Как ИИ помогает заводам быстрее рассчитывать детали по старым чертежам

Представьте: крупная госкорпорация использует импортное оборудование. Оно ломается, а запчастей больше не купить — санкции. Приходится искать российского производителя, который сделает деталь по чертежу. Объявляется тендер. Победитель получает заказ, но для этого нужно быстро понять: можно ли вообще сделать такую деталь на своём оборудовании, сколько это займёт времени и сколько будет стоить.

С такой задачей столкнулся один российский производитель промышленного оборудования. Он выпускает вакуум-ковши, литейные машины, редукторы, грузоподъёмные механизмы. Основные заказчики — металлургия, лесной и строительный комплексы, добывающие отрасли.

В тендерной документации заказчики присылают чертежи. Но качество у них часто ужасное: старые, потёртые копии, сканы с кучей шумов (тонер, краска, низкое разрешение). Тем не менее технологам нужно по этим чертежам рассчитать нормы времени на каждую операцию, понять, можно ли изготовить деталь на имеющемся оборудовании, и определить себестоимость, чтобы предложить конкурентную цену.

Раньше один такой расчёт занимал от нескольких дней до недель. Технолог отрывался от основных обязанностей, сидел со справочниками и ГОСТами. Из-за долгой подготовки коммерческого предложения компания теряла до 20% потенциальных контрактов — заказчики просто выбирали тех, кто отвечает быстрее. А если расчёт себестоимости был неверным, можно было уйти в минус, особенно на уникальных деталях, у которых нет рыночной цены.

В компании внедрили ИИ-ассистента, который работает локально на серверах предприятия — это важно, чтобы чертежи и коммерческая информация не уходили вовне. Систему обучили на ГОСТах, производственных нормах и исторических данных компании. Затем интегрировали с 1С — привычной средой технолога. Добавили модуль анализа чертежей, который очищает изображения от шумов и распознаёт геометрию, размеры, допуски, шероховатость.

Теперь технолог загружает чертёж в систему, и ИИ за 1–3 минуты выдаёт расчёт норм времени, проверяет, можно ли изготовить деталь на имеющемся оборудовании (точность этого анализа — 99%), и рассчитывает себестоимость. Погрешность расчётов — не более 5%, точность извлечения информации с чертежей — 85% (остальное дособирает технолог, но это уже минуты, а не дни).

Нагрузка на ключевых технологов резко снизилась — они перестали сидеть над рутиной и занялись действительно сложными задачами. Компания перестала терять контракты из-за долгого ответа. Себестоимость стала прозрачной, что позволило уверенно участвовать в тендерах на уникальные детали, где нет рыночных ориентиров.

Мы видим, что в этом кейсе ИИ закрыл три конкретные задачи: быстрый расчёт норм времени, проверка возможности изготовления на имеющемся оборудовании, расчёт себестоимости. Но потенциал такой системы шире.

Как вы думаете, в каких ещё производственных процессах может пригодиться ИИ-технолог, обученный на чертежах, ГОСТах и нормативной базе? Какие задачи на предприятиях отнимают много времени, но при этом формализуемы и могли бы быть автоматизированы?

Будет ценно услышать ваш опыт и идеи. Какие направления, на ваш взгляд, стоит развивать в первую очередь?