умная видеоаналитика даёт и то, и другое, превращая обычные камеры наблюдения в глаза и уши цифрового директора по эффективности.
ИТ-компания «КозиСофт»
445056, Самарская область,
г. Тольятти, ул. 40 лет Победы 41
cosysoft.org
vk.ru/cosysoft
sales@cosysoft.ru
+7 (495) 120-06-69
+7 (927) 790-11-13
