Глоссарий внедрения

Термины промышленного ИИ, машинного зрения и автоматизации — что это и зачем на производстве.

AI-инспекция дефектов — **AI-инспекция дефектов** — метод автоматизированного контроля качества, при котором модель компьютерного зрения выполняет детекцию брака на изделиях в процессе производства. Система принимает на вход изображения или видеопоток с камер, расположенных над конвейером или на роботизированных манипуляторах, и классифицирует каждый объект как годный или дефектный. В отличие от традиционной дефектоскопии, основанной на пороговых методах и ручных правилах, инспекция дефектов с использованием искусственного интеллекта обучается на размеченных примерах. Это позволяет выявлять сложные, нерегулярные и ранее не заданные явным образом типы нарушений.
Edge computing на производстве — Периферийные вычисления — модель организации вычислительных процессов, при которой обработка, фильтрация и первичный анализ данных выполняются на устройствах, расположенных вблизи источников данных: контроллерах, программируемых логических контроллерах, промышленных ПК, шлюзах. В отличие от облачных систем, данные не передаются на удалённые серверы в полном объёме — на облако отправляются лишь агрегированные результаты или критические уведомления. Основная цель — обеспечить реакцию в реальном времени без задержек передачи и сохранить работоспособность локальных систем при временном обрыве связи с внешними сетями.
Inline-контроль качества — Inline-контроль качества — это система проверки параметров изделий и операций непосредственно на производственной линии в режиме реального времени, без остановки конвейера и без отбора образцов в лабораторию. В отличие от выборочного пост-фактум контроля, она фиксирует отклонения сразу после их появления, исключает накопление брака и позволяет управлять процессом, а не только регистрировать его результат.
MES — система управления производством — MES (Manufacturing Execution System, система управления производством) — исполнительная система уровня цеха, занимающая промежуточное положение между ERP-системой предприятия и производственным оборудованием. Она собирает данные с машин, станков и операторских постов в реальном времени, формирует сменные задания и передаёт фактические показатели выполнения заказов обратно в ERP. Без MES данные о ходе производства поступают в учётную систему с задержкой и нередко вручную.
MLOps на производстве — MLOps — совокупность методов и практик, обеспечивающих жизненный цикл моделей машинного обучения в промышленной эксплуатации: от разработки и развёртывания до непрерывного мониторинга, версионирования и переобучения. В производственной среде MLOps регламентирует интеграцию обученной модели в контур управления линией, проверку прогнозов на соответствие реальным данным и обновление алгоритмов без остановки технологических процессов. Подход распространяет принципы DevOps на машинное обучение, добавляя задачи управления данными, проверки дрейфа признаков и оценки бизнес-эффекта от каждой новой версии модели. Назначение MLOps на производстве — сделать модели устойчивым, контролируемым и измеримым инструментом, а не одноразовым прототипом.
OEE — общая эффективность оборудования — **OEE (Overall Equipment Effectiveness, общая эффективность оборудования)** — сводная метрика, характеризующая, насколько полно производственная установка использует свой плановый фонд времени. Показатель объединяет три составляющие — доступность, производительность и качество — в единое число, пригодное для сравнения оборудования, цехов и периодов.
ROI AI-внедрения — Показатель возврата инвестиций, рассчитываемый как отношение суммарного экономического эффекта от внедрения искусственного интеллекта к совокупным затратам на проект. На производстве этот показатель позволяет принимать обоснованные решения о целесообразности автоматизации конкретных участков и сравнивать альтернативные технические решения по единому критерию.
SCADA — SCADA представляет собой программно-аппаратный комплекс для сбора телеметрии с промышленного оборудования, визуализации данных и дистанционного управления технологическими процессами в реальном времени. Диспетчеризация через такую систему позволяет операторам контролировать распределённые объекты с единого рабочего места без физического присутствия у каждой установки. Комплекс агрегирует сигналы от ПЛК, датчиков и исполнительных механизмов, отображает мнемосхемы процесса и фиксирует события в архиве.
TCO — совокупная стоимость владения — **TCO (Total Cost of Ownership, совокупная стоимость владения)** — метрика, выражающая полные затраты на решение за весь его жизненный цикл: от первоначального приобретения и внедрения до вывода из эксплуатации. На производстве TCO применяется для объективного сравнения альтернатив, когда цена закупки не отражает реальную стоимость. Дешёвое оборудование или программный комплекс нередко оказывается дороже в обслуживании и поддержке.
Анализ временных рядов телеметрии — Анализ временных рядов телеметрии — метод обработки упорядоченных во времени показаний датчиков с целью выявления закономерностей, аномалий и прогноза состояния оборудования. Телеметрия формирует непрерывный поток сигналов — температуру, давление, вибрацию, ток — и превращает его в структурированный временной ряд. Это позволяет перейти от реактивного обслуживания к предиктивному, основанному на фактическом состоянии узла, а не на регламенте.
Выход годного (yield) — **Выход годного (yield)** — доля единиц продукции, признанных годными по результатам контроля качества, от общего количества запущенных в производство. Метрика характеризует эффективность технологического процесса: чем ниже yield, тем выше потери на брак, переработку и утилизацию. Показатель служит основным KPI для систем технического зрения на производственных линиях.
Детекция аномалий — Детекция аномалий (anomaly detection) — метод выявления нештатных режимов оборудования и технологических процессов, при котором модель обнаруживает отклонения от нормального поведения системы без заранее заданных правил. Алгоритм обучается исключительно на данных штатной работы, фиксируя эталонные паттерны вибрации, температуры, тока или оптического сигнала. Каждое новое наблюдение затем оценивается на соответствие усвоенному «нормальному» состоянию, и при превышении порога отклонения выдается сигнал.
Инференс на краю (edge inference) — Edge inference — этап жизненного цикла модели машинного обучения, на котором обученная нейросеть выполняется непосредственно на оборудовании производственной линии, а не в облачной инфраструктуре или удалённом серверном кластере. В отличие от тренировочной фазы, требующей больших вычислительных мощностей и массивных наборов данных, инференс оптимизирован для быстрого прохождения одного прямого прохода через сеть с фиксированными весами. На производстве этот подход применяется для принятия решений по каждому кадру, сигналу или измерению в реальном времени, без задержек, связанных с передачей данных на удалённые узлы и обратно. Такая архитектура интегрирует искусственный интеллект непосредственно в контур управления технологическим процессом.
Компьютерное зрение — Технология, позволяющая промышленным системам извлекать значимую информацию из цифровых изображений и видеопотоков, имитируя зрительное восприятие человека на уровне принятия решений. В производственном контексте применяется для инспекции, подсчёта, измерения и распознавания объектов непосредственно на линии без остановки процесса. Преобразует визуальные данные в структурированную информацию — координаты, категории, отклонения, — которая затем используется системами управления для корректировки хода производства.
Латентность инференса — Латентность инференса — это временной интервал между поступлением входного сигнала (кадра, измерения, события) на вход модели и выдачей результата её работы, готового для использования в управляющем контуре. В производственных системах компьютерного зрения и контроля эта метрика определяет, насколько быстро система способна реагировать на текущее состояние обрабатываемого объекта. Для процессов отбраковки и позиционирования латентность является критическим параметром: превышение допустимого порога приводит к тому, что решение приходит с опозданием и не может быть применено к тому же объекту.
Машинное зрение в контроле качества — Автоматическая инспекция продукции с применением промышленных камер, оптических систем и алгоритмов компьютерного зрения. Технология замещает ручной контроль детерминированной, повторяемой оценкой каждого изделия в потоке. Выявляет дефекты, отклонения геометрии и нарушения целостности поверхности без участия оператора. Интегрируется на этапах промежуточного или финального контроля, обеспечивая сортировку годных и бракованных единиц в реальном времени.
Пилотный проект (PoC) — Пилотный проект (PoC, Proof of Concept) — ограниченное внедрение технологии или процесса на отдельном участке производства, предназначенное для проверки гипотезы об эффективности решения до принятия решения о масштабировании. PoC позволяет оценить реальные эффекты и риски в рабочих условиях без вложений, сопоставимых с полным развёртыванием. Ограниченный масштаб даёт измеримые данные о производительности, качестве и нагрузке на персонал.
Предиктивное обслуживание — Предиктивное обслуживание (predictive maintenance) — подход к организации ТОиР, при котором решение о вмешательстве в оборудование принимается не по календарному плану, а на основе фактического технического состояния, определяемого по телеметрии. Цель — выполнять обслуживание ровно тогда, когда это действительно необходимо, устраняя как преждевременные остановки, так и аварийные отказы. В основе лежит непрерывный мониторинг параметров и прогнозирование остаточного ресурса до возникновения отказа.
Промышленный интернет вещей (IIoT) — **Промышленный интернет вещей (IIoT)** — сеть взаимосвязанных датчиков, контроллеров и исполнительных устройств на производстве для непрерывного сбора, обмена и первичной обработки данных. Технология оцифровывает физические параметры оборудования и среды — температуру, вибрацию, ток, давление, положение механизмов — и передаёт их на верхние уровни управления для аналитики и оптимизации. В отличие от бытового интернета вещей, промышленный IIoT функционирует в условиях жёстких требований к надёжности, времени отклика и кибербезопасности. Ошибки в передаче данных приводят к остановке линии или аварийным ситуациям.
Разметка данных — **Разметка данных (data labeling)** — процесс присвоения меток объектам исходного датасета: изображениям, видеокадрам, сигналам с датчиков, временным рядам PLC, текстовым журналам событий. Метка задаёт класс дефекта, идентификатор детали или состояние оборудования. Без размеченной обучающей выборки невозможно обучить модель машинного зрения или предиктивной аналитики — алгоритму не с чем сравнивать предсказания.
Срок окупаемости (payback) — Период, за который накопленная экономия от внедрения проекта полностью покрывает первоначальные затраты на его реализацию. На производстве этот показатель служит первичным критерием оценки целесообразности капитальных вложений в автоматизацию, системы машинного зрения, промышленный ИИ и модернизацию оборудования.
ТОиР — **ТОиР** (техническое обслуживание и ремонт) — система организационных и технических мероприятий, направленных на поддержание оборудования в работоспособном состоянии и восстановление его после отказов. На производстве ТОиР определяет, когда и как выполняются осмотры, регламентные работы, замена изнашиваемых узлов и устранение неисправностей. От качества этой системы напрямую зависят доступность оборудования, себестоимость продукции и безопасность персонала.
Цифровизация цеха — Перевод производственных процессов в структурированный поток данных: сбор показателей с оборудования, мониторинг состояния линий и аналитика отклонений в реальном времени. Результат — измеримая, фиксируемая картина происходящего в цехе, служащая фундаментом для систем автоматизации и промышленного ИИ. Каждое значимое событие на производстве — остановка станка, выход параметра за допуск, смена оператора — превращается в запись в базе данных. Цех перестаёт быть «чёрным ящиком»: решения принимаются на основе зафиксированных данных, а не устных рапортов.
Цифровой двойник — Цифровой двойник — это виртуальная модель физического объекта, оборудования или производственного процесса, синхронизированная с реальным состоянием через поток данных с датчиков и контроллеров. Модель воспроизводит поведение оригинала в реальном времени или с опережением, позволяя прогнозировать отказы, оценивать последствия изменений режимов и обучать алгоритмы машинного зрения без остановки линии.