Jak AI wspiera procesy produkcyjne
Designed by MagnificSztuczna inteligencja przestaje być postrzegana jako ciekawostka, a coraz częściej pełni rolę ważnego narzędzia wspierającego produkcję. Algorytmy AI można już dziś spotkać w różnych zastosowaniach na hali produkcyjnej – od programowania robotów, przez utrzymanie ruchu, po kontrolę jakości i zarządzanie danymi.
Rozwiązania AI może nie są jeszcze standardem w każdej sferze działalności przedsiębiorstw produkcyjnych, ale ich rola z całą pewnością dynamicznie rośnie.
Powiązane firmy
– Sztuczna inteligencja coraz wyraźniej zaznacza swoją obecność na halach produkcyjnych, przechodząc z etapu pilotaży i eksperymentów do grona technologii, które
realnie wspierają codzienną działalność zakładów – mówi Filip Skrzypek, ekspert ds. utrzymania ruchu i rozwoju AI w przemyśle w Siemens Polska.
Z kolei, jak podkreśla Dawid Woźniak, kierownik sprzedaży Działu Robotyki w Yaskawa Polska, dla wielu obszarów jest to duże wsparcie, pozwalające oszczędzać czas, który obecnie jest jednym z najcenniejszych zasobów w przemyśle. Trudno jednocześnie określić, gdzie sztuczna inteligencja jest wykorzystywana najczęściej. Łatwo natomiast zauważyć jej obecność w wielu konkretnych systemach.
Roboty uczą się szybciej niż kiedykolwiek
Robotyka jest niewątpliwie tą dziedziną, w której sztuczna inteligencja jest już dobrze widoczna, choć trudno wskazać jeden obszar,
który odnosi z tego tytułu obecnie największe korzyści. Jak zauważa Dawid Woźniak: – AI wspiera dziś robotyzację na wielu etapach: wykorzystuje się ją m.in. do programowania i tworzenia logiki aplikacji, doboru parametrów procesowych, a także podczas serwisu. Coraz częściej pomaga też w diagnostyce, analizując kody błędów i proponując rozwiązania problemów bez konieczności każdorazowego sięgania do dokumentacji technicznej.
I dodaje, że jest to wsparcie trudne do zmierzenia, bo AI działa często w tle – przy wyszukiwaniu informacji, rozwiązywaniu problemów czy generowaniu nowych pomysłów.
Dobrym przykładem konkretnego zastosowania sztucznej inteligencji jest spawanie. Zdaniem Dawida Woźniaka AI wspiera tu zarówno realizację samego procesu, jak i kontrolę jakości gotowych wyrobów. Systemy wizyjne oparte na sztucznej inteligencji analizują wykonane spoiny, wykrywając niezgodności i potencjalne wady znacznie szybciej niż tradycyjne metody inspekcji. To jednak dopiero początek, bo AI staje się coraz częściej integralną częścią samego robota, dzięki czemu może on interpretować dane z otoczenia i dostosowywać działania do zmiennych warunków. Otwiera to drogę do automatyzacji procesów dotąd zbyt złożonych dla klasycznej robotyki – jak zbiór owoców i warzyw, gdzie każdy produkt różni się kształtem, wielkością czy położeniem.
Podobny kierunek rozwoju widzi Grzegorz Będkowski, Area Sales Manager w
Teradyne Robotics (marki MiR i Universal Robots). Jak podkreśla, AI zmienia przede wszystkim sposób programowania robotów, czyniąc ten proces tańszym, szybszym i bardziej efektywnym: – To właśnie oprogramowanie stanowi kluczowy element automatyzacji, a dzięki AI deweloperzy mogą opracowywać bardziej spersonalizowane i zoptymalizowane rozwiązania dla konkretnych aplikacji.
Sztuczna inteligencja pozwala ponadto zyskać cobotom percepcję zbliżoną do ludzkiej – precyzyjnie przemieszczać elementy, dostosowywać się do zmieniających się warunków i uczyć się na podstawie własnych doświadczeń. Z czasem możliwości te powinny przełożyć się na niespotykaną dotąd elastyczność, jakość i niezawodność procesów produkcyjnych.
Łukasz Szczepkowski, Country Head of Sales w KUKA, przekonuje, że robotyka
wykorzystująca sztuczną inteligencję to już nie przyszłość, lecz rzeczywistość spotykana w coraz większej liczbie zakładów produkcyjnych. AI pomaga dziś robotom i systemom automatyki radzić sobie z bardziej złożonymi zadaniami, analizować dane czy szybciej reagować na zmiany zachodzące w procesie produkcyjnym.
Co ważne – zdaniem eksperta – o wdrożeniu takich rozwiązań nie decyduje już wielkość firmy: – Jeszcze kilka lat temu takie rozwiązania kojarzyły się głównie z największymi koncernami. Dzisiaj coraz częściej wdrażają je również średnie przedsiębiorstwa, ponieważ mierzą się z podobnymi wyzwaniami: brakiem pracowników, rosnącymi kosztami działalności czy potrzebą zwiększenia elastyczności produkcji – mówi Szczepkowski. – Największy potencjał widzimy tam, gdzie produkcja lub logistyka muszą szybko reagować na zmieniające się warunki. To właśnie tam inteligentne technologie mogą przynieść najbardziej wymierne korzyści.
AI remedium na zmienne warunki
Grzegorz Będkowski zwraca uwagę na kolejną falę rozwoju, jaką jest tzw. fizyczna AI, która rozumie prawa fizyki i potrafi radzić sobie z nieprzewidzianymi wyzwaniami w dynamicznym, rzeczywistym otoczeniu. Wprowadzona właśnie platforma robotyczna Universal Robots Gen 7 jest gotowa do obsługi rozwiązań AI już od pierwszego uruchomienia, zapewniając nowoczesne narzędzia programistyczne i łączność nowej generacji potrzebną, żeby przenosić rozwiązania AI z laboratoriów wprost do zastosowań przemysłowych.
– Fizyczna AI jest najbardziej przydatna tam, gdzie zmienność ogranicza uzasadnienie biznesowe dla tradycyjnej automatyzacji. Przykładem mogą być procesy spawalnicze, gdzie różnice w geometrii detali czy rzeczywistym położeniu spoin od lat utrudniały pełną automatyzację. Dzięki AI robot może rozpoznawać geometrię złącza w czasie rzeczywistym, automatycznie korygować trajektorię spawania i kompensować odchyłki produkcyjne – podkreśla ekspert Teradyne Robotics.
Nie tylko jednak roboty stacjonarne korzystają z AI. Przykładem takiego rozwiązania z oferty KUKA są autonomiczne roboty mobilne współpracujące z systemem zarządzania flotą KUKA AMR Fleet. Inteligentne algorytmy analizują sytuację na hali produkcyjnej i na bieżąco decydują, który robot powinien wykonać dane zlecenie, jaką trasą pojechać oraz jak reagować na przeszkody czy zmiany priorytetów produkcyjnych. Z perspektywy użytkownika efekt jest prosty: materiały trafiają tam, gdzie są potrzebne, dokładnie wtedy, kiedy są potrzebne, a system sam dostosowuje transport bez ingerencji operatora, gdy na hali pojawi się nieplanowana przeszkoda.
Jak dodaje Łukasz Szczepkowski, największą korzyścią nie jest sam robot, lecz inteligentna koordynacja całej logistyki wewnętrznej, dzięki której firmy mogą ograniczać puste przejazdy, lepiej wykorzystywać flotę pojazdów, sprawniej zarządzać przepływem materiałów i w efekcie zwiększać elastyczność produkcji oraz rozwijać automatyzację bez kosztownych zmian infrastruktury.
Dane zamiast przeczuć
Jednym z obszarów, w których AI przynosi dziś najbardziej wymierne efekty, jest utrzymanie ruchu. Filip Skrzypek przypomina, że w tej dziedzinie od lat funkcjonują trzy podejścia: reaktywne (usuwanie skutków awarii po fakcie), prewencyjne (okresowe przeglądy) i predykcyjne, które wykorzystuje dane do prognozowania problemów, zanim wpłyną one na ciągłość produkcji.
– Dopiero rozwój sztucznej inteligencji i uczenia maszynowego sprawił, że ta ostatnia strategia mogła zostać wdrożona na szeroką skalę – zauważa Filip Skrzypek.
Punktem wyjścia są dane generowane przez maszyny i procesy: informacje o drganiach, temperaturze, parametrach elektrycznych napędów czy przebiegu procesu technologicznego. Analizując je w czasie rzeczywistym, algorytmy wychwytują subtelne sygnały świadczące o pogarszającym się stanie urządzeń. Dzięki temu służby utrzymania ruchu mogą planować działania serwisowe z wyprzedzeniem i ograniczać ryzyko nieplanowanych postojów. Tak działa m.in. rozwijana przez Siemensa platforma Senseye. Analizuje ona dane z istniejącej infrastruktury produkcyjnej i wskazuje urządzenia, których stan może zwiastować przyszłe problemy. Zespoły utrzymania ruchu otrzymują konkretne rekomendacje, które pomagają podejmować trafniejsze decyzje – pierwsze wdrożenia tej technologii są już realizowane również w Polsce.
Ekspert Siemens Polska przywołuje przykład fabryki Pringles w Kutnie, gdzie dane, cyfrowe bliźniaki i algorytmy AI zostały wykorzystane do optymalizacji kluczowych etapów produkcji. Szczególną rolę odegrał cyfrowy bliźniak ciasta, który na podstawie danych z czujników – analizujących m.in. temperaturę, wilgotność czy właściwości surowców – wspiera operatorów w bieżącym dostosowywaniu receptury. Efektem był 10-procentowy wzrost wydajności linii produkcyjnych bez inwestycji w nowy sprzęt, 13-procentowa redukcja strat produkcyjnych i 7-procentowe ograniczenie zużycia energii.
Jak podsumowuje ekspert firmy Siemens: – Sama sztuczna inteligencja nie eliminuje awarii ani nie zastępuje doświadczenia inżynierów. Dostarcza jednak wiedzy, której człowiek nie byłby w stanie wydobyć z milionów informacji. To właśnie połączenie kompetencji ludzi, danych i AI staje się dziś jednym z najważniejszych źródeł wzrostu efektywności, produktywności i konkurencyjności nowoczesnego przemysłu.
MOŻE ZAINTERESUJE CIĘ TAKŻE
Bardzo podobne wnioski formułuje Jędrzej Kowalczyk, prezes zarządu FANUC
Polska. Jego zdaniem największa wartość AI nie polega na zastępowaniu ludzi czy maszyn, lecz na lepszym wykorzystaniu danych i wiedzy zgromadzonej w przedsiębiorstwie. Obecnie sztuczna inteligencja wspiera m.in. analizę danych produkcyjnych, przewidywanie awarii, optymalizację wykorzystania maszyn czy identyfikację przyczyn przestojów, a coraz większą rolę odgrywają środowiska symulacyjne i cyfrowe bliźniaki pozwalające testować warianty procesu jeszcze przed wdrożeniem zmian na hali.
Jędrzej Kowalczyk podkreśla jednak wyraźnie: – AI nie jest magicznym rozwiązaniem, które automatycznie rozwiąże wszystkie problemy. Jeżeli proces jest nieefektywny lub organizacja nie dysponuje wiarygodnymi danymi, sztuczna inteligencja jedynie przyspieszy podejmowanie błędnych decyzji. Dlatego fundamentem pozostają dobrze zaprojektowane procesy, wysoka jakość danych oraz integracja świata produkcji z systemami IT.
Jego zdaniem prawdziwa rewolucja polega na przejściu od zarządzania opartego na intuicji do zarządzania opartego na danych. Firmy nie chcą już wiedzieć jedynie, co dzieje się na produkcji, ale rozumieć, dlaczego dane zdarzenie wystąpiło, jakie będą jego konsekwencje i jak można mu zapobiec. To właśnie tutaj sztuczna inteligencja staje się strategicznym narzędziem wspierającym konkurencyjność.
– W najbliższych latach AI stanie się coraz bardziej naturalnym interfejsem między człowiekiem a technologią – nie zastępując ekspertów, lecz pozwalając im działać szybciej i podejmować lepsze decyzje – dodaje prezes FANUC Polska. – To właśnie w tym widzę największy wpływ sztucznej inteligencji na przyszłość przemysłu.
Wizja maszynowa nowej generacji
Równie istotnym obszarem zastosowań AI są systemy wizyjne. Maciej Waliłko,
Account Sales Engineer w Cognex, wskazuje, że tradycyjne (rule-based) systemy wizyjne opierały się na sztywnych algorytmach – sprawdzały się przy dokładnych pomiarach, ale miały wadę, gdyż zmiana światła, odblask czy naturalna odchyłka materiałowa powodowały fałszywe odrzuty. Wprowadzenie przez Cognex narzędzi opartych na sztucznej inteligencji (Deep Learning i Edge Learning) zmieniło zasady gry. Zamiast pisać skomplikowany kod, system uczy się na zdjęciach: wykrywa nieprzewidywalne defekty na trudnych powierzchniach, odczytuje zniekształcony tekst z pofałdowanych folii i błyszczących powierzchni oraz weryfikuje złożone montaże, ignorując drobne, nieistotne odchylenia. Jak zaznacza Maciej Waliłko, systemy z AI nie zastąpiły klasycznej wizji, lecz tworzą z nią zgraną hybrydę. Tradycyjne narzędzia wykonują dokładne pomiary, a AI ocenia jakość wykończenia, redukując koszty i czas wdrożenia.
Kluczowym wyzwaniem dla systemów wizyjnych jest zmienność produkcji – zmiana wariantów produktu, oświetlenia na hali czy ustawienia linii. Klasyczne systemy są na takie zmiany bardzo wrażliwe: drobna zmiana kąta padania światła czy przesunięcie detalu na taśmie wywołują fałszywe odrzuty i wymagają stałej korekty programu. Rozwiązania Cognex radzą sobie z tym problemem, ucząc algorytmy rozpoznawania ogólnych cech jakościowych, a nie sztywnych układów pikseli. Dzięki temu – bez konieczności ciągłego ponownego uczenia – systemy odróżniają odblaski, cienie i światło dzienne od rzeczywistych wad, akceptują dopuszczalne różnice w teksturze surowca czy ułożeniu elementów, a nowy wariant produktu nie wymaga tworzenia programu od zera – często wystarczy dodać do niego nowe zdjęcia.
– Ważną rolę w skalowaniu tej technologii odgrywa nowa platforma Cognex OneVision, która umożliwia zarządzanie programami i modelami AI w chmurze jednocześnie dla kilku fabryk. Jednorazowo wytrenowany, uniwersalny model można błyskawicznie wdrożyć na liniach produkcyjnych w zakładach na całym świecie, bez konieczności lokalnych zmian w programie – tłumaczy Maciej Waliłko.
AI w systemach zarządzania produkcją
Dziś coraz więcej mówi się o generatywnej AI, jednak jej rola na hali produkcyjnej
wcale nie jest jeszcze jakaś olbrzymia. Piotr Rusin, Product Manager w Comarch ERP, porządkuje pojęcia: AI to znacznie więcej niż generatywna AI i asystenci konwersacyjni. Praktyczne zastosowania GenAI na produkcji koncentrują się dziś przede wszystkim wokół dostępu do wiedzy – asystenci AI błyskawicznie przeszukują i podsumowują wewnętrzną dokumentację technologiczną, instrukcje obsługowe i serwisowe czy procedury produkcyjne (SOP), odpowiadając operatorowi lub służbom utrzymania ruchu na konkretne pytanie zamiast każdorazowego przeszukiwania setek stron dokumentacji. Jak podkreśla Rusin, realnie skraca to czas reakcji przy awariach i szkoleniu nowych pracowników.
– Jednak tam, gdzie liczy się przewidywanie awarii, optymalizacja parametrów procesu, kontrola jakości czy prognozowanie zapotrzebowania, największą praktyczną wartość wciąż dostarczają klasyczne algorytmy uczenia maszynowego (ML). Często działają one „po cichu” wewnątrz systemów APS/MES/ERP, a nie w formie czatu z użytkownikiem – wyjaśnia ekspert Comarch ERP. – To one będą w kolejnych latach dźwigać główny ciężar innowacji w procesach produkcyjnych, ponieważ dają twarde, mierzalne efekty biznesowe.
Piotr Rusin wymienia kluczowe kierunki rozwoju narzędzi wykorzystujących algorytmy AI:
- predictive maintenance – coraz precyzyjniejsze przewidywanie awarii,
- wykrywanie anomalii – analiza parametrów procesu i jakości w czasie rzeczywistym, sygnalizująca odchylenia, zanim staną się defektami,
- predykcja zapotrzebowania – dokładniejsze prognozy popytu przekładające się na lepsze planowanie produkcji i zapasów,
- inteligentne harmonogramowanie produkcji – obszar rozwijany już m.in. w Comarch APS,
- computer vision w kontroli jakości – technologia od lat wykorzystywana w firmach produkcyjnych.
Generatywna AI i modele językowe nie pozostaną jednak z boku. Jak zaznacza Piotr Rusin, ich rola będzie rosła w budowaniu wyspecjalizowanych agentów AI, którzy w ramach określonych reguł biznesowych przejmą powtarzalne czynności, np. generowanie zamówień, raportowanie, wstępną kwalifikację zgłoszeń serwisowych czy odpowiadanie na standardowe zapytania klientów o status zamówienia.
Nieodwracalna ewolucja
Z wypowiedzi wszystkich ekspertów wyłania się spójny obraz: sztuczna inteligencja w przemyśle nie jest jednym, spektakularnym przełomem, lecz sumą wielu konkretnych usprawnień – w programowaniu robotów, logistyce wewnętrznej, utrzymaniu ruchu, kontroli jakości czy zarządzaniu danymi. Jak podkreśla Jędrzej Kowalczyk: – W tym sensie AI jest jednocześnie źródłem wielu drobnych usprawnień oraz początkiem znacznie większej transformacji sposobu zarządzania produkcją.
Warunkiem powodzenia wdrożenia AI na hali produkcyjnej pozostaje jednak to, o czym przypomina większość ekspertów – jakość danych i dojrzałość procesów. Bez solidnych fundamentów nawet najbardziej zaawansowane algorytmy nie zdziałają cudów. Tam jednak, gdzie te warunki są spełnione, sztuczna inteligencja – zintegrowana z ramieniem robota, systemem wizyjnym, platformą do utrzymania ruchu czy modułem ERP – może stać się jednym z najważniejszych narzędzi budowania przewagi konkurencyjnej firm produkcyjnych.
O Autorze
