OEE Booster w praktyce: jak AI wspiera utrzymanie ruchu i produkcję

Dlaczego dostęp do wiedzy nadal jest problemem na produkcji?

Awarii maszyn nie da się całkowicie wyeliminować. Duża część czasu traconego po zatrzymaniu linii wynika jednak nie z samej awarii, lecz z poszukiwania informacji potrzebnych do jej zdiagnozowania. Instrukcja obsługi znajduje się w jednym miejscu, historia wcześniejszych usterek w drugim, dane procesowe w kolejnym systemie, a część praktycznej wiedzy istnieje wyłącznie w doświadczeniu konkretnych pracowników. Problem staje się szczególnie widoczny wtedy, gdy najbardziej doświadczona osoba jest niedostępna. Operator musi zdecydować, co może zrobić samodzielnie, kiedy powinien wezwać utrzymanie ruchu i gdzie znaleźć właściwą procedurę.

To właśnie ten problem ma rozwiązywać OEE Booster.

OEE Booster nie zastępuje obecnych systemów

Jednym z głównych założeń przedstawionych podczas webinaru jest wykorzystanie istniejącego środowiska IT i OT zamiast budowania kolejnego odizolowanego systemu. ERP, CMMS, systemy pomiarowe, dokumentacja techniczna, historie awarii czy inne źródła wiedzy nadal pełnią swoją dotychczasową funkcję. OEE Booster tworzy nad nimi warstwę, która pozwala wyszukiwać, analizować i prezentować informacje w formie dostosowanej do konkretnego użytkownika. To istotne, ponieważ operator maszyny potrzebuje innej odpowiedzi niż kierownik produkcji.

Operator powinien otrzymać krótką instrukcję krok po kroku oraz jasną informację, co może wykonać w ramach swoich uprawnień. Technik utrzymania ruchu potrzebuje większej liczby szczegółów technicznych i warunków bezpieczeństwa. Kierownika produkcji będą natomiast interesować trendy, wpływ zakłócenia na przepustowość czy informacje związane z OEE.

Jedna baza wiedzy może więc wspierać różne role, ale sposób prezentacji informacji powinien odpowiadać ich zadaniom.

Jak OEE Booster wykorzystuje RAG?

Podczas webinaru pokazaliśmy również różnicę między ogólnym narzędziem GenAI a rozwiązaniem pracującym na wiedzy przedsiębiorstwa. OEE Booster wykorzystuje podejście RAG, czyli Retrieval-Augmented Generation. Po zadaniu pytania system wyszukuje fragmenty źródeł związane z danym problemem i dopiero ten kontekst przekazuje do modelu językowego. Z perspektywy użytkownika oznacza to przede wszystkim możliwość pracy na konkretnych dokumentach i danych przedsiębiorstwa. Odpowiedzi mogą również wskazywać źródła, na podstawie których zostały przygotowane.

Diagnostyka awarii przy maszynie

Pierwszy scenariusz demonstracyjny dotyczył operatora robota. Robot pracujący na linii zatrzymał się, a przy jego podstawie zaczął migać żółty pierścień LED. Operator chciał sprawdzić, co oznacza sygnał i jakie czynności może wykonać przed eskalacją problemu. OEE Booster wyszukał informacje w udostępnionej dokumentacji i przedstawił odpowiedź zgodnie z wcześniej zdefiniowanymi zasadami dla operatora: znaczenie stanu, czynności możliwe do samodzielnego wykonania oraz moment, w którym należy zaangażować utrzymanie ruchu.

Ten sam mechanizm można rozszerzać o kolejne źródła, takie jak historia podobnych awarii, wewnętrzne procedury czy dokumentacja BHP. Im lepszy i bardziej aktualny kontekst otrzymuje asystent, tym bardziej użyteczna może być odpowiedź.

Wsparcie techników i kierowników utrzymania ruchu

Dla technika utrzymania ruchu OEE Booster może uporządkować instrukcję postępowania podczas diagnostyki, uwzględniając wymagania bezpieczeństwa i dane techniczne dostępne w dokumentacji. Kierownik utrzymania ruchu może natomiast wykorzystać rozwiązanie do pracy z większym zakresem informacji. Podczas demonstracji system otrzymał między innymi zadanie przygotowania zestawienia części zamiennych i podziału ich według krytyczności. W środowisku połączonym z ERP i CMMS podobna analiza może zostać wzbogacona o rzeczywiste stany magazynowe, historię zdarzeń czy częstotliwość wymian. Inny przykład dotyczył tworzenia miesięcznego harmonogramu krótkich zadań konserwacyjnych dla zespołu utrzymania ruchu oraz przygotowania checklisty do wykorzystania na hali. To zadania, które nie wymagają zastępowania wiedzy specjalisty. AI może natomiast ograniczyć czas poświęcany na wyszukiwanie informacji, porządkowanie danych i przygotowywanie dokumentacji.

Szybszy onboarding pracowników

Rozproszona wiedza wpływa nie tylko na usuwanie awarii. Utrudnia również wdrażanie nowych osób. Podczas webinaru OEE Booster otrzymał polecenie przygotowania jednostronicowej instrukcji bezpiecznej obsługi robota oraz testu wiedzy dla nowego operatora. Materiał miał zostać utworzony w języku polskim, mimo że dokumentacja źródłowa była dostępna w innym języku. Takie podejście może być przydatne w zakładach zatrudniających zespoły międzynarodowe. Zamiast przygotowywać każdą wersję materiału od początku, można wykorzystać istniejącą dokumentację jako źródło i dopasować sposób przekazania wiedzy do odbiorcy.

Od danych z PLC do analizy dla kierownika produkcji

W przypadku kierownika produkcji potrzeby są inne. Sama odpowiedź na pytanie, co oznacza kod błędu, zwykle nie wystarcza. Znaczenie mają trendy, częstotliwość zakłóceń, straty dostępności, wydajności i jakości oraz ich wpływ na cały proces. W jednym z przykładów podczas webinaru OEE Booster analizował dane dotyczące wcześniejszych zdarzeń i zmian parametrów robota. Celem było ustalenie bezpośredniej przyczyny zatrzymania, pokazanie trendu poprzedzającego awarię oraz przedstawienie interwencji serwisu. W tym miejscu szczególnie ważna staje się jakość przygotowania danych. Surowe wartości ze sterowników PLC nie powinny być po prostu przekazywane do modelu językowego. Najpierw trzeba je właściwie zebrać, uporządkować i połączyć z kontekstem biznesowym. Dopiero wtedy GenAI może wspierać analizę w sposób użyteczny dla osoby odpowiedzialnej za produkcję.

Integracja wiedzy z IT i OT

OEE Booster może pracować na dokumentach i danych pochodzących z różnych źródeł. W webinarze pokazaliśmy również możliwość tworzenia połączeń z systemami wykorzystywanymi w przedsiębiorstwie. W przypadku danych z warstwy operacyjnej VM.PL wykorzystuje także rozwiązania pozwalające komunikować się ze sterownikami PLC, między innymi z wykorzystaniem OPC UA. Docelowo wartość nie wynika więc z samego modelu AI. Powstaje poprzez połączenie wiedzy technicznej, dokumentacji, danych z maszyn i informacji biznesowych w spójny kontekst.

Jedna technologia, różne zastosowania na produkcji

Przykłady przedstawione podczas webinaru pokazują kilka obszarów, w których asystent AI może wspierać zakład produkcyjny:

• szybsze dotarcie do informacji podczas awarii,
• zachowanie wiedzy doświadczonych pracowników,
• wsparcie operatorów i techników zgodnie z ich rolami i uprawnieniami,
• przygotowywanie instrukcji, checklist i materiałów onboardingowych,
• analiza historii zdarzeń oraz danych związanych z OEE,
• planowanie prac utrzymania ruchu,
• ograniczenie części powtarzalnych zadań administracyjnych.

OEE Booster nie ma zastępować specjalistów ani podejmować za nich decyzji. Jego rolą jest skrócenie drogi między pytaniem a informacją potrzebną do podjęcia właściwego działania.

Zobacz OEE Booster podczas demonstracji

W pełnym nagraniu webinaru pokazujemy konfigurację asystentów dla różnych stanowisk oraz kilka konkretnych scenariuszy z obszaru produkcji i utrzymania ruchu.

Jeżeli chcesz zobaczyć, jak wygląda praca z OEE Boosterem na przykładzie dokumentacji technicznej, danych produkcyjnych i różnych ról użytkowników, obejrzyj webinar: https://www.youtube.com/watch?v=tEwv5si7nY8