O technologiach przyszłości w przemyśle mówi się od lat. Sztuczna inteligencja, cyfrowe bliźniaki, predictive maintenance, systemy wizyjne, robotyzacja czy coraz bardziej zaawansowana automatyzacja regularnie pojawiają się w prognozach dotyczących tego, jak za kilka lub kilkanaście lat będą wyglądały zakłady produkcyjne. Tymczasem wiele z tych rozwiązań nie jest już przyszłością. Są wykorzystywane dzisiaj i realnie zmieniają sposób, w jaki projektujemy maszyny, prowadzimy produkcję i zarządzamy procesami.

Najważniejsza zmiana nie polega jednak na tym, że maszyny wykonują coraz więcej czynności za człowieka. Automatyzacja produkcji trwa od dziesięcioleci. Znacznie większe znaczenie ma to, że coraz lepiej potrafimy obserwować, co dzieje się w procesie, a następnie wykorzystać tę wiedzę do podejmowania decyzji.

Jeszcze kilkanaście lat temu maszyna miała przede wszystkim wykonać określoną operację. Dzisiaj oczekujemy od niej znacznie więcej. Chcemy wiedzieć, w jakich warunkach pracuje, jak zmieniają się jej parametry, czy proces pozostaje stabilny i co może być przyczyną pojawiających się odchyleń. Temperatura, ciśnienie, przepływ, pobór energii, czas cyklu czy liczba wykonanych operacji mogą być rejestrowane praktycznie bez przerwy. Samo zbieranie tych informacji nie daje jednak jeszcze żadnej przewagi.

Problemem wielu firm nie jest dziś brak danych, ale brak odpowiedzi na pytanie, co właściwie z tych danych wynika.

Jeżeli wiemy, że czas cyklu wzrósł o kilka sekund, mamy informację. Jeżeli jednocześnie widzimy zmianę poboru energii, temperatury konkretnego podzespołu i parametrów pracy układu, możemy zacząć szukać zależności. Jeżeli podobna kombinacja zmian poprzedzała wcześniej określony problem, możemy zareagować, zanim doprowadzi on do zatrzymania urządzenia.

I właśnie w tym miejscu zaczyna się praktyczne znaczenie technologii, które jeszcze niedawno określaliśmy mianem przyszłości.

Dobrym przykładem jest predictive maintenance. W klasycznym podejściu przedsiębiorstwo ma właściwie dwie możliwości: serwisować urządzenie według ustalonego harmonogramu albo reagować wtedy, gdy pojawi się awaria. Pierwsze rozwiązanie ogranicza ryzyko przestoju, ale może prowadzić do wymiany elementów, które nadal są sprawne. Drugie pozwala wykorzystać komponent do końca jego żywotności, ale awaria może pojawić się w najmniej odpowiednim momencie.

Monitorowanie rzeczywistego stanu urządzenia pozwala podejść do tego inaczej. Jeżeli określone parametry zaczynają odbiegać od normalnego przebiegu, można wcześniej zaplanować diagnostykę lub serwis. Czasami wystarczy do tego analiza kilku dobrze dobranych pomiarów. Przy bardziej złożonych procesach potrzebne są bardziej zaawansowane narzędzia. Najważniejsze jest jednak to, że decyzja przestaje wynikać wyłącznie z kalendarza lub faktu wystąpienia awarii. Zaczyna wynikać z rzeczywistego stanu urządzenia.

Podobnie jest ze sztuczną inteligencją. Dzisiaj trudno mówić o rozwoju przemysłu bez AI, ale warto zachować w tym obszarze trochę technicznego rozsądku. Algorytm nie uporządkuje źle zaprojektowanego procesu i nie sprawi, że niewiarygodne dane nagle staną się wartościowe. Jeżeli firma nie wie, które parametry są istotne i dlaczego je mierzy, samo zastosowanie sztucznej inteligencji niewiele zmieni.

AI zaczyna mieć dużą wartość wtedy, gdy liczba danych i zależności jest na tyle duża, że człowiekowi trudno analizować je jednocześnie. Jeżeli na wynik procesu wpływa kilkanaście parametrów, każdy z nich może mieścić się w dopuszczalnym zakresie, a mimo to określona kombinacja temperatury, ciśnienia, czasu czy przepływu może powodować pogorszenie jakości. Przy kilku obserwacjach doświadczony operator lub technolog jest w stanie znaleźć taką zależność. Przy tysiącach cykli staje się to znacznie trudniejsze.

Właśnie tutaj algorytmy mogą wspierać człowieka. Nie dlatego, że wiedzą więcej o procesie od doświadczonego inżyniera, ale dlatego, że potrafią analizować ogromną liczbę danych i wychwytywać powtarzające się wzorce. Wiedza technologiczna nadal jest potrzebna, żeby ocenić, czy znaleziona zależność ma sens i jak należy na nią zareagować.

Podobną zmianę widać w kontroli jakości. Systemy wizyjne coraz częściej pozwalają kontrolować nie wybrane próbki, ale każdy kolejny produkt. Mogą oceniać obecność elementów, ich położenie, geometrię, powierzchnię czy kompletność. W dobrze zaprojektowanym procesie nie chodzi o zastąpienie człowieka kamerą. Chodzi o wykorzystanie technologii tam, gdzie powtarzalna kontrola setek lub tysięcy elementów jest wykonywana przez maszynę dokładniej i w bardziej stabilny sposób, podczas gdy człowiek zajmuje się sytuacjami wymagającymi rzeczywistej oceny i decyzji.

Duże zmiany zachodzą również jeszcze przed rozpoczęciem produkcji. Rozwój symulacji i cyfrowych bliźniaków pozwala coraz więcej problemów wykryć, zanim powstanie fizyczne rozwiązanie. Z punktu widzenia engineeringu ma to ogromne znaczenie, ponieważ koszt błędu bardzo mocno zależy od momentu, w którym zostanie on zauważony.

Kolizja wykryta podczas pracy na modelu oznacza zmianę projektu. Ta sama kolizja wykryta podczas montażu oznacza już poprawę dokumentacji, ponowne wykonanie elementu i dodatkową pracę na produkcji. Problem zauważony dopiero podczas eksploatacji urządzenia może oznaczać konieczność zaangażowania serwisu, przestój i ingerencję w gotową maszynę.

Dlatego możliwość wcześniejszego sprawdzenia ruchu, obciążeń, kolizji czy zachowania poszczególnych układów ma realną wartość ekonomiczną. Nie zastępuje prototypowania ani testów fizycznych, ale pozwala wykorzystać je znacznie lepiej. Zamiast sprawdzać na prototypie rzeczy, które mogliśmy zweryfikować wcześniej, możemy skoncentrować się na tych obszarach, których model nie jest w stanie w pełni odwzorować.

Zmienia się również samo podejście do automatyzacji. Jeszcze niedawno jej efektywność często oceniano przede wszystkim przez liczbę czynności, które udało się odebrać operatorowi. Dzisiaj coraz częściej patrzymy na nią przez pryzmat stabilności całego procesu.

Automatyczne dozowanie ma sens nie tylko dlatego, że człowiek nie musi wykonywać określonej czynności. Jego wartością może być przede wszystkim zachowanie tych samych parametrów w setkach kolejnych cykli. Automatyczna rejestracja danych pozwala później odtworzyć warunki wykonania konkretnego procesu. System diagnostyczny może skrócić czas potrzebny na znalezienie przyczyny problemu. Technologia zaczyna więc wpływać nie tylko na wydajność, ale również na jakość, powtarzalność, utrzymanie ruchu i możliwość dalszego doskonalenia procesu.

To podejście jest istotne również przy projektowaniu urządzeń w XTON. Nowoczesna maszyna nie powinna być zbiorem możliwie najbardziej zaawansowanych komponentów. Powinna być przemyślanym systemem, w którym konstrukcja, automatyka, sposób sterowania, diagnostyka i technologia procesu współpracują ze sobą.

Dlatego przy ocenie nowych rozwiązań istotne jest nie tylko to, czy można je zastosować, ale przede wszystkim jaki problem mają rozwiązać. Dodatkowy pomiar ma sens, jeżeli pozwala lepiej kontrolować proces albo szybciej zdiagnozować nieprawidłowość. Rozbudowana automatyka jest uzasadniona, jeśli zwiększa powtarzalność, bezpieczeństwo lub upraszcza obsługę. Nowa funkcja powinna mieć przełożenie na rzeczywistą pracę urządzenia, a nie wyłącznie zwiększać liczbę pozycji w jego specyfikacji.

W XTON możliwość łączenia kompetencji konstrukcyjnych, produkcyjnych i automatyki pozwala oceniać technologię właśnie z tej perspektywy. Rozwiązanie, które dobrze wygląda na etapie projektu, musi jeszcze sprawdzić się podczas wykonania, montażu, codziennej pracy i późniejszego serwisu. To w tych warunkach ostatecznie weryfikuje się jego wartość.

W kolejnych latach AI będzie coraz łatwiej dostępne, systemy wizyjne będą dokładniejsze, czujniki tańsze, symulacje bardziej zaawansowane, a możliwości analizy danych znacznie większe. Wiele technologii, które dzisiaj wyróżniamy jako nowoczesne, stanie się zwykłym standardem wyposażenia maszyn i zakładów produkcyjnych.

Dlatego sama technologia nie będzie już wystarczającą przewagą.

Znacznie ważniejsza będzie umiejętność zdecydowania, gdzie warto ją zastosować, jakie informacje rzeczywiście są potrzebne i jak wykorzystać je do poprawy procesu lub produktu.

Bo o dojrzałości technologicznej firmy nie świadczy to, ile nowych rozwiązań udało się wdrożyć. Świadczy o niej to, czy dzięki nim produkcja rzeczywiście działa lepiej.