PL
EN
Wyzwanie
Polteknik Sp. z o.o. specjalizuje się w dostarczaniu maszyn i technologii do obróbki metali, a także w robotyzacji stanowisk produkcyjnych oraz automatyzacji linii produkcyjnych. Jednym z kluczowych elementów oferty firmy są maszyny do gięcia blachy, które często stanowią newralgiczny element linii produkcyjnych w wielu gałęziach przemysłu, takich jak automotive, AGD czy przemysł metalowy.
Każdy nieplanowany przestój maszyn tego typu generuje bardzo wysokie koszty – zarówno bezpośrednie (utrata produkcji, koszty serwisu), jak i pośrednie (opóźnienia w realizacji zamówień, kary umowne, obniżenie jakości).
Celem projektu było stworzenie rozwiązania informatycznego, które umożliwiłoby wykrywanie wczesnych symptomów rosnącego zużycia komponentów lub zwiększonego ryzyka awarii maszyn oraz pozwoliło odpowiednio wcześnie podejmować działania zapobiegawcze. W praktyce oznaczało to zmianę modelu utrzymania ruchu z reaktywnego na predykcyjny. Dodatkowym założeniem była skalowalność rozwiązania oraz możliwość jego wdrożenia na wielu maszynach i instalacjach na całym świecie.
Rozwiązanie
Projekt został zrealizowany przy ścisłej współpracy trzech firm: Polteknik Sp. z o.o., StatSoft Polska Sp. z o.o. oraz STIGO Sp. z o.o.
Przedsiębiorstwo Polteknik Sp. z o.o. realizowało prace związane z pozyskiwaniem danych bezpośrednio z maszyn. Zakres działań obejmował identyfikację kluczowych punktów pomiarowych w procesie gięcia blach. Następnie doświadczony zespół serwisowy dobrał i zainstalował czujniki monitorujące parametry pracy maszyn. Dane z czujników zostały zintegrowane z systemem do analizy danych. Pozwoliło to powiązać obserwowane odchylenia w danych z rzeczywistym stanem technicznym maszyn.
Firma Polteknik:
- zapewniła ciągły i uporządkowany dostęp do danych procesowych,
- wspierała zespół analityczny w ich interpretacjach,
- przekazała wiedzę dotyczącą przebiegu procesu, charakterystycznych trybów pracy maszyn oraz typowych mechanizmów zużycia komponentów.
StatSoft Polska odpowiadała za cały proces analityczny – od przygotowania i czyszczenia danych, przez budowę i selekcję najlepszych modeli predykcyjnych, aż po ich implementację w specjalnie zaprojektowanej bazie danych.
Na podstawie danych zbieranych z wielu maszyn opracowano system wczesnego ostrzegania oparty na zaawansowanych metodach uczenia maszynowego. Zastosowano podejście nienadzorowane z wykorzystaniem algorytmów PCA, KNN, MCD oraz autoenkoderów, które uczą się typowego zachowania maszyny i identyfikują odstępstwa od normy. Kluczowym rezultatem prac było wyznaczanie anomaly score – syntetycznego wskaźnika poziomu ryzyka awarii. Dodatkowo rozważono i przetestowano modele nadzorowane do prognozowania przyszłych wartości anomaly score, aby jeszcze wcześniej sygnalizować rosnące ryzyko nieprawidłowości.
Architektura systemu oraz baza danych zostały zaprojektowane w sposób elastyczny i skalowalny, co umożliwia łatwą adaptację rozwiązania do nowych maszyn, czujników oraz dodatkowych źródeł danych, a także zapewnia gotowość do dalszego rozwoju.
Na bazie opracowanego modelu firma STIGO przygotowała oprogramowanie wraz z intuicyjnym interfejsem użytkownika, umożliwiające:
- łatwy dostęp do wyników analiz i bieżące monitorowanie stanu maszyn,
- automatyczny odczyt danych i parametrów pracy maszyn,
- wykonywanie prognoz oraz generowanie sygnałów ostrzegawczych.
Rezultaty
Dzięki wdrożeniu rozwiązania:
- użytkownicy maszyn otrzymali narzędzie wspierające świadome i optymalne planowanie przeglądów technicznych,
- możliwa stała się wymiana zużywających się komponentów przed wystąpieniem awarii,
- znacząco ograniczono ryzyko nieplanowanych przestojów produkcyjnych,
- służby utrzymania ruchu zyskały lepszą widoczność stanu technicznego maszyn w czasie rzeczywistym,
- producent maszyn wzmocnił swoją przewagę nad konkurencją, oferując klientom rozwiązania zwiększające niezawodność, dostępność i bezpieczeństwo pracy urządzeń.
Podsumowanie
Projekt pokazuje, jak zaawansowana analiza danych i uczenie maszynowe mogą realnie wspierać przemysł w przejściu od reaktywnego do predykcyjnego utrzymania ruchu. W branży, w której każda godzina przestoju oznacza wymierne straty finansowe, takie rozwiązania stają się nie dodatkiem, lecz kluczowym elementem nowoczesnych systemów produkcyjnych.
Wdrożenia tego typu nie tylko zwiększają niezawodność maszyn, ale również budują długofalową wartość – zarówno dla producentów urządzeń, jak i dla ich klientów końcowych, którzy oczekują stabilności, przewidywalności i maksymalnej efektywności procesów.