Optymalizacja procesów produkcyjnych z wykorzystaniem sensorów IoT

Czujnik drgań, który mierzy pompę raz na zmianę, potrafi przegapić uszkodzenie łożyska w ciągu ośmiu godzin między obchodami. Sensor IoT mierzy to samo bez przerwy i wysyła alert kierownikowi utrzymania ruchu, zanim dojdzie do awarii, co daje realny czas na reakcję zamiast ręcznego przepisywania arkuszy. Zbudowanie takiego systemu wymaga wyboru miejsc w zakładzie, gdzie sensory faktycznie się opłacają, i uniknięcia założeń, które najczęściej zjadają efekt wdrożenia.

Czym sensor IoT różni się od zwykłego czujnika

Zwykły czujnik przekształca wielkość fizyczną, chemiczną lub biologiczną w sygnał, który może przetworzyć system automatyki. Internet Rzeczy (IoT) to sieć połączonych urządzeń, które zbierają i wymieniają dane bez stałego udziału człowieka. Jego przemysłowa odmiana, IIoT (przemysłowy Internet Rzeczy), obejmuje czujniki na maszynach, liniach technologicznych, instalacjach energetycznych i w logistyce.

Sensor IoT potrafi więcej od zwykłego czujnika. Przesyła wynik, daje się zdalnie skonfigurować i zasila system analityczny albo sterujący. Termometr czy miernik drgań staje się urządzeniem IoT dopiero wtedy, gdy jest połączony z systemem i uczestniczy w podejmowaniu decyzji.

Na hali produkcyjnej sensory IoT mierzą najczęściej:

• temperaturę, ciśnienie i wilgotność,
• drgania i prędkość obrotową,
• natężenie prądu i zużycie energii,
• przepływ cieczy lub gazu,
• położenie elementu, obecność produktu i poziom materiału,
• parametry środowiska pracy.

W pilotażowym badaniu GUS Internet Rzeczy był najczęściej wykorzystywaną zaawansowaną technologią wśród badanych firm przemysłowych. Korzystało z niego 43,2% przedsiębiorstw z celowo dobranej grupy (GUS, Przemysł 4.0, 2020). Dane dotyczą głównie 2019 roku, więc traktuj je jako obraz liderów cyfryzacji, a nie całego polskiego przemysłu.

Jak dane płyną od maszyny do decyzji

System IoT w zakładzie składa się z kilku warstw. Każda odpowiada za inny etap drogi od pomiaru do reakcji.

Warstwa	Zadanie	Przykładowe elementy
pomiarowa	rejestruje stan procesu	czujnik temperatury, drgań, ciśnienia
komunikacyjna	przesyła dane	Ethernet, Wi-Fi, 5G, LoRaWAN, OPC UA
brzegowa	analizuje dane lokalnie	bramka IoT, serwer brzegowy
analityczna	wykrywa wzorce i odchylenia	panel wskaźników, reguły alarmowe, model AI
wykonawcza	uruchamia reakcję	alert, zlecenie serwisowe, korekta procesu

Nie wszystkie dane muszą trafiać do chmury. Gdy maszyna wymaga reakcji w ułamku sekundy, sprawdza się przetwarzanie brzegowe (edge computing): dane analizuje urządzenie stojące blisko maszyny, a do centralnego systemu wysyła tylko wyniki i alerty.

Pomiary zasilają potem systemy, które zakład zwykle już ma:

• SCADA, czyli system nadzoru i zbierania danych z urządzeń,
• MES, czyli system zarządzania wykonaniem produkcji,
• ERP, czyli system planowania zasobów przedsiębiorstwa,
• system utrzymania ruchu i panel kierownika produkcji.

Kluczowe jest połączenie IT (aplikacje, bazy danych) z OT, czyli technologią operacyjną: maszynami, sterownikami PLC i liniami. Bez integracji IT i OT dane zostają zamknięte w pojedynczej maszynie i nikt z nich nie korzysta.

Porada datario.pl: zanim kupisz pierwszy sensor, narysuj mapę przepływu danych. Zapisz, skąd pochodzi pomiar, kto go odbiera, gdzie jest przechowywany i jaka decyzja z niego wynika. Jeśli na końcu nie ma działania, mierzysz parametr bez celu biznesowego.

Gdzie sensory IoT dają efekt na hali

Zastosowań jest kilka i każde odpowiada na inny problem produkcyjny.

• Monitorowanie stanu maszyn. Czujniki drgań, temperatury i prądu pokazują, że urządzenie pracuje inaczej niż wcześniej.
• Utrzymanie predykcyjne. Konserwację planujesz według przewidywanego stanu łożyska, silnika czy pompy, zamiast czekać na awarię albo trzymać się sztywnego kalendarza.
• Kontrola jakości. Sensory i wizja maszynowa sprawdzają wymiary, kolor, obecność komponentu i poprawność montażu.
• Identyfikowalność. Znaczniki RFID i skanery pozwalają odtworzyć historię partii: od dostawy surowca, przez maszynę i zmianę, po wysyłkę.
• Zarządzanie energią. Liczniki pokazują, które maszyny pobierają najwięcej prądu i czy pracują poza harmonogramem.
• Warunki pracy. Czujniki mierzą zapylenie, hałas czy obecność substancji. Jeśli jednak śledzą lokalizację pracowników, projekt wymaga analizy zgodności z RODO.

W kontroli jakości liczy się powiązanie wady z przyczyną. Gdy system zapisuje temperaturę pieca, wilgotność surowca, prędkość linii i numer partii, seria braków przestaje być zagadką. Czujnik zamontowany w złym miejscu zmierzy warunki, które na jakość wyrobu w ogóle nie wpływają, dlatego kalibracja i umiejscowienie są równie ważne jak sam sprzęt.

Polska wciąż goni średnią unijną. W 2021 roku Internetu Rzeczy używało 29% firm w UE zatrudniających co najmniej 10 osób, a w Polsce 19% (Eurostat, 2022).

Przypadek: czujnik drgań na pompie krok po kroku

Weźmy pompę, której awarie łożyska zatrzymują linię i mają powtarzalny przebieg.

Przed zmianą technik raz na zmianę obchodzi halę z ręcznym miernikiem drgań, wpisuje wynik do arkusza, a kierownik utrzymania ruchu zbiera arkusze i porównuje je z poprzednimi tygodniami. Między pomiarami mija więc do 8 godzin, czyli cała zmiana, a trend widać dopiero przy zestawieniu kilku kartek. Łożysko może się zatrzeć między dwoma obchodami.

Odróżnij przy tym prosty alarm od modelu predykcyjnego. Alarm reaguje na przekroczenie progu. Model analizuje kilka zmiennych naraz i wychwytuje stopniową zmianę zachowania, zanim wskaźnik przekroczy próg. Model predykcyjny działa tylko wtedy, gdy w danych historycznych są opisane zarówno okresy normalnej pracy, jak i awarie.

Po zmianie proces wygląda tak:

1. Czujnik drgań mierzy amplitudę w sposób ciągły.
2. System porównuje wynik z historią pracy pompy.
3. Algorytm wykrywa odchylenie od typowego profilu.
4. Kierownik utrzymania ruchu dostaje alert od razu po wykryciu zmiany.
5. Technik sprawdza łożysko podczas najbliższego planowanego postoju.
6. Wymiana odbywa się przed awarią, bez zatrzymywania produkcji.

Zyskujesz dwie rzeczy. Znika luka między odczytami, a z pracy technika i kierownika wypada ręczne przepisywanie i porównywanie arkuszy. Te same dane zasilają też OEE, czyli całkowitą efektywność wyposażenia, która łączy dostępność maszyny, jej wydajność i jakość wyrobów. Jeśli pracujesz metodami ciągłego doskonalenia, takie pomiary dobrze uzupełniają narzędzia Lean i Six Sigma.

Porada datario.pl: przez kilka tygodni zbieraj dane z jednej maszyny bez żadnej automatycznej reakcji. Sprawdź, czy pomiary naprawdę odróżniają normalną pracę od stanu przedawaryjnego. Dopiero wtedy ustawiaj alerty i zamawiaj model, a obok prowadź kartę danych z nazwą parametru, jednostką, częstotliwością pomiaru i sposobem oznaczania awarii.

Błędy, które zjadają efekt wdrożenia

Najczęstsze pułapki wynikają z przekonań, a nie z samej techniki:

• Im więcej sensorów, tym lepiej. Każdy pomiar podnosi koszt, obciążenie sieci i wymagania wobec przechowywania danych. Liczy się jego wartość informacyjna.
• IoT sam obniży koszty. Alert bez procedury, osoby odpowiedzialnej i części zamiennych nie skróci przestoju.
• Podłączymy i od razu będzie predykcja. W pierwszym etapie zwykle dostajesz monitoring i analizę opisową, a prognozy później.
• Każdy czujnik bezprzewodowy się nada. Temperatura, zapylenie, zakłócenia elektromagnetyczne i sposób zasilania mocno zawężają wybór.
• Chmura rozwiąże wszystko. Nie zastąpi lokalnego sterowania ani planu na wypadek utraty łączności.
• Cyberbezpieczeństwo to sprawa działu IT. Podłączona maszyna jest elementem sieci, a jej podatność może zatrzymać produkcję.

Większość nieudanych projektów IoT zawodzi na etapie organizacji pracy wokół danych, dlatego procedury reakcji planuj równolegle z zakupem sprzętu.

Jak wdrożyć sensory i zmierzyć efekt

PARP wskazuje, że dobre rozpoznanie potrzeb i trafny wybór rozwiązania należały do najważniejszych czynników sukcesu projektów cyfryzacyjnych (PARP, 2024). Praktyczna kolejność wygląda tak:

1. Wybierz jeden problem: przestoje, braki, energię albo śledzenie materiałów.
2. Zmierz punkt wyjścia, na przykład czas przestojów, liczbę braków i czas ręcznego raportowania.
3. Wybierz tylko te parametry, które mogą wyjaśnić problem.
4. Sprawdź sterowniki, sieć, protokoły i możliwości zasilania.
5. Uruchom pilotaż na jednej maszynie lub jednym procesie.
6. Porównaj pomiary z odczytami referencyjnymi.
7. Ustal, kto dostaje alert i co ma zrobić.
8. Połącz dane z MES, ERP lub systemem utrzymania ruchu.
9. Przeszkól operatorów z czytania i weryfikacji alertów.
10. Rozszerzaj system dopiero po potwierdzeniu efektu.

Efekt oceniaj kilkoma wskaźnikami:

• czasem nieplanowanych przestojów,
• średnim czasem naprawy i czasem między awariami,
• OEE,
• liczbą braków,
• zużyciem energii na jednostkę produktu,
• czasem przygotowania raportu.

Do rachunku zwrotu dolicz koszt sensorów, montażu, integracji, przechowywania danych, szkoleń i utrzymania. Po stronie korzyści postaw wartość ograniczonych przestojów, braków i ręcznej pracy. Sposób liczenia takich oszczędności rozwija wpis o tym, gdzie szukać oszczędności w kosztach pracy.

Uczciwy pomiar oddziela efekt IoT od innych zmian w zakładzie.