Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург, Россия

Н. И. Котелева, доцент кафедры автоматизации технологических процессов и производств, канд. техн. наук, эл. почта: Koteleva_NI@pers.spmi.ru

В. В. Вальнев, аспирант кафедры автоматизации технологических процессов и производств

АО «Хакель», Санкт-Петербург, Россия

В. В. Марков, заместитель генерального директора

Производственные процессы ручной сборки различных компонентов в настоящее время широко распространены. Представлен программный сервис, позволяющий в режиме реального времени осуществлять контроль за действиями сборки электротехнических компонентов, выявлять брак продукции, автоматически вести подсчет собранных деталей. Программный сервис позволяет повысить эффективность процессов сборки за счет снижения брака, сокращения ошибок при планировании процессов, сокращения влияния человеческого фактора на производственные процессы сборки. Приведены этапы разработки программного сервиса, тестирование его работоспособности на предприятии по изготовлению электротехнической продукции АО «Хакель». Представлены работа программного сервиса и расчет эффективности его работы на примере четырех технологических операций по сборке устройств защиты от импульсных перенапряжений. Показаны универсальность разработанного программного сервиса и его применимость для любой технологической операции, выполняемой в ручном режиме, на предприятиях цветной металлургии. Проведена оценка возможности применения представленных результатов исследования при монтаже оборудования и различных систем автоматизации, что актуально для работ по внедрению разработок АО «СоюзЦМА» при проведении работ по монтажу клапанов, пробоотборников, а также блоков управления клапанами. Отмечена целесообразность реализации программного сервиса при монтаже вибродатчиков и микрофонного устройства виброакустического анализатора загрузки мельниц ВАЗМ-1М, поскольку это обеспечивает повторяемость установки датчиков и микрофона после проведения ремонта мельниц и сокращает время на повторную калибровку анализатора. 

1. Khokhlov S., Abiev Z., Makkoev V. The choice of optical flame detectors for automatic explosion containment systems based on the results of explosion radiation analysis of methane- and dust-air mixtures // Appl. Sci. 2022. Vol. 12. 1515. DOI: 10.3390/app12031515
2. Romashev A. O., Nikolaeva N. V., Gatiatullin B. L.Adaptive approach formation using machine vision technology to determine the parameters of enrichment products deposition // Journal of Mining Institute. 2022. Vol. 256. P. 677-685. DOI: 10.31897/PMI.2022.77

3. Cherepovitsyn A. E., Tretyakov N. A. Development of a new assessment system for the applicability of digital projects in the oil and gas sector // Journal of Mining Institute. 2023. Vol. 262. P. 628–642.
4. Korolev N., Kozyaruk A., Morenov V. Efficiency increase of energy systems in oil and gas industry by evaluation of electric drive lifecycle // Energies. 2021. Vol. 14. 6074. DOI: 10.3390/en14196074
5. Бойков А. В., Пайор В. А. Система технического зрения для мониторинга левитационной плавки цветных металлов // Цветные металлы. 2023. № 4. С. 85–89.
6. Санников Д. О., Орлов И. В., Бервено А. В., Гаврилов А. И. Обзор перспективных направлений развития металлургического производства, новых материалов и методов исследований // Цветные металлы. 2023. № 9. C. 8–13.
7. Жуковский Ю. Л., Сусликов П. К. Оценка потенциального эффекта применения технологии управления спросом на горных предприятиях // Устойчивое развитие горных территорий. 2024. Т. 16. № 3. С. 895–908. DOI: 10.21177/1998-4502-2024-16-3-895-908
8. Шишлянников Д. И., Зверев В. Ю., Звонарева А. Г., Фролов С. А., Иванченко А. А. Оценка энергоэффективности функционирования и увеличение наработки гидравлических приводов установок штанговых скважинных насосов в осложненных условиях эксплуатации // Записки Горного института. 2023. Т. 261. С. 349–362.
9. Мякотных А. А., Иванова П. В., Иванов С. Л. Критерии и технологические требования создания мостовой платформы добычи торфяного сырья для климатически нейтральной геотехнологии // Горная промышленность. 2024. № 4. С. 116–120. DOI: 10.30686/1609-9192-2024-4-116-120
10. Grendel H. et al. Enabling manual assembly and integration of aerospace structures for Industry 4.0 – methods // Procedia Manufacturing. 2017. Vol. 14. P. 30–37. DOI: 10.1016/j.promfg.2017.11.004
11. Ashourpour M. Automation of operations in assembly of battery modules in electric vehicles // IFAC-PapersOnLine. 2024. Vol. 58, Iss. 19. P. 754–759. DOI: 10.1016/j.ifacol.2024.09.212
12. Sudhoff M. et al. Objective data acquisition as the basis of digitization in manual assembly systems // Procedia CIRP. 2020. Vol. 93. P. 1176–1181. DOI: 10.1016/j.procir.2020.03.032
13. Phoulady A. et al. Synthetic data augmentation to enhance manual and automated defect detection in microelectronics // Microelectronics Reliability. 2023. Vol. 150. 115220. DOI: 10.1016/j.microrel.2023.115220
14. Stoianova A. D., Trofimets V. Ya., Matrokhina K. V. Methodological approach to rating of arctic zone companies based on ESG indicators // MIAB. 2024. No. 6. P. 149–162. DOI: 10.25018/0236_1493_2024_6_0_149
15. Miqueo A., Torralba M., Yagüe-Fabra J. A. Models to evaluate the performance of high-mix low-volume manual or semi-automatic assembly lines // Procedia CIRP. 2022. Vol. 07. P. 1461–1466. DOI: 10.1016/j.procir.2022.05.175
16. Ohlig J. et al. Human-centered performance management in manual assembly // Procedia CIRP. 2021. Vol. 97. P. 418–422. DOI: 10.1016/j.procir.2020.05.261
17. Fink K. et al. Dynamic value stream optimization for manual assembly in the learning factory for cyber-physical production systems // Procedia Manufacturing. 2020. Vol. 45. P. 78–83. DOI: 10.1016/j.promfg.2020.04.070
18. Hémono P., Nait Chabane A., Sahnoun M. Multiobjective optimization of human–robot collaboration: A case study in aerospace assembly line // Computers & Operations Research. 2025. Vol. 174. 106874. DOI: 10.1016/j.cor.2024.106874
19. Nevskaya M., Shabalova A., Kosovtseva T., Nikolaychuk L.Applications of simulation modeling in mining project risk management: criteria, algorithm, evaluation // Journal of Infrastructure, Policy and Development. 2024. Vol. 8, Iss. 8. 5375. DOI: 10.24294/jipd.v8i8.5375

20. Conrad J. et al. Deep learning-based error recognition in manual cable assembly using synthetic training data // Procedia CIRP. 2024. Т. 128. С. 239–244. DOI: 10.1016/j.procir.2024.04.005
21. Klages B., Zaeh M. Concept of a data-based approach for the prediction and reduction of human errors in manual assembly // Procedia CIRP. 2023. Vol. 116. P. 209–214. DOI: 10.1016/j.procir.2023.02.036
22. Liu F., Li J. Application exploration of robot process automation in digital labor time management system // Procedia Computer Science. 2023. Vol. 228. P. 89–97. DOI: 10.1016/j.procs.2023.11.012
23. Kim G.-Y. et al. Data-driven analysis and human-centric assignment for manual assembly production lines // Computers & Industrial Engineering. 2024. Vol. 188. 109896. DOI: 10.1016/j.cie.2024.109896
24. Wang J.-G. et al. A hierarchical granger causality analysis framework based on information of redundancy for root cause diagnosis of process disturbances // Computers & Chemical Engineering. 2024. Т. 182. С. 108589. DOI: 10.1016/j.compchemeng.2024.108589
25. Chen X., Ren J., Zhao C. Synergetic decomposition of inputoutput dependency for control system intelligent monitoring: a perspective from information theory // IFAC-PapersOnLine. 2024. Vol. 58, Iss. 4. P. 312–317. DOI: 10.1016/j.ifacol.2024.07.236
26. Thurnheer J. et al. Manual data collection in assembly lines: a case study on the human factor in data accuracy // IFACPapersOnLine. 2024. Vol. 58, Iss. 19. P. 85–90. DOI: 10.1016/j.ifacol.2024.09.098
27. Verdu C. R. et al. enhancing manual assembly training using mixed reality and virtual sensors // Procedia CIRP. 2024. Vol. 126. P. 769–774. DOI: 10.1016/j.procir.2024.08.328
28. Chu C.-H., Ko C.-H. An experimental study on augmented reality assisted manual assembly with occluded components // Journal of Manufacturing Systems. 2021. Vol. 61. P. 685–695. DOI: 10.1016/j.jmsy.2021.04.003
29. Yamashita T., Suzuki H., Tasaki R. Motion and force measurement of human fingertips during manual operation to achieve high-precision assembly by articulated robots // Measurement: Sensors. 2022. Vol. 24. 100413. DOI: 10.1016/j.measen.2022.100413
30. Keshvarparast A. et al. Integrating collaboration scenarios and workforce individualization in collaborative assembly line balancing // International Journal of Production Economics. 2025. Vol. 279. 109450. DOI: 10.1016/j.ijpe.2024.109450
31. Navas-Reascos G. E. et al. A cost-benefit analysis for a wire harness assembly workstation: Manual vs. collaborative workstation // Manufacturing Letters. 2023. Vol. 38. P. 65–68. DOI: 10.1016/j.mfglet.2023.09.011
32. Daling L. M. et al. Assemble it like this! – Is AR- or VR-based training an effective alternative to video-based training in manual assembly? // Applied Ergonomics. 2023. Vol. 110. 104021. DOI: 10.1016/j.apergo.2023.104021
33. Fathi M. et al. unveiling the potential of mixed reality: enhancing time measurement and operator support in manual assembly processes // Procedia Computer Science. 2024. Vol. 232. P. 2670–2679. DOI: 10.1016/j.procs.2024.02.084
34. Puttero S. et al. Preliminary comparison between manual assembly and intelligent human-robot collaborative assemblies in terms of quality and assembly time // Procedia CIRP. 2024. Vol. 126. P. 206–211. DOI: 10.1016/j.procir.2024.08.326
35. Papadopoulos G. et al. On intelligent object sorting and assembly: versatile end-effector for robotized handling of electrical components // Procedia CIRP. 2024. Vol. 128. P. 363–368. DOI: 10.1016/j.procir.2024.07.051