Specijalizovana proizvodnja

AI rješenja za alatne mašine i precizne alate

Habanje alata se ne predviđa iz priručnika nego iz fizike i istorije konkretnog komada, a ponuda za custom alat ne bi trebala čekati tri dana na inženjera.

37%

Manje neplaniranih zamjena alata

62%

Brže izdavanje ponude za custom alat

Operativni izazovi

Operativni izazovi u industriji

● Tool life predikcije iz kataloga proizvođača odstupaju 25-40% od stvarnog ponašanja na specifičnom materijalu i setup-u
● Catastrophic failure alata u toku obrade skupog komada (npr. aerospace forging) košta 4.000-15.000 EUR po incidentu
● Kvotiranje custom alata iz tehničkog crteža traje 2-4 dana, a 30-50% tih ponuda ne završi narudžbom
● CNC controller-i (Heidenhain, Siemens 840D, Fanuc) imaju zatvorene ekosisteme i ograničen pristup real-time telemetriji
● ISO 13399 metapodaci za alate su rijetko popunjeni potpuno, što otežava automatizaciju procesnog planiranja

Naši pristupi

Demo case studies

Demo Case Study 01

Digital twin za habanje alata sa hibridnim FEA + ML modelom

Kontekst klijenta

OEM proizvođač alata za precizno glodanje aluminijumskih i titanijumskih komponenti za aerospace. Park od 28 CNC mašina (Heidenhain TNC 640 i Siemens 840D), prosjek 6.500 sati godišnje po mašini. Postojeći pristup zamjene alata po fiksnom broju ciklusa rezultirao je ili prijevremenim odbacivanjem alata sa 30-40% preostalog vijeka, ili u 4-6 slučajeva mjesečno katastrofalnim lomom u zoni reza.

Tehnički izazov

Standardni Taylor-ov model habanja ne pokriva varijabilnost koja dolazi iz mikrostrukture sirovine, hlađenja, vibracija u stezanju i kombinacije strategija glodanja. Proizvođač je trebao sistem koji predviđa preostali vijek konkretnog fizičkog alata (ne tipa alata) sa preciznošću dovoljnom da se zamjena planira u toku redovne smjene, a ne kao reakcija na alarm. Pristup čisto data-driven modelu bio je problematičan jer novi tipovi alata nemaju historiju, a čisto fizički modeli su prespori za inferencu na nivou ciklusa. Dodatni zahtjev je bio rad bez stalne mrežne konekcije ka cloud-u, jer se hala nalazi u sigurnosnoj zoni sa ograničenim outbound saobraćajem.

Naš pristup

Kombinovali smo FEA baseline simulaciju u ANSYS Twin Builder-u (mehanički model habanja na vrhu reznog pera, parametriziran po geometriji alata, materijalu obratka i strategiji glodanja) sa ML residual modelom u PyTorch-u koji uči odstupanja stvarnog ponašanja od simulacije. FEA model služi kao fizičko sidro - garantuje da predikcije ostaju u realnim okvirima i kad nema dovoljno historije, a ML residual hvata efekte koje simulacija ne pokriva (mikrovibracije, varijacije u sirovini, drift hlađenja). Telemetrija sa CNC controller-a (load po osi, vretenska struja, vibracije iz IEPE akcelerometara) ide preko OPC UA gateway-a u TimescaleDB, a per-tool ID se prati kroz cijeli životni ciklus pomoću RFID čip-a u držaču. Inferenca se izvršava na NVIDIA Jetson Orin uređaju direktno na mašini, sa modelom kvantiziranim na INT8, što daje latenciju ispod 50 ms i radi offline. Adaptive cutting strategy modul šalje preporuke za feed/speed/depth korekcije nazad u CNC kroz DNC interface, ali samo unutar bezbjednih granica koje je tehnolog definisao. Tool change preporuke imaju dva praga: optimal (ekonomski najbolja zamjena) i critical (prije catastrophic failure-a sa 95% pouzdanosti).

Tehnološki stack

Python, PyTorch, scikit-learn, ANSYS Twin Builder, OPC UA, TimescaleDB, NVIDIA Jetson Orin, MQTT, Heidenhain DNC, Siemens 840D

Smanjenje neplaniranih zamjena alata za 37% u prvih 9 mjeseci

Catastrophic failure incidenti pali sa 4-6 mjesečno na 0-1

Prosječno iskorištenje vijeka alata poraslo sa 64% na 89%

Scrap rate na titanijumskim komponentama smanjen za 22%

Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.

Demo Case Study 02

Konfiguracijski engine za custom alate sa auto-generisanjem ponude iz tehničkog crteža

Kontekst klijenta

Proizvođač custom reznih alata (specijalna glodala, razvrtači, kombinovani alati) sa katalogom od oko 12.000 standardnih varijanti i 60-70% prometa iz custom narudžbi. Tipičan ulaz je tehnički crtež u DWG, STEP ili PDF formatu plus kratak opis aplikacije. Inženjerski tim od 6 ljudi obrađivao je 80-120 upita sedmično, sa prosječnim vremenom odgovora 2-4 dana.

Tehnički izazov

Većina vremena se trošila na rutinski dio: parsiranje crteža, ekstrakciju geometrije, izbor materijala i prevlake, procjenu vremena obrade i sastavljanje ponude. Inženjerski sud bio je potreban realno samo za 20-25% slučajeva (atipične geometrije, nestandardni materijali obratka, agresivne tolerancije). Cilj je bio automatizovati rutinski tok tako da inženjer pregleda i potpisuje, a ne piše ponudu od nule, uz održavanje ISO 13399 strukture metapodataka i kompatibilnost sa postojećim CAM workflow-om u Mastercam-u i Fusion 360.

Naš pristup

Pipeline počinje sa drawing parsing slojem koji pokriva DWG (preko ezdxf), STEP/IGES (preko pythonOCC) i PDF tehničke crteže (custom OCR + geometric reconstruction). Iz parsiranog modela se ekstraktuju geometrijske karakteristike: prečnici, dužine, broj zubaca, helix angle, profili rupa, navoji, tolerancije, oznake hrapavosti. Rules engine zatim mapira ove karakteristike na proizvodni proces (turning, milling, EDM, grinding) i bira sirovinu (HSS, karbid različitih frakcija, CBN) sa odgovarajućom prevlakom (TiAlN, AlCrN, DLC). Cost kalkulacija kombinuje machine time (procijenjen iz CAM simulacije pokrenute headless u Mastercam API-ju), trošak materijala, setup time i radnu snagu, sa konfigurabilnim maržama po kategoriji kupca. Tehnička specifikacija i ponuda se generišu kroz LaTeX template sa svim ISO 13399 atributima popunjenim, plus 3D render alata. Inženjer dobije pre-popunjen draft sa flag-ovima za stavke koje sistem ne može sa visokom pouzdanošću odrediti, i potvrdi ili koriguje. PostgreSQL drži historiju svih ponuda i konverzija, što kontinuirano hrani ML model za price elasticity tuning.

Tehnološki stack

Python, pythonOCC, ezdxf, PostgreSQL, REST API, Mastercam API, Fusion 360, LaTeX, scikit-learn

Vrijeme izdavanja ponude smanjeno sa 2-4 dana na 4-8 sati

Konverzija ponude u narudžbu poraslа sa 41% na 58%

Inženjerski tim obrađuje 2.3x više upita bez povećanja

ISO 13399 metapodaci kompletni za 96% novih alata u katalogu

Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.

Tehnološki stack

Tehnologije koje koristimo

Python (PyTorch, scikit-learn) ANSYS Twin Builder / Abaqus za FEA baseline OPC UA gateway TimescaleDB za telemetriju NVIDIA Jetson Orin (edge inference) MQTT broker (EMQX) Heidenhain DNC, Siemens 840D, Fanuc FOCAS pythonOCC / ezdxf za CAD parsing Mastercam / Fusion 360 API PostgreSQL + REST API LaTeX za auto-generisane tehničke specifikacije Grafana za production monitoring

Tipični tok angažmana

Kako radimo

Discovery

Snimanje toka od ulaza upita ili ciklusa obrade, popis CNC controller-a, CAM alata i ERP integracija, identifikacija telemetrijskih tačaka i regulatornih okvira (ISO 13399, ISO 9001 audit zahtjevi).

Pilot

Pilot na 3-5 mašina ili 1 proizvodnoj liniji custom alata, paralelno sa postojećim procesom, validacija predikcija habanja na bar 200 tool life ciklusa odnosno ponuda na 150-200 historijskih upita.

Implementacija

Postavljanje edge inference uređaja na CNC mašine, OPC UA i DNC integracije, deployment konfiguracijskog engine-a sa SSO ka postojećem ERP/CAM stack-u, treniranje tehnologa i inženjera, paralelni rad 4-6 sedmica.

Operacija

Kontinuirano retreniranje modela na novoj telemetriji i konverzijama ponuda, kvartalni review pragova za tool change i price elasticity, nadogradnja ANSYS modela kad se uvodi nova kategorija alata ili materijala.

Razgovarajmo o pilotu za vašu firmu

Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.

Kontaktirajte nas