惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Recent Announcements
Recent Announcements
Martin Fowler
Martin Fowler
MongoDB | Blog
MongoDB | Blog
Engineering at Meta
Engineering at Meta
Stack Overflow Blog
Stack Overflow Blog
Google DeepMind News
Google DeepMind News
Microsoft Security Blog
Microsoft Security Blog
aimingoo的专栏
aimingoo的专栏
I
InfoQ
B
Blog
WordPress大学
WordPress大学
Jina AI
Jina AI
小众软件
小众软件
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
博客园_首页
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
酷 壳 – CoolShell
酷 壳 – CoolShell
阮一峰的网络日志
阮一峰的网络日志
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
G
Google Developers Blog
C
Check Point Blog
月光博客
月光博客
L
LangChain Blog
GbyAI
GbyAI

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания
Контроль пройден: почему в машиностроении уже недостаточн...
PLM_Ural · 2026-05-08 · via Все публикации подряд на Хабре

Контроль пройден: почему в машиностроении уже недостаточно принципа «влезет / не влезет»

Уровень сложностиПростой

Время на прочтение3 мин

Охват и читатели0

Аналитика

"Я тут эталон"

"Я тут эталон"

Или как мем с котом объясняет проблему контроля геометрии лучше, чем десять слайдов про ОТК.

На первый взгляд – идеальная производственная ситуация.
Объект лег в ложемент.
Зазоров визуально нет.
Перекосов не наблюдается.
Контроль пройден, изделие годное.

Если бы это был настоящий контроль геометрии, мы бы назвали его контролем по калибру: быстро, наглядно, почти без шансов на двусмысленность. Влезло – годно. Не влезло – не годно.
Для кота работает отлично. Для машиностроения – уже не всегда.

Проблема в том, что детали почти никогда не нужен только бинарный ответ «влезает или нет». Производство хочет знать совсем другое:
• насколько ушёл размер
• где именно возникло отклонение
• повторяется ли дефект от партии к партии
• виноват станок, оснастка или температура
И главное, можно ли не просто найти брак, а предотвратить его в следующей партии?

Именно здесь и проходит водораздел между простым контролем и полноценной метрологией.

Проблема: качество в машиностроении все чаще упирается в геометрию

Когда говорят о качестве, часто представляют материал, прочность, сварку. Но огромная часть проблем начинается с геометрии.

Деталь можно сделать из правильного сплава, на отличном станке – и всё равно она не соберётся. Отверстия будут «почти там», плоскость – «почти плоской». На производстве это звучит так: деталь не собирается, появляется ручная доводка, брак растёт, споры с заказчиком «у нас годно, у вас не годно», партии нестабильны.

Проблема не в том, что плохо измеряют. Проблема шире: у предприятий нет современного инструмента, чтобы быстро и доказуемо контролировать сложные изделия. Закупка средств измерения идёт по остаточному принципу – пока не прижмёт.

Калибр и шаблон для простых задач хороши. Но когда изделие сложнее кота в ложементе, этого не хватает. Нужно измерять не один размер, а взаимное расположение десятков элементов. Деталь крупная – в лабораторию не утащить. Результат должен быть воспроизводимым и пригодным для корректировки производства.

Калибр отвечает: годно или нет. А продвинутый инструмент – что случилось с геометрией, насколько критично и что делать. Разница принципиальная.

Констатация проблем — только половина дела. Вторая половина — система, которая их не допускает.

Как это решается

Не покупкой одного «волшебного прибора». Нужен метрологический контур: КИМ, лазерные трекеры, 3D-сканеры, ПО, обученные люди, методики. Плохая методика угробит результат даже на лучшем оборудовании.

Купить КИМ – ещё не всё. Сразу возникает куча вопросов: какая (портативная, цеховая, портальная)? Какой объём и точность? Где ставить? Кто напишет программы? Можно модернизировать старую вместо покупки новой? И главное, как встроить результаты в производство? Без ответов прибор станет стендом для отчётов.

Покупать КИМ ради того, чтобы «она была», – ошибка. На многих заводах дорогая машина работает как штангенциркуль: измерили пару размеров – и брак пошёл дальше.

Настоящий контроль начинается не с оборудования. Нужен человек, умеющий переводить чертёж в программу. Нужен согласованный с заказчиком протокол. Нужна регулярная калибровка самой КИМ.

Главный сдвиг – inline-контроль. Деталь вышла из станка и тут же измерилась. Результат подкорректировал следующую деталь. Таким образом, КИМ – не строгий контролёр, а чувствительный глаз станка. Дефекты не успевают родиться.

Но главное – отвечать на вопрос «почему размер ушёл». Без статистики вы фиксируете потери. С аналитикой – управляете качеством. Метрология эволюционирует от поиска дефектов к управлению процессом на основе данных.

Кот в ложементе – идеальная модель простого контроля. А для реального производства эталона и ответа «годно / не годно» недостаточно, нужен управляемый контур: методика, люди, аналитика и оборудование как единая система, а не самоцель.

P.S. Если вдруг захочется не просто читать про теорию, а понять, с какого оборудования начинать именно в вашем цеху – у нас есть опыт (напишите в личные сообщения). Кота обещаем не предлагать.