Piątek, 15:47. Szef utrzymania ruchu dostaje telefon. Silnik napędu głównego na linii pakowania stanął. Produkcja stoi. 200 palet towaru czeka na zapakowanie. Klient oczekuje dostawy w poniedziałek rano.
Dzwoni do serwisu producenta maszyny. "Najwcześniej możemy być w poniedziałek". Dzwoni do niezależnego serwisanta. "Mogę zajrzeć jutro rano, ale nie mam gwarancji, że będę miał część". Dzwoni do szefa. "Mamy problem".
Weekend: nadgodziny, awaryjny serwis, ekspresowa dostawa części z Niemiec (koszt 3x normalny). Poniedziałek rano: linia rusza z 18-godzinnym opóźnieniem. Kara umowna za nieterminową dostawę: 15 000 zł. Koszt awaryjnej naprawy: 8 000 zł. Utracona produkcja: 25 000 zł.
Razem: dziesiątki tysięcy złotych za jedną awarię, której część zakładów mogłaby uniknąć dzięki wcześniejszemu sygnałowi i lepszemu planowaniu serwisu.
Ile kosztuje nieplanowany przestój
Koszt przestoju bardzo różni się między zakładami. Inaczej liczy go producent opakowań, inaczej automotive, a jeszcze inaczej zakład pracujący w trybie ciągłym. Zawsze jednak pojawia się ten sam zestaw kosztów:
- utracona produkcja
- nadgodziny i awaryjny serwis
- droższe części zamawiane na już
- ryzyko opóźnień i kar umownych
- straty jakościowe przy ponownym rozruchu
Deloitte opisuje predictive maintenance jako podejście, które ma ograniczać nieplanowane przestoje i niepotrzebne wymiany części dzięki lepszemu wykorzystaniu danych z maszyn. To dobry kierunek, ale skala efektu zależy od jakości danych, krytyczności parku maszynowego i gotowości utrzymania ruchu do pracy na alertach.
Jak agent AI przewiduje awarie
Agent AI do predictive maintenance to nie jeden program. To system, który zbiera dane, analizuje wzorce i podejmuje decyzje.
Warstwa 1: Zbieranie danych (IoT)
Czujniki zamontowane na maszynach mierzą:
- Wibracje - zmiana wzorca wibracji to najwcześniejszy sygnał zużycia łożysk, wałów, przekładni
- Temperatura - przegrzewanie silników, łożysk, przekładni
- Prąd elektryczny - wzrost poboru prądu przy tym samym obciążeniu = zwiększone tarcie
- Ciśnienie - w układach hydraulicznych i pneumatycznych
- Akustyka - ultradźwięki wychwytują mikropęknięcia, wycieki
Czujniki raportują co kilka sekund. Agent zbiera tysiące pomiarów dziennie z każdej maszyny.
Warstwa 2: Analiza wzorców (AI/ML)
Agent porównuje bieżące dane z:
- Historią tej konkretnej maszyny - jak wyglądały dane przed ostatnimi 5 awariami?
- Historią podobnych maszyn - jeśli silnik model X w fabryce A zaczął wibrować tak samo, ile czasu minęło do awarii?
- Specyfikacją producenta - jakie parametry są normalne, a jakie wykraczają poza normę?
Na tej podstawie agent wylicza prawdopodobieństwo awarii w określonym horyzoncie czasowym. Nie "maszyna na pewno się zepsuje", ale raczej: "ta anomalia wygląda podobnie do wzorca, który wcześniej kończył się awarią i warto to sprawdzić przed najbliższym oknem serwisowym".
Warstwa 3: Rekomendacja działania
Agent nie tylko mówi "coś jest nie tak". Mówi:
- Co wymaga naprawy (łożysko, uszczelka, pasek, silnik)
- Kiedy - czy problem wygląda na pilny w perspektywie godzin, dni czy tygodni
- Jak pilne - czy to kwestia dni, tygodni, czy godzin
- Co zamówić - numer katalogowy części, dostawca, czas dostawy
- Kiedy zaplanować naprawę - sugeruje okno serwisowe (np. piątek po 14:00, gdy linia ma mniejsze obciążenie)
Przypadek: fabryka opakowań, 120 pracowników, Wielkopolska
Fabryka produkuje opakowania kartonowe dla branży spożywczej. 3 linie produkcyjne, praca na 2 zmiany. Główne maszyny: wykrawarki, bigówki, sklejarki.
Przed wdrożeniem
- Nieplanowane przestoje: 12-15 na kwartał
- Średni czas przestoju: 4-8 godzin
- Roczny koszt przestojów: ok. 1.2 mln zł (utracona produkcja + naprawy + kary)
- Utrzymanie ruchu: 3 mechaników, reactive + preventive maintenance
Co wdrożono
- 96 czujników wibracji i temperatury na krytycznych elementach 3 linii
- Agent AI analizujący dane w czasie rzeczywistym
- Dashboard dla szefa utrzymania ruchu - przegląd stanu maszyn, alerty, rekomendacje
- Integracja z systemem CMMS - automatyczne tworzenie zleceń serwisowych
Wdrożenie: 6 tygodni. Koszt: 85 000 zł (czujniki + agent AI + integracja).
Wyniki po 6 miesiącach
W dobrze dobranym wdrożeniu zakład powinien zobaczyć przede wszystkim:
- mniej awarii na krytycznych elementach linii
- krótsze postoje, bo część prac da się zaplanować
- lepsze planowanie części i prac serwisowych
- lepszą widoczność, które maszyny naprawdę wymagają uwagi
Kluczowy moment w takim projekcie zwykle wygląda podobnie: agent wykrywa anomalię na silniku albo łożysku, zespół potwierdza ją w serwisie, a naprawa trafia do zaplanowanego okna zamiast kończyć się awarią w środku zmiany.
Ile to kosztuje i kiedy się zwraca
Mała linia produkcyjna (1-2 maszyny krytyczne)
- Czujniki: 5 000 - 15 000 zł
- Agent AI + wdrożenie: 18 000 - 40 000 zł
- Utrzymanie miesięczne: 1 000 - 2 500 zł
- Zwrot inwestycji zależy od kosztu przestojów i liczby krytycznych awarii
Średnia fabryka (3-5 linii, 10-20 maszyn)
- Czujniki: 20 000 - 60 000 zł
- Agent AI + wdrożenie: 40 000 - 90 000 zł
- Utrzymanie miesięczne: 2 500 - 5 000 zł
- Zwrot inwestycji zależy od skali linii, jakości danych i krytyczności maszyn
Duża fabryka (10+ linii, 50+ maszyn)
- Czujniki: 60 000 - 200 000 zł
- Agent AI + wdrożenie: 90 000 - 250 000 zł
- Utrzymanie miesięczne: 5 000 - 15 000 zł
- W dużych zakładach sens biznesowy bywa wyższy, bo koszt jednej awarii szybciej uzasadnia inwestycję
FAQ
Czy predictive maintenance działa na starych maszynach?
Tak. Czujniki montujemy na zewnątrz maszyny (wibracje, temperatura). Nie trzeba ingerować w elektronikę maszyny. Działa na maszynach z lat 90.
Ile czujników potrzeba na jedną maszynę?
Typowo 3-8: silnik główny, łożyska, przekładnia, układ hydrauliczny. Zależy od złożoności maszyny.
Czy agent AI wymaga ciągłego internetu?
Agent może działać lokalnie (edge computing). Dane nie muszą wychodzić z fabryki. Ważne dla firm z wymogami bezpieczeństwa.
Jak szybko agent się uczy?
Pierwsze sygnały można zobaczyć stosunkowo szybko, ale sensowna kalibracja zwykle wymaga kilku tygodni lub miesięcy danych. Im lepsza historia serwisowa i dane z czujników, tym szybciej model staje się użyteczny.
Co dalej?
Każda awaria, której można było uniknąć, to pieniądze wyrzucone w błoto. Nieplanowane przestoje to nie "koszt prowadzenia biznesu" - to problem, który da się rozwiązać.
1. Policz swoje przestoje - ile razy w kwartale linia staje? Ile to kosztuje?
2. Oceń infrastrukturę - czy na Twoich maszynach da się zamontować czujniki?
3. Porozmawiaj z kimś, kto to wdrożył - nie z vendorem czujników, z firmą, która buduje pełne rozwiązania
W Syntalith w Warszawie budujemy agentów AI do predictive maintenance dla polskich fabryk. Od czujników po dashboard i automatyczne zlecenia serwisowe.
Umów rozmowę - pokażemy, jak agent AI może pomóc wcześniej wykrywać ryzyko awarii w Twojej fabryce.
Sprawdź też: Agent AI do kontroli jakości - wizja komputerowa | Agent AI do raportowania finansowego | Agenci AI - rynek 28 miliardów