Agentisk AI-lösning för avvikelsedetektering inom tillverkning

Utmaning

Produktionslinjen drabbades av 8-12 timmars oplanerat driftstopp per månad på grund av plötsliga stopp i CNC-maskiner utan tydlig grundorsak.

Detta ledde till:

missade leveranstider och böter
ökade arbetskostnader från oplanerad övertid
störningar i det noggrant synkroniserade produktionsflödet

Kunden behövde en prediktiv lösning som kunde upptäcka tidiga tecken på utrustningsfel, meddela mänskliga operatörer och förhindra kostsamma avbrott utan att lägga till manuell övervakningsbelastning.

Lösningen vi levererade

Vi byggde ett agentiskt AI-drivet system för avvikelsedetektering utformat kring en chef/arbetararkitektur, som speglar hur en produktionsledare övervakar ett team av specialister:

Chefsagent – orkestrerar processen och distribuerar inkommande CNC-maskindata till rätt arbetaragenter.
Arbetaragenter – agerar som fokuserade experter, där var och en tillämpar specialiserade verktyg för avvikelsedetektering och dataanalys.

Detekteringspipelinen kombinerade två kompletterande tillvägagångssätt:

Vektorsökningsdatabas

Inkommande sensoravläsningar omvandlas till inbäddningar och jämförs med ett bibliotek av historiska felmönster som lagras i en vektordatabas (Qdrant). Detta säkerställer att varje återkomst av ett känt problem flaggas omedelbart.

Temporal LSTM-modell

För problem som systemet inte har sett tidigare analyserar en djupinlärningsmodell (LSTM) tidsseriedata för att upptäcka tidiga varningssignaler för framväxande avvikelser.

Resultat från båda metoderna slås samman till en enda konfidenspoäng. När tröskelvärden överskrids får operatörerna omedelbara aviseringar via Slack eller e-post, vilket möjliggör proaktiva åtgärder innan driftstopp inträffar.

Implementeringsmetod

För att säkerställa att systemet var robust, säkert, och produktionsklart, distribuerade vi det med en modern molnbaserad stack:

Apache Kafka – hanterade dataströmning i realtid från CNC-maskiner till AI-motorn.
OAuth2 med JWT – upprätthöll säker åtkomst till känsliga maskindata och larm.
Docker-containerisering – säkerställde skalbarhet, portabilitet och smidig integration i kundens befintliga övervakningsmiljö.
Centraliserad loggning och övervakning (via Prometheus och Grafana) – gav full transparens i modellbeslut och systemhälsa.

Denna kombination gav kunden ett system som kontinuerligt lär sig och integreras sömlöst i den dagliga verksamheten. Detta minskar risken för driftstopp och bygger en grund för fortlöpande operativ förbättring.

Kundens resultat

Den implementerade AI-lösningen:

eliminerade driftstopp från alla tidigare kända felscenarier genom att förutsäga dem innan de inträffade
möjliggjorde proaktiv underhållsplanering, vilket minskade störningar i sista minuten
skapade ett system som ständigt lär sig — LSTM-modellen förbättras med varje nytt felfall, vilket säkerställer framtida minskningar av driftstopp
levererade en säker, skalbar och lättunderhållen lösning integrerad i kundens befintliga övervakningsstack

Agentbaserad AI-lösning för avvikelsedetektering inom tillverkning

Om kunden