Уроки Local Motors: Почему 3D-печать и краудсорсинг не спасли пионера открытого распределенного производства

В январе 2022 года Local Motors, компания, известная своими 3D-печатными автомобилями (Strati, Rally Fighter) и автономными шаттлами Olli, прекратила свою деятельность.

Их бизнес-модель была построена на трех китах: краудсорсинг дизайна, сотворчество (co-creation) с клиентами и распределенное цифровое производство через микрофабрики.

История Local Motors стала ценным, хотя и дорогим, уроком для всего современного производства.

1. Инновации должны быть экономически жизнеспособными, а не просто быстрыми
Local Motors доказала, что может ускорить разработку продукта. Они вывели Rally Fighter на рынок всего за 18 месяцев (в 5 раз быстрее, чем отраслевой стандарт 3–5 лет) и с минимальными затратами на разработку (3 миллиона долларов против миллиардов).

Урок: баланс между технологией и прибыльностью. Главной причиной краха стали высокие производственные затраты на 3D-печать крупных автомобильных компонентов. Несмотря на низкие затраты на разработку, высокие операционные расходы на печать затрудняли достижение прибыльности и вызвали значительное финансовое напряжение. Нехватка финансирования была названа основной причиной закрытия.

2. Рынок автономного транспорта оказался слишком конкурентным и незрелым
Local Motors совершила стратегический переход от Rally Fighter к автономному шаттлу Olli, напечатанному на 3D-принтере, который предназначался для низкоскоростных сред, таких как кампусы и больницы.

Урок: оценка рыночного принятия. Компания столкнулась с низким рыночным принятием своих продуктов. Привлекательность 3D-печатных автомобилей была нишевой. Более того, Local Motors оказалась на высококонкурентном рынке, где ей противостояли более крупные и хорошо финансируемые игроки. Стратегический поворот к беспилотным автобусам не принес ожидаемых финансовых результатов.

3. Надежность и масштабируемость критичны для новых технологий
Даже самая инновационная производственная модель не может компенсировать проблемы с ключевой технологией.

Урок: фокус на качестве и масштабе. Разработка автономных транспортных средств, таких как Olli, столкнулась с многочисленными технологическими препятствиями. Возникли проблемы с надежностью и масштабируемостью технологии автономного вождения. Кроме того, внешние экономические факторы, такие как сбои в цепочках поставок, еще больше подорвали жизнеспособность компании.

4. Положительный опыт: Ценность сотворчества (Co-creation)
Несмотря на закрытие, Local Motors оставила после себя ценную модель B2ONE (billion-to-one) — вовлечение клиента в процесс создания.

Урок: B2ONE и антихрупкость. Local Motors показала, как клиенты могут быть создателями на протяжении всего жизненного цикла продукта (от дизайна до владения), что обеспечивает сильную обратную связь и постоянное улучшение каждой последующей единицы. Основатель компании подчеркивал, что цифровое производство (3D-печать) позволяет компаниям быть "антихрупкими" (anti-fragile), то есть быстро реагировать на рыночные потрясения и менять дизайн, чтобы стать сильнее.

Local Motors доказала потенциал цифрового производства для «экономики охвата» (economy of scope), фокусируясь на небольших партиях и персонализации. Но в долгосрочной перспективе даже эта гибкость не смогла перевесить финансовое бремя, созданное неоптимальным масштабированием передовой производственной технологии.

Согласно исследованию GDPval, большие языковые модели (БЯМ) и искусственный интеллект (ИИ) демонстрируют высокую эффективность в выполнении задач, связанных с интеллектуальной работой в производственных специальностях, приближаясь по качеству к уровню опытных экспертов, и имеют потенциал значительной экономии времени и средств.
GDPval — это бенчмарк, который оценивает возможности ИИ на реальных, экономически значимых задачах.
Охват производственных специальностей
Бенчмарк GDPval охватывает 44 профессии в 9 основных секторах, вносящих наибольший вклад в ВВП США. В числе этих секторов — Производство (Manufacturing), который составляет 10,0% от ВВП США.

В секторе "Производство" в бенчмарк были включены задачи, связанные со следующими профессиями:
• Инженеры-механики (Mechanical Engineers).
• Промышленные инженеры (Industrial Engineers).
• Агенты по закупкам и покупатели (Buyers and Purchasing Agents).
• Служащие по отгрузке, приему и инвентаризации (Shipping, Receiving, and Inventory Clerks).
• Младшие руководители производства и эксплуатационных рабочих (First-Line Supervisors of Production and Operating Workers).

Задачи, используемые в GDPval, были разработаны отраслевыми экспертами со средним стажем 14 лет. Промышленный инженер (Lead Industrial Engineer) с более чем 5-летним опытом подтвердил, что задачи по редизайну (например, разработка приспособлений/оснастки) точно соответствуют реальной практике. Эти задачи включали специфические компоненты дизайна, подробные чертежи с точными измерениями и фокусировались на таких практических аспектах, как видимость и оптимизация расстояний для ходьбы, что отражает фактические инженерные и операционные приоритеты.

Результаты эффективности и качества
Исследование показало, что лучшие современные модели начинают приближаться к паритету с отраслевыми экспертами по качеству результатов.
• Лучшие модели: Claude Opus 4.1 и GPT-5 показали наилучшие результаты, приближаясь к качеству профессиональных решений.
• Качество: В золотом подмножестве GDPval (220 задач) 47,6% результатов, созданных Claude Opus 4.1, были оценены экспертами как лучшие или не хуже (ничьи) по сравнению с результатами, созданными человеком-экспертом.
• Сильные стороны: GPT-5 преуспел в точности (например, строгое следование инструкциям и правильные расчеты), тогда как Claude Opus 4.1 выделялся в эстетике (например, форматирование документов и расположение слайдов).

Скорость и стоимость
Анализ показал, что ИИ может предложить значительную экономию времени и средств, если используется под контролем человека-эксперта.
• В сценариях, когда эксперт использовал модель, оценивал результат и сам исправлял его в случае неудовлетворительного качества, использование ИИ потенциально может сэкономить время и деньги по сравнению с работой невооруженных экспертов.
• С точки зрения чистого времени инференса и стоимости API, модели могут выполнять задачи GDPval примерно в 100 раз быстрее и дешевле, чем эксперты.

Ограничения и недостатки
Несмотря на высокую эффективность, модели все еще имеют серьезные недостатки:
1. Следование инструкциям: Эксперты чаще всего отдавали предпочтение результатам человека, поскольку модели не смогли полностью следовать инструкциям по задачам GDPval.
2. Ошибки: Модели иногда галлюцинировали данные или делали неправильные расчеты. У GPT-5 наиболее частой причиной проигрыша была категория "приемлемо, но хуже" (acceptable but subpar), однако примерно 29% всех провалов GPT-5 были оценены как "плохие" или "катастрофические" (около 3% "катастрофических").
3. Характер задач: Текущая версия GDPval сосредоточена только на интеллектуальной работе (knowledge work), которую можно выполнить на компьютере. Она не включает ручной труд, физические задачи, обширные неявные знания (tacit knowledge), командную работу, взаимодействие между людьми или работу с конфиденциальной информацией. Кроме того, задачи являются "однократными" (one-shot) и точно определенными, что не отражает реальных ситуаций, требующих итераций, построения контекста или навигации в условиях двусмысленности.

В целом, в производственных специальностях ИИ демонстрирует способность выполнять значительную часть интеллектуальной работы (например, проектирование, анализ, создание документации) на уровне, близком к экспертному, особенно при использовании с человеческим контролем.

https://openai.com/index/gdpval/

https://cdn.openai.com/pdf/d5eb7428-c4e9-4a33-bd86-86dd4bcf12ce/GDPval.pdf 

Представьте, что нейросети — это как умные помощники, которые могут учиться на примерах, прямо как вы на работе, запоминая, что хорошо, а что плохо. Сначала они были очень простыми, как электронный словарь, который просто заменял русские слова на английские, но без понимания смысла.

Чтобы компьютер начал что-то понимать, слова нужно было превратить в числа. Потом придумали способ кодировать слова так, чтобы похожие слова имели похожие числа — это «векторы смысла». По сути, смысл слова — это то, с какими другими словами оно чаще встречается, как разные инструменты часто лежат рядом в одном ящике.

Для работы с картинками, нейросети учатся находить «суть» изображения, как будто вы быстро определяете брак детали на конвейере. Этот процесс называется «сверткой». Чтобы такие сложные вычисления работали быстро, придумали специальные графические процессоры (GPU), которые обрабатывают много данных одновременно, как многозадачная машина в цеху.

Чтобы научить такую «умную машину», ей нужны «размеченные данные» — это сотни тысяч фото с подписями, например, «это кошка», «это собака», или «это деталь без брака». Интернет и социальные сети помогли собрать такие огромные «инструкции» для обучения. А чтобы не начинать каждый раз с нуля, придумали «Transfer Learning»: это как если опытный рабочий быстро осваивает новую, но похожую задачу, используя старые навыки. Но главное — не «переобучить» сеть, иначе она просто будет зубрить и начнет делать ошибки, как уставший рабочий, который механически все запомнил, но не понял.

Для работы с текстами появились сети Transformer, которые разбивают слова на «токены» (кусочки слов) и учатся обращать «внимание» на самые важные части текста, как хороший мастер на ключевые этапы работы. Из них появились GPT (Generative Pretrained Transformer) – это такие «умные попугаи», которые могут генерировать новые тексты, но уже с пониманием смысла, предсказывая следующее слово.

Чтобы GPT не несли «словесный понос», их учат быть «послушными» с помощью RLHF (Reinforcement Learning from Human Feedback) — это как мастер поправляет ученика, давая ему обратную связь и награждая за правильные действия. Можно даже настроить «температуру» модели: если она низкая, ответы будут стандартные и предсказуемые, как работа по инструкции; если высокая — могут появиться креативные, но иногда странные ответы.

Нейросети, как правило, не запоминают весь ваш диалог. Поэтому им каждый раз дают весь разговор заново. Для работы с вашими документами придумали «контекстное обучение» (просто добавляют нужные тексты прямо перед вашим вопросом) и RAG (Retrieval Augmented Generation). Это позволяет нейросети «читать» ваши данные из специальной базы и отвечать осмысленно, как если бы она говорила с вашими инструкциями или документами.

Важно, что нейросети — это, скорее, «гипер-гуманитарии»: они отлично работают с языком, переводами, но плохо считают и путаются в больших таблицах. Для точных расчетов им нужны «инструменты», например, возможность запустить программу на языке Python, как рабочему нужен калькулятор или измерительный прибор. Когда несколько таких «умных помощников» объединяются и используют инструменты для решения сложной задачи, это называется «агентами».

Сейчас нейросети активно помогают в бизнесе: анализировать кучу статей, работать с тоннами документации, чтобы быстро найти нужную информацию, и даже разбираться в сложных таблицах, что для обычного ChatGPT пока сложно. В общем, они не собираются бунтовать, а становятся все более полезными помощниками, меняя привычные подходы к работе.

Источник: Как устроены нейросети для неспециалистов
https://habr.com/ru/companies/timeweb/articles/936018/

Эпизод 50. Использование коротких подкастов в формате микрообучения предлагает значительные преимущества для обучения сотрудников производственных предприятий.

Что такое микрообучение?
Микрообучение — это подход к обучению, ориентированный на учащихся, который предоставляет короткие, сфокусированные учебные модули, предназначенные для достижения конкретных целей обучения или решения одной концепции. Эти модули обычно представляются в различных форматах, таких как видео, инфографика, викторины, а также подкасты. Оно характеризуется краткостью, доступностью и способностью соответствовать короткой продолжительности концентрации внимания современных учащихся. Контент обычно легко понять и длится менее 10 минут. Основные правила микрообучения включают сосредоточение на одной вещи за раз, краткость и легкую доступность.

Польза и ценность коротких подкастов для обучения сотрудников
Подкасты, трансформированные в микрообучение, представляют собой мощную комбинацию, которая использует сильные стороны обоих форматов для обеспечения высокоэффективного обучения. Разделяя учебный контент на короткие, легко усваиваемые эпизоды, организации могут превращать подкасты в модули микрообучения, которые учитывают короткое внимание и плотный график современных учащихся.

Основные преимущества подкастов для обучения сотрудников:

Доступность: Слушатели могут получать доступ к подкастам в любое время и в любом месте, что делает их идеальными для обучения "на ходу". Это позволяет обучаться во время поездок на работу, тренировок или в свободное время, без необходимости выделять специальное учебное время.

Как это работает:

Отдел обучения записывает серию из 10-15 эпизодов по 15-20 минут на тему "Основы бережливого производства (Lean)" или "5S для склада".
Эпизоды выходят раз в неделю. Сотрудникам предлагают слушать их в фоновом режиме во время работы (если это безопасно) или в комнате отдыха.
Формат может включать интервью с лучшими операторами, обсуждение кейсов с начальником цеха, ответы на вопросы.
Пример: Компания «В» запустила подкаст "Истории из цеха", где опытные наставники рассказывали о решении нестандартных производственных проблем. Это помогло распространить лучшие практики среди всех смен.

Универсальность: Подкасты могут охватывать широкий спектр тем и форматов, включая интервью, панельные дискуссии, лекции и рассказы, что позволяет адаптировать контент к конкретным потребностям обучения.
Вовлеченность: Аудиоконтент способен захватывать внимание слушателей и вызывать эмоции, что не всегда достигается письменными или визуальными материалами. Качественно произведенные подкасты с интересными ведущими и увлекательным повествованием могут значительно повысить вовлеченность и запоминаемость материала.
Экономическая эффективность: По сравнению с другими формами учебного контента, производство подкастов может быть относительно экономически эффективным, требуя минимального оборудования и ресурсов.
Масштабируемость: После создания подкасты легко распространяются среди широкой аудитории, что делает их масштабируемыми для организаций любого размера.

Как микрообучение с помощью подкастов влияет на сотрудников производственных предприятий?

Микрообучение через подкасты особенно ценно для производственной отрасли, где время является критическим ресурсом:

Гибкость и доступность в условиях ограничений по времени: Сотрудники на производственных предприятиях часто имеют ограниченное время и небольшой контроль над своим графиком. Микрообучение с использованием подкастов позволяет пройти обучение всего за 30 минут, согласовывая его с временными ограничениями, обеспечивая гибкость и доступность. Менеджеры и руководители могут получать доступ к модулям микрообучения в удобное для них время — во время перерывов, смены или коротких простоев в производстве. Это обеспечивает, что обучение и развитие становятся частью повседневной или еженедельной рутины.
Разбиение сложных концепций: Микрообучение берет сложные концепции и разбивает их на управляемые, небольшие части знаний. Например, 10-часовая программа по лидерству может быть превращена в серию отдельных тем, таких как управление конфликтами или эффективная коммуникация.
"Обучение точно в срок" (Just-in-time training): Сотрудники, такие как руководители, могут получить именно ту информацию, которая им нужна, когда им это нужно. Если руководителю необходимо подготовиться к объявлению изменения в команде, он может быстро пройти 1-2-часовой курс по управлению изменениями, который ему необходим в данный момент, вместо того чтобы искать эту информацию в большой программе, пройденной месяцы назад. Это повышает вероятность запоминания и применения знаний.
Повышение уверенности и вовлеченности: Вместо длительных программ, завершение коротких сессий микрообучения (например, 1-2 часа) вызывает чувство выполненного долга, что может повысить уверенность и стимулировать желание участвовать в дальнейшем обучении, создавая цикл непрерывного повышения квалификации. Это приводит к повышенной вовлеченности среди персонала, делая процесс обучения более приятным.
Непрерывное развитие навыков без отрыва от производства: В отрасли, где каждая минута на производстве важна, микрообучение позволяет руководителям развивать свои навыки без необходимости длительного отсутствия. Это стратегический актив, позволяющий руководителям наращивать свои навыки без длительного отсутствия.
Актуальность и адаптируемость: Микрообучение позволяет быстро обучать сотрудников новым политикам, запуску продуктов или протоколам безопасности, гарантируя, что все остаются в курсе последней информации. Это способствует быстрому росту компетенций, гарантируя, что руководители остаются в курсе лучших практик и отраслевых требований.
Повышенное запоминание знаний: Предоставление коротких, целевых порций обучения в течение длительного периода приводит к более глубокому пониманию и запоминанию знаний.
Последовательность в обучении: Платформа микрообучения может обеспечить, чтобы сотрудники в разных местах получали последовательное обучение, поддерживая единые стандарты в обслуживании клиентов и операционных процедурах.
Преодоление разрыва в компетенциях: Микрообучение эффективно справляется с критическими пробелами в компетенциях в лидерстве, которые могут возникнуть из-за невозможности участия в традиционных программах из-за производственных требований.

Таким образом, подкасты, используемые как инструмент микрообучения, могут значительно улучшить программы обучения на производственных предприятиях, делая их динамичными, интерактивными, гибкими и эффективными. Это позволяет сотрудникам учиться в соответствии со своим графиком, повышает вовлеченность и способствует непрерывному развитию навыков, что приводит к улучшению бизнес-результатов.

Источники: https://maxlearn-microlearning.medium.com/transforming-podcasting-into-microlearning-harnessing-the-power-of-audio-for-effective-training-f2d554f62093

https://uniquedevelopment.com/microlearning-for-manufacturing-training/ 

American Factory – один из самых сильных фильмов, вышедших в 2019 году. Это история реанимации автомобилестроительного завода в пригороде Дейтона (Огайо, США), обанкротившегося в 2008. Дейтон – небольшой город, закрывшийся завод General Motors был крупнейшим работодателем и давал работу более чем 10 000 жителей города. В 2008 люди оказались без работы – и многие без домов. В 2014 завод был приобретён китайским миллиардером, который инвестировал 260 миллионов долларов в развитие производства автомобильного стекла. Рабочие были очень рады вернуться на производство Fuyao Glass America – с их ярких позитивных эмоций начинается фильм.

Далее – в течение трёх лет авторы фильма внимательно фиксировали историю развития американского завода под китайским управлением. Фиксировали, снимая интервью нескольких рабочих в разные годы, отмечая изменения их отношения к китайской модели управления. В интервью двум ключевым спонсорам (3 минуты, вы их знаете) режиссёры особенно подчеркнули, что дали простым людям рассказать их истории, без постановочных съёмок, без «narrator voice» – голоса за кадром, объясняющего, что происходит на самом деле. Тем самым авторы фильма показали, что ждёт многих из нас в ближайшие годы, – один из заводов ФУЯО Стекло Рус успешно развивается с 2013 года в Калужской области.

В фильме много характерных особенностей корпоративных культур двух совершенно разных стран. Прекрасны моменты фильма, когда американские менеджеры едут на китайский завод и смотрят на китайских рабочих, менеджеров и их действия как на явления с других планет. А потом безуспешно пытаются воспроизвести эти действия на китайском заводе в США – многие критики наслаждались комичностью этих моментов фильма, вспоминая отличный сериал «The Office».Американские кинокритики резюмируют: «В некотором смысле, наиболее ярким аспектом фильма оказывается то, как мы выглядим для китайцев, а именно – слабыми. В их глазах мы даём нашим детям слишком много ободрения, слишком много самоуважения. “Американцы любят быть польщенными до смерти”, – объясняет в фильме новый президент компании, родившийся в Китае, но проживший в США половину своей жизни. “Ослам нравится, когда их гладят по направлению роста волос.” Китайцам не нравится прикасаться к ослам, но они будут делать это столько, сколько потребуется, пока люди, желающие работать как машины, не будут вытеснены реальными машинами. Фильм открывает глаза – через лобовое стекло на новый мир».

В финале фильма, в 2018 году, на первый план выходят роботы, ставя точку в борьбе подходов и культур за эффективность компании, производительность завода.

И здесь – удивительно, как американские кинокритики не особо замечают значимости и судьбоносности последних 10 минут фильма.

Я прочитал пару десятков обзоров фильма и ни в одном не встретил попыток авторов этих обзоров осмыслить ключевую роль автоматизации в конвергенции менталитетов и культур.

Стоит процитировать последние минуты фильма. Съемка 2018 года на производстве автомобильного стекла, созданного китайцами в США. Собственник Cao Dewang и менеджеры идут по цехам. Менеджеры показывают собственнику роботов, которыми они заменяют рабочих.

– Раньше здесь работал один человек. Теперь здесь нет людей. Дальше я собираюсь избавиться от четырёх рабочих там. По два на каждую линию. Автоматизация — значит стандартизация. После того как мы закончим с этим, у нас будет на два рабочих меньше на загрузке на производственную линию. Эту операцию будет выполнять манипулятор.

– Вы уже завершили с этим участком?

– Да. Здесь всё автоматизировано.

– И вы заменяете всё остальное манипуляторами?

– Да. Я заменю людей на закалке боковых стёкол. Этот сейчас в опытной эксплуатации. Мы рассчитываем уволить четырёх рабочих в июле или августе. Я заменю их на машины. Сейчас люди не справляются, слишком медленные.

На последних минутах фильма создаётся впечатление, что после проблем и убытков завода 2016-2017 годов, в успехе в 2018 – основная роль не китайской дисциплины и покорности и не американских условий труда и профсоюзов, а робототехники и автоматизации. С этой точки зрения, все предыдущие полтора часа фильма становятся неплохим обоснованием неминуемой и скорой замены рабочих роботами. Замены ввиду дикой неэффективности человека на подобном производстве, полном рутинных, простых, утомительных, тяжёлых операций. Таким образом, весь фильм разворачивается элегантным реверансом в сторону американских рабочих – уважаемые граждане, чем чаще вы бунтуете, чем больше стоите с плакатами вдоль дорог, защищая своё право на комфортный труд – тем быстрее будете заменены роботами (только ли американских? и только ли рабочих?).Жёсткая конкурентная среда и глобализация оставляют сегодня немного вариантов: либо подобные операции будет выполнять человек – качественно, за 12 или меньше долларов в час, с двумя выходными в месяц, в жёстких условиях (как в Китае), либо робот. Роботы – со временем дешевле, уже сейчас производительнее, без нытья, размахивания плакатами и жалоб.

И здесь возникает важный вопрос, который будет решаться в ближайшие годы. Что будет происходить со страной, рабочие на предприятиях которой не сильно хотят и не могут повышать квалификацию, не готовы переходить в другие специальности, не желают переучиваться – но с радостью, в порыве народного возмущения, выстраиваются вдоль дорог с плакатами по любому поводу, затрагивающему комфортный для них ход вещей? Что будет происходить с такими странами с учётом дальнейшей уверенной и активной экспансии китайских капиталистов, готовых без жалости заменять этих рабочих роботами, тем самым делая свои производства сверхэффективными, сверхпроизводительными в сравнении с традиционными производствами?

Чем особенно интересен фильм American Factory – яркой демонстрацией уже доказавшей свою эффективность модели разрушения классических бизнесов и экономик двумя ключевыми силами нашего времени – жёсткой, милитаристской культурой управления азиатских менеджеров и их готовностью использовать робототехнику как чрезвычайно эффективную рабочую силу. Один из основных образов, символов времени, выделенных в фильме, – жёсткое, не щадящее людей, культивирующее сверхинтенсивный труд управление и роботы в качестве исполнителей – как основное конкурентное преимущество азиатских бизнесов. Идеология сверхинтенсивного труда как смысла жизни, пронизывающая всю нацию, пропитавшая каждого китайца. Такая идеология – очень сильное основание, очень мощный фактор результативности новой китайской экономики. 

Источник: https://isicad.ru/ru/articles.php?article_num=20935

Эпизод 48. Как определить эффективность оборудования и станков в цехах?

Использование на реальном производстве компьютерных средств сбора данных о состоянии и измеряемых параметрах оборудования создает основу для непрерывной оценки показателей эффективности и реагирования в режиме реального времени на ситуации, требующие вмешательства. Разнообразие показателей эффективности, их оперативное доведение до широкого круга пользователей и ЛПР, предоставление удобных средств расширенного анализа показателей и тенденций позволяют рассматривать современные системы мониторинга в качестве важной платформы комплекса управления производством. Сбор и обработка данных о техническом состоянии оборудования и его узлов существенно расширяет диагностические возможности систем класса MDC (machine data collection), обеспечивая за счет предиктивного анализа своевременное принятие мер, обеспечивающих бесперебойную работу оборудования и продление сроков эксплуатации.

Эпизод 47. Мы обсуждаем цифровые инструменты бережливого производства (Lean), которые используют различные компании для повышения эффективности. Важно отметить, что многие из этих решений являются простыми, а зачастую создаются и адаптируются самими сотрудниками компаний.

Вот цифровые инструменты Lean, упоминаемые в источниках, с описанием их использования и полученных бизнес-эффектов:

Корпоративная группа WhatsApp (называемая "SM lean improvements" в компании Seating Matters):

Использование: Сотрудники Seating Matters ежедневно публикуют короткие видеоролики об улучшениях ("до" и "после") в этой группе. Эта практика отражает японскую концепцию "йокотен" – распространение идей по всей организации.
Простота: Используются обычные смартфоны для съемки и загрузки видео.
Бизнес-эффекты: Создает атмосферу здоровой конкуренции и постоянного совершенствования, поскольку ежедневно может появляться 20-30 таких улучшений. Помогает сотрудникам быстро учиться на опыте других и применять идеи в своей работе.

Stream Deck (используется в Seating Matters и Tridelta Meidensha):

Использование: В бухгалтерии Seating Matters этот инструмент автоматизирует длительные, повторяющиеся офисные процессы, такие как выставление счетов, обработка электронной почты, создание отчетов или открытие веб-ярлыков. В отделе графического дизайна используется для автоматического ввода HEX-кодов цветов бренда, исключая ручной ввод. В Tridelta Meidensha Stream Deck используется для активации системы Андон (Andon), которая сигнализирует о проблемах на производственной станции, посылая уведомления руководителю на телефон.
Простота: Этот инструмент легко программируется для выполнения различных задач, что делает его доступным для обычных пользователей.
Бизнес-эффекты: Существенно сокращает время выполнения задач (например, с 10-15 минут до 2-3 минут для выставления счетов), устраняет ручную работу и уменьшает количество ошибок. Обеспечивает мгновенное оповещение о проблемах на производстве, позволяя быстро реагировать.

Приложение GembaDocs (Гемба Докс) (используется в Seating Matters и Adman Ste Sheds):

Использование: Применяется для быстрого создания стандартизированных рабочих инструкций (СОП). Инструкции могут быть в форме видео (часто загружаются на YouTube) и доступны через QR-коды, что позволяет сотрудникам быстро получить необходимую информацию без вопросов.
Простота: Создание одной такой инструкции занимает всего несколько минут. Приложение поддерживает фотографии и видео, легко обновляется и управляется.
Бизнес-эффекты: Позволяет новым сотрудникам учиться в два раза быстрее. Снижает стресс для руководителей и уменьшает текучесть кадров благодаря наличию четких, легких для восприятия стандартов. Является "переломным моментом" (game changer) для компаний.

Система Smart Sheet в сочетании с QR-кодами (в Tridelta Meidensha):

Использование: Применяется для цифровизации "полной ответственности" (Total Ownership) за оборудование. При сканировании QR-кода на объекте (например, огнетушителе) открывается форма в Smart Sheet, позволяющая связаться с ответственным лицом по любым проблемам. Также используется для отслеживания и документирования проблем, возникающих на производстве и регистрируемых через систему Андон. Информация о проблемах автоматически отправляется в Smart Sheet и обсуждается на утренних совещаниях. Кроме того, система используется для документации контроля качества, позволяя загружать фотографии продукции с номерами заказов, привязанными к QR-кодам на бумажных документах, обеспечивая 100% документацию.
Бизнес-эффекты: Улучшение коммуникации, быстрое решение проблем и полное отслеживание производственных и качественных показателей.

Цифровые экраны (в Tridelta Meidensha):

Использование: В каждом отделе установлены экраны для проведения локальных утренних совещаний.
Бизнес-эффекты: Это позволяет небольшим группам (до 10 человек) быть более вовлеченными в обсуждение проблем и отслеживать показатели, способствуя лучшей координации и обмену информацией.
Роботы и автоматизированное оборудование (в JJB):

Использование: В компании JJB используются роботы для автоматизации производственных процессов, таких как гибка лазерно вырезанных деталей, печать идентификационных номеров продуктов, формовка колец и смена штампов. Автоматизированные сварочные приспособления (джиги) позволяют выполнять сварку нажатием кнопки, превращая дневную работу в часовую.
Создано сотрудниками: Многие из этих систем, включая контроллеры PLC, разрабатываются и строятся собственными силами компании.
Бизнес-эффекты: Значительно сокращают время производства и трудозатраты. Минимизируют потери, связанные с транспортировкой по заводу, благодаря "армии роботов". Повышают качество и снижают количество ошибок.

Макросы в Excel (в Applied Concepts):

Использование: Для управления запасами использовался файл Excel, и ранее ручная задача по обновлению складских ведомостей, занимавшая 4 часа каждую пятницу, была автоматизирована.
Создано сотрудниками: Сотрудник компании Applied Concepts разработал эти макросы.
Бизнес-эффекты: Время выполнения задачи сократилось до 5-10 минут, что является огромной экономией времени.
Инструменты на основе искусственного интеллекта (ИИ) (в British Rototherm):

Использование: Разработан AI Workflow с использованием пользовательского запроса ChatGPT и Power Automate для автоматической загрузки заказов из электронных писем клиентов. Также создано приложение Windows Form App, код для которого был написан ИИ, для автоматической генерации серийных номеров и каналов.
Простота: Инструменты ИИ делают сложные задачи доступными даже для тех, кто не является экспертом в кодировании.
Бизнес-эффекты: Устраняет до двух часов ежедневной ручной работы по вводу данных. Экономит значительное время (1-2 часа на каждые 50 позиций) и избавляет сотрудников от монотонных, "болезненных" задач.

"Search Everything" (приложение на Stream Deck) (в Seating Matters):

Использование: Используется для быстрого поиска файлов и документов на всех дисках и облачных хранилищах компании.
Простота: Бесплатное приложение, интегрированное со Stream Deck.
Бизнес-эффекты: Значительно ускоряет поиск информации, сокращая время и движение, что улучшает обслуживание клиентов.

Электронные/визуальные доски (Mirra board, цифровые карточки задач) (в Seating Matters):

Использование: Mirra board используется для визуального контроля изменений в дизайне и их статуса (цветовая кодировка: оранжевый — в работе, красный — не начато, зеленый — выполнено). Цифровые карточки задач используются для отслеживания ежедневных, еженедельных, двухнедельных, ежемесячных и ежеквартальных задач, показывая статус выполнения (зеленый, когда задача выполнена).
Бизнес-эффекты: Обеспечивают полный визуальный контроль над рабочими процессами, улучшают координацию и уменьшают необходимость постоянных вопросов.

Эти примеры демонстрируют, как цифровые инструменты, будь то простые приложения, самостоятельно разработанные макросы или роботы, могут быть эффективно интегрированы в философию бережливого производства, принося значительные выгоды в виде повышения производительности, сокращения потерь, улучшения качества и вовлеченности персонала.

Эпизод 46. Парадигма летящих гусей – это эмпирическая теория экономического развития, предложенная японским экономистом Канамэ Акамацу. Эта концепция описывает последовательное индустриальное и технологическое обновление стран, где менее развитые экономики догоняют более продвинутые, следуя их примеру.

Суть и содержание парадигмы:

Иерархическая модель "лидер-последователь": В основе парадигмы лежит иерархическая модель, где существует "ведущий гусь" (изначально это была Япония), за которым следуют страны второго, третьего эшелона и замыкающие. Эти страны догоняют Запад в промышленном и технологическом развитии именно в таком порядке.
Миграция производств и технологическое обновление: Парадигма объясняет миграцию производственных компаний из страны в страну. Когда в одной стране бурно развивается производство определенного продукта, компании становятся мощнее, а рынок насыщается конкурентами, национальный экономический профиль меняется. В результате, компании-лидеры переносят более простые, прежние производства в менее развитые страны, где рабочая сила дешевле, а логистические затраты и спрос более благоприятны. Сами эти компании переключаются на выпуск новых, более сложных и высокомаржинальных продуктов. Этот цикл затем последовательно повторяется с каждой следующей страной в "стае".
Три измерения развития: Паттерн "перелетающих гусей" описывает процесс догоняющей индустриализации по трем основным измерениям:Внутриотраслевое измерение: Отражает жизненный цикл продукта внутри конкретной развивающейся страны – от первоначального импорта к собственному производству (с импортом компонентов) и, наконец, к экспорту этого продукта.
Межотраслевое измерение: Описывает последовательное появление и развитие отраслей в стране, переход от производства потребительских товаров к капитальным, от простых к более сложным и усовершенствованным продуктам.
Измерение международного разделения труда: Показывает перемещение отраслей из более развитых стран в развивающиеся по мере их конвергенции и достижения определенного уровня развития.

Кто переносит производства и кто является основным двигателем – предприниматель: как отмечено выше, ведущие компании (пионеры) переносят более простые производства. Однако основным двигателем в парадигме перелетающих гусей является класс предпринимателей. Именно предприниматели, по мере накопления опыта, ноу-хау и развития производственных технологий, способствуют росту доходности компаний и привлекают других игроков на рынок. Когда рынок становится насыщенным, а маржинальность продуктов снижается из-за конкуренции, пионеры-предприниматели переключаются на производство новых, более сложных и маржинальных продуктов.

Для того чтобы страна могла следовать этой модели, рыночный механизм является необходимым условием, поскольку только через рыночную конкуренцию относительные цены будут отражать относительную обеспеченность факторами производства, побуждая фирмы развивать отрасли в соответствии со сравнительными преимуществами экономики. Несмотря на необходимость рыночного механизма, правительство также играет важную роль в содействии преодолению проблем координации и внешних эффектов, присущих процессу промышленного обновления и диверсификации.

Интересно отметить, что страны с закрытыми рынками и административно управляемой экономикой не смогут обеспечить свое развитие на основе этой модели. Гуси (да и другие птицы) в зоопарках, в специальных вольерах с сетками - не летают. Вместо создания государственных планов, необходимо создавать и развивать класс предпринимателей, который будет толкать экономику к новым продуктам, индустриям и новым результатам. Это означает, что не стоит сразу пытаться освоить высокотехнологичные производства; вместо этого следует начать с легкой промышленности, научиться производить качественную одежду, что позволит создать класс предпринимателей, которому станет "тесно" на уже сформированных рынках, и который сам приведет экономику к новым, более сложным продуктам и индустриям.

Источник: https://pro.rbc.ru/demo/63aace659a794738833c178c

https://vc.ru/growth/624136-v-logike-gusinoi-stai-kak-vzglyanut-na-ekonomicheskie-processy-s-vysoty 

Эпизод 45. В чем отличия между четырьмя подходами проектирования:

Топологическая оптимизация — математический метод оптимального распределения материала внутри заданного объёма при учёте нагрузок и ограничений. Применяется в авиации, автомобилестроении, машиностроении. Инструменты: ANSYS, Altair OptiStruct, Siemens NX, Autodesk Fusion 360.

Пример: кронштейн для манипулятора робота при габаритах 120×80×20 мм и нагрузках 2 кН (сдвиг) + 1 кН·м (изгиб) оптимизируют в OptiStruct/ANSYS, а затем печатают из AlSi10Mg (SLM). Итог: −30–40 % массы при сохранении запасов прочности и +10–20 % жёсткости; детали сборки не меняются, растёт полезная нагрузка робота.

Бионический дизайн — вдохновение природными формами для получения органичных, лёгких и прочных конструкций. Инструменты: Rhino, Grasshopper, nTopology.

Пример: рёбра корпуса БПЛА проектируют, повторяя структуру губчатой (трабекулярной) кости: переменная пористость 20–60 % и плавные переходы сечений (Rhino/Grasshopper, nTopology). На выпуске (HP MJF (порошковая 3D печать), PA12) получается −20–30 % массы при той же первой собственной частоте, что снижает вибрации и увеличивает время полёта на 5–10 %.

Биомиметика — копирование принципов работы природных систем без обязательного сходства формы. Примеры: Velcro, Shinkansen 500, Sharklet Surface.

Пример: вентилятор с кромкой лопасти с «бугорками» (tubercles), как у горбатого кита, сдвигает срыв потока на большие углы атаки. Практический эффект: +5–8 % КПД при тех же оборотах и −2–3 дБ шума в рабочем диапазоне, что важно для HVAC/серверных.

Генеративный дизайн — алгоритмическая генерация множества вариантов конструкции на основе параметров и ограничений. Примеры: GM Seat Belt Bracket, Airbus Partition Wall.

Пример: кронштейн ремня безопасности автомобиля — алгоритм Fusion 360 Generative Design под ограничения лазерного плавления металлического порошка по слоям (DMLSTi-6Al-4V) предложил одну монолитную детали вместо 8 деталей: −≈40 % массы и +≈20 % прочности, устранена сборка. Аналогично делают перегородки/кронштейны в авиации: десятки вариантов за часы, выбор по критериям жёсткость/масса/стоимость и немедленный вывод в печать.

Все эти подходы подчеркивают важность обращения к 3,8 миллиардам лет исследований и разработок природы. От минимизации материалов и их универсального использования (как у жука, использующего один материал — хитин — для множества функций) до энергоэффективности и принципов циклической экономики, природа предлагает проверенные временем решения, которые позволяют ей существовать "грациозно".

Конечная цель этих подходов — не просто инновации, а создание продуктов, систем и даже целых городов, которые функционально неотличимы от природного мира. Как говорит Джанин Бенюс, мы должны спросить себя: "Как мы можем жить здесь грациозно в долгосрочной перспективе?" и "Как мы можем сделать то, чему научилась жизнь: создавать условия, благоприятные для жизни?". Ресурсы, такие как AskNature.org, созданы, чтобы помочь инженерам и дизайнерам находить эти природные "рецепты" и чертежи, соединяя нас с "гениями" и "старейшинами" этой планеты, которые были здесь намного дольше нас.

Подводя итог нашему обсуждению, можно сделать вывод, что мир природы является нашим величайшим наставником и источником вдохновения для инноваций. Мы забыли, что живем в компетентной вселенной, вдохновлённой гением, и что организмы и экосистемы знают, как грациозно жить на этой планете.

Эпизод 44. Обсуждаем результаты маркетингового исследования "Рынок технологий аддитивного производства РФ 2025".  Исследование позволяет сформировать детальное представление о текущем состоянии рынка аддитивных технологий в России и оценить его перспективы. Результаты могут быть использованы для принятия стратегических решений как государственными
структурами, так и коммерческими организациями, заинтересованными в развитии аддитивных технологий.

Приглашаем на форум Конвергентум: https://convergentum.ru/

Российский рынок аддитивных технологий (АТ) представляет собой динамично развивающуюся отрасль, активно формирующуюся в условиях стремления к технологическому суверенитету и геополитической напряженности.

Общий обзор рынка

Общий объём рынка аддитивных технологий в России в 2024 году, по оценкам, достиг 21,2 миллиарда рублей. Эта цифра получена исходя из того, что 3D-принтеры, занимающие 41% рынка, достигли объёма в 8,7 миллиарда рублей в 2024 году. Среднегодовой темп роста рынка за период 2021–2024 годов составил 41,3%.

Структура рынка в 2024 году по основным сегментам:

3D-принтеры остаются крупнейшим сегментом в денежном выражении, занимая 41% рынка с объёмом в 8,77 миллиарда рублей. При этом доля отечественных производителей незначительно сократилась с 68% до 65% из-за ускорения импорта, преимущественно китайских недорогих моделей.
Услуги центров аддитивного производства и технологий вышли на второе место, составив 24% от общего объёма рынка и превысив 5 миллиардов рублей, показав прирост в 81% к 2023 году. Этот сегмент включает контрактное аддитивное производство.
Материалы для 3D-печати стали третьим по объёму сегментом, занимая 21% рынка.
Услуги поставки и интеграции (добавленная стоимость дистрибьюторов) оцениваются в 1,7 миллиарда рублей.
3D-сканеры продолжили рост примерно на 15,7%, хотя и медленнее, чем другие основные сегменты. В этом сегменте импорт опережает внутреннее производство.
Перспективы развития рынка: Участники рынка ожидают значительный рост в перспективе 2025–2028 годов, прогнозируя ежегодные темпы роста в диапазоне 20–30% и даже более 50%, при этом средний ожидаемый ежегодный темп роста составляет от 26,5% до 33,0% в зависимости от сегмента.

Ключевые тенденции и факторы влияния

Развитие российского рынка АТ определяется как положительными факторами, так и сдерживающими барьерами.

Драйверы роста (положительные факторы):

Реверс-инжиниринг сохраняет лидирующие позиции как основной драйвер рынка. Спрос на услуги 3D-сканирования, анализа материалов и подготовку конструкторской документации вырос в несколько раз на фоне ограниченного доступа к зарубежным комплектующим и необходимости восстановления производственных цепочек. Государственные программы импортозамещения, включая гранты и льготное кредитование, дополнительно стимулируют этот сегмент. Ожидается, что пик спроса придётся на 2026-2027 годы.
Ускоренный рост сервисных центров свидетельствует о структурных изменениях рынка, переходе от создания собственных производственных линий к сотрудничеству с профессиональными поставщиками услуг.
Импортозамещение и локализация продолжают стимулировать переориентацию поставок на отечественные и азиатские решения, а также производство материалов внутри страны.
Государственная поддержка проявляется в субсидировании инвестиционных проектов, льготных режимах налогообложения и поддержке особых экономических зон, что способствует развитию технологических проектов.
Повышенное внимание к популяризации технологий и развитию образовательных программ со стороны отраслевых игроков способствует формированию устойчивого спроса и долгосрочному развитию рынка.
Внедрение искусственного интеллекта (ИИ) и роботизации в аддитивные технологии сосредоточено на автоматизации рутинных процессов, интеллектуальных помощниках, генеративном дизайне и топологической оптимизации.
Развитие облачных CAE и распределенных вычислений позволяет выполнять сложные расчёты на удалённых серверах, что упрощает совместную работу и повышает доступность инженерных инструментов.
Барьеры и вызовы (негативные факторы):

Замедление темпов роста сегмента оборудования в категориях среднего и профессионального класса, обусловленное повышением процентных ставок по кредитам, ростом стоимости оборудования из-за ослабления рубля и логистических сложностей.
Дефицит квалифицированных кадров остаётся существенным ограничением на всех этапах отрасли, от разработки до внедрения. Также отмечается недостаточная осведомленность заказчиков о возможностях новых технологий.
Отсутствие единых стандартов и сертификации сдерживает масштабное промышленное внедрение АТ, особенно в ответственных отраслях, таких как авиация и атомная промышленность.
Проблемы с трансграничными платежами и логистикой, вызванные ужесточением санкционных ограничений, приводят к удорожанию транзакций и задержкам поставок.
Высокая стоимость отечественных материалов по сравнению с импортными аналогами, особенно в металлопорошках и фотополимерах, а также зависимость от импортного сырья для некоторых материалов.
Недоверие к отечественной продукции также является отмеченным барьером.
Ключевые технологии и материалы

Современный рынок АТ предлагает несколько десятков различных технологий, но их распространение и уровень внедрения существенно различаются.

Технологии 3D-печати:

L-PBF (селективное лазерное плавление): Крупнейшая технология по объёму продаж 3D-принтеров в России, достигнувшая более 3,1 миллиарда рублей в 2024 году, что составляет 35% от общего рынка 3D-принтеров. Считается лучшей по качеству и широко применяется для металлов и сплавов.
FFF/FDM (экструзия материала): Наиболее динамичный из крупных сегментов, показавший прирост в 68% в 2024 году и объём рынка в 2,6 миллиарда рублей. Это самый массовый сегмент по числу проданных машин и идеален для освоения АТ, используя термопласты.
DED (прямой подвод энергии и материала): Семейство технологий, включающее лазерную и дуговую наплавку, достигло объёма в 931,3 миллиона рублей в 2024 году. Эти установки являются дорогостоящими, и их продажи исчисляются единицами.
Фотополимеризация в ванне (SLA, LCD, DLP): Объем рынка в 2024 году составил 353,2 миллиона рублей. Продажи составили около 4,9 тыс. принтеров, преимущественно китайского производства, используемых для высокоточной печати с гладкой поверхностью.
BJ (струйное нанесение связующего): Применяется преимущественно для изготовления литейных форм и стержней из песка или ПММА. Объём рынка в 2024 году составил 805,4 миллиона рублей, показав снижение на 4,3%.
Материалы для 3D-печати:

Металлопорошки: Крупнейший сегмент по выручке (2,32 млрд руб. в 2024 году). Отмечается почти полное импортозамещение в порошках стали, никелевых и кобальтовых сплавов, а также развитая линейка титановых порошков.
Термопласты: Объем потребления в 2024 году составил 1405 тонн, что в денежном выражении равно 1307,2 миллиона рублей. Наиболее распространены филаменты (PLA, ABS, PETG, ASA), а также гранулы (FGF). Отсутствие стандартов для термопластов ограничивает их применение в ответственных отраслях.
Фотополимеры: Активно развиваются, появляются составы с улучшенной ударной вязкостью и термостойкостью.
Связующие для песка: Используются в технологии Binder Jetting, преимущественно фурановые системы российского производства, хотя сохраняется зависимость от импортного сырья.
Прочие материалы: Включают керамонаполненные композиции (пасты и фотополимерные суспензии) и металлополимерные фидстоки, которые остаются нишевыми из-за сложности технологического цикла и высокой себестоимости.
Основные отрасли применения

Аддитивные технологии находят широкое применение в различных отраслях российской промышленности, способствуя решению задач импортозамещения и технологического развития.

Авиация и двигателестроение: Одна из стратегически значимых отраслей. АТ используются для производства и ремонта деталей газотурбинных двигателей (например, завихрители для ПД-14, опора компрессора для ВК-1600В, элементы горячей части ВК-800СМ), конструктивных элементов (кронштейны), интерьерных деталей, макетов и технологической оснастки. Основные используемые технологии: L-PBF/SLM, DED, E-PBF/EBM, FDM/FFF, BJ (песчаная печать). Материалы включают титановые, жаропрочные никелевые, кобальт-хромовые сплавы, а также полимеры и композиты.
Ракетно-космическая сфера: АТ являются стратегическим направлением для снижения массы, исключения сварных швов и получения сложных конфигураций. Применяются для камер сгорания двигателей (РД-0124), шар-баллонов, оснастки и малых спутников. Ключевые технологии: L-PBF, DED, FDM. Используемые материалы: титановые, жаропрочные никелевые сплавы, стали, а также биметаллические и градиентные композиции.
Нефтегазовый сектор: Объём рынка АТ в 2024 году вырос до 1,3 миллиарда рублей. Драйверы роста – санкции, потребность в оперативных ремонтах и экономическая эффективность, особенно в удалённых регионах. АТ применяются для производства запасных частей, модернизации оборудования, изготовления сложных деталей и восстановления узлов. Технологии включают L-PBF/SLM, FFF/FDM, SLS, SLA/LCD/DLP, DED, BJ.
Атомная промышленность: Объём рынка АТ оценивается в 1,1 миллиарда рублей в 2024 году. Происходит переход от экспериментов к системному внедрению, формируется комплексный сектор с собственным оборудованием и материалами. Применение охватывает топливный цикл, реакторные установки малой мощности, термоядерные установки, прототипирование. Используются L-PBF, E-PBF, DED, керамическая и полимерная печать. Материалы: нержавеющие стали, никелевые, титановые сплавы, гибридные W-Cu, радиационно-стойкие полимеры, карбид кремния (SiC).
Автомобилестроение: Объём применения АТ в 2024 году составил 943 миллиона рублей. Основные направления: прототипирование и дизайн (макеты кузовных панелей), производство технологической оснастки (литейные формы), мелкосерийное производство конечных компонентов и запасных частей. Технологии: FFF/FDM, SLS, SLA/DLP, BJ (песчаная печать), L-PBF. Материалы включают термопласты, песчано-полимерные смеси и композиты.
Литейное производство и металлургия: Объём рынка АТ в этом сегменте оценивается в 780 миллионов рублей в 2024 году. Применение сосредоточено на производстве литейной оснастки (песчаных форм и стержней) и частично на изготовлении запасных частей. Ключевые технологии: BJ (с песком и ПММА), FFF/FDM (выжигаемые модели), фотополимерная печать (SLA/DLP). Материалы: песчано-полимерные смеси, восконаполненные филаменты, литейные смолы.
Беспилотные летательные аппараты (БПЛА): АТ стали неотъемлемой частью жизненного цикла БПЛА от проектирования до серийного производства и полевого ремонта. FFF/FDM является повсеместной технологией, используемой сотнями организаций. Материалы включают полимеры (нейлон, PLA, PETG), угленаполненные и стеклонаполненные филаменты, а также гибкие полиуретаны (TPU).
Медицина (без стоматологии): Применение АТ в медицине обусловлено клинической эффективностью кастомизированных решений. АТ используются для изготовления индивидуальных металлических имплантов (титановые пластины, эндопротезы), реконструкции костей, челюстно-лицевой хирургии, протезирования конечностей и биопечати тканей и органов. Используются титановые сплавы, PEEK, фторполимеры, биочернила и керамика.
Энергетическое турбиностроение: Объём рынка АТ в этом сегменте оценивается в 842 миллиона рублей в 2024 году. Основные направления: разработка ГТД (камеры сгорания, лопатки), локализация производства деталей турбин, ремонт и восстановление, изготовление оснастки. Применяются L-PBF, DED, BJ, FFF/FDM. Материалы: жаропрочные никелевые, жаростойкие стали, кобальтовые сплавы, полимеры, песчано-полимерные смеси.

Эпизод 43. Разбираем кейс работы малого производственного бизнеса с цифровыми платформами производства по требованию.

Эван Бобб (Evan Bobb) из города Уильямспорт (население 27 754 человек), штат Пенсильвания, США, основатель компании Ascended Technologies, поделился результатами работы своего гаражного производства, которое получает заказы с помощью Xometry - цифрового сервиса "производство по требованию" (Manufacturing on Demand, Manufacturing as a service, MaaS).

У него один станок SYIL X7 и ленточная пила. Этот станок он приобрел в кредит на 36 месяцев за 62 тысячи долларов (6,3 млн.руб. по курсу 102,74).

Xometry - цифровой сервис сбора заказов на металлообработку деталей. На сайте Xometry можно заполнить заявку на производство и загрузить 3D модель, на основании которой подключенные к сервису производства будут изготавливать деталь. Другой подобный сервис - Fictiv, при помощи которого Эван также собирает заказы. В нашем небольшом исследовании 2021 года "Фабрики в контейнерах, MaaS-платформы и локальные микроцеха: главные производственные бизнес-модели 2020-x" мы подробнее рассказали про эту бизнес-модель и привели примеры сервисов. 

Итак, Эван получил выручку за шесть месяцев работы его гаражного производства (в США такое производство чаще всего называется Job shop, подобных микропроизводств в США по разным данным от 25 до 40 тысяч) 88 061 тысячу долларов (9 млн.руб). На производство - материалы и инструменты за 6 месяцев он затратил $19371 (1,99 млн.руб.). Накладные расходы в месяц - $4526 (465 тыс.руб.), состав смотрите в таблице. Часть выручки он потратил на инвестиции - пила, модернизация оборудования, всего на $16350 (1,679 млн.руб.).

И получил чистую прибыль $25182 или 2,587 млн. руб. за 6 месяцев работы (431 тыс.руб. в месяц). С одного станка и заказов с одного MaaS сервиса.

Как вам такой финансовый результат? Насколько в вашей компании он выше или ниже? Много ли вы знаете таких микропроизводств, работающих в вашем регионе?

Цель Эвана - заработать четверть миллиона долларов в следующем году, в своём канале он будет рассказывать о том, как он это будет делать.

Интересно, конечно, что для развития бизнеса он и такие как он, сегодня получают новые возможности в виде эффективно работающих цифровых сервисов, дополняющих маркетинг и продажи. Это точно способствует развитию производственных компаний и росту их загрузки.

Эпизод 42. Обсуждаем преимущества платформ производства по требованию (Manufacturing on Demand) на примере развтития компании Markforged.

Производство по запросу – это подход, при котором детали изготавливаются именно тогда и там, где они необходимы, вместо того чтобы хранить их в больших физических запасах. Это позволяет компаниям избегать затрат и хлопот, связанных с физическими инвентарными запасами, и ускорять выполнение заказов.

Markforged реализует концепцию производства по запросу через свою платформу Digital Source.

Вот как это работает на примере Markforged Digital Source:

Основа – 3D-печать: Суть производства по запросу заключается в использовании аддитивных технологий, таких как 3D-печать, для создания деталей.
Цифровой склад OEM-сертифицированных деталей: Digital Source – это цифровая платформа, которая функционирует как склад оригинальных деталей, сертифицированных производителями оригинального оборудования (OEM).
Загрузка и защита дизайна: Производители (вендоры) могут загружать свои 3D-файлы в систему Eiger (программное обеспечение Markforged), определять параметры печати и устанавливать цену. После этого настройки детали блокируются. Это гарантирует, что покупатель не сможет загрузить, изменить или скопировать чертеж, защищая интеллектуальную собственность OEM.
Доступ и лицензирование: Утвержденные клиенты получают доступ к цифровым каталогам. Они могут приобретать лицензии на однократную печать нужных им деталей на своем собственном оборудовании Markforged или через сеть поставщиков услуг печати.
Контроль качества: Платформа Markforged обеспечивает, что детали печатаются в соответствии со стандартами OEM, включая проверку материалов, исправности оборудования и подтверждение качества печати, даже если печать происходит удаленно.

Преимущества производства по запросу с Digital Source:

Снижение затрат на инвентарь: Больше нет необходимости хранить огромные физические запасы деталей, что снижает накладные расходы, налоги на инвентарь и риски устаревания. Деньги, которые раньше были связаны в запасных частях, теперь могут быть использованы для других целей.
Сокращение сроков поставки: Детали могут быть напечатаны и получены значительно быстрее. Например, один клиент Markforged сократил время получения запасных частей с 14 дней до 1 дня. Это устраняет задержки, связанные с транспортировкой, таможней и оформлением документов.
Повышение удовлетворенности клиентов и гибкости: Клиенты получают необходимые детали именно тогда, когда они нужны, что минимизирует время простоя оборудования. OEM-производители могут легко внедрять обновления дизайна, а клиенты могут печатать детали самостоятельно или через сеть поставщиков услуг.
Улучшение цепочки поставок: Упрощается международная доставка, снижается сложность логистики и становится возможным асинхронный процесс заказа, что особенно удобно при работе с поставщиками из разных часовых поясов.
Защита интеллектуальной собственности (IP): Дизайн деталей остается под контролем OEM-производителя и не передается в виде файлов CAD.
Новые источники дохода для OEM: Производители получают доход за свой инжиниринг и дизайн, не неся при этом затрат на физическое производство, хранение и доставку.

Примеры использования Digital Source:

Запасные и изнашиваемые части (MRO): Например, компания BMF использует Digital Source для изготовления сменных деталей для своих пескоструйных установок, что позволяет им оперативно заменять изношенные элементы. Австралийская мясоперерабатывающая корпорация (AMPC) создает цифровую библиотеку запасных частей для своих 107 заводов.
Распространение продукции: Автомобильные OEM-производители могут распространять новые или обновленные детали для своих дилерских сетей.
Кастомизация и модернизация: Возможность производить ремонтные детали для устаревшего оборудования или детали для переоборудования производственных линий.
Производственные партнерства: Digital Source может использоваться для обеспечения того, чтобы контрактные производители использовали правильные инструменты и калибры.

Эпизод 41. От каменных ножей до умных фабрик: краткая история рекомбинантных инноваций.

Люди всегда изобретали, комбинируя существующие вещи: 
Камень + палка = копье 
Огонь + глина = керамика 
Железо + углерод = сталь 
Каждое крупное достижение было результатом объединения старых инструментов в нечто более мощное. Рекомбинантные инновации (RI) — это не тенденция. Это основа технологического прогресса.  
RI — это самая старая история в технологии. Речь идет не о моментах озарения, а о совокупном эффекте объединения инструментов, слияния процессов и переосмысления идей.  
В производстве эта история особенно яркая.  
Ткацкий станок в сочетании с перфокартами стал первой программируемой машиной.  
ЧПУ появилось в результате слияния двигателей, математики и машинной обработки.  
Сборочная линия объединяет взаимозаменяемые детали, исследования времени и движения и механику конвейера в новую производственную парадигму.  
Каждый скачок в производительности рождался не из новизны, а из рекомбинации.  
Современные комбинации, которые сегодня кажутся незаменимыми:  
смартфон + GPS = совершенно новая парадигма картографии, навигации и логистики  
цифровая камера + беспроводная связь = мгновенная визуальная коммуникация  
облако + смартфон + биометрия = безопасная мобильная коммерция  
Сейчас мы стоим на следующем переломном этапе — и не потому, что ИИ является новинкой, а потому, что он теперь накладывается на все инструменты, процессы и системы, которые уже используют производители. И это меняет все.   

Практическая магия RI — и почему ИИ усиливает ее  
Рекомбинантные инновации (RI) всегда были тихим двигателем прогресса в производстве. Но сейчас ИИ меняет темп и мощность рекомбинации.  

С практической точки зрения:  
CAD + моделирование = рабочие процессы цифрового прототипирования  
ЧПУ + IoT = адаптивная обработка на основе обратной связи в реальном времени  
ERP + датчики = координация производства в режиме реального времени и мониторинг производительности  
Практически трансформационная RI, теперь возможная с помощью ИИ:  
ИИ + коллективные знания = машины, которые могут научиться методам работы вашего цеха  
ИИ + коллективные знания = машины, которые могут научиться методам работы вашего цеха  
Видение + прогнозирование = системы контроля, которые развиваются вместе с вашими деталями  
Язык + автоматизация = сотрудничество человека и машины посредством естественного общения  
Дизайн + физика + модели затрат + устойчивость = полностью оптимизированные, генеративные производственные процессы машины, которые могут научиться методам работы вашего цеха  
ИИ не просто добавляет возможности —  он трансформирует то, как эти возможности формируются. Он позволяет нам моделировать, оптимизировать и масштабировать новые конфигурации людей, инструментов и решений со скоростью, которая раньше была невозможна.  

То, что раньше занимало месяцы, теперь происходит за считанные минуты. Это переход от систем, разработанных вручную, к развивающимся системам, усовершенствованным с помощью ИИ.  
Что мы видим сейчас: комбинации, которые уже работают  
Это не спекуляции. Первые комбинации ИИ + X уже открывают новые возможности для промышленности:  
ИИ + робототехника = роботы, которые адаптируются к изменениям, переключаются между задачами и интерпретируют нечеткий ввод данных человеком  
ИИ + дизайн = генеративные инструменты, которые исследуют тысячи конфигураций и оптимизируют их с точки зрения стоимости, прочности и технологичности  
ИИ + инспекция = системы технического зрения, которые изучают шаблоны дефектов и совершенствуются с каждой отсканированной деталью  
Это не просто обновления существующих рабочих процессов; они представляют собой переход от статических к адаптивным системам, от детерминированного к вероятностному мышлению.  
Они автоматизируют не только движения, но и суждения. Они учатся. Они развиваются.  
 Что будет дальше: куда может привести нас рекомбинантная инновация  
Давайте серьезно поразмышляем.  
ИИ + материаловедение + данные цепочки поставок = детали, которые перепроектируются в режиме реального времени на основе доступности, стоимости и производительности  
ИИ + AR/VR + знания персонала = один эксперт одновременно обучает тысячи машин и работников удаленно  
ИИ + генеративный код + цифровые двойники = системы, которые адаптируют производственные процессы на лету по мере изменения входных данных или рыночных условий  
ИИ + ИИ = компоновные системы, которые ремикшируют модели, идеи и действия между бизнес-функциями  

Фабрика ближайшего будущего может быть не просто автоматизированной. Она может быть рефлексивной.  
Это не дорожная карта. Это приглашение переосмыслить, что такое завод.  
Призыв к действию: начните думать как рекомбинатор  

Не ждите единственного решения. Так никогда не работал прогресс в производстве.  
Вместо этого спросите: что произойдет, если мы объединим то, что у нас уже есть, по-новому?  
Что, если наши данные о ценах повлияют на наш выбор материалов?  
Что, если бы наши операторы могли обучать нашу систему контроля, просто выполняя свою работу?  
Что, если бы наши машины могли предлагать новые способы планирования работы на основе данных в реальном времени?  
Рекомбинантные инновации не заменяют ваш опыт, а умножают его возможности.  
Чтобы лидировать в следующей эре производства, думайте не как последователь, а как рекомбинатор.  

Источник: https://www.imts.com/read/article-details/Why-AI-Will-Multiply-Every-Tool-We-ve-Ever-Built-/2127/type/Read/1

Эппизод 40. Диффузия инноваций: применение для производственного бизнеса

Эверетт М. Роджерс, а также другие исследователи диффузии инноваций, пришли к пониманию S-образной кривой распространения инноваций на основе эмпирических наблюдений и статистического анализа.

S-образная кривая диффузии описывает, как количество людей, принимающих новую идею, накапливается во времени. Она имеет характерную форму, которая отражает три основные фазы процесса принятия инновации:

Медленное начало: В начальный период инновация принимается очень небольшим количеством людей. Это "левый хвост" S-образной кривой. На этом этапе может наблюдаться сильное сопротивление новой идее.
Быстрый рост (фаза "взлета"): После первоначального медленного распространения, темпы принятия резко ускоряются. Кривая "взлетает". Это происходит, как только активируются межличностные сети, распространяющие субъективные оценки инновации от человека к человеку в системе. "Сердце" процесса диффузии находится в диапазоне от примерно 10% до 20% принятия, после чего остановить дальнейшее распространение новой идеи часто становится невозможно.
Замедление и насыщение: После фазы быстрого роста темпы принятия начинают замедляться, и кривая постепенно выравнивается, достигая насыщения, когда большинство потенциальных реципиентов приняли инновацию.
Таким образом, на кумулятивной частотной основе по времени, распределение реципиентов обычно следует S-образной кривой и приближается к нормальному распределению. Это означает, что хотя в отдельные годы могут быть отклонения, общие темпы принятия в целом близки к нормальной S-образной кривой. S-образная кривая является одним из основополагающих элементов общей модели диффузии, разработанной Роджерсом.

Распространение инноваций во времени часто следует S-образной кривой, которая, при отображении частоты новых принятий за определенный период, приближается к нормальному, колоколообразному распределению. Это позволило ему разработать стандартизированный метод классификации людей в социальные группы, которые он назвал категориями реципиентов (adopter categories).

Категории реципиентов — это классификации членов социальной системы на основе их инновационности, то есть степени, в которой индивид или другая единица принятия относительно раньше других членов системы принимает новые идеи. Роджерс, обладая знаниями в статистике (о среднем значении и стандартном отклонении нормального распределения), разработал метод деления континуума инновационности на пять дискретных категорий.

Вот эти пять категорий реципиентов и их основные характеристики:
• Новаторы (Innovators):
    ◦ Это самые ранние в системе, кто принимает инновацию.
    ◦ Они предприимчивы (venturesome) и готовы идти на риск.
    ◦ Являются активными искателями информации о новых идеях.
    ◦ Имеют высокую степень воздействия массовых медиа и их межличностные сети выходят за пределы их локальной системы (космополитичны).
    ◦ Способны справляться с более высокими уровнями неопределенности в отношении инноваций.
    ◦ Не могут зависеть от субъективных оценок инновации со стороны других членов своей системы, так как являются первыми.
    ◦ Имеют более высокий социально-экономический статус, образование и социальное участие по сравнению с более поздними реципиентами.
    ◦ Имеют более короткий период принятия инноваций.
• Ранние последователи (Early Adopters):
    ◦ Это вторая группа в системе, принимающая инновацию.
    ◦ Их характеризует уважение (respect); они являются лидерами мнений в своей системе и служат примером для подражания.
    ◦ Их интегрированность в социальную систему обеспечивает их центральное положение в межличностных коммуникационных сетях.
    ◦ Их инновационность значительно выше, чем у среднего члена системы, но не настолько радикальна, как у новаторов.
    ◦ Имеют высокий социально-экономический статус, образование и космополитизм, а также более активны в социальных сетях и контактах с агентами изменений.
• Раннее большинство (Early Majority):
    ◦ Это те, кто принимает инновацию непосредственно перед средним членом системы.
    ◦ Их характеризует осмотрительность (deliberate).
    ◦ Они обдумывают новую идею дольше, чем новаторы и ранние последователи.
    ◦ Принимают инновации только после того, как увидят доказательства успешного применения у других, особенно у ранних последователей.
    ◦ Их социально-экономический статус, образование и другие характеристики находятся немного выше среднего по системе.
    ◦ Являются важной связующей группой между ранними и поздними стадиями диффузии.
• Позднее большинство (Late Majority):
    ◦ Это те, кто принимает инновацию непосредственно после среднего члена системы.
    ◦ Их характеризует скептицизм (skeptical).
    ◦ Принимают инновации из-за давления сверстников или экономической необходимости.
    ◦ Они опасаются нововведений и склонны проявлять сопротивление, пока не убедятся в безопасности и эффективности идеи.
    ◦ Их социально-экономический статус, образование и другие характеристики обычно ниже среднего.
    ◦ Больше полагаются на межличностные каналы коммуникации с близкими по статусу людьми.
• Отстающие (Laggards):
    ◦ Это последние в системе, кто принимает инновацию.
    ◦ Их характеризует традиционность (traditional); они ориентированы на прошлое.
    ◦ Имеют изолированные социальные сети, которые сосредоточены на локальных источниках информации.
    ◦ Имеют наиболее низкий социально-экономический статус, наименьшее образование, социальное участие и наименьший контакт с агентами изменений.
    ◦ Часто являются поздними или не принимают инновации вовсе, и чаще других прекращают использование инноваций из-за неудовлетворенности или несовместимости с их ресурсами и убеждениями.
    ◦ Им труднее всего принять инновацию, так как они имеют очень высокий порог сопротивления.

Знание о колоколообразной кривой распределения реципиентов и о различных группах реципиентов, разработанное Эвереттом М. Роджерсом в его теории диффузии инноваций, может быть чрезвычайно полезно для производственных предприятий в развитии их бизнеса. Это знание позволяет компаниям более эффективно разрабатывать, выводить на рынок и распространять свои продукты и услуги.

Вот как производственное предприятие может использовать это знание:

xa

Понимание потребностей и проблем пользователей:

Начинайте с потребностей, а не только с технологии: Предприятие должно сначала определить реальные проблемы или потребности клиентов, которые может решить новая идея, а не просто создавать технологии ради технологий. Пример неудачной инновации (тест N-Trak) показывает, что игнорирование потребностей фермеров привело к провалу продукта.
Привлекайте "ведущих пользователей" (Lead Users): Вовлекайте потребителей, чьи потребности опережают рынок, в процесс разработки продукта. Эти "ведущие пользователи" часто сами создают прототипы и могут предложить ценные идеи, помогая компании понять будущие потребности рынка. Компании, такие как 3M, успешно используют этот подход.
Формирование атрибутов инновации для ускорения принятия:

Относительное преимущество (Relative Advantage): Продукт должен восприниматься как значительно превосходящий существующие альтернативы. Предприятия должны четко демонстрировать, чем их инновация лучше.
Совместимость (Compatibility): Инновация должна быть последовательной с существующими ценностями, прошлым опытом и потребностями потенциальных пользователей. Важно избегать "ошибки пустых сосудов", предполагающей, что пользователи не имеют релевантного опыта. Название инновации играет ключевую роль в восприятии ее совместимости; плохо выбранное название может серьезно замедлить или предотвратить распространение.
Сложность (Complexity): Инновация должна быть легкой для понимания и использования. Чем проще, тем быстрее распространение.
Возможность апробации (Trialability): Предоставьте потенциальным пользователям возможность попробовать инновацию на ограниченной основе. Бесплатные образцы, пробные периоды или небольшие демонстрации могут значительно ускорить принятие.
Наблюдаемость (Observability): Результаты использования инновации должны быть легко видимы для других. Это стимулирует обсуждение и дальнейшее принятие.
Учет реинвенции (Re-invention):

Предприятиям следует проектировать продукты с учетом возможности их модификации или "реинвенции" пользователями в процессе использования. Это может привести к более быстрому принятию и повышению устойчивости инновации, поскольку пользователи "создают" ее смысл, адаптируя под свои нужды.
Предвидение последствий (Consequences):

Решения, принятые на стадии НИОКР, могут предопределить дальнейшие последствия диффузии, как положительные, так и отрицательные. Предприятия должны стараться предвидеть и минимизировать нежелательные последствия (например, социальное неравенство, как в случае с механизированным комбайном для сбора томатов).

II. Маркетинг и стратегия распространения (стадии после разработки):

Таргетирование групп реципиентов:

Новаторы (Innovators): Самые ранние. Они предприимчивы, готовы рисковать и активно ищут информацию из различных источников, включая массовые медиа и внешние (космополитные) сети. Для них важны раннее информирование и доступ к новой идее.
Ранние последователи (Early Adopters): Лидеры мнений. Они уважаемы и служат примером для подражания в системе. Предприятие должно сосредоточиться на том, чтобы эти люди приняли продукт, так как они оказывают наибольшее влияние на "раннее большинство" через межличностные сети.
Раннее большинство (Early Majority): Осмотрительные. Они принимают инновации только после того, как увидят доказательства успешного применения у других, особенно у ранних последователей. Для этой группы особенно важны межличностные каналы коммуникации.
Позднее большинство (Late Majority): Скептики. Принимают инновации из-за давления со стороны окружения или экономической необходимости.
Отстающие (Laggards): Традиционные. Самые последние, кто принимает инновацию, часто из-за изоляции или сопротивления изменениям. Для позднего большинства и отстающих могут потребоваться специально таргетированные сообщения, использующие личное общение и примеры "рядомстоящих".
Эффективное использование коммуникационных каналов:

Массовые медиа эффективны для создания осведомленности (Knowledge Stage) о существовании инновации и принципов ее работы.
Межличностные каналы более эффективны на стадиях убеждения (Persuasion Stage) и принятия решения (Decision Stage), так как они позволяют обмениваться субъективными оценками и снижать неопределенность относительно последствий инновации.
Космополитные каналы (связывающие с источниками за пределами локальной системы) важны для новаторов и на стадии получения знаний.
Локальные каналы (внутри системы) более важны для поздних реципиентов и на стадии убеждения.
Преодоление неопределенности:

Диффузия — это процесс снижения неопределенности. Предприятие должно предоставлять четкую информацию и способствовать обмену опытом между пользователями для снижения их неопределенности относительно преимуществ и недостатков инновации.
Достижение критической массы (Critical Mass):

Для интерактивных инноваций (например, сетевых продуктов) важно достичь "критической массы" пользователей, после которой дальнейшее распространение становится самоподдерживающимся. Стратегии включают таргетирование влиятельных лиц, создание ощущения неизбежности принятия инновации, а также внедрение продукта в уже сформированные, инновационные группы.
Демонстрации и кампании:

Организация демонстраций продукта в реальных условиях может ускорить его распространение, особенно на ранних стадиях диффузии, повышая наблюдаемость и возможность апробации.
Прогнозирование скорости принятия:

Использование моделей, таких как модель прогнозирования Басса (Bass forecasting model), помогает предсказывать скорость принятия новых продуктов.

III. Инновации внутри организации (внутреннее развитие бизнеса):

Управление стадиями инновационного процесса:

Инновации внутри предприятия также проходят через стадии: постановка задач (agenda-setting), сопоставление (matching), переопределение/реструктуризация (redefining/restructuring), уточнение (clarifying) и рутинизация (routinizing). Понимание этих этапов помогает управлять внутренним внедрением.
Роль "чемпионов инноваций":

Выявление и поддержка "чемпионов инноваций" – харизматичных сотрудников, которые продвигают новые идеи внутри организации, преодолевая сопротивление и инертность. Их роль может быть решающей, особенно для радикальных и дорогостоящих инноваций.
Влияние организационной структуры:

Размер организации часто коррелирует с инновационностью из-за большего объема ресурсов. Низкая централизация и высокая сложность могут способствовать инициированию инноваций, тогда как высокая формализация может облегчить их внедрение.
Взаимная адаптация:

При внедрении инновации происходит взаимная адаптация: изменяется как сама инновация, так и структура организации. Инновации, разработанные внутри компании, часто внедряются успешнее.

IV. Общие соображения и избегание ошибок:

Избегайте "проинновационного предубеждения" (Pro-Innovation Bias): Не следует автоматически считать все инновации хорошими или что они должны быть приняты всеми. Важно понимать рациональные причины отказа или прекращения использования.
Избегайте "предубеждения индивидуальной вины" (Individual-Blame Bias): Не обвиняйте потенциального пользователя в нежелании принимать инновацию. Причины могут крыться в неэффективной коммуникации, несоответствии инновации потребностям или других системных проблемах.
Учитывайте социальный контекст: Диффузия — это фундаментально социальный процесс, который определяется социальными системами, нормами и сетями. Понимание этих факторов критически важно для успеха.
Применяя эти знания, производственное предприятие может разработать более целенаправленные и эффективные стратегии для успешного внедрения и распространения своих инноваций как внутри, так и за пределами организации.

Эпизод 39. Что такое датасет?

Датасет — это специально собранный и описанный набор примеров из вашего производства, который служит «учебником и задачником» для искусственного интеллекта (ИИ) и аналитики. Это не просто «все данные из цеха», а тщательно подобранные данные, подходящие под конкретную бизнес-задачу и имеющие «паспорт качества».

Что входит в качественный датасет:

Цель и границы: Датасет создается под одну конкретную задачу, например, «обнаружение микротрещин на кромке профиля».
Схема данных (data contract): Определяет список полей и форматов, чтобы все источники данных «говорили» на одном языке (например, партия, смена, станок, параметры процесса, метки качества).
Единое время и связность: Важна синхронизация по времени (NTP/PTP) и сквозные идентификаторы для партий/изделий, чтобы фотографии, телеметрия и результаты контроля качества (ОТК) стыковались без ручных догадок.
Правда/разметка: Включает правила разметки данных (например, «ОК/дефект/отказ»), контроль спорных случаев и «золотой набор» эталонных примеров для регрессионных тестов. Например, датасет BIKED включает метки классов велосипедов, хотя они могут быть субъективными.
Качество данных: Автоматические проверки полноты, наличия дубликатов, соответствия диапазонам и задержек по времени.
Версионирование и воспроизводимость: Каждая версия датасета (v1, v2 и т.д.) должна быть зафиксирована, чтобы можно было воспроизвести результаты обучения модели даже спустя долгое время. Указывается, что добавлено или удалено, из каких партий собраны данные.
Доступы и безопасность: Определяются роли, права доступа и правила выноса данных за периметр компании (интеллектуальная собственность, персональные данные, экспорт).
Интеграция в контур: Описывается путь данных от источников до обучения, валидации и продуктивного использования, а также мониторинг «дрейфа» модели и данных.
Чем датасет отличается от «просто данных»:

Назначение: «Просто данные» — это часто «свалка» телеметрии или фото, тогда как датасет — это набор, собранный под конкретную задачу.
Качество: В датасете качество данных проверено, описано и размечено, в отличие от неизвестного качества «просто данных».
Воспроизводимость: Датасет обеспечивает воспроизводимость результатов благодаря версионированию и протоколам, что сомнительно для «просто данных».
Ценность: Датасет имеет прямую ценность, поскольку позволяет обучать и внедрять алгоритмы для достижения бизнес-эффекта, в то время как ценность «просто данных» низка или скрыта.
Как создание датасетов помогает развить производственный бизнес:

Создание качественных датасетов является критически важным шагом для внедрения машинного обучения в инженерии и производстве, что значительно ускоряет и улучшает процессы. Это позволяет достигать следующих бизнес-эффектов:

Визуальный контроль качества (камера + ИИ):

Задача: Обнаружение дефектов, таких как сколы, трещины, царапины или неправильная сборка.
Пример: Для этой задачи собираются изображения «OK/DEFECT» с разметкой дефектов. Использование ИИ может сократить время инспекции на 50–80% и уменьшить количество повторных переделок на 20–40%, увеличивая пропускную способность линии на 5–15%. Для обучения требуется 2–10 тысяч изображений на класс.
BIKED как пример: Датасет BIKED, содержащий 4500 моделей велосипедов с изображениями сборки и компонентов, а также параметрическими данными, может быть использован для разработки методов дата-ориентированного дизайна. Например, он позволяет исследовать условия, при которых машины могут «понимать» дизайн велосипеда через классификацию. Изображения в BIKED используются для задач классификации, позволяя алгоритмам понимать дизайн.
Предиктивное обслуживание (PdM):

Задача: Заблаговременное выявление неисправностей оборудования (например, подшипников, насосов) до отказа.
Пример: Собираются данные о вибрациях, токах, температурах за месяцы работы, с метками событий «до отказа». Это может снизить незапланированные простои на 20–50% и затраты на запчасти на 10–30%.
Оптимизация режимов и параметров процесса:

Задача: Снижение разброса качества продукции и уменьшение брака/переделок.
Пример: Собираются табличные или временные ряды параметров (скорости, температуры, подачи, рецептуры) вместе с результатами контроля качества. Это может сократить брак/скрап на 10–20% и энергозатраты на 5–10%.
Ускорение и автоматизация дизайна и инженерии:

AI Design Agents: Концепция «Design Agents» интегрирует ИИ-агентов в традиционный инженерный процесс, особенно в автомобильный дизайн. Эти агенты автоматизируют такие задачи, как концептуальное эскизирование, стилистические улучшения, поиск 3D-форм, генеративное моделирование, генерация CFD-сеток и аэродинамические симуляции. Это позволяет сократить время от недель до минут.
DrivAerNet++: Использование масштабных высококачественных датасетов, таких как DrivAerNet++ (8000 стандартных автомобильных дизайнов), позволяет моделям ИИ быстро и точно предсказывать результаты симуляций, что ведет к более информированной оптимизации и исследованию дизайна.
Применение в автомобильном дизайне: Датасеты, содержащие 3D-модели, сетки, облака точек, карты глубины и аннотации частей, используются для задач поиска, 3D-реконструкции, стилизации и аэродинамических симуляций.
Генерация новых дизайнов: Модели, обученные на датасетах, могут синтезировать новые дизайны. Например, BIKED позволяет машинам учиться синтезировать новые дизайны велосипедов путем изучения существующих. CAD Agent, используя DeepSDF, может генерировать новые 3D-формы и интерполировать между существующими моделями, обеспечивая плавные переходы между различными конфигурациями автомобилей.
Склад/планирование и снабжение:

Задача: Прогнозирование потребления и оптимизация уровня запасов.
Пример: Собирается история продаж/производства/времени выполнения заказа (Lead time) и календарные факторы. Это может сократить оборотный капитал в запасах на 10–25% и затраты на экспресс-логистику на 5–15%.
Жизненный цикл датасета на производстве включает:

Формулировку задачи и KPI.
Сбор целевых примеров, включая редкие дефекты, и синхронизацию с событиями в MES/QMS.
Разметку и контроль качества разметки.
Версионирование.
Обучение/валидацию моделей.
Внедрение в производственный контур.
Мониторинг «дрейфа» и досбор данных при изменениях.
Типовые ошибки, которых следует избегать:

Недостаток или "мусорность" данных: Сбор всех подряд данных без строгой постановки задачи ведет к "мусору". Важно целенаправленно собирать данные, особенно для редких классов (например, дефектов), чтобы избежать перекоса классов, когда модель "слепнет" и все помечает как "ОК".
Асинхронность источников: Разные часы у камер, PLC или весов приводят к "битым" парам "причина-следствие".
Некачественная разметка: Обучение на плохо размеченных данных может привести к тому, что модель будет пропускать брак. Решение – двойная разметка и "золотой набор" эталонных примеров.
Отсутствие версионирования: Невозможность воспроизвести результат спустя время.
Таким образом, качественные датасеты — это ключевой элемент для внедрения ИИ в производство, позволяющий автоматизировать и оптимизировать процессы, сокращать затраты, улучшать качество продукции и ускорять циклы разработки новых дизайнов.

Суть эксперимента "Красные бусины" (The Red Bead Experiment), проводимого доктором В. Эдвардсом Демингом, можно описать следующим образом:

Цель эксперимента: этот эксперимент используется доктором Демингом для того, чтобы наглядно и драматично продемонстрировать неэффективные методы управления. Он показывает заблуждение в оценке и ранжировании людей на основе их прошлой производительности, а также подчеркивает, что успех сотрудника напрямую связан с системой, в которой он работает, а не только с его личными усилиями.

Участники и роли: Доктор Деминг играет роль типичного заводского мастера (бригадира), использующего общепринятые методы управления.
Участники семинара выступают в роли "рабочих", которые должны производить "белые бусины".

Задачи и правила: рабочие должны производить белые бусины, а не красные.
Используются два сосуда (один больше другого) и лопатка с 50 углублениями. Задача — перемешать бусины, зачерпнуть 50 бусин лопаткой, поднять ее под углом 44 градуса, чтобы лишние бусины скатились.

Дневной норматив: 50 бусин.

Числовая цель: не более трех красных бусин в любой партии (ноль, одна, две или три красные бусины считаются приемлемыми).
Рабочие должны строго следовать процедурам, без отклонений, комментариев или вопросов.

Система управления: рабочим говорят, что их работа зависит от их производительности: если они производят достаточно белых бусин, у них будет работа.

Существует система вознаграждений и штрафов: хороших работников награждают, плохих — ставят на испытательный срок. Ведутся записи производительности.

Ход эксперимента и результаты: несмотря на четкие инструкции и старания, рабочие неизбежно производят красные бусины. Например, Майк и Леон плохо начали, имея 8 и 14 красных бусин при стандарте в 3.

Даже "лучшие" работники, выбранные для продолжения работы, такие как Майк, Карен и Боб, продолжают производить красные бусины, и их результаты не "существенно улучшаются". В конце концов, "руководство" решает закрыть "производство", потому что не видит улучшений.

Главный вывод Деминга: быть "старательным работником", делать все возможное или прилагать максимум усилий — просто недостаточно. Само по себе это не приводит к качеству.
Истинное и устойчивое улучшение производительности старательного работника достигается только тогда, когда руководство способно улучшить саму систему, в которой работают люди.

Эксперимент ярко демонстрирует, что проблемы часто коренятся в системе, а не в индивидуальных усилиях или "вине" сотрудников, и что оценка людей без учета системы является ошибочной.

В контексте эксперимента "Красные бусины" доктора В. Эдвардса Деминга фраза "руководство способно улучшить саму систему" означает, что реальные и устойчивые улучшения в производительности "старательного работника" могут быть достигнуты только тогда, когда руководство изменяет и оптимизирует условия, процессы и факторы, в которых эти работники функционируют. Эксперимент демонстрирует, что индивидуальные усилия ("быть старательным работником, делать все возможное или прилагать максимум усилий") сами по себе недостаточны для достижения качества, если сама система неэффективна.

Что касается действий, наиболее эффективных для руководства по мнению Деминга, исходя из данного источника, можно выделить следующее:

Осознание проблем системы, а не работников: Эксперимент "Красные бусины" был создан Демингом, чтобы "ясно и драматично проиллюстрировать несколько моментов, касающихся плохих методов управления". Это включает "заблуждение в оценке и ранжировании людей в порядке их производительности на следующий год, основанной на предыдущей производительности". Следовательно, эффективное руководство должно перестать обвинять или наказывать отдельных работников за результаты, которые являются следствием недостатков системы, и вместо этого сосредоточиться на ее улучшении.

Отказ от ошибочных методов управления: Деминг в эксперименте играет роль "типичного заводского мастера, использующего принятые методы управления". Эти методы, которые приводят к провалу, включают: заявление о том, что "продолжение работы зависит от вашей собственной производительности" и угрозы закрытия предприятия, если "расходы превысят доходы".

Установление численных целей (например, "не более трех красных бусин в любой партии") и ожидание жесткого соблюдения этих норм.

Внедрение "системы заслуг", которая вознаграждает "хороших" исполнителей и наказывает "плохих", ставя их на испытательный срок.
Требование от работников "строго следовать процедурам, без отклонений, комментариев или вопросов", что лишает их возможности влиять на систему или давать обратную связь.

Выбор "лучших" работников и ожидание, что они "существенно улучшат" результаты, хотя система остается неизменной, что неизбежно приводит к тому же плохому результату.

Улучшение самой системы: хотя источник не детализирует конкретные шаги по улучшению системы в рамках этого эксперимента, он ясно указывает на необходимость именно такого подхода. Деминг подчеркивает, что "быть старательным работником, делать все возможное или прилагать максимум усилий — просто недостаточно. Ничто из этого само по себе не производит качество". Истинное и устойчивое улучшение происходит только тогда, когда руководство способно улучшить саму систему. Это означает, что руководство должно сосредоточиться на устранении коренных причин проблем, которые заложены в процессах, материалах (как в случае с красными бусинами, которые уже были в смеси) и управленческих подходах, а не на индивидуальной вине или усилиях работников.

Эпизод 37. Обращаем внимание на GenCAD, генеративную модель, которая обещает изменить процесс 3D-проектирования в системах автоматизированного проектирования (CAD).

Традиционно создание производимых и редактируемых 3D-форм в CAD-системах — это высокоручная и трудоемкая задача, усложняемая комплексной топологией граничных представлений 3D-тел и неинтуитивными инструментами проектирования. Большая часть работ в области генерации 3D-форм фокусируется на таких представлениях, как сетки, воксели или облака точек, но практические инженерные приложения требуют модифицируемости и производимости CAD-моделей. Современное CAD-программное обеспечение, используемое профессиональными инженерами в таких отраслях, как автомобилестроение, аэрокосмическая промышленность, производство и медицинские устройства, является сложным и требует значительного человеческого опыта и интуиции.

GenCAD предлагает инновационное решение этой проблемы. Это не просто генеративная модель; это система, которая использует авторегрессионные трансформеры с фреймворком контрастного обучения и моделями латентной диффузии для преобразования входных изображений в параметрические последовательности CAD-команд, что приводит к созданию редактируемых 3D-представлений.

Ключевая особенность GenCAD, которая позволяет получать модели с "деревом построения" (design history), — это ее выходной формат:

• GenCAD генерирует не просто готовую 3D-модель, а "CAD-программу", представляющую собой полную последовательность параметризованных CAD-команд. Эта последовательность команд, по сути, является цифровым представлением истории построения модели.

• Сохранение истории проектирования (дизайн-истории): В отличие от методов прямой генерации B-rep (Boundary Representation) моделей, которые не кодируют базовую историю проектирования, последовательность операций твердотельного моделирования, или CAD-программа, является критически важной для современного CAD-программного обеспечения и предлагает более гибкое и интерпретируемое представление. Это позволяет инженерам видеть и понимать, как модель была построена шаг за шагом, что является основой "дерева построения".

• Параметризация команд и возможность редактирования размеров:

    ◦ Каждая CAD-команда в GenCAD представляет собой тип операции и связанные с ней параметры, необходимые для ее выполнения. Эти параметры позволяют команде иметь фиксированное векторное представление.

    ◦ Авторы приводят конкретные примеры параметризованных команд:

        ▪ Токены эскизов (Sketch tokens):

            • Линия определяется по конечной точке (x, y), если начальная точка известна.

            • Круг — по центру (x, y) и радиусу (r).

            • Дуга — по конечной точке (x, y), углу развертки (α) и флагу направления (f).

        ▪ Команда выдавливания (Extrusion): Эта сложная операция включает 10 параметров, таких как ориентация (θ, ϕ, γ) и начало координат (px, py, pz) плоскости эскиза, масштаб (s), расстояние выдавливания (e1, e2) для каждой стороны, а также булевы параметры для типа операции (создание нового тела, объединение, вырезание, пересечение) и одно- или двустороннего выдавливания.

    ◦ Эти параметры напрямую соответствуют размерам и свойствам эскизов, что означает, что модель, полученная от GenCAD, содержит все необходимые данные для редактирования этих размеров и последующего перестроения модели.

Совместимость с коммерческим CAD-ПО: Сгенерированная CAD-программа может быть сконвертирована в B-rep модели или другие удобные представления (сетки, облака точек, воксели) с использованием любого стандартного геометрического ядра. Более того, GenCAD интегрируется с коммерческим CAD-программным обеспечением, например, Onshape. Это позволяет пользователю редактировать сгенерированную форму, как показано на рисунке 13 в источнике, демонстрируя возможность изменения элементов в Onshape.

Для обучения и оценки GenCAD используется DeepCAD dataset, который был создан путем анализа истории проектирования CAD-моделей из общедоступного репозитория Onshape. Этот набор данных ограничен операциями эскизирования (линии, круги, дуги) и выдавливания, что делает его более подходящим для моделей на основе нейронных сетей.

Преимущества GenCAD:

• Значительно превосходит существующие современные методы в безусловной и условной генерации CAD-моделей.

• Условная генерация CAD-программ на основе изображений позволяет GenCAD генерировать модели, согласованные с намерениями пользователя.

• Облегчает извлечение CAD-моделей с использованием изображений-запросов из больших баз данных CAD, что является важной задачей в сообществе CAD.

Ограничения:

• Текущая версия GenCAD использует сравнительно более простые CAD-программы по сравнению с задачами промышленного дизайна.

• Используемый CAD-словарь ограничен и должен быть расширен для включения более сложных токенов, таких как операции вращения, операции с кромками (например, скругления/фаски) и другие операции эскизирования.

• GenCAD не может гарантировать генерацию действительной CAD-модели.

Несмотря на эти ограничения, GenCAD представляет собой значительный шаг вперед в использовании генеративных моделей для ускорения всего конвейера от проектирования до производства, бесшовно интегрируя различные модальности дизайна.

Присоединяйтесь к нам, чтобы узнать больше о том, как GenCAD открывает новые горизонты в области автоматизированного проектирования и дизайна.

Ссылка на источник: https://gencad.github.io/

Публикация на русском: https://habr.com/ru/news/929722/ 

Эпизод 36. Мы углубляемся в инновационные подходы к автоматизации финишной обработки металлов. Вы узнаете, как передовая роботизированная шлифовальная система, управляемая ИИ, решает серьезные проблемы производства, такие как нехватка рабочей силы и опасные условия труда в шлифовке, полировке и зачистке.

В фокусе — принципы работы этой ИИ-системы, способной адаптироваться к высокосортным производственным средам. Система выполняет такие задачи, как сглаживание сварных швов, финишная обработка поверхностей и удаление литников на металлических деталях.

Ключевые аспекты, которые будут рассмотрены:

Пять основных ролей, которые играет ИИ в этом процессе:
1. Сканирование детали с использованием лазерных или 3D-технологий для создания внутренней модели, что критично в условиях, когда нельзя полагаться только на CAD-модели. Точность сканирования достигает 50-100 микрон.

2. Определение целевых областей для обработки.
3. Планирование движений робота, включая подход, контакт и выполнение операции.
4. Мониторинг процесса в реальном времени с использованием обратной связи по усилию для оценки нештатного поведения и обеспечения безопасности.
5. Моделирование процесса для новых материалов, обучение оптимальным параметрам, таким как обороты в минуту (rpm), прилагаемое усилие и объем удаляемого материала.

"Воплощенный ИИ" (Embodied AI) – его отличие от обычного цифрового ИИ и почему он критически важен для задач шлифовки. В отличие от цифрового ИИ, который генерирует цифровой вывод, воплощенный ИИ рекомендует действия, которые выполняются в физическом мире, часто без человеческого вмешательства. Это требует высокой физической точности и контроля, поскольку даже небольшая ошибка может привести к серьезным последствиям.

"ИИ, основанный на физических принципах" (Physics-informed AI) – подтип воплощенного ИИ, который гарантирует, что система соблюдает законы физики, например, зависимость объема удаляемого материала от приложенного усилия. Это позволяет роботу учиться взаимодействию инструмента и материала (например, алюминия и стали), руководствуясь физическими принципами. Высокоточный контроль силы с использованием датчика высокого разрешения, способного реагировать на килогерцовых частотах, что позволяет роботу регулировать положение инструмента для поддержания целевого контактного усилия.
Адаптация к геометрии и материалу: система динамически адаптируется к геометрии детали и вариациям материала в реальном времени, регулируя траекторию перпендикулярно контакту и обеспечивая постоянное контактное давление. Она учится "рецептам" для каждого материала, чтобы контролировать тепловыделение и объем удаляемого материала.
Меры безопасности, включая полностью закрытые ячейки с физическими барьерами и контроль доступа для людей, а также автоматическое отведение робота при превышении лимитов силы.

Эпизод также затронет вопрос о том, как система справляется с "чувством" шлифовки, сравнивая возможности робота с человеческой интуицией, и планы на будущее для этой технологии в металлообработке.

Источник: https://www.mmsonline.com/articles/is-ai-ready-to-tackle-high-mix-grinding-interview-with-graymatter-robotics-co-founder

Эпизод 35. В новом эпизоде нашего подкаста вы познакомитесь с Haddy, американским пионером в области устойчивого дизайна и производства, который совершает революцию в мебельной индустрии, внедряя концепцию микрофабрик. Haddy расшифровывается как «героический, гибкий, спроектированный, долговечный и ваш» (Heroic, Agile, Designed, Durable, Yours).

Основные моменты эпизода:

   Микрофабрика в действии: Недавно открывшаяся современная микрофабрика Haddy расположена в Санкт-Петербурге, Флорида, непосредственно в городском центре, а не на окраине промышленной зоны. Это позволяет производить мебель максимально близко к потребителю, снижая затраты на дистрибуцию и запасы, а также создавая рабочие места и стимулируя местную экономику.

   Передовые технологии: Сердцем производства являются восемь роботизированных систем 3D-печати Flexbot от CEAD – мирового лидера в решениях для крупноформатного аддитивного производства (LFAM). Эти роботы Flexbot, оснащенные интегрированными возможностями ЧПУ-постобработки, обеспечивают гибридное производство (аддитивное и субтрактивное) и позволяют печатать "вне плоскости", предоставляя беспрецедентную свободу дизайна. Фабрика, управляемая искусственным интеллектом, обладает в 16 раз большей производственной мощностью, чем ее ближайший конкурент в 3D-печати.

   Инновационный подход к производству: Haddy способен выпускать широкий ассортимент продукции в любом объеме – от низкого до высокого, что ломает традиционный компромисс между массовым и заказным производством. Это достигается за счет гибкости роботизированных ячеек, которые могут работать независимо или совместно над одним изделием, максимально эффективно используя пространство. Процесс производства может управляться дистанционно, что позволяет осуществлять "бессменное" производство ("lights-out manufacturing").

   Приверженность устойчивости: Haddy борется с неустойчивостью мебельной индустрии, где большая часть мебели попадает на свалки.

       Материалы: Используются две основные категории материалов: «регенеративная биосфера» (компостируемые, из органических отходов, таких как кофейная гуща или пивное зерно) и «круговая техносфера» (переработанные пластики, например, из бутылок).

       Циклическая экономика: Все производственные отходы, такие как стружка или обрезки, перерабатываются на месте для создания нового готового к печати материала. Каждое изделие имеет RFID-метку для отслеживания, и клиенты могут возвращать старую мебель для переработки, получая часть ее стоимости, что позволяет Haddy использовать ее как сырье для новых изделий.

   Опыт клиента и скорость: Haddy сокращает типичный 52-недельный цикл разработки мебели до момента появления на полке. Клиенты могут прийти в "центр впечатлений", обсудить свои идеи, увидеть прототип, печатаемый роботом, и почти сразу же начать производство. Это позволяет воплощать идеи в жизнь «за считанные минуты».

   Взаимодействие человека и робота: Несмотря на обилие роботов, Haddy делает акцент на высококвалифицированном человеческом труде в области дизайна и логистики, а не в рутинном производстве. Роботам, которые носят такие имена, как Том, Джерри, Ада и Бамблби, даже позволяют печатать собственные имена, что способствует формированию уникальной корпоративной культуры.

   Будущее видение: Haddy планирует построить глобальную сеть микрофабрик по всему миру, стремясь производить до 2 миллионов единиц мебели в год в течение 5 лет, что позволит им конкурировать с крупнейшими производителями, но с беспрецедентным уровнем кастомизации и скорости. Знания и данные будут мгновенно передаваться между фабриками.

Основатель Haddy, Джей Роджерс, бывший морской пехотинец, делится своими взглядами на предпринимательство как на "неустанное стремление к возможности, используя средства, находящиеся вне вашего контроля". Он видит будущее как "быстрое, оптимистичное, ужасное", но верит в силу человеческих связей и воображения для создания нового мира.

Эпизод подкаста посвящен анализу того, как производитель медицинского оборудования RMS Co. прошел через четыре различных этапа эволюции автоматизации на своем производстве, стремясь оптимизировать процессы и решить проблемы, такие как нехватка производственных площадей.

История автоматизации подразделения Pacing в RMS началась в 2015 году с внедрения традиционных роботизированных ячеек. Эти ячейки состояли из двух крупных промышленных роботов FANUC, которые обслуживали два станка FANUC Robodrill, перемещая готовые детали на станцию мойки, а затем на координатно-измерительную машину (КИМ). Несмотря на то что эти ячейки, которым уже 10 лет, все еще успешно функционируют, их основным недостатком является значительный размер и потребность в большой площади пола, что является дефицитным ресурсом на предприятии RMS Co., насчитывающем 850 станков.

В 2019 году, в поисках более компактного решения, RMS Co. внедрила систему HelMo от Staubli. HelMo представляет собой промышленный робот-манипулятор, установленный на базе автономного управляемого транспортного средства (AGV). Эта система следует по заранее запрограммированному пути и оснащена тремя сканерами для обнаружения препятствий. Несмотря на высокую первоначальную стоимость, система оказалась экономически эффективной, поскольку способна обслуживать до восьми станков одновременно (хотя на момент посещения она обслуживала четыре). HelMo работает как во время смен с операторами, так и в полностью автономном режиме ("lights-out") между сменами, что добавляет три часа дополнительного времени обработки.

Внедрение HelMo столкнулось со значительными трудностями, которые требовали "детективной работы" для выявления причин остановок. Проблемы включали:

Физические модификации: Например, для системы крепления pull-stud были добавлены штифты, чтобы обеспечить правильную ориентацию заготовок.
Программные корректировки: Было необходимо замедлить движение робота-манипулятора, чтобы предотвратить смещение всей базы AGV из-за инерции, что критично для точности позиционирования.
Система навигации: Самой большой проблемой была навигационная система HelMo, которая ошибочно интерпретировала туман охлаждающей жидкости от станков как препятствие. RMS Co. решила эту проблему, установив уловители тумана на всех своих станках. Большинство этих проблем было успешно решено в течение двух лет. Важную роль в решении этих проблем сыграл выделенный инженер по автоматизации, такой как Абрахам Митчелл.
Несмотря на успех HelMo, RMS Co. пришла к выводу, что автономные роботы для обслуживания станков не являются лучшим долгосрочным решением для их потребностей. Компания считает, что интегрированная автоматизация, встроенная непосредственно в сам станок, такая как паллетные системы смены заготовок, является "лучшей ставкой" на рынке. RMS Co. внедрила 28 станков Mikron X400U с паллетными системами, которые могут вмещать 18 паллет и занимают значительно меньше места, чем роботизированные ячейки или AGV. Экономия пространства, относительно низкая стоимость и простота внедрения привели к тому, что подразделение Pacing выбрало паллетные системы в качестве основной формы автоматизации для будущего, считая это "будущим".

Помимо обслуживания станков, усилия RMS Co. по автоматизации включают использование программного обеспечения. В конце 2015 – начале 2016 года компания внедрила программное обеспечение Caron Engineering AutoComp для автоматической компенсации износа инструмента. Это программное обеспечение рассчитывает корректировки инструмента и автоматически обновляет смещения в управлении станком на основе данных измерений КИМ. Это полезно, поскольку люди склонны к "перекомпенсации" и устают от постоянных ручных корректировок. Тем не менее, это добавляет дополнительный уровень автоматизации и усложняет интеграцию, что влияет на предпочтение подразделения Pacing предварительно интегрированной автоматизации.

Ключевые факторы успеха в автоматизации, по мнению RMS Co., включают:

Наличие выделенного инженера по автоматизации, такого как Абрахам Митчелл.
Прочный фундамент в технологической инженерии для производства сложных деталей.
Прогрессивное мышление: Важно быть "дальновидным" и готовым "отпускать старые технологии" по мере развития.
Ожидание проблем: RMS Co. признает, что проблемы неизбежны при сложной интеграции автоматизации.

Источник: The Four Phases of a Manufacturer’s Automation Evolution, апрель 2025, журнал Modern Maschine Shop.