AI rješenja za proizvodnju
Strojevi, ERP, proizvodni sustavi, evidencije kvalitete, dokumenti i zaposlenici već stvaraju golemu količinu podataka i znanja o vašem poslovanju.
Margins povezuje AI s postojećim sustavima kako bi proizvođači ranije uočili probleme, automatizirali ponavljajuće poslove i zaposlenicima pružili bolje informacije za odlučivanje.
Povezani podaci iz pogona i ranije uočavanje promjena.
Podaci koje vaša proizvodnja već stvara.
Podaci nastaju neprekidno, a važno je na vrijeme prepoznati što od toga traži reakciju.
- 01Stroj počne raditi drukčije.
- 02Isti se nedostaci počnu ponavljati.
- 03Proizvodnja uspori.
- 04Isti se problem s održavanjem ponavlja.
- 05Promijeni se ulazna sirovina ili komponenta dobavljača.
- 06Parametri procesa izađu izvan uobičajenih granica.
- 07Rukovatelj primijeti nešto neuobičajeno.
- 08Važna iznimka zapisana je samo u nekom dokumentu.
- 09Proizvodnja počne kasniti za planom.
AI može pomoći da se na temelju tih informacija pravodobno donesu odluke.
Vaši proizvodni sustavi već prikupljaju brojne podatke o radu pogona.
- ERP
- MES
- SCADA
- Sustavi za upravljanje kvalitetom
- Sustavi za održavanje
- Senzori
- Tablice
- Proizvodni izvještaji
Sustavi stvaraju velike količine informacija, ali netko ih i dalje mora protumačiti.
Bilježenje
Što se dogodilo?
Prepoznavanje odstupanja
Što je neuobičajeno?
Razumijevanje
Što to znači?
Predviđanje
Što bi se moglo dogoditi?
Preporuka
Čemu se posvetiti?
Reakcija
Što sada poduzeti?
Ti se podaci mogu znatno bolje iskoristiti.
Mala odstupanja mogu prerasti u skupe probleme.
ML modeli mogu analizirati povijesne i aktualne podatke i prepoznati ponašanje koje odstupa od očekivanog: temperaturu, tlak, trajanje ciklusa, potrošnju energije, vibracije, protok, učestalost pogrešaka, mjerenja kvalitete, rad strojeva i proizvodni učinak.
- Otkrivanje odstupanja u procesima
- Otkrivanje odstupanja u proizvodnji
- Praćenje ponašanja opreme
- Odstupanja u kvaliteti
- Odstupanja u potrošnji energije
- Promjene protoka i učinka
- Slučajevi koji traže posebnu pozornost
Što ranije uočite promjenu, to više vremena imate za reakciju.
Sprječavanje kvarova prije zastoja proizvodnje.
Uz održavanje po rasporedu i popravak nakon kvara, s dovoljno podataka moguće je i održavanje prema stanju opreme.
Po rasporedu
Servisirajte opremu u unaprijed određenim intervalima.
Nakon kvara
Popravite opremu kad nešto otkaže.
Prema stanju opreme
Pratite stanje opreme i servisirajte je kad je potrebno.
- 01Praćenje stanja opreme
- 02Prepoznavanje rizika
- 03Rano upozorenje
- 04Zahvat održavanja
Cilj je dobiti dovoljno vremena da kvar ne zaustavi proizvodnju.
Veći opseg kontrole kvalitete bez dodatnog opterećenja zaposlenika.
- Vidljivi nedostaci
- Komponente koje nedostaju
- Neispravna montaža
- Nepravilnosti na površini
- Problemi s ambalažom
- Pogreške na etiketama
- Odstupanja u mjerenjima
- Odstupanja u procesima
- Neusklađenosti u dokumentaciji
Provjera onoga što se vidi okom.
Analiza izmjerenih vrijednosti.
Obrada dokumenata i zapisa.
Rutinske provjere mogu se automatizirati, a stručnjaci se bave iznimkama.
Kamere kao još jedan izvor podataka iz pogona.
Računalni vid pretvara fotografije i video u strukturirane podatke koje softver može obraditi. Moguće primjene u proizvodnji:
Ako zaposlenici neki nedostatak redovito prepoznaju golim okom, vrijedi provjeriti može li taj posao preuzeti računalni vid.
Računalni vid- Kamera
- Slika
- Prepoznavanje
- Razvrstavanje
- Usporedba
- Prihvaćanje ili dodatna provjera
Tehničko znanje dostupno u svakoj smjeni.
Proizvodne tvrtke imaju golemu količinu tehničkog znanja. AI može pronalaziti relevantne informacije u odobrenim internim izvorima i kombinirati ih s općim znanjem modela.
Znanje mora biti dostupno ondje gdje se koristi: u pogonu.
- „Što znači kod pogreške 472?”
- „Koji je postupak za ovaj kvar?”
- „Kad je ovaj problem zadnji put prijavljen?”
- „Koji je zamjenski dio odobren?”
- „Koje su dopuštene granice kvalitete za ovaj proizvod?”
- „Što trebam provjeriti prije ponovnog pokretanja stroja?”
Dio najvažnijeg znanja o pogonu nikad nije zapisan.
- 01
Iskusan rukovatelj čuje da stroj zvuči drukčije.
- 02
Tehničar održavanja zna koji kvar obično slijedi nakon kojeg.
- 03
Voditelj proizvodnje zna zašto se proces drukčije ponaša kod određenog proizvoda.
- 04
Stručnjak za kvalitetu prepoznaje iznimku koje nema u priručniku.
Takvo se znanje možda gradilo dvadeset godina, a često ga imaju samo pojedini iskusni zaposlenici. Capta pomaže da se to znanje zabilježi i uredi tako da ga mogu koristiti i zaposlenici i AI sustavi.
Strojevi stvaraju podatke, a zaposlenici ih tumače na temelju iskustva. AI je najkorisniji kad može koristiti i jedno i drugo.
Istražite CaptuBrz odgovor iz tisuća stranica dokumentacije.
- Pitanje
„Pokaži mi postupak održavanja za liniju 4.”
- Pitanje
„Koji je propisani moment pritezanja za komponentu X?”
- Pitanje
„Što se promijenilo između ove dvije verzije radnog postupka?”
- Pitanje
„Koji postupak kontrole kvalitete vrijedi za ovaj nedostatak?”
Zaposlenici iz baze znanja dobivaju izravan odgovor s navedenim izvorom.
- Traženje sustava
- Traženje dokumenta
- Otvaranje PDF-a
- Traženje stranice
- Tumačenje sadržaja
- Pitanje
- Dohvat odobrenih informacija
- Odgovor s kontekstom
- Provjera izvora
- Sljedeći korak
Velik dio podataka u proizvodnji i dalje je u dokumentima.
- Narudžbenice
- Specifikacije
- Certifikati
- Izvještaji o pregledima
- Dokumenti dobavljača
- Evidencije kvalitete
- Radni nalozi
- Izvještaji održavanja
- Računi
- E-pošta
- 01Dokument
- 02Razumijevanje sadržaja
- 03Izdvajanje podataka
- 04Razvrstavanje
- 05Provjera
- 06Ažuriranje sustava
- 07Provjera iznimke uz zaposlenika
Podatke iz PDF-a više nije potrebno prepisivati ručno.
Cjelovita slika problema za tehničare.
Nakon zahvata tehničar zabilježi što je utvrdio i napravio, a taj zapis postaje dio baze znanja za buduće intervencije.
- Kvar472
- Nedavna povijestIsti se kvar pojavio dvaput u 60 dana.
- DokumentacijaPronađen odgovarajući servisni postupak.
- Prethodno rješenjeZamijenjen sklop ventila.
- DioZamjena dostupna na zalihi.
- AI prijedlogPregledati sklop ventila prije ponovnog pokretanja.
Svaki riješeni problem pomaže da se sljedeći riješi brže i bolje.
Dobar plan proizvodnje mora biti otporan na promjene.
AI i optimizacijski algoritmi mogu planerima pomoći da usporede više scenarija i sagledaju posljedice promjena, uzimajući u obzir:
Softver uspoređuje scenarije, a planeri odlučuju koji su kompromisi prihvatljivi.
- Stiže hitna narudžbaupozorenje
- Proizvodni rasporedtreba prilagoditi
- Dostupnost materijalaprovjerena
- Kapacitet strojevaprocijenjen
- Rokovi isporukeuspoređeni
- Alternativni planovipripremljeni
- Planerodlučuje
AI mora biti dostupan i zaposlenicima u proizvodnji.
Upravo oni koji su najbliže proizvodnji često najteže dolaze do informacija koje im trebaju.
- Rukovatelji strojevima
- Tehničari
- Timovi za kvalitetu
- Skladišni djelatnici
- Voditelji smjena
- Mobilne aplikacije
- Tablete
- Radne stanice
- Glasovna sučelja
- Asistente unutar postojećih aplikacija
- Sučelja uz strojeve
Pristup znanju ondje gdje se donose odluke.
U pogonu nije uvijek praktično tipkati.
Znanje iz pogona bilježi se glasom, bez ručnog unosa podataka.
- OpremaLinija 3
- DogađajNeplanirani zastoj
- UzrokIstrošen pogonski remen
- ZahvatRemen zamijenjen
- Trajanje zastoja36 minuta
- Sljedeći korakProvjeriti poravnanje
- Evidencija održavanjaAžurirana
AI treba informacije iz svih dijelova pogona.
Korisno AI rješenje u proizvodnji može trebati podatke iz ERP-a, MES-a, SCADA-e, CMMS-a, QMS-a, WMS-a, PLC-ova i drugih industrijskih sustava, baza podataka, senzora, dokumenata i softvera po mjeri. Margins AI povezuje s tim izvorima, uz postojeće sustave na kojima proizvodnja već počiva.
Pogonu treba AI koji je povezan s njegovim sustavima i prilagođen načinu na koji se u njemu radi.
Povezivanje s poslovnim sustavimaAI u pogonu koji se gradio desetljećima.
AI rješenje mora se prilagoditi zatečenom stanju. Ovisno o sustavu, Margins koristi API-je, baze podataka, tokove prijenosa i obrade podataka, prilagođene konektore, automatizaciju i dodatni softver kako bi postojeća tehnologija postala dio rješenja.
- Modernizacija gdje donosi korist.
- Povezivanje gdje je moguće.
- Zamjena samo kad je nužna.
AI može obrađivati proizvodne podatke i unutar vaše tvornice.
Rješenje se može prilagoditi okruženju pod vašim nadzorom: privatnom oblaku, lokalnoj infrastrukturi ili radu na vlastitim poslužiteljima. To vrijedi za privatne jezične modele, pretraživanje internog znanja uz RAG, računalni vid, prediktivne modele, lokalnu automatizaciju, AI agente i obradu uz sam izvor podataka.
AI u vašem okruženju- Proizvodni podaci
- Intelektualno vlasništvo
- Nacrti proizvoda
- Procesi
- Podaci o kupcima
- Podaci sa strojeva
- Mrežna povezanost
- Infrastruktura
- Lokacija pohrane i obrade podataka
AI u oblaku samo je jedna od mogućnosti.
Obrada podataka ondje gdje nastaju.
Neke industrijske primjene AI-ja bolje rade uz samu kameru, liniju, stroj, lokalni poslužitelj ili industrijsko računalo. Takav je pristup prikladan kad je važno:
Za mnoge odluke u pogonu podatke ne treba slati u oblak.
- 01Kamera, stroj ili senzor
- 02AI obrada na lokalnom uređaju
- 03Lokalna odluka
- 04Reakcija
- 05Središnji sustav i evidencija
Osim što pronalazi informacije, AI može i koordinirati posao.
AI agent mogao bi provesti sljedeći niz koraka, uz jasno ograničen pristup i razinu samostalnosti.
- 01Prepoznati iznimku u radu pogona.
- 02Dohvatiti relevantne proizvodne podatke.
- 03Provjeriti dokumentaciju.
- 04Utvrditi na koje narudžbe problem utječe.
- 05Otvoriti zadatak održavanja.
- 06Pripremiti sažetak za voditelja.
- 07Obavijestiti odgovornu osobu.
- 08Pratiti je li problem riješen.
Što AI više može poduzeti, to preciznije treba odrediti što smije raditi.
Gdje bi AI mogao unaprijediti rad vašeg pogona?
Prijeđite pokazivačem ili dodirnite dio pogona da biste vidjeli koje bi primjene AI-ja tu vrijedilo istražiti.
- Uvid u rad pogona
- Određivanje prioriteta za iznimke
- Prognoze
- Dokumenti dobavljača
- Prepoznavanje slučajeva koji traže pozornost
- Informacije o materijalima
- Prepoznavanje slučajeva koji traže pozornost
- Odstupanja u procesima
- Analiza podataka iz proizvodnje
- Podrška planiranju
- Računalni vid
- Otkrivanje odstupanja
- Obrada dokumentacije o kvaliteti
- Analiza zaliha
- Vizualno prepoznavanje
- Automatizacija poslova
- Rani znakovi problema
- Asistenti za pristup znanju
- Automatizacija zadataka održavanja
- AI asistenti
- Pristup znanju
- Glasovno izvještavanje
- Povezani MES, ERP i QMS
- Planiranje: rasporedi, kapaciteti i promjene potražnje
- Prepoznavanje, predviđanje i podrška
- Ljudska provjera i odobravanje
Najprije utvrdimo što u pogonu treba unaprijediti.
Krenimo od ovih pitanja:
- Gdje gubimo proizvodno vrijeme?
- Koji se problemi s kvalitetom ponavljaju?
- Za koje odluke treba previše vremena?
- Gdje ključno znanje ima samo jedan iskusan zaposlenik?
- Koji proces traži stalno ručno usklađivanje?
- Gdje se podaci ručno prenose između sustava?
- Što redovito otkrivamo prekasno?
- Na koje ponavljajuće poslove trošimo vrijeme kvalificiranih radnika?
- 01Poslovni problem
- 02Proces
- 03Dostupni podaci
- 04Moguća primjena AI-ja
- 05Korist × izvedivost
- 06Prva primjena
Za prvi projekt odaberite primjenu s mjerljivom koristi koja ujedno olakšava sljedeće korake.
AI možete uvoditi postupno.
Krenite od jednog važnog problema. Svaka primjena donosi podatke, integracije i iskustvo koji olakšavaju sljedeću.
- 01KvalitetaRanije prepoznavanje nedostataka.
- 02OdržavanjeLakši pristup znanju za otklanjanje kvarova.
- 03DokumentiAutomatizacija ponavljajuće obrade.
- 04ProizvodnjaPrepoznavanje odstupanja u radu.
- 05PlaniranjeBolja podrška odlučivanju.
- 06ZnanjeBilježenje iskustva zaposlenika.
- 07Povezivanje procesaPovezivanje podataka i odluka iz različitih dijelova pogona.
AI se treba oslanjati na znanje koje ste godinama stjecali u pogonu.
AI je najkorisniji kad poznaje način na koji vaše poslovanje funkcionira u praksi.
Za AI u industriji treba cjelovit sustav.
Poslovna potreba na prvom mjestu
Krećemo od problema u radu i rezultata koji se može izmjeriti.
AI i softver
Razvijamo AI i prateći softver spreman za svakodnevno korištenje.
Računalni vid, strojno učenje i jezični modeli
Za svaki problem biramo odgovarajuću tehnologiju; generativni AI nije uvijek potreban.
Povezivanje poslovnih sustava
Povezujemo postojeći ERP, podatke, dokumente i sustave pogona.
Rad u privatnom okruženju
Kad treba, rješenje projektiramo za okruženje pod vašim nadzorom i vlastitu infrastrukturu.
Forward Deployed Engineers
Inženjeri prate rad sustava u pogonu i prilagođavaju ga složenim uvjetima proizvodnje.
Upravljanje i održavanje AI sustava
Rad AI sustava pratimo i poboljšavamo i nakon implementacije.
Tehnologiju smo već provjerili u praksi, a rezultat se potvrđuje u vašem pogonu.
Iskustvo iz drugih industrija ne predstavljamo kao reference iz proizvodnje. S nama dobivate tim koji je AI i softver već uveo u svakodnevni rad složenih poslovnih sustava.
Povezane usluge i tehnologije
Računalni vid
Pretvorite vizualne informacije u strukturirane podatke korisne za rad pogona.
Računalni vid →Prediktivni AI
Prepoznajte obrasce i promjene prije nego što postanu očiti.
Prediktivni AI →Interno znanje i RAG
Omogućite zaposlenicima brz pristup tehničkoj dokumentaciji i znanju tvrtke.
AI za pristup internom znanju →AI u vašem okruženju
Pokrenite AI unutar industrijskog okruženja pod vašim nadzorom.
AI u vašem okruženju →Povezivanje s poslovnim sustavima
Povežite AI sa sustavima na kojima pogon već radi.
Povezivanje s poslovnim sustavima →
Gdje danas gubite vrijeme, znanje ili uvid u rad pogona?
S vašom upravom i operativnim timovima proći ćemo procese, podatke i sustave povezane s problemom i utvrditi može li AI donijeti mjerljivo poboljšanje.
Istražite mogućnosti primjene AI-jaUpoznajmo rad pogona i zajedno odredimo odakle krenuti.