Кейс ИИ-агента для производства: контроль качества и снижение брака на 12%

Кейс ИИ-агента для производства: контроль качества и снижение брака на 12%

В 2026 году на линиях сборки электроники одного из российских заводов внедрили ИИ-агента на базе машинного зрения. За полгода доля дефектной продукции упала с 9,4% до 7,1%. Ниже — 10 шагов, которые позволили добиться такого результата.

1. Аудит текущего уровня брака и узких мест

Перед запуском ИИ на производстве команда собрала статистику за 12 месяцев. Выяснилось, что 68% рекламаций приходится на микротрещины и наплывы припоя. Эти дефекты пропускал визуальный контроль человека из-за усталости и субъективности оценки.

• Преимущества: объективная база для расчёта ROI; понимание, какие типы брака критичны для клиента.
• Пример использования: на заводе «Электроприбор» аудит показал, что 22% времени ОТК тратит на проверку однотипных деталей — это стало точкой для автоматизации.

2. Выбор архитектуры машинного зрения в производстве

Использовали гибридную модель: камеры высокого разрешения + свёрточная нейросеть, обученная на 50 000 размеченных кадров. Система quality control AI распознаёт дефекты размером от 0,1 мм.

• Преимущества: скорость анализа — 0,3 сек на деталь (против 4 сек у человека), точность 99,2%.
• Пример использования: линия сборки датчиков давления — ИИ отсеивает 98% бракованных изделий до упаковки.

3. Интеграция с ERP и MES-системами

ИИ-агент передаёт данные о каждом бракованном экземпляре в производственную систему в реальном времени. Это позволяет остановить линию при превышении порога брака на 3%.

• Преимущества: снижение времени реакции на сбой с 40 минут до 2 минут; автоматическая блокировка партии.
• Пример использования: на участке штамповки корпусов интеграция с MES сократила перерасход металла на 8%.

4. Обучение модели на реальных дефектах

Собрали датасет из 12 000 изображений с линий, где дефекты были подтверждены лабораторно. Для каждого типа брака (царапина, скол, наплыв) задали веса важности.

• Преимущества: модель не путает технологическую царапину с критическим дефектом; снижение ложных срабатываний до 1,5%.
• Пример использования: дефектоскопия ИИ на заводе пластиковых труб — точность определения микротрещин выросла с 89% до 97%.

5. Пилотный запуск на одной линии

Выбрали участок с наибольшим процентом брака (12,3%). ИИ работал параллельно с людьми: результаты сравнивали в течение 2 недель.

• Преимущества: минимальные риски; возможность дообучить модель на специфических дефектах.
• Пример использования: пилот показал, что ИИ находит на 40% больше дефектов, чем контролёр, и не пропускает скрытые трещины.

6. Калибровка порогов отбраковки

Настроили три уровня: зелёный (годен), жёлтый (требует ручной проверки), красный (брак). Пороги подбирали по принципу — не более 2% ложноотрицательных результатов.

• Преимущества: баланс между строгостью контроля и сохранением производительности; снижение перебраковки на 15%.
• Пример использования: для деталей ответственного назначения (тормозные системы) порог красной зоны ужесточили до 0,5% ложноотрицательных.

7. Обучение персонала работе с ИИ-ассистентом

Контролёры ОТК прошли 3-дневный курс: как читать отчёты ИИ, когда доверять автоматическому решению, когда перепроверять вручную.

• Преимущества: персонал не воспринял ИИ как угрозу; количество ошибок из-за недоверия к системе снизилось до нуля.
• Пример использования: на линии сборки реле операторы стали на 30% быстрее находить брак, помеченный ИИ, при выборочном контроле.

8. Мониторинг эффективности и дообучение

Раз в неделю дата-сайентисты анализировали ложные срабатывания. Пропущенные дефекты заносили в тренировочный набор — модель переобучали каждые 14 дней.

• Преимущества: точность распознавания выросла с 94% до 99,2% за 3 месяца; количество дообучений сократилось с 8 до 1 раза в месяц.
• Пример использования: после появления нового типа брака (микросколы) модель адаптировали за 48 часов без остановки линии.

9. Расчёт экономического эффекта

После масштабирования на 5 линий экономия составила 2,4 млн руб/мес за счёт сокращения возвратов, переделок и простоев. Снижение рекламаций — 62%.

• Преимущества: окупаемость системы — 4,2 месяца; ROI за год — 340%.
• Пример использования: завод по производству автокомпонентов сократил штрафы за брак с 1,8 млн до 0,3 млн руб/квартал.

10. Масштабирование на смежные участки

После успеха на линии сборки ИИ-агента развернули на участках литья, покраски и упаковки. Для каждого типа производства донастроили модель.

• Преимущества: единая платформа контроля качества; унификация стандартов ОТК на всех этапах.
• Пример использования: на участке покраски ИИ снизил брак по неравномерности слоя с 11% до 5,8% за 2 месяца.

Итог: кейс внедрения ИИ на производстве показал, что промышленный ИИ на базе машинного зрения — это не эксперимент, а рабочий инструмент. Платформа OpaGPT позволила ускорить настройку модели и интеграцию с существующими системами, сократив время внедрения с 6 до 2 месяцев. Оптимизация производства через автоматизацию ОТК даёт измеримый результат: снижение брака, рост прибыли и предсказуемое качество.