System dla firmy produkcyjnej. Jak wykorzystać dane i AI do optymalizacji produkcji?

Firmy produkcyjne zbierają ogromne ilości danych, ale nie zawsze potrafią efektywnie je wykorzystać. Dane mogą opisywać przebieg procesu: co się wydarzyło, kiedy, w jakiej kolejności i jak długo trwało. Mogą również pokazywać stan obiektów, z którymi mamy do czynienia, takich jak maszyny, produkty, zamówienia czy klienci. Im dokładniej dane odwzorowują rzeczywistość, tym łatwiej ocenić kondycję biznesu i zrozumieć, co faktycznie dzieje się w procesie produkcyjnym. Problem pojawia się wtedy, gdy rejestrujemy tylko wybrane punkty procesu. Wiemy, co wydarzyło się na początku i na końcu, ale nie widzimy dokładnie, co działo się pomiędzy. W efekcie nie mamy dostępu do części informacji, która mogłyby pomóc w optymalizacji produkcji.

Jak monitorować proces produkcyjny, wykorzystać dane z maszyn i systemów oraz przełożyć je na konkretną wartość biznesową? Sprawdź, jak podejść do tego w praktyce.

System zarządzania produkcją a problem wybranych punktów procesu

Wyobraźmy sobie prosty przykład. W procesie produkcyjnym rejestrujemy moment wpłynięcia zamówienia klienta oraz moment wystawienia faktury za gotowy produkt. Wiemy więc, kiedy proces się rozpoczął i kiedy się zakończył. Nie wiemy jednak prawie nic o tym, co wydarzyło się pomiędzy tymi dwoma punktami.

Na podstawie takich danych trudno odpowiedzieć na pytania, czy poszczególne prace były wykonywane w odpowiedniej kolejności, gdzie pojawiały się niepotrzebne przestoje, ile czasu zajmowały poszczególne etapy albo czy w trakcie produkcji marnowaliśmy półprodukty i czas pracowników. Nie jesteśmy też w stanie ocenić, czy sposób realizacji procesu rzeczywiście był optymalny, czy po prostu od lat działamy w ten sam sposób, ponieważ tak przyjęliśmy.

Dlatego dobrze zaprojektowany system do zarządzania produkcją powinien nie tylko rejestrować pojedyncze zdarzenia. Powinien dostarczać danych, które pokazują cały przebieg procesu, pozwalają identyfikować miejsca wymagające poprawy i pomagają przekładać informacje z produkcji na konkretne decyzje biznesowe.

Czego system dla firmy produkcyjnej może nauczyć się od e-commerce?

Dobrym przykładem tego, jak wiele daje szczegółowe zbieranie danych, jest e-commerce. W sprzedaży internetowej od dawna analizuje się zachowania klientów: skąd użytkownik trafił do sklepu, ile czasu spędził na stronie produktu, jak korzystał z wyszukiwarki, które elementy kliknął, jakie produkty oglądał i w którym momencie dodał je do koszyka.

Dzięki temu można odtworzyć ścieżkę klienta, znaleźć powtarzające się wzorce i zauważyć, że określony sposób poruszania się po sklepie często kończy się jego opuszczeniem zamiast zakupem. Taka wiedza daje konkretny punkt wyjścia do wprowadzenia zmian i pozwala sprawdzić, czy zaaplikowane usprawnienia rzeczywiście przynoszą efekt.

W produkcji przez lata wyglądało to zupełnie inaczej. Hala produkcyjna kojarzyła się przede wszystkim z ciężkimi maszynami, pracą fizyczną i wszechobecnym smarem, a każdy krok wymagał czujności, by uniknąć wypadku. Dziś ten obraz coraz mniej odpowiada rzeczywistości. Nowoczesny zakład to nie tylko maszyny i ludzie, ale także miejsce, w którym każdego dnia powstają ogromne ilości danych. Kluczowe staje się więc pytanie, jak je wykorzystać, by lepiej rozumieć procesy i podejmować trafniejsze decyzje.

Oprogramowanie dla firmy produkcyjnej. Zakład produkcyjny jako środowisko silnie zinformatyzowane

Współczesne zakłady produkcyjne są środowiskami silnie zinformatyzowanymi. Maszyny wyposażone są w procesory, sterowniki i zaawansowane oprogramowanie, a nad przebiegiem procesów pracują systemy ERP, MES czy WMS. Poszczególne urządzenia są połączone w sieć i stale wymieniają między sobą dane. Do tego dochodzi IIoT (ang. Industrial Internet of Things). To już nie tylko hasło z prezentacji o przyszłości przemysłu, ale codzienność wielu zakładów. Czujniki mierzą temperaturę, ciśnienie, drgania, zużycie energii czy parametry pracy poszczególnych komponentów, a dane mogą być zbierane przez cały czas pracy urządzenia. Coraz dokładniej monitorowane są również same hale produkcyjne. Czujniki mogą dostarczać informacji o warunkach środowiskowych, przepływie materiałów czy wykorzystaniu poszczególnych obszarów.

Ciekawym, a wciąż niedocenianym źródłem danych są kamery. Najczęściej kojarzymy je z systemami zapewnienia bezpieczeństwa, ale dzięki narzędziom computer vision mogą dostarczać informacji o faktycznym przebiegu procesu. Mogą wspierać kontrolę jakości, identyfikować obiekty, śledzić kolejne etapy produkcji czy wykrywać odstępstwa od założonego sposobu realizacji procesu. W efekcie współczesny zakład produkcyjny może generować ogromne ilości danych. Samo ich zbieranie nie oznacza jednak jeszcze wartości biznesowej. Kluczowe jest to, czy dane pozwalają odtworzyć przebieg procesu, zrozumieć, co się wydarzyło i znaleźć przyczyny określonego wyniku.

Dopiero na takim fundamencie można skutecznie budować analitykę danych produkcyjnych, mechanizmy uczenia maszynowego czy rozwiązania AI w produkcji.  Wartość tych rozwiązań bardzo mocno zależy od tego, czy dane są kompletne, odpowiedniej jakości i czy są dobrze osadzone w kontekście procesu.

Od danych do decyzji. Analiza danych produkcyjnych, dashboard i monitoring produkcji

Samo zbieranie danych nie jest celem. Dane zbiera się po to, aby podejmować lepsze decyzje. W produkcji takich decyzji jest bardzo dużo: co produkować, w jakiej kolejności, na której linii realizować konkretne zamówienie, ilu pracowników skierować na zmianę, kiedy zamówić surowce, czy w którym momencie przeprowadzić przezbrojenie. Warto rozróżnić kilka poziomów wykorzystania danych.

• Pierwszy poziom to zrozumienie tego, co faktycznie się wydarzyło. Załóżmy, że pojawia się hipoteza, że np. zmiana prowadzona przez konkretnego majstra jest mniej wydajna niż pozostałe. Dobry dashboard produkcyjny pozwala porównać dane z ostatnich miesięcy: liczbę wyprodukowanych sztuk, czas i liczbę przestojów, poziom braków czy straty materiałowe. Dzięki temu można sprawdzić, czy początkowe przypuszczenie znajduje potwierdzenie w danych. To ważne również przy projektowaniu samych raportów. Nie warto tworzyć kolejnych zestawień tylko dlatego, że dane są dostępne. Za każdym raportem powinno stać konkretne pytanie i proces decyzyjny, w którym wynik analizy będzie wykorzystany.
• Drugi poziom to przewidywanie tego, co prawdopodobnie wydarzy się w przyszłości. Modele uczenia maszynowego mogą analizować zależności pomiędzy wieloma czynnikami i na ich podstawie szacować, kiedy dane zamówienie zostanie zakończone, jakie jest ryzyko opóźnienia albo jakie jest prawdopodobieństwo wystąpienia określonego problemu.
• Trzeci poziom to wykorzystanie danych do rekomendowania konkretnych działań. System może zaproponować taką kolejność zleceń, która ograniczy liczbę przezbrojeń, zmniejszy ryzyko przestojów albo zwiększy szansę na terminową realizację zamówienia. To przykład automatyzacji planowania produkcji opartej na danych.

Celowo mówimy tutaj o algorytmach, a nie wyłącznie o sztucznej inteligencji. Nie każdy problem wymaga AI. W praktyce dobrze zaprojektowany system zarządzania produkcją może łączyć reguły biznesowe, analitykę, algorytmy optymalizacyjne, modele uczenia maszynowego i AI.

Optymalizacja produkcji, predykcja i automatyzacja planowania produkcji jako jeden mechanizm

Jednym z obszarów o największym potencjale jest optymalizacja produkcji i planowanie. Co istotne, realne oszczędności rzadko wynikają z jednej spektakularnej zmiany. Powstają z wielu drobnych usprawnień, których bez odpowiedniej analityki można nawet nie zauważyć.

Planowanie produkcji zależy od dużej liczby czynników: zamówień klientów, dostępności detali i surowców, możliwości produkcyjnych poszczególnych linii, koniecznych przezbrojeń, parametrów technologicznych, wydajności maszyn, dostępności i kompetencji pracowników. Człowiek może być bardzo dobrym planistą, ale ma ograniczoną możliwość analizowania setek kombinacji jednocześnie. W praktyce ustala zatem kilka parametrów bazowych, stosuje sprawdzone reguły i do nich dopasowuje resztę planu. Czy taki plan jest zły? Nie. Bardzo często jest wystarczająco dobry. Fascynujące jest jednak to, że algorytm może przeanalizować znacznie więcej wariantów i znaleźć rozwiązanie eliminujące mnóstwo pozornie mało znaczących nieoptymalności, których człowiek nie ma czasu dostrzec.

AI w produkcji: trzy obszary, w których predykcja wspiera planowanie

Trzy konkretne obszary, gdzie predykcja realnie wspiera planowanie:

Predictive maintenance: na podstawie drgań, temperatury, poboru energii, ciśnienia i historii serwisowej można szacować prawdopodobieństwo awarii i zaplanować utrzymanie ruchu wcześniej, zamiast reagować dopiero wtedy, gdy maszyna zatrzyma produkcję.

Predykcja zapotrzebowania: prognozowanie przyszłych zamówień pozwala wcześniej zabezpieczyć materiały i półprodukty oraz zaplanować liczbę zmian i obsadę.

Predykcja zużycia energii: znając plan produkcji i charakterystykę energetyczną procesów, można oszacować przyszłe zapotrzebowanie i zarządzać momentem poboru energii, wykorzystaniem taryf oraz balansem OZE/źródła konwencjonalne. W warunkach europejskich, gdzie koszty energii są istotnym elementem kosztów produkcji, to dodatkowy wymiar optymalizacji obok czasu, ludzi i maszyn.

Predykcja mówi, co prawdopodobnie się wydarzy. Planowanie określa, co chcemy zrobić. Optymalizacja produkcji pomaga znaleźć taki sposób realizacji planu, który najlepiej wykorzysta dostępne zasoby i ograniczy niepotrzebne koszty.

Monitoring produkcji i optymalizacja procesów.  Dlaczego skala ma znaczenie?

W produkcji skala ma ogromne znaczenie. Strata 30 sekund w pojedynczym cyklu albo dodatkowa złotówka kosztu jednostkowego może wydawać się nieistotna. Pomnożona przez tysiące czy miliony cykli produkcyjnych zaczyna jednak oznaczać konkretne kwoty. Nie chodzi przy tym wyłącznie o wynik zapisany w arkuszu dyrektora finansowego. Każda nieefektywność wpływa na koszt produktu, terminowość realizacji zamówień i zdolność firmy do konkurowania o kolejne kontrakty. Jeżeli konkurent potrafi wytworzyć produkt tej samej jakości szybciej, taniej i bardziej przewidywalnie, z czasem może zdobywać przewagę nie tylko na poziomie pojedynczej oferty, ale w całym łańcuchu dostaw.

Dlatego w produkcji tak duże znaczenie ma konsekwentne szukanie nawet niewielkich usprawnień. Dobrym przykładem jest japoński Kaizen, oparty na ciągłym doskonaleniu procesów i systematycznym eliminowaniu strat. Podobne podejście do efektywności można obserwować również w innych wysoko uprzemysłowionych gospodarkach Azji, gdzie inwestycje w automatyzację, standaryzację i analizę procesów są łączone z dużą skalą produkcji. W takim podejściu nie zakłada się, że obecny sposób pracy jest najlepszy tylko dlatego, że działa. Każdy proces można zmierzyć, przeanalizować i stopniowo poprawiać. Czasem będzie to skrócenie przezbrojenia o kilka minut, ograniczenie liczby braków, lepsze wykorzystanie maszyny albo zmiana kolejności realizacji zleceń. Pojedyncza poprawa może wydawać się niewielka, ale jej efekt powtarzany każdego dnia i na dużą skalę może mieć bezpośrednie przełożenie na wynik całego zakładu.

Właśnie dlatego dane z produkcji są tak istotne. Pozwalają nie tylko wykrywać duże problemy, ale również znajdować małe straty, które powtarzają się setki czy tysiące razy. A to właśnie suma takich pozornie niewielkich różnic może decydować o efektywności całego procesu.

AI w planowaniu produkcji: jak wybrać pierwszy scenariusz do wdrożenia

Pierwszy scenariusz wdrożenia AI w planowaniu produkcji można wybrać na dwa sposoby.

Pierwszy jest dość naturalny: zaczynamy od problemu, o którym już wiemy. Zbyt duża liczba przestojów, trudność z planowaniem produkcji, częste opóźnienia, problemy jakościowe, wysokie zużycie energii. Punkt wyjścia jest jasny, tj. znamy obszar, potrafimy oszacować jego koszt i sprawdzić, czy dane oraz algorytmy rzeczywiście pozwolą ograniczyć skalę problemu. To podejście jest szczególnie dobre na początek, bo łatwo zdefiniować cel projektu i później zmierzyć efekt.

Druga droga jest równie interesująca, a czasem bardziej wartościowa. Można wykorzystać analitykę, process mining, modele uczenia maszynowego czy inne narzędzia AI po to, żeby najpierw lepiej zrozumieć sam proces. Nie zawsze wiadomo, gdzie dokładnie traci się czas i pieniądze — część nieefektywności przez lata staje się elementem codziennego sposobu pracy i przestaje być zauważana. Analiza danych produkcyjnych może pokazać, że określone zlecenia regularnie czekają pomiędzy operacjami, konkretna sekwencja prac powoduje dodatkowe przezbrojenia, jedna z linii tworzy wąskie gardło, a część zasobów przez znaczną część czasu pozostaje niewykorzystana.

System do zarządzania produkcją. Od PoC do rozwiązania używanego na produkcji

Projekty wykorzystujące dane, uczenie maszynowe i AI w produkcji mają w dużej mierze charakter badawczy. Na początku często nie wiadomo jeszcze, czy dostępne dane są wystarczające, czy da się zbudować model o odpowiedniej jakości ani czy rozwiązanie da korzyść biznesową. Dlatego warto prowadzić takie prace podobnie jak projekty badawczo-rozwojowe, stawiać hipotezy, definiować kryteria sukcesu, wyznaczać kamienie milowe i na kolejnych etapach sprawdzać, czy dalsza inwestycja ma uzasadnienie.

Pierwszym praktycznym etapem powinien być zwykle PoC (ang. Proof of Concept). Jego celem nie jest stworzenie gotowego systemu dla firmy produkcyjnej, tylko potwierdzenie, że dany pomysł rzeczywiście działa. Można sprawdzić jakość danych, skuteczność algorytmu, sens przyjętych założeń i to, czy uzyskany wynik jest wystarczająco dobry z punktu widzenia użytkownika biznesowego. Jeżeli PoC nie daje oczekiwanych rezultatów, nie jest to porażka, właśnie po to powstaje, żeby relatywnie niskim kosztem zweryfikować koncepcję, zanim zainwestuje się w pełne wdrożenie.

Dopiero po pozytywnej weryfikacji warto przechodzić dalej do MVP, pilotażu i stopniowego włączania rozwiązania do realnego procesu produkcyjnego. Na każdym etapie powinny istnieć konkretne kamienie milowe i mierniki, które pozwalają zdecydować, czy rozwijamy rozwiązanie dalej, zmieniamy jego zakres, czy zatrzymujemy projekt. Takie podejście ogranicza ryzyko technologiczne i biznesowe, a jednocześnie pozwala dojść od eksperymentu na danych do rozwiązania, które faktycznie wspiera codzienną pracę na produkcji.

Nie wiesz, od czego zacząć? Jeśli w Twojej firmie dane z czujników, MES-a i systemów ERP już są, ale nikt nie wie, jak przełożyć je na decyzje – porozmawiajmy. Wspólnie znajdziemy pierwszy scenariusz, który da mierzalny efekt, zanim zainwestujesz w duże wdrożenie.

FAQ

Jakie dane trzeba mieć, żeby rozpocząć projekt wykorzystania danych i AI w produkcji?

Punktem wyjścia są dane, które firma już zbiera, na przykład z systemu ERP (planowanie zasobów przedsiębiorstwa), MES (system realizacji produkcji), WMS (system zarządzania magazynem) lub z czujników IIoT (Przemysłowy Internet Rzeczy) zamontowanych na maszynach i liniach produkcyjnych. Nie muszą być jeszcze wykorzystywane analitycznie, kompletne ani idealnie uporządkowane. Na pierwszym etapie projektu, czyli w PoC (Proof of Concept, weryfikacja koncepcji), sprawdza się, czy ich jakość i zakres wystarczą do zweryfikowania konkretnej hipotezy, np. że da się ograniczyć przestoje lub lepiej zaplanować kolejność zleceń. Jeśli dane opisują tylko wybrane punkty procesu, na przykład przyjęcie zamówienia i wystawienie faktury, ale nie to, co działo się pomiędzy nimi, trzeba ocenić, czy to wystarczy, czy przed startem należy uzupełnić zbieranie danych.

Ile osób po stronie firmy musi być zaangażowanych w projekt analityki danych lub AI w produkcji?

Na etapie PoC, czyli wstępnej weryfikacji, czy pomysł działa, zwykle wystarczy jedna osoba merytoryczna po stronie firmy. Najczęściej jest to ktoś odpowiedzialny za produkcję lub systemy IT/OT, kto rozumie proces produkcyjny i ma dostęp do danych. Zaangażowanie rośnie wraz z rozwojem projektu. Przy przejściu do MVP (Minimum Viable Product, pierwszej działającej wersji rozwiązania) i pilotażu potrzebny jest już szerszy udział zespołu, na przykład planistów produkcji czy operatorów maszyn, którzy będą korzystać z rozwiązania na co dzień. Dokładny zakres zaangażowania zależy od obszaru wdrożenia i jest ustalany indywidualnie.

Co się dzieje, jeśli etap PoC nie potwierdzi założonej hipotezy?

PoC (Proof of Concept) to pierwszy, stosunkowo niedrogi etap projektu, którego celem jest sprawdzenie, czy dany pomysł, na przykład przewidywanie awarii maszyn lub optymalizacja planu produkcji, rzeczywiście działa na danych firmy. Negatywny wynik nie oznacza porażki projektu, bo właśnie po to PoC powstaje: aby zweryfikować koncepcję niskim kosztem, zanim zainwestuje się w pełne wdrożenie. Jeśli hipoteza się nie potwierdzi, analizuje się, czy przyczyna leży w jakości danych, doborze algorytmu, czy w samym założeniu. Na tej podstawie zapada decyzja, czy zmienić zakres prac, czy zakończyć projekt. Dzięki temu ryzyko finansowe pozostaje ograniczone do kosztu samego PoC.

Jak sprawdzić, czy wdrożenie analityki danych lub AI w produkcji faktycznie się opłaciło?

Przed rozpoczęciem projektu ustala się konkretne mierniki sukcesu powiązane z celem biznesowym, na przykład redukcję liczby przestojów, skrócenie czasu przezbrojeń maszyn czy poprawę terminowości realizacji zamówień. Następnie, na kolejnych kamieniach milowych projektu, wyniki porównuje się z danymi sprzed wdrożenia na tych samych wskaźnikach. Pozwala to obiektywnie ocenić, jaki efekt przyniosło rozwiązanie. Dokładny zestaw mierników zależy od optymalizowanego obszaru i jest określany indywidualnie już na etapie definiowania PoC, czyli pierwszej fazy weryfikacji pomysłu.