AI agent pro prediktivní údržbu: o poruše víte dřív, než linka stojí

AI agent pro prediktivní údržbu nepřetržitě sleduje data z vašich strojů a hledá v nich první známky opotřebení – vibrace, které se pomalu zvyšují, ložisko, které se zahřívá, nebo motor, který bere víc proudu. Údržbě pak pošle upozornění s vysvětlením a návrhem, kdy zásah udělat, aby co nejméně narušil výrobu. Místo havarijních oprav plánujete zásahy dopředu.

Jaký problém řeší

Většina menších výrobních firem dnes kombinuje dva přístupy: pravidelnou údržbu podle kalendáře a opravy, když se něco pokazí. Kalendářní výměny bývají zbytečně časté u dílů, které by vydržely, a přitom nezachytí poruchu, která přijde mezi dvěma prohlídkami. Havárie pak znamená stojící linku, shánění dílu na poslední chvíli a posunuté termíny zakázek. Data, která by poruchu předpověděla, přitom často leží v řídicích systémech strojů a nikdo je soustavně nečte. Navíc platí, že když se porucha opakuje, každý ji řeší trochu jinak a zkušenost se nikam nezapíše.

Jak to vypadá v praxi

Ve firmě vyrábějící plastové díly běží deset vstřikovacích lisů. Agent si v úterý všimne, že hydraulika na lisu číslo čtyři potřebuje k dosažení tlaku o něco déle než obvykle a olej je teplejší. Podobný průběh předcházel loni výměně čerpadla. Vedoucí údržby dostane do Teams zprávu s grafem, odkazem na loňskou opravu a návrhem udělat kontrolu v pátek odpoledne, kdy má lis podle plánu přestavbu formy. Agent rovnou ověří, že těsnění a filtr jsou skladem. Vedoucí údržby termín potvrdí, agent založí zakázku a plánovač výroby ví, že s lisem v pátek nemá počítat.

Co agent potřebuje

Potřebuje data ze strojů, alespoň z těch nejdůležitějších – ideálně přímo z řídicích systémů, případně z dodatečných čidel. Dále historii oprav a poruch, i kdyby byla jen v sešitě nebo tabulce, a seznam náhradních dílů ze skladu. Na začátku vybereme několik strojů, jejichž výpadek vás nejvíc bolí.

Pomůže také výrobní plán, aby agent navrhoval zásahy do přirozených pauz – přestaveb, víkendů nebo plánovaných odstávek. A nakonec technici, kteří po každém zásahu krátce zapíšou, co skutečně našli. Právě tyto zápisy dělají z obecného upozornění spolehlivý nástroj, protože agent se z nich učí rozlišit skutečné opotřebení od běžného kolísání provozu, například po výměně materiálu nebo v horkém létě.

Jak probíhá nasazení

Nejprve s údržbou projdeme stroje a vybereme ty, kde porucha znamená největší škodu. Ověříme, jaká data posílají a co je potřeba doplnit. Agent pak několik týdnů jen sleduje a učí se běžné chování strojů. Následuje pilot, kdy posílá upozornění a technici zapisují, zda se potvrdila. Na konci pilotu společně vyhodnotíme přesnost upozornění i vliv na prostoje a rozhodneme o rozšíření na další stroje. Jak takový pilotní projekt připravit, popisujeme v článku prediktivní údržba pomocí AI.

Kontrola zůstává u údržby

Agent nikdy sám nezastaví stroj ani nezmění výrobní plán. Upozorňuje, vysvětluje a navrhuje, rozhodnutí dělá vedoucí údržby nebo výroby. Provozní data strojů mohou zůstat ve vaší firmě – agenta lze provozovat na vlastním serveru bez odesílání dat mimo podnik.

Ostatní agenty pro provoz a údržbu najdete v přehledu AI agenti pro výrobu. Jak z provozních dat vytěžit víc, popisujeme v článku AI analýza dat.