Agentisk AI-løsning til anomalidetektion i produktion

Udfordring

Produktionslinjen oplevede 8-12 timers uplanlagt nedetid om måneden på grund af pludselige CNC-maskinstop uden nogen klar grundårsag.

Dette førte til:

overskredne leveringsfrister og bøder
øgede lønomkostninger fra uplanlagt overarbejde
forstyrrelse af det tæt synkroniserede produktionsflow

Kunden havde brug for en forudsigende løsning, der kunne opdage tidlige tegn på udstyrssvigt, underrette menneskelige operatører og forhindre dyre afbrydelser uden at tilføje manuel overvågningsbyrde.

Løsningen vi leverede

Vi byggede et agentisk AI-drevet anomalidetektionssystem designet omkring en manager/worker-arkitektur, der afspejler, hvordan en produktionsleder overvåger et team af specialister:

Manager-agent – orkestrerer processen og fordeler indkommende CNC-maskindata til de rette worker-agenter.
Worker-agenter – fungerer som fokuserede eksperter, der hver især anvender specialiserede værktøjer til anomalidetektion og dataanalyse.

Detektionspipelinen kombinerede to komplementære tilgange:

Vektorsøgningsdatabase

Indkommende sensoraflæsninger omdannes til embeddings og sammenlignes med et bibliotek af historiske fejlmønstre gemt i en vektordatabase (Qdrant). Dette sikrer, at enhver gentagelse af et kendt problem markeres øjeblikkeligt.

Temporal LSTM-model

For problemer, som systemet ikke har set før, analyserer en deep learning-model (LSTM) tidsseriedata for at afdække tidlige advarselssignaler om nye anomalier.

Resultater fra begge metoder samles i en enkelt konfidensscore. Når tærskelværdier overskrides, modtager operatører øjeblikkelige notifikationer via Slack eller e-mail, hvilket muliggør proaktiv indgriben, før nedetid opstår.

Implementeringstilgang

For at sikre, at systemet var robust, sikkert og produktionsklart, implementerede vi det med en moderne cloud-native stack:

Apache Kafka – håndterede datastreaming i realtid fra CNC-maskiner til AI-motoren.
OAuth2 med JWT – håndhævede sikker adgang til følsomme maskindata og advarsler.
Docker-containerisering – sikrede skalerbarhed, portabilitet og problemfri integration i kundens eksisterende overvågningsmiljø.
Centraliseret logning og overvågning (via Prometheus og Grafana) – gav fuld gennemsigtighed i modelbeslutninger og systemets tilstand.

Denne kombination gav kunden et system, der løbende lærer og integreres problemfrit i den daglige drift. Dette reducerer risikoen for nedetid og skaber et fundament for løbende driftsforbedringer.

Kundens resultater

Den implementerede AI-løsning:

eliminerede nedetid fra alle tidligere kendte fejlscenarier ved at forudsige dem, før de opstod
muliggjorde proaktiv planlægning af vedligeholdelse, hvilket reducerede afbrydelser i sidste øjeblik
skabte et system, der løbende lærer — LSTM-modellen forbedres med hvert nyt fejltilfælde, hvilket sikrer fremtidige reduktioner i nedetid
leverede en sikker, skalerbar og let vedligeholdelig løsning integreret i kundens eksisterende overvågningsstak

Agentbaseret AI-løsning til anomalidetektion i produktion

Om kunden