Proizvodnja i industrija

AI rješenja za metaloprerađivačku industriju

Smanjujemo neplanirane zastoje CNC pogona i dižemo OEE kroz prediktivno održavanje i vision QC sisteme integrisane sa postojećom MES/ERP infrastrukturom.

47%

manje neplaniranih zastoja

35%

niži troškovi održavanja

6.2%

false positive rate na anomalijama

9 mj

prosječan ROI period

Operativni izazovi

Operativni izazovi u industriji

● Heterogeni park CNC mašina (Mazak, DMG Mori, Okuma, Haas) sa nepovezanim proizvođačkim PdM rješenjima
● Generički anomaly detection modeli daju 40%+ false positive rate na vibracionim potpisima
● JIT isporuke za automotive Tier 2/3 sa kaznama 8.000-12.000 EUR po incidentu kašnjenja
● Mikropukotine na završenim komadima ispod 50 µm koje promiču ručnoj kontroli
● Mješovita industrijska mreža (Profinet, EtherCAT, legacy serijski) bez stabilne telemetrije

Naši pristupi

Demo case studies

Demo Case Study 01

Adaptive vibration analytics za heterogeni park CNC obradnih centara

Kontekst klijenta

Srednja firma za precision machining (180 zaposlenih, sjeverna Italija) koja opslužuje automotive Tier 2 dobavljače. Pogon ima 24 CNC obradna centra različitih generacija i proizvođača. Kritičan operativni problem: neplanirani zastoji zbog kvarova vretena, glavnih ležajeva i puknuća alata uzrokuju kašnjenja u JIT isporukama, sa kaznama do 12.000 EUR po incidentu i rizikom degradacije statusa kod OEM-a.

Tehnički izazov

Postojeći predictive maintenance softver proizvođača mašina (svaki sa svojim cloud-om i licencom) nije unificiran i ne razmjenjuje podatke. Vibracioni potpisi značajno variraju između mašina različitih proizvođača i alatnih konfiguracija - generički anomaly detection modeli daju preko 40% false positive rate, što je operativno neupotrebljivo (operateri ignorišu alarme). Dodatni izazov: pogon nema stabilnu industrijsku mrežu - mješavina Profinet, EtherCAT i legacy serijskih protokola, pa centralizovana telemetrija nije bila trivijalna. Compliance ugovor sa OEM klijentima eksplicitno zabranjuje slanje procesnih podataka u javni cloud.

Naš pristup

Postavili smo edge gateway uređaje (industrijski računari sa Debian-om) na grupe od 4-6 mašina, sa MQTT brokerom za lokalnu agregaciju. Na svaku mašinu instalirani su trostruko-osovinski piezo-akcelerometri sa sampling rate 25 kHz, dovedeni preko Modbus TCP konvertera tamo gdje OPC UA nije bio dostupan. Razvili smo per-machine baseline learning sistem - svaka mašina prolazi kroz 3-sedmični "calibration" period gdje 1D CNN sa attention layerom nauči normalan vibracioni potpis za svaku konfiguraciju alata. Centralni inference servis radi u Docker Swarm-u na on-premise serveru (compliance zahtjev). Frontend dashboard u React-u sa real-time SSE streamom i 4-stepenom alarm hijerarhijom. Integracija sa SAP PM modulom preko IDoc-a: kad sistem detektuje crvenu zonu, automatski generiše work order i šalje SMS dežurnom mehaničaru. Ključna inovacija: tool-change detection algoritam koji prepoznaje kada operater mijenja alat (preko spike detection u spindle current signalu) i automatski prebacuje na odgovarajući baseline model, bez ručnog input-a. Ovo je riješilo glavni razlog false positive-a kod prethodnih rješenja.

Tehnološki stack

Python (PyTorch, scikit-learn, NumPy), Apache Kafka za stream processing, TimescaleDB za time-series storage, Grafana + custom React dashboard, Docker Swarm, MQTT (Mosquitto), Modbus TCP gateway, SAP PM IDoc integracija

False positive rate spušten sa 40%+ na 6.2% nakon 8 sedmica učenja

Neplanirani zastoji smanjeni za 47% u prvih 6 mjeseci

Prosječno vrijeme detekcije problema: 2.3 dana prije katastrofalnog kvara

ROI postignut za 9 mjeseci, 14 sedmica do produkcije

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

Demo Case Study 02

Multi-camera vision QC sa 3D rekonstrukcijom za detekciju mikropukotina

Kontekst klijenta

Proizvođač precizno obrađenih hidrauličnih komponenti (320 zaposlenih, Slovenija) za off-highway opremu. Mjesečno proizvode 180.000 komada sa zahtjevom 100% inspekcije. Postojeći ručni QC proces sa lupama i fluorescentnom penetracijom imao je throughput od 90 komada/sat po inspektoru, sa propustljivošću mikropukotina ispod 50 µm od 8-12% (kasnije detektovane kod kupca, što je generisalo 8(D) reklamacije i kaznene CoPQ troškove).

Tehnički izazov

Standardni industrijski vision sistemi (Cognex, Keyence) nisu dali zadovoljavajuće rezultate jer komadi imaju kompleksnu 3D geometriju (radius prelazi, žljebovi, navoji) i refleksivne površine nakon brušenja. 2D inspekcija sa fiksnim osvjetljenjem propušta pukotine na zakrivljenim površinama. Cycle time budget: 4.5 sekunde po komadu da bi se uklopilo u takt linije. Sub-pixel accuracy je bila preduvjet - pukotine od 30-50 µm na komadima koji su 80-150 mm.

Naš pristup

Razvili smo multi-camera setup sa 6 Basler ace 2 industrijskih kamera (5 MP, mono) postavljenih u dome konfiguraciji oko inspekcione stanice, sa programabilnim LED ring osvjetljenjem koje radi 12 različitih lighting paterna po inspekciji (bright field, dark field, structured light, polarized). Photometric stereo rekonstrukcija daje 3D normal map sa sub-pixel rezolucijom. Custom defect detection model: dvostepeni pristup gdje prvi nivo (Halcon-bazirana klasična CV) radi geometrijsku registraciju i izoluje regije od interesa, a drugi nivo (custom PyTorch U-Net++ varijanta trenirana na 47.000 anotiranih primjera sa internih komada) radi pixel-level segmentaciju pukotina. Inference na NVIDIA Jetson AGX Orin edge uređaju, prosječno 1.8 sekundi po komadu. Integracija sa postojećom MES (Siemens Opcenter) preko OPC UA - svaki inspektovan komad dobija digital twin zapis sa svim slikama, defect map-om i odlukom. Reject mehanizam aktivira pneumatsku polugu na konvejeru. Operateri kroz HMI mogu pregledati borderline slučajeve i model se aktivno re-trenira na njihovom feedback-u (active learning loop svake noći).

Tehnološki stack

Python (PyTorch, OpenCV, Halcon Python bindings), 6x Basler ace 2 5MP, programmable LED ring (Effilux), NVIDIA Jetson AGX Orin, photometric stereo, U-Net++ custom, OPC UA (open62541), Siemens Opcenter MES integracija

Propustljivost mikropukotina spuštena sa 8-12% na 0.4% u produkciji

Throughput inspekcije: 800 komada/sat (8.9x ručni proces)

CoPQ smanjen za 380.000 EUR godišnje, ROI za 11 mjeseci

Sub-pixel accuracy 18 µm na pukotinama, validirano sa kalibrisanim etalonima

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

Tehnološki stack

Tehnologije koje koristimo

Python (PyTorch 2.x, scikit-learn, NumPy, SciPy signal processing) OpenCV 4.x + Halcon za sub-pixel mjerenja Industrial cameras (Basler ace 2, Allied Vision Mako, line-scan do 12k px) Apache Kafka za stream processing telemetrije TimescaleDB za time-series storage vibracionih signala OPC UA (open62541, Eclipse Milo) gateway-i MQTT (Mosquitto) za edge agregaciju NVIDIA Jetson AGX Orin za edge inference Docker Swarm / K3s on-premise orkestracija Grafana + custom React dashboard sa SSE streamom SAP PM modul integracija preko IDoc/BAPI Modbus TCP, Profinet, EtherCAT konvertori

Tipični tok angažmana

Kako radimo

Discovery

2-3 sedmice operativnog audita: mapiranje CNC parka, postojeći SCADA/MES/ERP, mrežna topologija, OEE baseline, definicija KPI-eva (MTBF, FPY, CoPQ).

Pilot

8-10 sedmica pilot na 4-6 mašina ili jednoj inspekcionoj stanici. Baseline learning, A/B poređenje sa ručnim procesom, kalibracija pragova alarma.

Implementacija

14-20 sedmica roll-out na cijeli pogon, integracija sa SAP PM/Opcenter MES, OPC UA gateway-i, training operatera i mehaničara, dokumentacija za auditore.

Operacija

Kontinuirani support, model retraining svakih 6 mjeseci na novim alatima i materijalima, kvartalni performance review sa OEE i CoPQ metrikama.

Razgovarajmo o pilotu za vašu firmu

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

Kontaktirajte nas