Agentisk AI-løsning for avviksdeteksjon i produksjon

Utfordring

Produksjonslinjen opplevde 8–12 timer med uplanlagt nedetid per måned på grunn av plutselige stopp i CNC-maskiner uten en klar grunnårsak.

Dette førte til:

tapte leveringsfrister og bøter
økte arbeidskostnader fra uplanlagt overtid
forstyrrelse av den tett synkroniserte produksjonsflyten

Kunden trengte en prediktiv løsning som kunne oppdage tidlige tegn på utstyrsfeil, varsle menneskelige operatører og forhindre kostbare avbrudd uten å legge til manuell overvåkning.

Løsningen vi leverte

Vi bygde et agentisk AI-drevet system for avviksdeteksjon designet rundt en manager/worker-arkitektur, som speiler hvordan en produksjonsleder overvåker et team av spesialister:

Manager-agent – orkestrerer prosessen og distribuerer innkommende CNC-maskindata til de riktige worker-agentene.
Worker-agenter – fungerer som fokuserte eksperter, der hver anvender spesialiserte verktøy for avviksdeteksjon og dataanalyse.

Deteksjonspipelinen kombinerte to komplementære tilnærminger:

Vektorsøkdatabase

Innkommende sensoravlesninger omdannes til embeddinger og sammenlignes med et bibliotek av historiske feilmønstre lagret i en vektordatabase (Qdrant). Dette sikrer at enhver gjentakelse av et kjent problem flagges umiddelbart.

Temporal LSTM-modell

For problemer som systemet ikke har sett før, analyserer en dyplæringsmodell (LSTM) tidsseriedata for å avdekke tidlige varselsignaler om nye anomalier.

Resultatene fra begge metodene slås sammen til en enkelt konfidenspoengsum. Når terskler overskrides, mottar operatører umiddelbare varsler via Slack eller e-post, noe som muliggjør proaktiv inngripen før nedetid oppstår.

Start med én maskin

Fortell oss hvilke maskiner som stopper uten forvarsel, og hvilke sensordata du allerede samler inn. Vi forteller deg om en AI-agent kan fange opp de tidlige tegnene, hvilke data den trenger, og hvor du bør begynne.

Snakk med en AI-ekspert

Implementeringstilnærming

For å sikre at systemet var robust, sikkert og produksjonsklart, distribuerte vi det med en moderne skynativ teknologistack:

Apache Kafka – håndterte sanntids datastrømming fra CNC-maskiner til AI-motoren.
OAuth2 med JWT – håndhevet sikker tilgang til sensitive maskindata og varsler.
Docker-containerisering – sikret skalerbarhet, portabilitet og smidig integrasjon i kundens eksisterende overvåkingsmiljø.
Sentralisert logging og overvåking (via Prometheus og Grafana) – ga fullt innsyn i modellens beslutninger og systemets helse.

Denne kombinasjonen ga kunden et system som kontinuerlig lærer og integreres sømløst i den daglige driften. Dette reduserer risikoen for nedetid og bygger et grunnlag for løpende driftsforbedring.

Kundens resultater

Den implementerte AI-løsningen:

eliminerte nedetid fra alle tidligere kjente feilscenarioer ved å forutsi dem før de oppstod
muliggjorde proaktiv vedlikeholdsplanlegging, som reduserte forstyrrelser i siste liten
skapte et system som kontinuerlig lærer — LSTM-modellen forbedres med hvert nye feiltilfelle, noe som sikrer fremtidige reduksjoner i nedetid
leverte en sikker, skalerbar og lett vedlikeholdbar løsning integrert i kundens eksisterende overvåkingsstack