Jak propojit provoz stroje, konfiguraci a servisní rozhodování do jedné platformy
Projekt PEGAS-GONDA byl zadán jako vytvoření prototypu digitální platformy, která nebude řešit jen samotný sběr dat ze stroje, ale i centrální analytiku, monitoring, vzdálenou konfiguraci řezných programů a budoucí datový základ pro prediktivní údržbu.
Klíčovým cílem bylo ověřit, zda lze vytvořit funkční, vícevrstvé řešení použitelné v pilotním provozu a současně dostatečně připravené pro další rozšiřování. Nešlo tedy o izolovanou aplikaci, ale o první krok k digitální službě, která může dlouhodobě podporovat výrobce strojů, servis i zákaznické provozy.
Výsledkem je škálovatelný prototyp propojující edge vrstvu, datovou infrastrukturu, API, dashboardy a uživatelské rozhraní pro operátory a techniky.
Ukázky řešení
Jak řešení funguje
Sběr dat ze stroje
Systém průběžně získává důležité informace o chodu pily, například v jakém režimu stroj pracuje, kolik řezů provedl nebo zda hlásí chybu. Díky tomu má obsluha i servis lepší přehled o tom, co se na stroji právě děje.
Uložení a přenos dat
Nasbíraná data se bezpečně ukládají a přenášejí do systému, kde jsou připravená pro další zobrazení a vyhodnocení. To vytváří spolehlivý základ pro přehledy, statistiky i budoucí chytré funkce.
Webové rozhraní pro uživatele
Uživatel pracuje s daty přes přehledné webové prostředí. Na jednom místě vidí stav stroje, může spravovat řezné programy, prohlížet historii a pracovat s technickými informacemi o jednotlivých strojích.
Přehledy a chytré vyhodnocení
Systém zobrazuje vývoj provozu v čase a pomáhá odhalit neobvyklé chování stroje. Díky ukládání historie dat může do budoucna sloužit i jako základ pro včasné upozornění na opotřebení nebo servisní problém.
Co bylo součástí řešení
Systém umožňuje evidovat hlavičky programů, řádky a segmenty řezů, importovat a exportovat CSV/JSON a využívat validační pravidla pro rozsahy úhlů, délek a dalších parametrů.
Řešení zobrazuje aktuální stavy stroje, časové grafy výkonu, cyklů, řezů a chybových stavů. Dashboardy slouží operátorům, technikům i managementu jako společný provozní pohled.
Součástí platformy je katalog výrobců a strojů s technickými parametry, rozměry, napájením a dalšími kategoriemi dat. Zahrnuje i automatizovaný import z PDF dokumentace.
Projekt vytvořil metodický a datový základ pro RUL predikci otupení pilového pásu. To je důležité zejména pro další etapu, kdy se nad historickými daty budou ověřovat konkrétní modely a servisní scénáře.
Použité technologie
MQTT / JSON
InfluxDB
Redis
FastAPI
Vue 3
Grafana
Docker Compose
Co klient získal
Digitální základ pro servisně orientované služby
Klient získal funkční prototyp, který centralizuje know-how o strojích, programech a provozních datech. To je důležité pro budoucí servisní nabídku i pro rozvoj digitálních služeb kolem vlastních strojů.
Rychlejší reakci na provoz a servis
Monitoring a dashboardy přinášejí transparentnější pohled na stav stroje, trend výkonu a chybové souvislosti. Zkracuje se tím čas potřebný k identifikaci problémového provozu a zlepšuje návaznost mezi konfigurací a skutečným výsledkem řezání.
Silný základ pro další škálování a AI
Projekt vytvořil připravenou datovou a architektonickou vrstvu pro rozšíření na více strojů a lokality, napojení na další systémy a budoucí zavedení AI scénářů včetně prediktivní údržby.
Využitelnost v praxi
- centrální dohled nad provozními daty pásových pil
- vzdálené vytváření, úprava a validace řezných programů
- rychlejší servisní diagnostika a přístup k historii provozu
- sjednocený pohled pro operátora, technika i management
- správa katalogu strojů a technických parametrů v jednom systému
- příprava podkladů pro KPI reporting a další AI use-cases
Škálovatelnost a další rozvoj
- lokální režim pro samostatný stroj
- skupinový režim pro více strojů v jedné síti
- cloudové nebo oblastní řízení napříč lokalitami
- centrální server výrobce pro konsolidaci dat a analytiku
- další napojení na MES/ERP a standardizované KPI reporty
- postupný přechod od pilotu k omezené produkci a komerčnímu škálování
Důležitá poznámka k další etapě
Řešení je připravené pro pilotní ověření a další rozvoj, ale prediktivní modely údržby jsou zatím ve fázi metodiky a datového základu. Pro plný produkční provoz bude důležité uzavřít KPI měření, sjednotit značení servisních událostí, doplnit bezpečnostní baseline a nastavit produkční provozní režim.
Právě v tom je hodnota test-before-invest přístupu: klient získal ověřenou platformu, na které lze dál bezpečně stavět, aniž by se předem investovalo do plně produkčního řešení bez ověření reálného provozního přínosu.
Chcete-li o službě vědět více, kontaktujte nás
Rádi s vámi probereme, jak lze obdobný přístup využít pro monitoring strojů, vzdálenou konfiguraci výrobních procesů, dashboardové řízení provozu nebo přípravu dat pro prediktivní údržbu.