Domluvit ukázku
AI · Sekce 03

Vidíme zmetkovitost přicházet

Zmetkovitost vás stojí miliony. My ji nejen měříme - my ji vidíme přicházet a dáme vám čas zasáhnout, než se rozjede. Tradiční reporty vám řeknou, kolik zmetků jste vyrobili včera. Náš systém vám řekne, co se děje teď a kam to směřuje. Abyste mohli reagovat dřív, než dopad doroste do plné velikosti.

Součást TPM Analytics Spike + Creep detekce Backtest před produkcí
Problém

Souhrnné číslo přijde pozdě

  • Zmetkovitost se měří - ale detekuje se až ve chvíli, kdy je škoda hotová.
  • Denní report ukáže, že linka 7 měla špatný den. Směna je už ztracená.
  • Plíživý nárůst (creep) je nejnebezpečnější - týdny si toho nikdo nevšimne, pak „bum" a kvartál je v háji.
  • Akční plány se píší reaktivně - „stalo se X, uděláme Y" místo „stane se X, předejdeme tomu".
  • Příčiny se hádají na schůzce kvality - nikdo nemá tvrdá data, kdy přesně to začalo a co se v té době měnilo.

Náklady: pozdní detekce = celé směny zmetků, reaktivní řešení = řešíte následek, ne příčinu, hádky o root cause = ztracený čas, opakující se incidenty = chybí systematické učení.

Jak to funguje

Tři vrstvy ochrany proti zmetkovitosti

01
Detekce v reálném čase
Systém kontinuálně monitoruje zmetkovitost na úrovni pracoviště, pracoviště × produkt, stanice × produkt.
02
Příčinová analýza
Korelace s atributy (operátor, směna, produkt, materiál, nástroj, prostředí). Srovnání s historií. Návaznost na otevřené audit findings.
03
Akční plán
Detekovaná anomálie nezůstává viset v dashboardu. Napojuje se na váš akční plán a sleduje životní cyklus od otevření po archivaci.
Detekce dvou typů odchylek

Spike a Creep

Náhlé skoky vidí každý dashboard. Plíživý drift ne. AI hlídá oba - a u creepu pošle alert hodiny až dny dřív, než se nárůst projeví v denním reportu.

↑
Spike
Náhlý prudký nárůst

Něco se právě teď zvrtlo. Klasický příklad: výměna nástroje proběhla špatně, parametr se posunul, materiál z jiné šarže má jinou kvalitu.

Alert během minut, ne dnů. S informací: kde, kdy přesně, jak moc nad normální stav, jak jistá je detekce.
↗
Creep
Plíživý drift

Pomalý, postupný nárůst. Oko v reportech ho přehlédne. Příklady: opotřebení formy, postupný drift kalibrace, sezónní vliv (teplota, vlhkost).

Alert ve chvíli, kdy je trend statisticky průkazný, typicky hodiny až dny PŘED tím, než se to projeví v denním reportu.
Scénáře z provozu

Čtyři situace, kdy AI ušetří směnu

Scénář A · Spike

Po výměně nástroje

  • 14:23 Mistr vyměnil nástroj na lince 3.
  • 14:31 Systém detekuje spike na (Linka 3, Produkt X).
  • 14:33 Alert mistrovi: „Spike, 4,2× nad baseline, jistota 91 %, doba 8 min."
  • 14:34 Mistr zkontroluje nástroj. Upínací moment o 12 N·m nižší než SOP.
  • 14:42 Doseřízeno. Spike se uzavírá automaticky.
Bez systému: spike trvá celou směnu, ztráta cca 280 ks.
Se systémem: zachyceno za 10 minut, ztráta cca 25 ks.
Scénář B · Creep

Plíživý drift formy

Po 18 dnech od poslední výměny formy začne baseline zmetkovitosti pomalu růst - z 0,8 % na 1,1 % během 4 dnů. V denním reportu si toho nikdo nevšimne (je to v rámci „normálního" kolísání). Systém ale detekuje change point.

Den 22: alert technologovi. Naplánuje preventivní výměnu formy o týden dřív, než původně. Problém vyřešen, dokud byl malý.
Scénář C · Sezónní vliv

Vzor z historie

Systém v rámci učení rozpozná, že každý rok v období konce léta roste zmetkovitost na produktu Z. Najde korelaci s teplotou v hale. Doporučí preventivní opatření (klimatizace, úprava parametrů) měsíc předem, na základě historického vzoru.

Scénář D · Audit propojení

Korelace mezi signály

Zmetkovitost na pracovišti 5 roste. Systém v korelaci najde, že ve stejné době byly zaznamenány 3 otevřené audit findings v kategorii „kalibrace měřáků". Spojí oba signály. Alert: „Spike koreluje s findings #4521, #4523. Zvažte přednostní vyřešení."

Typy detekce

Čtyři kategorie odchylek

Spike
Náhlý skok
Něco se právě teď zvrtlo. Špatně utažený nástroj, kontaminace, jiná šarže materiálu.
Creep
Plíživý drift
Pomalý, postupný nárůst - nejnebezpečnější forma. Opotřebení formy, drift kalibrace, sezónní vliv.
Change point
Skoková změna baseline
Stabilní hodnota se posune. Změna dodavatele materiálu, nový operátor, jiný nástroj.
Korelace
Vztah s jiným atributem
Zmetkovitost × operátor / nástroj / čas / teplota. Systém najde, co spolu souvisí.
Životní cyklus incidentu

Od detekce po archivaci

Pokud se metrika vrátí k baseline sama, systém incident auto-resolved. Nezatěžuje vás manuálním uzavíráním samočinně vyřešených problémů.

Otevřený
Detekováno systémem.
Vyšetřuje se
Přiřazený mistr nebo technolog.
Potvrzená příčina
Root cause + corrective action.
Vyřešený
Metrika vrácena k baseline + ověřeno.
Archivovaný
Kontext pro budoucí podobné incidenty.
Backtest

Žádný black box

Před nasazením do produkce si můžete spustit backtest - systém se naučí na vašich datech a ukáže vám, jaké incidenty by detekoval v minulosti. Vidíte hit rate, false positives, latenci detekce. Před produkcí společně doladíme balanc.

Citlivost Víc alertů × míň false positives, ladí se per zákazník.
Aktivní hodiny Ignoruj víkendy, pokud nevyrábíte.
Per pracoviště Některé linky můžou být vyňaté nebo mít vlastní práh.
Guardrails

Co AI NEdělá

Detekce ≠ rozhodnutí
Systém detekuje anomálii. Zda je to skutečný problém, potvrzuje mistr.
Nepřepisuje prahy kvality
AI je doplnění, ne náhrada CL/UCL/LCL z vaší kvality. Funguje paralelně.
Není to magie
Detekce je statistická, s jasnými parametry. Každý alert má confidence skóre, baseline, p-value.
Nedělá závěry o příčině
Korelace ≠ kauzalita. Systém ukáže, co spolu souvisí. Příčinu interpretuje technolog.
Nezavírá incident bez ověření
Auto-resolve nastane jen když se metrika vrátí k baseline. Standard je manuální resolve s root cause.
Není anti-pracovník
Systém detekuje odchylku v procesu, ne ve výkonu operátora. Není disciplinární nástroj.
Vstupní data

Co systém potřebuje

Produkční data z MES Počet vyrobených kusů a zmetků, time-stamped na úroveň minut.
Kontext zmetku Pracoviště, stanice, produkt, operátor, směna, nástroj, šarže.
Katalog důvodů zmetků Vaše kategorizace defektů, per zákazníka.
Master data Hierarchie pracoviště → stanice, produkty, operátoři, směny.

Technické předpoklady: nasazená platforma AMS, MES s real-time tokem (typicky 5min agregace), granularita scrap reportingu na úroveň (pracoviště, produkt, stanice), minimálně 3 měsíce historických dat pro učení baseline.

FAQ

Co se nás ptají nejčastěji

Systém potřebuje minimálně 3 měsíce pro učení baseline. Pokud data nemáte, nasadíme nejdříve sběr a AI se zapne, až je data dost.

Ano. Systém má vestavěné prahy minimálního počtu non-zero bodů - nehlásí false positives na pracovištích s mizivým výkonem.

Citlivost je konfigurovatelná per zákazník i per pracoviště. Před produkcí spustíme backtest a ukážeme, kolik alertů byste dostali na historických datech. Společně doladíme balanc.

Doplňkově. Vaše CL/UCL/LCL z SPC zůstávají. AI detekuje to, co statistická kontrola minout (creep pod hranicí, kombinované signály).

Systém vám ukáže korelaci. Změna patří na supplier management - ale máte tvrdá data pro jednání s dodavatelem.

Ano. Detekce běží per tenant. Pokud máte více závodů v jednom tenantu, máte agregovaný pohled napříč.

Související

Omezování zmetkovitosti je také krok 6 ze 7 v metodice TPM (+5-15 % OEE). Opírá se o TPM Analytics (drill-down, finanční vyjádření) a Akční plán (5× Proč, Ishikawa, PDCA). Vstupy chodí z TPM&M.

Chcete vidět alert v akci?

Na 60 minut vám ukážeme, jak vypadá alert na drift dřív, než se projeví v týdenním výkazu.

Domluvit představení