Wyzwanie
Klient prowadzi trzy zakłady produkcyjne z 600+ maszynami CNC, prasami i robotami montażowymi. Utrzymanie ruchu było kalendarzowe - części wymieniano co N godzin, niezależnie od faktycznego zużycia. Nieplanowane awarie powodowały średnio 340 godzin przestojów produkcyjnych miesięcznie we wszystkich zakładach. Każda godzina przestoju na głównej linii prasowej kosztuje ok. €4,200. Istniejący system SCADA zbierał dane, ale nie miał analityki poza alarmami progowymi.
Rozwiązanie
Zbudowaliśmy platformę danych sensorowych, która zbiera, przetwarza i analizuje telemetrię maszyn, przewidując awarie zanim nastąpią:
- Edge gateway’e zbierające dane o wibracjach, temperaturze, prądzie i ciśnieniu z 2 400 czujników przez MQTT
- Przetwarzanie strumieniowe na Apache Flink do detekcji anomalii w czasie rzeczywistym (rolling statistical models per typ maszyny)
- Przechowywanie szeregów czasowych na TimescaleDB z automatycznym downsamplingiem (dane surowe przechowywane 90 dni, agregaty bezterminowo)
- Modele ML (gradient boosting) trenowane na 18 miesiącach historycznych danych o awariach do przewidywania remaining useful life krytycznych komponentów
- Dashboard operatorski (React + Grafana embeds) ze scorami kondycji maszyn, rekomendacjami serwisowymi i integracją z planowaniem zmian
- Routing alertów do właściwej ekipy serwisowej na podstawie typu awarii, lokalizacji maszyny i matrycy kompetencji
- Wdrożenie na GCP (GKE) z edge compute w każdym zakładzie dla niskolatencyjnego przetwarzania lokalnego
Rezultaty
- 41% redukcja nieplanowanych przestojów (z 340h/mies. do 201h/mies. we wszystkich zakładach)
- €1.8M rocznych oszczędności dzięki mniejszym przestojom i optymalizacji zapasów części zamiennych
- 2 400 czujników streamujących dane w czasie rzeczywistym z latencją ingestion poniżej sekundy
- 14 dni średniego wyprzedzenia przed krytyczną awarią (wcześniej zero ostrzeżeń)