Как видеоаналитика на производстве помогла обнаружить скрытые потери

На одном из предприятий пищевой промышленности руководство было уверено, что производственные линии работают стабильно. Все ключевые показатели находились в пределах нормы, операторы контролировали оборудование, а сигнальные башни показывали статус оборудования. Однако после запуска системы видеоаналитики выяснилось: каждая смена теряла значительное время — и, соответственно, деньги — из‑за процессов, которые никто не измерял.

Разберёмся, как это произошло и какие выводы можно сделать.

Клиент

Мы начали с анализа текущих процессов.

Как и на большинстве современных производств, у нашего клиента используется система Andon — визуальный способ сигнализации о состоянии оборудования.

Сигнальная колонна на станке отображает текущий статус:

• зелёный — оборудование работает в штатном режиме;
• жёлтый — предупреждение, требуется внимание;
• красный — остановка или критическая ошибка.

Концепция пришла из производственной системы Toyota и стала стандартом для многих предприятий.

Идея проста: любой сотрудник в цехе может мгновенно понять состояние линии, не подключаясь к системам мониторинга. Но эффективность такого подхода зависит от одного фактора — насколько быстро люди реагируют на сигналы.

И именно здесь часто скрываются потери.

Проблема

При первом рассмотрении оказалось, что:

• состояние оборудования отслеживается визуально операторами;
• реакции на сигналы не измеряются;
• данные о длительности предупреждений не фиксируются.

То есть система сигнализации существовала, но её эффективность никто не анализировал. Чтобы понять реальную картину, мы решили просто наблюдать за процессом.

Решение — внедрить систему мониторинга

Для пилотного проекта использовалась модель компьютерного зрения на базе архитектуры YOLO.

Для обучения модели:

• собрали датасет примерно из 1100 изображений;
• классифицировали состояния сигнальных башен: зелёный / жёлтый / красный;
• учли различные условия освещения и ракурсы.

Точность распознавания на тестовой выборке составила 98,9% mAP.

После обучения была развернута платформа видеомониторинга, которая позволила:

• подключать потоковое видео с производственных камер;
• анализировать изображения в реальном времени;
• фиксировать события изменения статуса оборудования;
• сохранять кадры и временные метки;
• отправлять уведомления при обнаружении событий;
• агрегировать статистику в аналитическом дашборде.

Пилотная система была установлена на трёх производственных станциях.

Алгоритм работы был простым:

1. Фиксируется переход сигнальной башни в жёлтый или красный статус.
2. Сохраняется время события.
3. Отслеживается момент возврата в зелёный.
4. Рассчитывается длительность реакции.

На установку и настройку ушло меньше рабочего дня.

Первые результаты: всё выглядит нормально

В первые два дня система практически не фиксировала проблем.

«Жёлтый сигнал» оказался источником скрытых потерь

Красные сигналы действительно обрабатывались быстро — это аварийные ситуации, на которые персонал реагирует мгновенно.

Но предупреждения жёлтого уровня показали другую динамику.

Средние показатели на одной из станций:

• 17 событий за смену;
• среднее время реакции — 6 минут 40 секунд.

В сумме это давало примерно 113 минут потенциальных потерь за смену только на одном станке.

Важно отметить, что жёлтый сигнал не всегда означает остановку. Иногда оборудование продолжает работать.

Но в нашей выборке примерно 40% времени предупреждения приводило к фактическому простою оборудования.

Даже при такой доле потери были значительными.

Разница между сменами оказалась критической

Следующее наблюдение оказалось ещё интереснее. Система показала сильную разницу в скорости реакции между сменами.

На одной и той же станции:

Дневная смена. Среднее время реакции — 3 мин 50 сек.

Ночная смена. Среднее время реакции — 14 мин 20 сек.

Разница — почти в четыре раза.

При этом официальные показатели производства выглядели одинаково:

1. объём выпуска;
2. процент брака;
3. производственные KPI.

Причина проста: время реакции на предупреждения никто не измерял. Без данных управлять этим показателем невозможно.

Управленческие решения после анализа данных

Жёлтый сигнал воспринимался как «не критичный». Однако после аналитики руководство предприняло меры. Были внедрены следующие изменения:

• настроены автоматические уведомления при жёлтом сигнале более 3 минут;
• перераспределение ответственности между операторами;
• мониторинг времени реакции как отдельного показателя.

Результаты через месяц

После корректировки процессов предприятие зафиксировало заметное улучшение показателей.

Время реакции на предупреждения:

• дневная смена: 3:50 → 2:10;
• ночная смена: 14:20 → 5:40.

Для производственного бизнеса даже несколько процентов роста OEE могут означать существенную финансовую выгоду.

Почему подобные решения работают

Во многих компаниях внедрение технологий компьютерного зрения ассоциируется с крупными и дорогими проектами:

• внедрение MES‑систем;
• глубокая интеграция с ERP;
• длительные проекты автоматизации.

Такие проекты действительно важны, но они требуют значительных ресурсов.

В данном случае был использован другой подход: минимальное вмешательство в процессы + максимальная наблюдаемость.

Фактически система состояла из:

• камеры;
• модели компьютерного зрения;
• аналитической платформы;
• недели накопления данных.

Иногда этого достаточно, чтобы обнаружить скрытые проблемы.

Вывод для руководителей производств

Сигнальные башни — полезный инструмент визуального менеджмента. Но если предприятие не фиксирует события и не измеряет время реакции, такая система выполняет лишь информативную функцию.

Без данных и аналитики невозможно понять:

• где возникают потери;
• сколько времени уходит на реакции;
• какие процессы требуют оптимизации.