AI na hali produkcyjnej: Jak połączyć modele językowe z fizycznymi maszynami

Gdy otwierasz LinkedIna albo serwisy technologiczne, sztuczna inteligencja jawi się jako wszechpotężna, niemal magiczna siła. Modele językowe piszą eseje, generują fotorealistyczne wideo, zdają egzaminy medyczne i analizują tysiące umów prawnych w ułamku sekundy. Wszystko to dzieje się w sterylnym, klimatyzowanym świecie chmury obliczeniowej.

A potem o szóstej rano wchodzisz na halę przemysłową w zakładzie recyklingu.

W powietrzu unosi się specyficzny zapach rozgrzanego oleju hydraulicznego i pyłu. Zespół przenośników taśmowych transportuje tony sprasowanego surowca. Nagle rozlega się głośny sygnał alarmowy, na wieży sygnalizacyjnej zapala się czerwone światło, a linia staje w miejscu. Na pulpicie operatorskim miga lakoniczny komunikat: „Błąd 0x4A: Przekroczenie prądu przeciążeniowego silnika M3. Blokada sekcji 2”.

W tym momencie cały ten marketingowy szum wokół AI zderza się z twardą, fizyczną ścianą. Żaden chatbot nie weźmie klucza francuskiego, nie wejdzie pod podest technologiczny i nie wymieni zatartego łożyska. Prawa fizyki, brud, wibracje i zużycie mechaniczne są absolutnie odporne na generatywne promptowanie.

Czy to oznacza, że nowoczesne narzędzia AI są w przemyśle bezużyteczną zabawką? Absolutnie nie. Oznacza to jedynie, że musimy przestać traktować AI jak wyrocznię, a zacząć jak precyzyjne narzędzie diagnostyczne w torbie technika.

Gdzie kończy się chmura, a zaczyna fizyka

Podstawowy problem z wdrażaniem sztucznej inteligencji w fizycznym świecie polega na różnicy natur obu środowisk.

Świat modeli językowych (LLM) jest probabilistyczny — operuje na prawdopodobieństwie wystąpienia kolejnego słowa. Jeśli model pomyli się o 5% w streszczeniu artykułu, nikt nie ucierpi. Świat przemysłu i automatyki (sterowniki PLC, sieci Profinet, obwody bezpieczeństwa Safety) jest deterministyczny. Sygnał z wyłącznika krańcowego albo jest, albo go nie ma. Logika drabinkowa w sterowniku Siemens czy Omron nie dopuszcza „halucynacji”. Jeden błąd logiczny w sterowaniu prasą może zniszczyć formę wartą setki tysięcy złotych albo zagrozić życiu operatora.

Dlatego łączenie AI z maszynami nie polega na wpuszczaniu modelu językowego do bezpośredniego sterowania przekaźnikami w czasie rzeczywistym. Polega na zbudowaniu inteligentnego mostu informacyjnego pomiędzy maszyną a technikiem.

Oto cztery realne, pragmatyczne zastosowania, które wdrażam i testuję w codziennej praktyce utrzymania ruchu:

1. Inteligentny tłumacz DTR (Dokumentacji Techniczno-Ruchowej)

Każda nowoczesna linia przemysłowa to kilkadziesiąt opasłych segregatorów. Tysiące stron schematów elektrycznych, pneumatycznych, wykazów części zamiennych i instrukcji w języku niemieckim, włoskim czy angielskim.

Gdy o 2:30 w nocy dochodzi do awarii zaworu proporcjonalnego na stacji hydraulicznej, technik nie ma czasu wertować 600-stronicowej DTR-ki w poszukiwaniu tabeli z kodami błędów cewek. Tutaj lokalny model RAG (Retrieval-Augmented Generation), „nakarmiony” kompletną dokumentacją maszyn zakładu, działa jak objawienie.

Technik wyciąga tablet lub telefon i pisze: „Linia sortowania, prasa kanałowa, błąd E-24. Zawór YV-12 nie osiąga pozycji bazowej. Podaj numer bezpiecznika w szafie R-3 i zalecaną rezystancję cewki według schematu.”

W trzy sekundy otrzymuje precyzyjną odpowiedź: „Bezpiecznik F18 (sekcja 4B w szafie R-3). Prawidłowa rezystancja cewki zaworu wynosi 24,5 Ohm. Jeśli rezystancja spada poniżej 18 Ohm, sprawdź stan wtyczki Hirschmann pod kątem zaolejenia.”

To nie zastępuje myślenia technika. To oszczędza 45 minut bezproduktywnego szukania dokumentacji, skracając przestój linii o połowę.

2. Odczyt i semantyczna analiza logów przemysłowych

Nowoczesne sterowniki PLC i falowniki rejestrują tysiące zdarzeń na sekundę. Kiedy dochodzi do tzw. „awarii widmo” — linia sporadycznie wyłącza się raz na dwa dni bez wyraźnego powodu — analiza surowych plików CSV z logami jest dla człowieka koszmarem.

LLM radzą sobie z tym zadaniem fenomenalnie. Podając modelowi wyeksportowany fragment logów z magistrali komunikacyjnej (np. Modbus TCP czy Profinet), możemy poprosić o analizę sekwencji czasowej: „Znajdź anomalie czasowe pomiędzy sygnałem potwierdzenia obecności detalu z fotokomórki B12 a impulsem załączenia sprzęgła elektromechanicznego w ostatnich 200 cyklach.”

Model w ułamku sekundy wyłapuje, że w 3 przypadkach czas odpowiedzi czujnika opóźnił się o 120 milisekund — co wskazuje na zabrudzenie optyki lub początek uszkodzenia przewodu w łańcuchu kablowym.

3. Asystent generowania skryptów i automatyzacji raportów

Wielu świetnych techników i automatyków ma doskonałe wyczucie mechaniki i elektrotechniki, ale nie pisze płynnie kodu w Pythonie czy skryptów bashowych do parsowania danych telemetrycznych.

AI działa tutaj jako wzmacniacz kompetencji. Potrzebujesz zintegrować dane z przetwornika temperatury z bazą SQLite i wyświetlić prosty wykres trendu w przeglądarce? Zamiast spędzać dwa dni na forach programistycznych, formułujesz zapytanie techniczne i w 5 minut masz gotowy szkielet działającego kodu, który po drobnej adaptacji wykonuje zadanie.

4. Predictive Maintenance oparty na mikromodelach

W utrzymaniu ruchu kluczem jest przejście od naprawiania awarii (reakcja) do przewidywania usterek (predykcja). Doświadczony technik potrafi przyłożyć dłoń do korpusu pompy i powiedzieć: „to łożysko zaraz padnie, bo ma inną wibrację”.

Łącząc tanie akcelerometry MEMS i czujniki prądowe Halla z mikro-modelami uczenia maszynowego (TinyML uruchamianymi bezpośrednio na mikrokontrolerach ESP32 czy Raspberry Pi), możemy wyposażyć każdą kluczową maszynę w takie „elektroniczne ucho”. Model uczy się profilu wibracji zdrowego napędu i alarmuje technika na tygodnie przed tym, zanim łożysko ulegnie zatarciu i zablokuje wał.

Pętla zwrotna zawsze zamyka się na człowieku

Najważniejsza konkluzja z pracy na fizycznej linii produkcyjnej jest jedna: sztuczna inteligencja jest tak dobra, jak dane, które do niej wprowadzisz, i ręce, które wdrożą jej wnioski.

Nawet najbardziej zaawansowany algorytm predykcyjny jest bezradny, gdy wtyczka M12 zaśniedzieje, a czujnik indukcyjny zostanie wygięty przez kawałek blachy na taśmie. Przyszłość przemysłu i automatyki nie należy do marzycieli wierzących w „fabryki bez ludzi”, ani do konserwatystów odrzucających cyfrowe narzędzia.

Należy do wszechstronnych techników i praktyków, którzy potrafią jedną ręką trzymać multimetr i klucz dynamometryczny, a drugą sprawnie posługiwać się modelami sztucznej inteligencji. To właśnie jest sedno interdyscyplinarności, o której piszę na tym blogu.