Кейс Производство: −18% простой, +9 п.п. план-факт

Российский производитель потребительской упаковки, 3 цеха, 8 линий (смесение → экструзия → печать → резка). За 8 недель мы внедрили Operations‑агента с цифровым близнецом линии, граф‑онтологией узких мест и RAG‑доступом к регламентам ТО. Итог: −18% к незапланированному простою, +9 п.п. к точности план‑факт по отгрузкам, +6 п.п. к SLA поставок. Данные агрегированы и обезличены; персональные данные сотрудников не загружались в модели (соответствие 152‑ФЗ).

1) Клиент и исходная ситуация

Профиль. Средний завод, 520 сотрудников, 24/7, три смены. MES/SCADA есть, но алерты разрознены; планирование — в ERP с ручными корректировками мастеров смен. Боли. Микро‑остановки (замятия, перегрев, недогрев), затяжные переналадки, каскадные задержки между цехами → срывы графика отгрузок и «пилой» бьёт по OEE. Базовые метрики (4 недели до пилота).

• Unplanned Downtime: 11.7% сменного времени (медиана по линиям).
• План‑факт отгрузок (по датам): 85% (P50).
• SLA поставок (в окно): 88%.
• OEE (сводно): 61–64% (по цехам).

Цель пилота (8 недель). Снизить незапланированный простой, стабилизировать переналадки, улучшить точность план‑факт без капитальных замен оборудования.

2) KPI и дизайн эксперимента

• Незапланированный простой, % от планового времени.
• План‑факт по отгрузкам, % положений «в срок».
• SLA поставок, % в оговорённом окне.
• OEE, %, и его компоненты (Avail/Perf/Qual).
• Mean Time To Repair (MTTR) и Mean Time Between Failures (MTBF) по узлам.

A/B‑дизайн. 4 линии — группа B (с агентом), 4 — контроль A. Балансировка по сменам/номенклатуре; недельные ревью.

3) Решение: Operations‑агент + цифровой близнец + граф‑онтология

• Цифровой близнец (light‑модель линии). ML‑прогноз вероятности микро‑стопа через 5–30 минут (фичи: температуры/токи/скорости, вязкость/влажность партии, возраст ножей/валов, оператор/смена, режим реза).
• Граф‑онтология узких мест. Узлы Process/Resource/KPI/Risk/Policy, связи blocked_by, depends_on, measures, governs → объяснимые причины и «деревья решений» по линии и цехам.
• RAG по регламентам ТО. Qdrant (векторный индекс) + Neo4j (онтология) → агент выдаёт инструкции с цитатами (страница/версия регламента).
• Планирование смен и переналадок. Рекомендации окна для замены расходников (ножи/сетки/фильтры) и переналадок, чтобы не рвать критический маршрут между цехами.
• Интеграции. MES/SCADA (сигналы), ERP (план/факт), CMMS (заявки ТО), Telegram‑бот (уведомления мастерам/наладчикам).

Поток (Mermaid)

4) Данные и метрики качества моделей

• Data Lake. 1‑сек и 10‑сек телеметрия, сменные отчёты, события простоев, журналы CMMS.
• Валидация прогноза микро‑стопов. ROC‑AUC 0.82, PR‑AUC 0.46 (редкие события). Порог выбираем по cost curve (стоимость фальш‑позитива vs missed‑stop).
• Качество RAG. nDCG@10=0.79, Recall@5=0.73; «доля ответов с цитатами» — 100% (guardrail no‑citation → no‑answer).

5) Внедрение (8 недель)

• Недели 1–2. Сбор логов/сигналов, карта узких мест, онтология линий; подключение CMMS/MES, формализация кодов простоев.
• Неделя 3. Обучение light‑модели микро‑стопов; разметка «checklist‑действий» по узлам онтологии.
• Неделя 4. RAG‑корпус регламентов, версии документов, Telegram‑уведомления.
• Недели 5–6. Включение подсказок операторам/наладчикам; рекомендации окон переналадки.
• Недели 7–8. Масштаб на все смены, контроль стабильности; финзамер KPI и ROI.

6) Результаты (8 недель)

Контрольная группа (A) за период показала вариации в пределах сезонной нормы (±2–3 п.п. по OEE), без статистически значимого тренда.

7) Экономика и ROI (оценка на 8 недель)

Вводные. Средняя маржинальная выручка с часа работы линии — 32 000 ₽; суммарное плановое время по 8 линиям — 8 × 24 × 7 × 8 = 10 752 ч. Эффект от снижения простоя. 11.7% → 9.6% (−18%): выигрыш 2.1 п.п. по времени ⇒ 226 ч × 32 000 ₽ = 7.23 млн ₽. Эффект от план‑факта/SLA. Меньше штрафов/экспедиций: ≈ 0.9 млн ₽ (оценка по актам). Затраты пилота. Интеграции/обучение/инфра/лицензии — 1.6 млн ₽.

Итого: эффект ≈ 8.13 млн ₽; ROI ≈ 4.1×, окупаемость ≈ 2.5 недели.

Оценки: консервативные, без учёта долгосрочного прироста качества/скрапа.

8) Что сработало лучше всего

• Ранние подсказки по «микро‑стопам» (5–30 минут) и окна переналадок → меньше каскадных задержек.
• Граф‑онтология узких мест дала объяснимость: почему совет именно такой.
• RAG с цитатами по регламентам ТО ускорил реакции и снизил «лишние» выезды наладчиков.
• Гигиена данных простоев (единый справочник причин) резко улучшила аналитику MTBF/MTTR.

9) Ограничения и уроки

• На двух линиях датчики температуры давали шум — дооснастили и перенастроили калибровку.
• Не автоматизировали «жёсткие остановы» (safety interlocks) — только подсказки оператору.
• Прогноз качества (скрап) оставили на следующий этап (не хватало размеченных примеров).

10) Как масштабируем решение

1. Расширяем на все линии/цеха, сохраняем контрольный «хвост» 10–20% для A/B.
2. Добиваем связку с качество‑моделью (визуальный контроль/скрап).
3. Углубляем цифровой близнец: имитация расписаний, узкого места и маршрутов.
4. Включаем автоплан смен/переналадок с учётом прогнозов и доступности персонала.

11) Комплаенс и безопасность (152‑ФЗ)

• В пилоте использовались техпроцессные сигналы и агрегированная сменная статистика. ПДн сотрудников не обрабатывались в моделях.
• Логи/индексы находятся в RU‑инфраструктуре; версионирование регламентов и журналов доступа.
• Для внутренних документов действует RAG‑шлюз с маскированием чувствительных полей.

FAQ (коротко)

Можно ли без MES? Можно начать с SCADA/датчиков и сменных отчётов, но для масштаба лучше подключить MES. Нужны ли «большие модели»? Нет: основной выигрыш дал прогноз микро‑стопов + дисциплина данных; LLM используется для инструкций по регламентам (RAG). Как переносится? Лёгкая адаптация фичей под конкретные линии/рецептуры и быстрый аудит узких мест на старте.

Связанные материалы

• Методология: AI‑аудит процессов + RAG + ROI
• Техника: Конвейер данных для чат-ботов: Qdrant, Neo4j, пайплайны
• Право: 152‑ФЗ и AI: локализация и обезличивание

Источники

• WEF Global Lighthouse Network (2025): у «маяков» в топ‑5 решений — планирование производства и предиктивное ТО. https://reports.weforum.org/docs/WEF_Global_Lighthouse_Network_2025.pdf
• McKinsey: предиктивное ТО снижает простой на 30–50%, увеличивает срок службы на 20–40%. https://www.mckinsey.com/capabilities/operations/our-insights/manufacturing-analytics-unleashes-productivity-and-profitability
• Oracle/Deloitte (2024): ИИ‑ТО повышает производительность труда на 5–20%, сокращает простой до 15%. https://www.oracle.com/scm/ai-predictive-maintenance/
• IIoT‑World (2025): снижение незапланированных простоев до 50%; затраты на ТО −18–25%. https://www.iiot-world.com/predictive-analytics/predictive-maintenance/predictive-maintenance-cost-savings/
• Deloitte (2025): цифровые близнецы — растущий стандарт в промышленности и планировании. https://www.deloitte.com/us/en/insights/topics/business-strategy-growth/digital-twin-strategy.html