AI w produkcji: predykcja awarii i kontrola jakości na podstawie danych

Sztuczna inteligencja nie naprawi linii produkcyjnej, na której nikt nie zapisuje, kiedy i dlaczego stanęła maszyna. Od tego zaczynamy. AI w produkcji, czyli przewidywanie awarii, wykrywanie wad i wczesne ostrzeganie o rozregulowaniu procesu, działa dobrze tam, gdzie firma ma wiarygodne dane z hali i umie je powiązać ze zleceniami, partiami i zdarzeniami serwisowymi. Bez tego zostaje drogi eksperyment. Z tym da się ograniczyć przestoje i braki.

Dwa główne zastosowania AI w produkcji

Predykcja awarii (utrzymanie predykcyjne)

Klasyczne utrzymanie ruchu działa według kalendarza: przegląd co określony czas lub po określonej liczbie motogodzin. Utrzymanie predykcyjne próbuje przewidzieć, kiedy konkretny element zacznie się psuć. Korzysta z sygnałów z maszyny, takich jak drgania, temperatura, pobór prądu, ciśnienie czy czas cyklu. Model uczy się, jak wyglądały te sygnały przed wcześniejszymi awariami, i ostrzega, gdy widzi podobny wzorzec.

Kontrola jakości

Tu AI pracuje na dwa sposoby. Pierwszy to analiza obrazu: kamera nad taśmą i model, który odróżnia wyrób poprawny od wadliwego (rysy, pęknięcia, braki nadruku). Drugi to analiza parametrów procesu. Model wskazuje, które ustawienia maszyny, partie surowca lub zmiany pracowników wiążą się z wyższym odsetkiem braków, zanim te braki wyjdą na kontroli końcowej.

Jakie dane są potrzebne

Większość projektów rozbija się o dane, a nie o algorytm. Zanim zaczniesz, sprawdź, czy masz:

• historię awarii z przyczynami, czyli nie tylko „maszyna stała 3 godziny”, ale co się zepsuło (bez takich etykiet model nie wie, czego szukać),
• odczyty z maszyn w czasie, z czujników lub sterowników PLC, zapisywane z sensowną częstotliwością i przechowywane, a nie tylko wyświetlane na panelu,
• powiązanie z produkcją: jakie zlecenie, partia surowca i operator byli na maszynie w danej chwili, co zwykle pochodzi z ERP i rejestracji produkcji,
• wyniki kontroli jakości zapisane w systemie (nie w zeszycie) i przypisane do partii.

Jeśli dziś rejestrujesz produkcję na papierze, pierwszym krokiem jest uporządkowanie tego, a nie zakup modelu AI. Pomoże w tym rejestracja produkcji prosto z hali oraz moduł utrzymania ruchu i serwisu maszyn w ERP, gdzie każda awaria ma swój zapis i przyczynę.

Pilotaż w sześciu krokach

1. Wybierz jedną maszynę lub jeden problem. Najlepiej ten, który kosztuje najwięcej: wąskie gardło, którego postój zatrzymuje całą linię, albo wyrób z najwyższym odsetkiem reklamacji.
2. Oceń dane historyczne. Ile awarii z opisem przyczyny zebrało się w ostatnich latach? Jeśli kilka, model nie będzie miał się na czym uczyć i lepiej zacząć od prostszych metod.
3. Dołóż brakujące pomiary. Czujnik drgań czy temperatury bywa tańszy niż godzina przestoju, a podłączenie go do zbierania danych to często najprostsza część projektu.
4. Najpierw progi, potem uczenie. Na początek wystarczą reguły w rodzaju „temperatura łożyska rośnie szybciej niż zwykle”. Model uczenia maszynowego dodajesz, gdy reguły przestają wystarczać, a danych jest dość.
5. Ustal, kto reaguje na alert. Ostrzeżenie, na które nikt nie reaguje, nie ma wartości. Alert powinien tworzyć w systemie zadanie dla służb utrzymania ruchu.
6. Mierz efekt. Liczba nieplanowanych postojów, czas przestoju, odsetek braków. Porównaj je z okresem sprzed pilotażu.

Scenariusz: wtryskarki w zakładzie przetwórstwa tworzyw

Wyobraź sobie zakład z kilkunastoma wtryskarkami, w którym najwięcej strat przynoszą nieplanowane awarie dwóch starszych maszyn. Dział utrzymania ruchu od lat zapisuje awarie w systemie, ale nie ma danych z maszyn. Pierwszy krok to więc czujniki i kilka miesięcy zbierania odczytów. Dopiero wtedy da się sprawdzić, czy przed awariami pojawiały się charakterystyczne zmiany.

W takim scenariuszu pierwsze korzyści daje często sam monitoring. Technicy widzą trendy, których wcześniej nie zauważali, i reagują wcześniej. Model predykcyjny przychodzi później i nie jest warunkiem pierwszych oszczędności.

Pułapki systemów wizyjnych w kontroli jakości

Systemy wizyjne potrzebują wielu zdjęć wad, a wad zwykle jest mało, i dobrze. Pomaga zbieranie zdjęć od pierwszego dnia oraz modele, które uczą się, jak wygląda poprawny wyrób, i zgłaszają każde odstępstwo. Liczą się też warunki: stałe oświetlenie, ustalona pozycja kamery, czysta optyka.

Druga pułapka to fałszywe alarmy. Jeśli system co chwilę odrzuca dobre wyroby, operatorzy szybko przestaną mu ufać. Na początku niech tylko oznacza podejrzane sztuki do sprawdzenia przez człowieka. Automatyczne odrzucanie włączasz, gdy trafność jest potwierdzona. Wyniki kontroli dobrze zapisywać w ERP i wiązać z partiami, tak jak w module kontroli jakości w Streamsoft Prestiż.

Jak policzyć, czy projekt się opłaca

Zanim kupisz czujniki i analitykę, oszacuj, ile dziś kosztuje Cię problem, który chcesz rozwiązać. Przy awariach składa się na to utracona produkcja w czasie postoju, nadgodziny na nadrobienie, części kupowane w trybie pilnym oraz kary lub utracone zamówienia przy opóźnieniach. Przy jakości liczysz braki, przeróbki, reklamacje i dodatkową kontrolę.

Te liczby powinny pochodzić z systemu, a nie z szacunków na spotkaniu. Jeśli ERP rejestruje przestoje i braki z przyczynami, wystarczy raport za ostatni rok. Jeśli nie rejestruje, to pierwsza rzecz do poprawy, niezależnie od decyzji o AI. Wskaźniki dla zarządu opisujemy w tekście o raportowaniu dla zarządu w firmie produkcyjnej.

Kierownik zmiany i mechanik w pętli decyzji

Model może wskazać, że łożysko zaczyna się zużywać, ale decyzję o zatrzymaniu maszyny podejmuje kierownik zmiany, który ma na głowie terminowe zlecenie. Zasady trzeba więc ustalić z góry: przy jakim poziomie ostrzeżenia planujemy przegląd przy najbliższym przezbrojeniu, a przy jakim zatrzymujemy linię od razu.

Doświadczonych mechaników angażuj od początku projektu. Często od lat „słyszą”, że maszyna zaczyna pracować inaczej. Ich wiedza pomaga wybrać, co mierzyć, i ocenić, czy alerty modelu mają sens.

Czy AI w produkcji jest dla firmy średniej wielkości

Tak, jeśli zachowasz rozsądną skalę. Żeby sprawdzić, czy predykcja awarii działa na jednej krytycznej maszynie, nie potrzebujesz platformy przemysłowej dla całego zakładu. Najlepiej działa dobrze prowadzony ERP z rejestracją produkcji, do tego zbieranie danych z maszyn i prosta analityka, którą rozwijasz, gdy przynosi wyniki.

FX2 wdraża Streamsoft Prestiż w firmach produkcyjnych i buduje dedykowane rozwiązania z AI, które korzystają z danych zebranych w systemie. Nie wiesz, czy Twoje dane z hali nadają się do takiego projektu? Napisz do nas, przejrzymy je razem i zaproponujemy pierwszy krok.