Tensiunea de business
Fabrica nu avea nevoie doar de detectare vizuală. Avea nevoie de o legătură între defect, utilaj, lot, schimb, mentenanță și decizia de oprire sau continuare a producției.
Scenariu reprezentativ
Asterion Components
Inspecție calitate și mentenanță predictivă
Un sistem care combină inspecția vizuală cu istoricul de mentenanță și semnalele de utilaj pentru decizii de calitate mai rapide.
Problema: Defectele erau detectate târziu sau analizate izolat, fără corelare cu loturi, utilaje și intervenții.
Sistemul: Pipeline de imagini, clasificare defecte, risc downtime, ticketing mentenanță și dashboard pentru quality engineers.
Povestea brandului
Laura B., CEO și contextul deciziei
Asterion Components este o fabrică fictivă de componente metalice pentru echipamente industriale. Compania avea camere de inspecție, rapoarte de calitate și tichete de mentenanță, dar fiecare sursă era analizată separat.
Întâlnirea cu CEO-ul a pornit după un lot blocat târziu: defectul fusese observat de operator, dar nu fusese corelat cu utilajul, schimbul și variațiile de vibrație din ziua respectivă.
04:48
Thumbnail video
Cum legăm defectele vizuale de downtime risk și decizii de mentenanță
Baseline operațional
Înainte de model, clarificăm unde se rupe fluxul: surse, excepții, decizii, validări și responsabilități.
Imagini de control calitate, rapoarte MES și tichete mentenanță în sisteme separate.
Operatorii notau defecte recurente, dar analiza cauzei se făcea manual.
Decizia de blocare lot era lentă și greu de justificat ulterior.
Cum folosim AI-ul
AI-ul este împărțit în funcții verificabile: extrage, clasifică, compară, recomandă și explică. Deciziile critice rămân controlabile.
Date și integrări
Camere inspecțieMESERP loturiSenzori utilajTichete mentenanțăRapoarte calitate
Arhitectură livrată
1Image ingest
2Defect classifier
3MES/ERP lookup
4Risk model
5Quality review UI
6Maintenance connector
Workflow implementat
Imaginea piesei este analizată, defectul este clasificat, sistemul caută pattern-uri pe utilaj și lot, iar inginerul decide blocare, retestare sau intervenție.
Captură imagine și clasificare defect cu scor de încredere.
Asociere automată cu lot, utilaj, schimb și parametri de producție.
Căutare pattern-uri în istoric pentru defecte similare.
Inginerul validează severitatea și acțiunea recomandată.
Sistemul creează tichet, blochează lotul pentru review sau actualizează dashboardul.
Metrici urmărite după implementare
Nu tratăm AI-ul ca feature izolat. Fiecare sistem are indicatori operaționali urmăriți după pilot.
Valorile sunt ținte operaționale și se calibrează pe datele clientului în etapa de prototip.
Timp detectare
defecte semnalate în flux, nu doar la final
Rebut evitat
loturi oprite înainte de extinderea defectului
False positives
defecte marcate eronat și recalibrare model
Downtime risc
intervenții planificate înainte de oprire neplanificată
Control și guvernanță
Defectele critice cer validare de inginer înainte de decizie operațională.
Modelele sunt calibrate separat pe linie, utilaj și tip piesă.
Fiecare decizie păstrează imaginea, scorul, sursele și aprobarea.
Rollout realist
Selectare linie și 2-3 tipuri de defecte cu volum suficient.
Etichetare imagini istorice și calibrare cu quality engineers.
Pilot shadow pe producție reală fără opriri automate.
Integrare ticketing și reguli pentru blocare lot doar după validare.
Ce livrează ETS
Clasificator defecteReview UIModel risc downtimeConnector MES/ERPAudit decizii calitate
Etapizare
Cum se transformă scenariul într-un proiect controlat
Săpt. 1-2
Defect taxonomy
Definim defectele, severitatea și ce decizii pot fi automatizate.
Săpt. 3-5
Image model
Antrenăm și testăm clasificarea pe imagini istorice.
Săpt. 6-7
Corelare date
Legăm defectul de lot, utilaj, schimb și mentenanță.
Săpt. 8-10
Quality rollout
Activăm review UI și tichetele de mentenanță controlate.