Открытая АСУТП – это реальность для бизнеса. Что мы показали на ЦИПР 2026

ЦИПР — это главная площадка страны, где встречаются вендоры, интеграторы и заказчики. Мы решили показать, что Открытая АСУТП — это не просто концепция, а работающий инструмент, который можно взять и внедрить уже сегодня. Мы привезли стенд, который демонстрирует полный производственный цикл: от разработки модели управления и компьютерного зрения на контроллере до выдачи производственных заданий через MES и их отработки на реальном оборудовании. И всё это — на отечественных и open-source компонентах.

Зачем всё это бизнесу? Прежде чем перейти к описанию нашего стенда, давайте ответим на главный вопрос: какую бизнес-ценность представляют наши решения, реализованные на стенде? Для металлургической отрасли и промышленности в целом это — не просто демонстрация интеграции MES c АСУТП. Это — модель импортозамещения, которая решает три ключевые задачи:

• Снижение зависимости от конкретного поставщика. Открытый ПЛК можно запустить на оборудовании разных производителей без переписывания кода. Это даёт свободу выбора поставщика решения.

• Интеграция отечественных MES и АСУТП в единый контур позволяет управлять заданием производству и получать обратную связь по факту выполнения.

• Использование современных отечественных решений и собственных разработок, снижающих затраты на совокупную стоимость владения.

Главный вывод для бизнеса: вы можете построить уже сегодня систему, использующую отечественные компоненты.

Перейдем к описанию стенда.

Ключевые компоненты стенда:

• ПЛК Forge Logic — открытая платформа промышленного контроллера.

• MES‑уровень — производственные задания.

• OpenFB — среда исполнения на Python с открытым исходным кодом совместимая с IDE Forge Logic.

• Python + OpenCV — компьютерное зрение.

• Робот — разработанный преподавателями и студентами МАИ.

• OPC UA/MQTT — интеграция между компонентами стенда.

• FUXA — визуализация/HMI стенда FUXA (open source веб‑платформа). 

ПЛК Forge Logic: уровень управления стендом

Для нас не стоял вопрос, на чём реализовать логику управления стендом. Мы использовали собственные решения — программный ПЛК и среду разработки. В качестве аппаратной платформы в этот раз пы использовали ПЛК АБАК, который управлял модулем ввода/вывода ОВЕН МК210-311 по протоколу Modbus TCP. Мы уже можем выбирать производителя, потому что наш программный ПЛК работает на различных архитектурах (x86-64, arm64) и разных аппаратных платформах (МЗТА, ОВЕН, АТБ, АБАК и другие). Вопросы интеграции не стояли остро — наш ПЛК имеет различные плагины протоколов. Для связи с MES мы выбрали плагин MQTT, для визуализации/HMI — плагин OPC UA Server.

MES-уровень: производственные задания на стенде

Мы показали на стенде совместную работу различных компонентов и программных продуктов, разрабатываемых командой «Северсталь-инфокома»: как коммерческого (система MES «Металлургия»), так и свободно распространяемых (открытый программный ПЛК и среда разработки).

Как выглядела интеграция продуктов на стенде:

• Оператор создаёт производственное задание: «Отгрузить 50 кубиков красного цвета».

• MES‑система через MQTT передаёт задание на контроллер.

• ПЛК запускает программу управления: включает дозатор в бункере, включает конвейеры, система распознавания готова искать в отгружаемых кубиках красного цвета бракованные кубики белого цвета, робот готов их удалять с конвейера.

По завершении задания контроллер отправляет отчёт в MES и далее при закрытии заказа идёт фиксация: сколько сделано. Если был брак, то в каком объёме, время выполнения.

На экране у пользователя этот процесс выглядел вот так.

Computer Vision Python + OpenCV — распознавание кубиков различных цветов на конвейере в реальном времени.

Стек:

• Язык: Python 3.

• Библиотека: OpenCV, rknpu, shared_memory_dict.

• Аппаратная платформа: Одноплатный компьютер OrangePi 5 (rockchip3588, 16 ГБ ОЗУ).

Проблемы, с которыми мы столкнулись:

1. Производительность. Хотя rockchip3588 и имеет GPU и NPU на 6 TOPS, этого оказалось не достаточно для требуемой нам производительности. 

• Решение. Снизили разрешение до 640×480. Затем провели обучение модели на своём датасете (использовали Yolov7), сконвертировали полученную модель в упрощённый для rknpu onnx-формат. А затем сконвертировали в формат rknn, оптимизированный под модель нашего CPU, и использовали квантизацию INT8. Всё это позволило добиться 20+ FPS.

2. Память. OpenCV требует много памяти и управление ей. 

• Решение. Использована shared_memory_dict. Функциональный блок (ФБ) для работы с камерой записывал полученный кадр в выделенную память, затем кадр шёл на ФБ распознавания, и затем ещё один ФБ чистил уже распознанные кадры.

3. Распознавание и подсчёт. Задача считать количество каждого класса прошедшего по конвейеру. В случае обнаружения дефектного (фильтруемого) класса, формировать сигнал для его обработки ПЛК управляющим конвейером.

• Решение. Реализовали всё это в отдельном ФБ, который имеет следующие основные функции:

1. Загрузка модели — инициализация RKNN-модели, словаря классов и якорей (anchors).

2. Инференс — получение кадра из разделяемой памяти, предобработка (letterbox, перевод в RGB), запуск модели.

3. Постобработка — декодирование bounding boxes, фильтрация по порогу уверенности, NMS (Non-Maximum Suppression).

4. Трекинг объектов — сопоставление детекций с существующими треками по IoU, отслеживание возраста трека.

5. Подсчёт — объект засчитывается при пересечении верхней зоны выхода кадра (exit zone по высоте). Счётчики ведутся для 3 целевых классов (задаются через TASK_CL).

6. Управление задачей — при достижении целевой суммы (TASK_NUM) задача помечается выполненной (task_done).

7. Визуализация — опциональный вывод рамок и подписей на кадр для отладки.

   Все необходимые настройки для управления логикой работы  функциональных блоков (на языке FBD) были вынесены на входы, что позволило инженерам АСУТП быстро понять и настроить ФБ:

• Входные параметры: порог уверенности, IoU, максимальный возраст трека, зона выхода, классы для подсчёта, фильтрующий класс, целевая сумма, сброс.

• Выход: счётчики по каждому целевому классу, флаг наличия фильтрующего класса, флаг выполнения задачи.

4. Коммуникации. Нам нужно было передавать данные между основным ПЛК и той платформой, где работало распознавание изображения. 

• Решение. Использовали OPC UA. Реализовали OPC UA клиент, который подключался к  OPC UA серверу основного ПЛК, читал и записывал нужные теги. Как вариант Б был проработан MQTT.

• Производительность. Хотя rockchip3588 и имеет GPU и NPU на 6 TOPS, этого оказалось не достаточно для требуемой нам производительности. 

  • Решение. Снизили разрешение до 640×480. Затем провели обучение модели на своём датасете (использовали Yolov7), сконвертировали полученную модель в упрощённый для rknpu onnx‑формат. А затем сконвертировали в формат rknn, оптимизированный под модель нашего CPU, и использовали квантизацию INT8. Всё это позволило добиться 20+ FPS.

• Память. OpenCV требует много памяти и управления ей. 

  • Решение. Использована shared_memory_dict. Функциональный блок (ФБ) для работы с камерой записывал полученный кадр в выделенную память, затем кадр шёл на ФБ распознавания, и затем ещё один ФБ чистил уже распознанные кадры.

• Распознавание и подсчёт. Задача считать количество каждого класса, прошедшего по конвейеру. В случае обнаружения дефектного (фильтруемого) класса, формировать сигнал для его обработки ПЛК управляющим конвейером.

  • Решение. Реализовали всё это в отдельном ФБ, который имеет следующие основные функции:

Робот

Робот — научная  разработка МАИ для нашего решения, представленного на ЦИПР. Программное обеспечение и плата управления осями разработаны студентами и преподавателями МАИ. В дальнейшем у нас в планах разработка необходимых функциональных блоков для управления этим роботом нашим программным ПЛК. Наш проект — это яркий пример коллаборации бизнеса и науки, показывающий, как можно решать кадровый вопрос: университеты могут готовить специалистов, владеющих актуальными технологиями на реальном оборудовании, а не на абстрактных макетах.

 

FUXA — визуализация стенда (open source веб-платформа)

Преимущества: возможность установки на операционные системы (Windows, Linux),  а также возможность развернуть в Docker.

Для стенда выбрали установку на виртуальную машину с Linux. Всё интуитивно понятно. Разработка экранной формы для стенда с настройкой связи ПЛК<->HMI через OPC UA заняла буквально несколько часов.

Бизнес-результат

Наш стенд — это не просто демонстрация железа. Это работающая модель цифрового предприятия, где задание из MES превращается в управляющий сигнал для АСУТП. Качество контролируется компьютерным зрением, технология управляется отечественным контроллером. Брак отсеивается роботом. Результат возвращается в MES для анализа и планирования. Логику для OpenFB можно писать на Python и «оборачивать» её в функциональные блоки, совместимые со средой разработки, в которой реализовано управление технологическим процессом.

Мы продемонстрировали, что открытая АСУТП — это реальность, а не будущее. Все компоненты уже работают, и мы готовы внедрять их на реальных производствах.

Планы на будущее

1.  Выпуск новых релизов открытого программного ПЛК и среды разработки. 

2.  Пилотные внедрения разработанных компонентов АСУТП на объектах «Северстали» уже в этом году.

А также планируется выпуск гайда про создание оптимизированных под процессоры Rockchip моделей на основе своих датасетов для тех, кто хочет повторить наш опыт и использовать в своих проектах.

Скачать дистрибутивы можно по ссылке Разработка и проектирование ПО для программного ПЛК – внедрение АСУТП

P. S. Напоминаем, что открытый программный программируемый логический контроллер (ОП ПЛК) будет иметь открытый исходный код, и мы приглашаем к совместной работе в этом проекте:

·        разработчиков,

·        вендоров,

·        интеграторов,

·        преподавателей и студентов вузов,

для написания своих библиотек и компонентов, используемых при решении практических задач. Пишите на почту open.soft.plc@severstal.com.