Jak wykorzystać sztuczną inteligencję do automatyzacji procesów w małych i średnich firmach produkcyjnych

Dlaczego małe i średnie firmy produkcyjne nie mogą ignorować AI

Rosnąca presja kosztowa i brak ludzi na produkcji

Małe i średnie firmy produkcyjne żyją dziś pomiędzy młotem a kowadłem. Z jednej strony rosną koszty energii, materiałów i usług serwisowych. Z drugiej – coraz trudniej znaleźć operatorów, mechaników czy technologów, którzy potrafią ogarnąć złożone linie produkcyjne. Do tego dochodzi rosnąca różnorodność asortymentu: krótsze serie, więcej wariantów, częstsze przezbrojenia. Klasyczna automatyka radzi sobie świetnie z powtarzalnymi zadaniami, ale zaczyna się dusić przy zmiennej produkcji, gdzie liczy się szybkie podejmowanie decyzji.

Sztuczna inteligencja w tym kontekście nie jest „modnym gadżetem”, ale narzędziem, które pomaga wycisnąć więcej z tego, co już stoi na hali. Uczenie maszynowe może przewidywać awarie, modele optymalizacyjne mogą układać lepsze harmonogramy, a wizja komputerowa przejmuje część nudnej, żmudnej kontroli jakości. Rezultat: ta sama załoga obsługuje bardziej skomplikowany zakład, popełnia mniej błędów i traci mniej czasu na gaszenie pożarów.

AI jako rozszerzenie istniejącej automatyki, a nie magiczny robot

Typowe nieporozumienie: sztuczna inteligencja ma „zastąpić ludzi” i „sama wszystko zrobi”. W realnej fabryce AI jest raczej dodatkową warstwą nad istniejącą automatyką (PLC, SCADA, MES), która:

• zbiera więcej danych i łączy je ze sobą (np. parametry z maszyny + operator + partia surowca);
• analizuje te dane w sposób, którego człowiek nie wykona ręcznie (np. wykrywanie subtelnych wzorców w drganiach czy temperaturach);
• sugeruje decyzje lub ustawia rekomendowane parametry (np. podpowiada optymalną prędkość linii dla danej receptury);
• uczy się na historii – z czasem staje się dokładniejsza i lepiej dopasowana do konkretnej fabryki.

AI nie zastąpi dobrze działającego PLC ani operatora, który zna swoje maszyny. Za to potrafi zautomatyzować powtarzalną analizę danych, dzięki czemu człowiek może skupić się na wyjątkach, nietypowych przypadkach i decyzjach strategicznych. To jest klucz do sensownej automatyzacji produkcji z AI.

Od danych do decyzji w czasie zbliżonym do rzeczywistego

Największa zmiana, jaką przynosi sztuczna inteligencja na hali produkcyjnej, to skrócenie dystansu między zdarzeniem a reakcją. Klasyczne raporty powstają po zmianie, po dniu lub na koniec miesiąca. Menedżer produkcji dostaje tabelę z OEE, ale nie ma jak cofnąć czasu. Modele oparte na AI potrafią analizować strumienie danych na bieżąco: czasy cyklu, liczbę braków, prądy silników, temperatury, zużycie sprężonego powietrza. Jeśli wykryją anomalię, mogą:

• wysłać alert do utrzymania ruchu z opisem problemu i sugerowaną akcją;
• zasugerować zmianę parametrów (np. obniżyć prędkość, skorygować temperaturę, poprawić napięcie materiału);
• zatrzymać proces w trybie bezpieczeństwa (jeśli integracja z systemem sterowania to umożliwia i firma się na to zdecyduje).

Taka „inteligentna warstwa” nad produkcją nie tylko zmniejsza ryzyko poważnej awarii, ale też chroni przed powolnym psuciem się procesu: lekkie spadki jakości, rosnące czasy cyklu, wzrost zużycia energii. Każde z tych zjawisk z osobna jest trudne do wychwycenia, ale AI potrafi analizować je łącznie i reagować szybciej niż człowiek przeglądający arkusz Excela.

Przykład: mały zakład obróbki metalu i predykcyjne „dokręcanie” automatyki

Kasowy przykład z praktyki: mały zakład obróbki metalu z kilkoma centrami CNC, który ma dość częste awarie wrzecion i łożysk. Wymiana jest droga, a każda awaria powoduje co najmniej kilkugodzinny przestój. Firma nie ma budżetu na nowe maszyny, ale ma istniejący system zbierający podstawowe dane z PLC oraz kilka wolnych kanałów w sterownikach.

Zamiast kosztownej wymiany parku maszynowego, zakład dokłada kilka czujników drgań i temperatury, podłącza je do przemysłowego PC, a dane wysyła do prostego modelu predykcyjnego. Model uczy się, jak wyglądają „zdrowe” i „chorujące” łożyska, korzystając z historii awarii. Po kilku tygodniach testów zaczyna wskazywać, które wrzeciona wykazują nietypowe wzorce wibracji. Utrzymanie ruchu planuje wymianę części przed awarią, w dogodnym okienku, razem z innymi pracami.

Podstawy – co w ogóle znaczy AI w kontekście produkcji

Kluczowe pojęcia „dla kierownika produkcji”

Sztuczna inteligencja w produkcji to przede wszystkim kilka praktycznych technologii, które można wyjaśnić bez akademickich definicji:

• Uczenie maszynowe (ML, machine learning) – algorytmy, które uczą się na danych historycznych, aby przewidywać przyszłość lub klasyfikować nowe przypadki. Przykład: model, który na podstawie historii awarii przewiduje, kiedy maszyna znowu się zepsuje.
• Modele predykcyjne – konkretny typ modeli ML, które przewidują liczby lub prawdopodobieństwa. Na produkcji służą np. do przewidywania czasu cyklu, prawdopodobieństwa wady, czasu do awarii.
• Systemy oparte na regułach – „mądre IF-y”, czyli zestaw warunków typu: „jeśli temperatura powyżej X i jednocześnie ciśnienie poniżej Y, zgłoś alarm”. To jeszcze nie AI w ścisłym sensie, ale często łączy się z ML, tworząc hybrydę.
• Wizja komputerowa – wykorzystanie kamer i algorytmów analizujących obraz do kontroli jakości, zliczania elementów, odczytywania kodów, wykrywania wad wizualnych.

Różnica między klasyczną automatyką a AI

Klasyczna automatyka (PLC, SCADA, DCS) działa według jasno określonej logiki, zaprogramowanej przez automatyka. Schemat jest prosty: sygnały z czujników → algorytm sterowania → sygnały wyjściowe (np. sterowanie zaworem, silnikiem). Dla powtarzalnych procesów, jak utrzymanie poziomu w zbiorniku czy sterowanie silnikiem, to rozwiązanie idealne.

AI wchodzi tam, gdzie klasyczne algorytmy „na sucho” nie dają rady, bo:

• proces jest złożony i zależy od wielu zmiennych naraz (temperatura, wilgotność, partia materiału, operator, stan narzędzi);
• zależności są nieliniowe, trudne do opisania prostymi równaniami czy instrukcjami IF;
• potrzebne jest przewidywanie przyszłości, a nie tylko reakcja na bieżące wartości.

Model AI nie zastępuje PLC, lecz pracuje obok: analizuje dane z wielu źródeł, przewiduje prawdopodobne skutki (np. wzrost liczby braków, ryzyko awarii) i podpowiada, co zrobić. Możliwa jest także głębsza integracja, w której wynik modelu trafia do PLC jako dodatkowy sygnał, np. korekta zadanej prędkości linii.

Główne typy zadań AI na produkcji

W praktyce projekty AI na produkcji sprowadzają się do kilku kategorii problemów:

• Klasyfikacja – odpowiedź na pytanie „której kategorii dotyczy ten przypadek?”. Na linii: „produkt dobry vs. zły”, „normalne drgania vs. niepokojące drgania”, „zdrowa partia vs. partia ryzykowna”.
• Regresja – przewidywanie wartości liczbowej, np. „jaki będzie czas cyklu dla tej kombinacji parametrów?”, „ile energii zużyje linia przy takich nastawach?”, „ile minut zostało do awarii łożyska?”.
• Wykrywanie anomalii – identyfikacja nietypowego zachowania maszyny lub procesu bez wcześniejszego etykietowania przypadków „awaria/OK”. Algorytm uczy się, jak wygląda „normalna praca”, i zgłasza wszystko, co z tego mocno odstaje.

Technicznie pod spodem mogą działać bardzo różne modele (drzewa decyzyjne, sieci neuronowe, metody statystyczne), ale z punktu widzenia kierownika produkcji ważne jest tylko, jaki rodzaj pytania zadaje się modelowi i na jakie dane on patrzy.

Jak wyglądają dane z maszyn w praktyce

Dane wykorzystywane przez projekty AI na produkcji pochodzą z wielu warstw systemu:

• Poziom maszyny – sygnały z czujników: temperatura, ciśnienie, przepływ, prąd silnika, drgania, pozycje napędów. Zbierane zazwyczaj przez PLC lub lokalne rejestratory.
• Poziom linii / gniazda – czasy cyklu, liczniki sztuk, przestoje, przyczyny postoju, informacje o przezbrojeniach.
• Poziom systemów MES / SCADA – statusy zleceń, wydajności, scrap, śledzenie partii (traceability), dane o zmianach i operatorach.
• Poziom ERP / systemów biznesowych – zamówienia klientów, terminy, koszty materiałów, stawki nadgodzin, dane magazynowe.

Siłą projektów AI jest łączenie tych warstw, np. analiza zależności między partią surowca a liczbą braków, czy powiązanie danych o przestojach z harmonogramem zleceń i obłożeniem maszyn. Właśnie dlatego integracja AI z systemami MES i ERP staje się w małych i średnich zakładach coraz ważniejsza.

Od pomysłu do planu – jak wybrać proces do automatyzacji z użyciem AI

Kryteria wyboru pierwszego obszaru zastosowania AI

Najczęstszy błąd na starcie to próba „zrobienia AI wszędzie”. Znacznie rozsądniej jest zacząć od jednego, dobrze zdefiniowanego procesu. Prosty filtr wyboru można ująć w czterech kryteriach:

• Wysokie koszty – proces generuje duże straty: przestoje, złom, nadgodziny, reklamacje.
• Częste błędy lub duża zmienność – trudno utrzymać stabilność, mimo że maszyny są sprawne.
• Dostępne (choćby częściowo) dane – istnieje przynajmniej jakaś forma rejestracji parametrów lub wyników.
• Jasno mierzalny efekt – można w liczbach pokazać poprawę (np. % mniej braków, godziny mniej przestojów).

Jeśli proces spełnia trzy z czterech powyższych warunków, jest dobrym kandydatem. Jeśli wszystkie cztery – powinien być mocno rozważony jako pierwszy projekt.

Typowe „kandydaty” na start

W małych i średnich zakładach produkcyjnych pewne obszary powtarzają się jako dobre pola do pierwszych wdrożeń:

• Planowanie produkcji i harmonogramowanie – szczególnie tam, gdzie jest dużo zleceń, krótkie serie i częste zmiany priorytetów.
• Przezbrojenia – procesy, które zajmują dużo czasu i w których rozrzut czasów przezbrojeń jest bardzo duży w zależności od kombinacji „poprzedni produkt → następny produkt”.
• Kontrola jakości – szczególnie wizualna, powtarzalna i męcząca dla ludzi: wykrywanie zarysowań, przebarwień, niedolewów, krzywych nadruków.
• Awarie kluczowych maszyn – pojedyncze urządzenia, których zatrzymanie blokuje pół zakładu (sprężarki, piece, kluczowe centra obróbcze, linie pakujące).
• Gospodarka magazynowa i zapasy – przewidywanie zapotrzebowania na materiały, półprodukty i części zamienne pod kątem ograniczenia stocku bez ryzyka braków.

Wybór konkretnego obszaru dobrze jest poprzeć twardymi danymi z ostatnich miesięcy: raportami z przestojów, scrapów, nadgodzin. To także dobry moment, by zaangażować kierowników zmian i liderów gniazd – często mają intuicyjne wyczucie, gdzie AI może pomóc, bo widzą powtarzające się problemy, na które szkoda im czasu.

Jak wstępnie policzyć potencjalny efekt

Bez prostego modelu korzyści trudno przeforsować projekt AI w małej firmie, gdzie każdy wydatek jest oglądany z dwóch stron. Na start wystarczy kilka liczb:

Prosty kalkulator biznesowy dla projektu AI

Przy pierwszym podejściu do AI wystarczy wręcz „kalkulator na serwetce”. Chodzi o oszacowanie rzędu wielkości, a nie o perfekcyjną analizę finansową. Praktyczny schemat może wyglądać tak:

• Krok 1 – zidentyfikuj główną „ból-grafikę”: np. przestoje linii X, scrap na gnieździe Y, opóźnienia dostaw do kluczowego klienta Z.
• Krok 2 – policz aktualny koszt:
  • czas (godziny/zmiany/miesiące),
  • stawki (roboczogodziny, koszt maszyny, kary umowne),
  • materiał (wartość złomu, utylizacja).
• Krok 3 – przyjmij realistyczną poprawę – nie 50%, tylko np. 5–15% (konserwatywna korzyść z pierwszej iteracji projektu).
• Krok 4 – oszacuj koszt projektu – praca wewnętrzna (roboczogodziny), doradztwo / software, ewentualne czujniki lub serwer.

Na tej podstawie powstaje uproszczony wskaźnik ROI (zwrot z inwestycji):

ROI = (roczna oszczędność - roczny koszt utrzymania rozwiązania AI) / koszt wdrożenia

Jeśli ROI wyraźnie przekracza 1 w horyzoncie 1–2 lat, a projekt jest technicznie wykonalny (są dane, jest właściciel procesu), można go spokojnie bronić przed zarządem.

Rola „właściciela” procesu i zespołu interdyscyplinarnego

Nawet najlepszy model nie zadziała bez ludzi, którzy go „wprowadzą na halę”. Kluczowe są dwie role:

• Właściciel procesu – zazwyczaj kierownik produkcji, mistrz, technolog albo lider gniazda. Odpowiada za definicję problemu, weryfikację wyników modelu i decyzje operacyjne („co robimy z tą prognozą?”).
• Zespół wdrożeniowy – mały, ale mieszany:
  • automatyk / inżynier utrzymania ruchu (dostęp do sygnałów, integracja z PLC/MES),
  • specjalista IT / OT (sieć, serwery, bezpieczeństwo, dostęp do baz),
  • analityk danych / dostawca AI (budowa modelu, interpretacja wyników).

W mniejszych firmach część z tych ról pełni jedna osoba. Chodzi o to, by nie robić projektu „w szufladzie IT” – model musi żyć tam, gdzie zapadają codzienne decyzje produkcyjne.

Jak definiować problem w sposób „zjadliwy” dla AI

AI nie rozumie ogólników typu „maszyna często się psuje”. Potrzebuje pytania sformułowanego tak, by dało się je przełożyć na liczby. Dobra definicja problemu powinna zawierać:

W tle funkcjonuje też pojęcie dużych modeli językowych (LLM), które kojarzą się głównie z tekstem, ale zaczynają wchodzić także na produkcję, np. jako asystenci techników (wyszukiwanie w dokumentacji, generowanie procedur). Zasady ich działania i bezpiecznego wykorzystania zostały już dobrze opisane w materiale Poznaj LLM: jak działają duże modele językowe i jak z nich bezpiecznie korzystać na co dzień, co może być dobrym uzupełnieniem podejścia do AI w fabryce.

• Konkretny cel: np. „zmniejszyć liczbę awarii prasy P-12 o 20% w ciągu 6 miesięcy”.
• Zakres danych: skąd będziemy brać informacje (SCADA, MES, arkusze, ręczne formularze).
• Horyzont czasowy: czy model ma reagować z wyprzedzeniem minut, godzin, dni?
• Decyzję, jaką ma wspierać: np. „czy wysłać technika na inspekcję?”, „czy zmienić kolejność zleceń?”, „czy przepuścić partię do klienta?”.

Przykład: zamiast „chcemy mniej braków”, lepsze pytanie to „chcemy modelu, który po pierwszych 10 sztukach partii przewidzi, z jakim ryzykiem partia przekroczy 2% braków i zasugeruje korektę parametrów lub zatrzymanie partii”.

Dane – paliwo dla każdego projektu AI na produkcji

Co tak naprawdę oznacza „mamy dane”

Stwierdzenie „u nas wszystko się loguje” bywa złudne. Z perspektywy AI liczy się nie tylko to, że dane istnieją, ale czy:

• są dostępne historycznie (kilka miesięcy lub lat, nie tylko ostatnia zmiana),
• są zsynchronizowane w czasie (znacznik czasu, ta sama strefa czasowa, porządek),
• można je powiązać między systemami (np. numer partii w MES = numer w ERP),
• mają kontekst (wiemy, który operator, jaka partia materiału, jakie nastawy).

Seria temperatur bez informacji, kiedy produkowano którą partię, przy jakich nastawach i na jakich materiałach, jest dla modelu dużo mniej użyteczna niż porządnie opisane logi z mniejszą częstotliwością próbkowania.

Standardowe problemy z danymi w MŚP

W małych i średnich zakładach pojawiają się powtarzalne kłopoty:

• „Wyspy danych” – każda maszyna loguje coś do własnego sterownika, lokalnego HMI albo pendrive’a, ale nie ma centralnego miejsca zbierania.
• Brak spójnych identyfikatorów – inne oznaczenia partii w ERP, inne w MES, jeszcze inne na wydrukach do operatora.
• Dane w Excelach „u ludzi” – krytyczne informacje (np. ręczne dopisywanie przyczyn przestojów) są na prywatnych dyskach lub w arkuszach bez wersjonowania.
• Brak normalizacji jednostek – np. jedna linia rejestruje temperaturę w °C, druga w °F, trzecia tylko „zimno/OK/gorąco”.

Rozwiązanie zwykle nie wymaga od razu ogromnego systemu klasy data lake. Na początek wystarczy „szkielet”: jeden centralny serwer lub chmura, prosty model danych (kilka tabel: zdarzenia, pomiary, partie, zlecenia) oraz procedura, jak te dane są tam codziennie zasilane.

Minimalny „stack” danych pod pierwszy projekt AI

Dla pierwszego wdrożenia wystarczy niewielka, ale dobrze uporządkowana architektura. W typowym scenariuszu obejmuje ona:

• Warstwę akwizycji:
  • z maszyn: OPC UA / Modbus / Profibus/Profinet (przez gateway), export z PLC,
  • z systemów: eksport CSV z MES/ERP, API (jeśli jest dostępne),
  • dane ręczne: proste formularze webowe zamiast kartek papieru.
• Warstwę składowania:
  • baza czasowa (time-series database) na dane z czujników,
  • relacyjna baza SQL lub hurtownia na dane „biznesowe” (partie, zamówienia, koszty).
• Warstwę analityczną:
  • notebooki (np. Jupyter) lub narzędzia BI (Power BI, Grafana) do pierwszych analiz,
  • środowisko do trenowania modeli (lokalny serwer, chmura lub laptop data scientisty).

Uwaga: w małym zakładzie rozsądne jest zaczęcie od prostego serwera (fizycznego lub wirtualnego) z jedną bazą i jednym narzędziem wizualizacyjnym, zamiast od razu wchodzić w rozbudowane platformy IoT.

Jak „posprzątać” dane przed modelem

Większość czasu w projekcie AI pochłania nie trenowanie modeli, ale porządkowanie danych. Typowa sekwencja wygląda tak:

1. Ujednolicenie czasu – korekta stref czasowych, opóźnień, braków w logach; ustalenie wspólnego formatu znacznika czasu (timestamp).
2. Usuwanie oczywistych błędów – wartości fizycznie niemożliwe (np. ujemne ciśnienie w zbiorniku atmosferycznym), zerowe czasy przestojów itp.
3. Łączenie źródeł – powiązanie partii surowca z partią produkcyjną, powiązanie przestoju z konkretną maszyną i zleceniem.
4. Tworzenie cech (feature engineering) – agregaty (średnie, odchylenia, minimum/maksimum) z okien czasowych, liczniki, wskaźniki (np. OEE) jako wejścia do modelu.

Tip: lepiej mieć mniej, ale lepiej opisanych i powiązanych cech, niż setki kolumn „bo się logowały”. Modele na zbyt „szumowych” danych są mniej stabilne i trudniejsze do wyjaśnienia operatorom.

Jakość danych a zaufanie ludzi do modelu

Jeżeli operator widzi, że system AI pokazuje „przestój 0 minut”, a stał 40, zaufanie spada do zera. Zanim model trafi na halę, opłaca się:

• przejść z zespołem kilka dni danych „ręcznie” i sprawdzić spójność,
• pokazać prostą wizualizację przebiegów i zdarzeń, by potwierdzić, że „to jest nasza rzeczywistość”,
• wyłapać typowe wzorce błędów logowania (np. niezamykane zlecenia, brak przyczyn przestojów) i je poprawić procesowo.

Efekt uboczny: taki „przegląd danych” często sam w sobie daje pierwsze korzyści – wychodzą na wierzch oczywiste rezerwy, nawet bez użycia zaawansowanych modeli.

Kluczowe zastosowania AI w firmach produkcyjnych – przegląd z praktycznymi przykładami

Predykcyjne utrzymanie ruchu (predictive maintenance)

Predykcyjne utrzymanie ruchu to jeden z najbardziej namacalnych i zrozumiałych obszarów. Schemat działania jest dość powtarzalny:

• zbieramy sygnały z maszyn (drgania, temperatura, prąd silnika, czasy cykli, alarmy),
• oznaczamy w historii okresy „przed awarią” i „normalnej pracy”,
• trenujemy model, który dla aktualnych warunków liczy:
  • prawdopodobieństwo awarii w określonym horyzoncie czasu (np. 24–72 godziny),
  • lub szacowany czas do awarii (RUL – remaining useful life).

Praktyczny przykład: w niewielkiej narzędziowni model wykrywający nietypowy wzór drgań wrzeciona obrabiarki CNC zaczął sygnalizować zwiększone ryzyko uszkodzenia łożyska na kilka dni przed klasycznym „wyciem” maszyny. Utrzymanie ruchu mogło zaplanować przerwę między zleceniami zamiast awaryjnego postoju w środku pilnego zamówienia.

Korzyści to nie tylko mniej awarii, ale lepsze planowanie – zamiast przeglądów „co 500 godzin”, można robić je wtedy, gdy faktycznie zbliża się koniec życia komponentu.

Wizja komputerowa w kontroli jakości

Systemy wizyjne wspierane AI znacznie rozszerzają możliwości klasycznych kamer z prostymi progami jasności czy kolorów. Modele uczone na przykładach (zdjęciach produktów dobrych i wadliwych) potrafią:

• wykrywać drobne zarysowania, wtrącenia, przebarwienia,
• kontrolować kompletność montażu (czy są wszystkie śrubki, klipsy),
• sprawdzać poprawność nadruków, kodów QR/1D, etykiet (pozycja, treść, orientacja).

Przewagą AI nad tradycyjną wizją jest elastyczność – model lepiej toleruje naturalne różnice między partiami (np. różny odcień materiału) i mniej „denerwuje” fałszywymi alarmami, jeśli jest dobrze wytrenowany. Modele mogą działać lokalnie na przemysłowych komputerach (IPC) przy linii, bez wysyłania wideo do chmury.

Typowy proces wdrożenia obejmuje zbiór setek lub tysięcy zdjęć, oznaczenie wad (współpraca z kontrolą jakości) i iteracyjne poprawianie modelu. Często pierwszy model działa równolegle z inspektorem przez kilka tygodni – tylko zgłasza swoje oceny, ale nie decyduje jeszcze o odrzuceniu sztuki. To buduje zaufanie i pozwala dopracować próg czułości.

Optymalizacja parametrów procesu (process optimization)

W wielu procesach ustawienia maszyny to kompromis między jakością, czasem cyklu, zużyciem energii i trwałością narzędzi. Operatorzy opierają się na doświadczeniu, ale przy skomplikowanych relacjach między parametrami model AI może podpowiedzieć lepsze kombinacje.

Efekt? Mniej nieplanowanych przestojów, lepsze wykorzystanie służb utrzymania ruchu, niższe koszty części „awaryjnych”. To jest realny scenariusz, w którym AI rozszerza istniejącą automatykę zamiast ją wypierać. Takie podejście dobrze wpisuje się w szerszy trend opisany na posadzki-przemyslowe.net.pl, gdzie można znaleźć więcej o nowe technologie<