Урок 3: Predictive maintenance станков — FANUC AI Servo Monitor, Siemens Analyze MyMachine, DMG MORI

Чему вы научитесь

• Различать встроенный PdM-слой станочного вендора и собственную модель предприятия
• Понимать, как работают FANUC AI Servo Monitor, Siemens SINUMERIK ONE и связанные Analyze-функции, Mazak Ai Thermal Shield и DMG MORI Condition Agent
• Выбирать сенсоры и сигналы для мониторинга шпинделя, сервоприводов, инструмента и теплового дрейфа
• Строить реалистичную on-prem архитектуру PdM для станков в российском контуре
• Видеть, когда встроенный AI-модуль выгоднее, а когда лучше собирать свой open-source стек

Predictive maintenance в станочном мире зрелее, чем кажется. Здесь не нужно начинать с нейросети на весь завод. У большинства станков уже есть хороший набор сигналов: токи, вибрация, температура, spindle load, состояние сервопривода, tool usage, аварийные коды. Правильный вопрос — не «как обучить AI», а «как превратить эти сигналы в понятный action path для службы ремонта и технолога».

Что дают встроенные AI-модули вендоров

Главный вывод из этой таблицы простой: у мировых вендоров уже есть зрелый embedded AI. Но в российском контуре это не означает, что вы можете просто купить лицензию и жить спокойно. Чаще всего приходится использовать датчики и встроенные сигналы, а аналитику строить своими силами.

flowchart LR
    A[Станок и ЧПУ] --> B[Ток, вибрация, температура, spindle load, аварийные коды]
    B --> C[Edge gateway или industrial PC]
    C --> D[Baseline model и anomaly detection]
    D --> E[Alert и оценка серьёзности]
    E --> F[CMMS или 1С:ТОиР]
    F --> G[Наряд-заказ и действие службы ремонта]
    G --> H[Подтверждение причины отказа]
    H --> D

Какие сигналы реально нужны

Здесь нет магии. Для первого проекта достаточно того, что уже доступно на станке или рядом с ним. Ошибка начинается тогда, когда завод покупает новые датчики без понимания, кто будет подтверждать тревоги и что делать после алерта.

Когда встроенный AI лучше, а когда нужно строить своё

Российский путь — что реально собрать без западного SaaS

Практичный стек для предприятия выглядит так.

• Сбор сигналов через OPC UA, MTConnect или прямой экспорт событий с CNC.
• Edge gateway или industrial PC рядом с участком.
• Time-series слой на TimescaleDB или InfluxDB по схеме из p.9/05.
• Базовые модели: Prophet, Nixtla, PyOD, простые autoencoder-подходы, а для визуального контроля инструмента — Anomalib и стек из p.9/03.
• Запись алерта в 1С:ТОиР, Naumen Service Desk или другой CMMS.

Это не так красиво, как brochure Siemens или FANUC, но в санкционном и КИИ-контуре работает лучше.

Как считать эффект PdM по станкам

В станочном мире это особенно важно. PdM легко продать как «AI предотвратит поломки», но CFO нужен более приземлённый язык: сколько часов простоя вы сняли, сколько аварийных выездов не было и как это перевелось в выпуск. Полная формула защиты бюджета разбирается в p.4/01.

Как запускать PdM по станкам

1. Начните с одного класса узлов. Например, со шпинделей на одинаковых обрабатывающих центрах. Не смешивайте в одном пилоте весь парк.

2. Соберите минимум три слоя данных. Телеметрия станка, журнал отказов/ремонтов и технологический контекст: режимы, инструмент, смена, тип детали.

3. Постройте baseline до любой сложной модели. Средние профили нагрузки, сезонность, пороги, статистические отклонения. Часто этого уже достаточно, чтобы увидеть деградацию.

4. Привяжите тревогу к CMMS. Если alert не превращается в наряд, вы не внедрили PdM.

5. Через 2–3 месяца решайте, нужен ли ML. На части станков хватает rule-based мониторинга плюс простого anomaly score.

Где нужна академическая глубина, а где нет

CIRP и станочная академика полезны для понимания теплового дрейфа, digital twins machine tools и degradation modelling, но их не надо тащить в первый пилот. На старте важнее понять три вещи.

• Какой узел даёт самый дорогой простой.
• Какие сигналы вы уже можете собрать без капитального проекта.
• Кто будет принимать решение по тревоге.

Именно поэтому связка «базовый historian + anomaly model + CMMS» чаще приносит деньги быстрее, чем попытка сразу строить сложный digital twin станка.

Что читать дальше

• Нужен open-source стек для сигналов и edge — идите в p.9/05.
• Нужны специализированные модели для рядов и аномалий — полезен p.2/07.
• Нужен соседний кейс по адаптивному управлению подачей и теплокомпенсации — дальше p.7/07.
• Нужна экономика PdM — смотрите p.4/02.