Case Studies / Producent wind
PRODUKCJA & IOT · KONSERWACJA PREDYKCYJNA
Zastępowanie ręcznych inspekcji wind analizą sensorów opartą na AI
Producent wind potrzebował zrozumieć aktualny status i pozycję swoich dźwigów w terenie – informacji, które wcześniej były dostępne wyłącznie przez ręczne inspekcje lub interwencje serwisowe. We współpracy z partnerem IoT zbudowaliśmy modele ML wydobywające informacje o lokalizacji i stanie z minimalnych danych czujników, tworząc podstawy konserwacji predykcyjnej – nawet w środowiskach o niestabilnej łączności.
Klient: Producent wind (objęty NDA) – zrealizowane we współpracy z firmą produkującą sprzęt IoT.
Kluczowe wyniki
Minimalny
Zaprojektowany dla jak najmniejszej liczby czujników – skalowalny w całej flocie
Offline
Działa w środowiskach z ograniczoną łącznością (klatka Faradaya)
ML
Klasteryzacja + logika niestandardowa do wykrywania stanu i pozycji
PdM
Fundament konserwacji predykcyjnej w skali
BRANŻA
Produkcja
PRZYPADEK UŻYCIA
Wykrywanie lokalizacji i stanu windy
PODEJŚCIE AI
Klasteryzacja + logika niestandardowa
DANE
Dane czujników IoT (minimalny zestaw)
OGRANICZENIE
Ograniczona łączność / działanie offline
CEL
Fundament konserwacji predykcyjnej
Wyzwanie
Tradycyjna konserwacja wind opierała się na harmonogramie – technicy inspekowali urządzenia w stałych odstępach czasu, niezależnie od ich rzeczywistego stanu. Producent chciał przejść na konserwację predykcyjną: wykorzystywać dane w czasie rzeczywistym, by zrozumieć zachowanie każdej windy, wcześnie wykrywać anomalie i wysyłać serwis tylko wtedy, gdy jest potrzebny. Oznaczałoby to mniej zbędnych wizyt serwisowych, mniej przestojów i niższe koszty operacyjne w dużych portfelach nieruchomości.
Pierwszym krokiem był trudny problem techniczny: niezawodne określanie pozycji i stanu operacyjnego windy na podstawie danych z czujników. Ograniczenia były poważne. Szyby windowe tworzą efekt klatki Faradaya, który zakłóca łączność bezprzewodową. Połączenia z chmurą są niestabilne i nieoczekiwanie się urywają. Rozwiązanie musiało działać przy minimalnej liczbie czujników, by pozostawało ekonomicznie skalowalne na tysiące urządzeń. Nie było też oznaczonych danych treningowych – system musiał sam uczyć się wzorców z surowych odczytów czujników.
Kluczowy problem: producent nie miał zautomatyzowanego sposobu, by wiedzieć, co dzieje się z jego windami w terenie. Ręczne inspekcje były jedynym źródłem informacji o statusie – kosztowne, rzadkie i reaktywne. Samo fizyczne środowisko czyniło nawet podstawową łączność wyzwaniem.
Co zbudowaliśmy
Pracując ramię w ramię z partnerem IoT odpowiedzialnym za sprzęt i projekt urządzeń, skupiliśmy się na warstwie danych i inteligencji – przekształcaniu surowych sygnałów z czujników w znaczące informacje operacyjne.
Protokoły zbierania danych i wstępne przetwarzanie. Podejście do zbierania danych zaprojektowaliśmy od zera – definiując, co rejestrować, jak to strukturyzować i jak przetwarzać zaszumione dane czujników na użyteczne zbiory danych. Obejmowało to obsługę luk i opóźnień spowodowanych nieciągłą łącznością w środowiskach windowych.
Wykrywanie pozycji i stanu za pomocą ML. Korzystając z zaawansowanych algorytmów klasteryzacji wzbogaconych o niestandardową logikę dziedzinową, zbudowaliśmy modele wyznaczające aktualną pozycję piętra i stan operacyjny windy – jazda w górę, jazda w dół, postój, drzwi otwarte, drzwi zamknięte – na podstawie minimalnych danych wejściowych z czujników. Algorytmy zaprojektowano tak, aby działały bez etykiet ground truth, ucząc się wzorców bezpośrednio z danych.
Architektura działająca offline. Architektura rozwiązania została zaprojektowana tak, aby działała bez łączności z chmurą – przetwarzając i przechowując dane lokalnie, a następnie synchronizując je po przywróceniu połączenia. Było to kluczowe dla wdrożeń w rzeczywistych warunkach, gdzie szyby windowe regularnie blokują sygnały bezprzewodowe.
Minimalistyczny projekt sensoryczny dla skalowalności. Całe podejście zostało zoptymalizowane pod kątem jak najmniejszej liczby czujników na windę. Wyposażanie każdego urządzenia w rozbudowaną instrumentację w ramach dużej floty jest nieopłacalne. Udowodniliśmy, że z celowo ograniczonego zestawu czujników można wydobyć wartościowe informacje operacyjne – co czyni wdrożenie obejmujące całą flotę realnym.
Wyniki
PRZED
Brak zautomatyzowanej widoczności statusu wind. Konserwacja oparta na harmonogramie. Zgłoszenia serwisowe były reaktywne. Brak infrastruktury danych.
PO
Zautomatyzowane wykrywanie pozycji i stanu z danych czujników. Architektura działająca offline. Minimalny zestaw czujników zaprojektowany z myślą o skalowalności floty. Fundament konserwacji predykcyjnej.
Projekt dostarczył infrastrukturę do zbierania, przetwarzania danych i uczenia maszynowego, niezbędną do zrozumienia zachowania wind w terenie – fundamentalną warstwę dla konserwacji predykcyjnej. Producent zyskał zautomatyzowany wgląd w działanie wind, który wcześniej był możliwy tylko dzięki ręcznym inspekcjom.
Zastosowane podejście techniczne – wydobywanie wartościowych informacji z minimalnych czujników w środowiskach z ograniczoną łącznością, bez oznaczonych danych treningowych – pokazało zdolność theBlue.ai do pracy w rzeczywistych warunkach przemysłowych, a nie tylko w kontrolowanych warunkach laboratoryjnych.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
MEDTECH · APOQLAR
Czas realizacji kwestionariuszy bezpieczeństwa skrócony z miesiąca do tygodnia
Każdy nowy klient szpitalny wymagał wypełnionego kwestionariusza, 8–10 osób, około miesiąca, zbierając odpowiedzi z polityk różnych działów. Teraz asystent AI automatycznie tworzy odpowiedzi, oszczędzając szacunkowo 90 000 $/rok.
-75%
Czas realizacji
$90K
Roczne oszczędności
MEDTECH · APOQLAR
Wirtualny asystent GenAI zastępujący ręczne wyszukiwanie dokumentów
Pracownicy wsparcia spędzali godziny na przeszukiwaniu setek dokumentów produktowych, aby odpowiedzieć na pytania klientów i compliance. Teraz zadają pytania w języku naturalnym i otrzymują odpowiedzi z odniesieniami do źródeł w ciągu sekund.
RAG
Zintegrowany
Zarządzanie kontekstem
Zoptymalizowane