Канадский производитель мясной продукции Maple Leaf Foods поставил цель: повысить эффективность старого завода. Там ежегодно выпускают более 800 миллионов хот-догов и вареных колбас. Вместо установки новых IoT-датчиков компания использовала существующую MES-систему AVEVA. Её дополнили AI-моделями от Braincube. Такой подход сократил расходы. Он принёс финансовый результат уже через три месяца.
Почему компания отказалась от новых IoT-сенсоров
Изначально проект предполагал установку множества IoT-устройств. Однако у Maple Leaf Foods уже работала полноценная MES. Она предоставляла все нужные данные: температуры, циклы варки, номера заказов и артикулы. Команда решила не тратить бюджет на новые датчики. Вместо этого они сосредоточились на глубоком анализе имеющейся информации.
Кроме того, для успеха важно было получить поддержку персонала. Операторов привлекли к работе на ранних этапах. Провели UX/UI-воркшопы, где учли их пожелания. Так удалось избежать сопротивления переменам. Внедрение прошло более гладко.
Поиск эталонной партии: как ИИ оптимизирует каждый этап
Проект охватил восемь ключевых точек контроля. Среди них: длина и форма батонов, процесс варки и нарезка. С помощью AVEVA MES измеряли габариты батонов. Данные передавали в цифровые двойники Braincube. Алгоритмы машинного обучения анализировали информацию. Они подсказывали операторам, когда корректировать параметры. Цель заключалась в достижении эталонного результата, так называемой «золотой партии».
Особое внимание уделили термообработке. Перегрев продукта ведёт к потере влаги и снижению выхода. Используя данные с температурных датчиков и из MES, рассчитали оптимальные профили. Определили графики загрузки печей для каждого артикула. Это позволило минимизировать риск переваривания. Одновременно сократились энергозатраты.
Нарезка как главный резерв повышения прибыли
Самый значительный эффект дала настройка слайсеров. Даже изменение параметра на 0,05 мм заметно влияло на результат. Операторы видели показатели выхода на цветных дашбордах в реальном времени. Они могли мгновенно реагировать на отклонения. Более того, обратная связь от системы помогала продлить срок службы оборудования. Износ машин компенсировался корректировкой настроек.
Результаты: рост прибыли на 10–12% за три месяца
Благодаря комплексному подходу Maple Leaf Foods повысила выход готовой продукции. Потери сократились на всех этапах. Теперь операторы корректируют рецептуры еженедельно, а не действуют по статичным инструкциям. В итоге окупаемость инвестиций составила всего три месяца. Минимальная валовая прибыль выросла на 10–12%.
