Jak AI korzysta z danych Siemens Insights Hub i co robi z nimi dla ludzi z produkcji?

Siemens Insights Hub (dawniej MindSphere) zbiera dane z maszyn przez całą dobę. Problem jest jeden: te dane siedzą w platformie jako wykresy i tabele, a ludzie z produkcji potrzebują konkretnych odpowiedzi po polsku, nie przeklikiwania dashboardów. Integracja z AI działa tak, że agenci uruchomieni na Waszym własnym serwerze pobierają dane przez API Insights Hub i zamieniają je w raporty, alerty predykcyjne oraz odpowiedzi zrozumiałe dla brygadzisty, planisty czy kierownika zmiany.

Co Insights Hub zbiera i przechowuje w Waszym zakładzie

Insights Hub to platforma IIoT od Siemensa. Zbiera dane z maszyn podłączonych przez MindConnect Edge (bramka sprzętowa), przez SDK albo przez adapter OPC-UA. Na platformie lądują odczyty z czujników: temperatury, drgań, ciśnienia, poboru prądu, obrotów wrzeciona i dziesiątek innych parametrów. Każda maszyna to asset w hierarchii, każdy monitorowany parametr to aspekt z wartościami w czasie.

Platforma trzyma dane historyczne, obsługuje alarmy i zdarzenia, przechowuje pliki diagnostyczne i daje możliwość wizualizacji. To solidna baza danych z hali. Nie robi jednak jednej rzeczy: nie odpowiada po polsku na pytanie brygadzisty "dlaczego linia 3 miała dziś tyle przestojów i co z tym zrobić". Tu wchodzi AI.

Jakie dane pobieramy z Insights Hub i przez które API

Insights Hub udostępnia kilka usług API. Pracujemy głównie z trzema:

• Time Series Service: szeregi czasowe z czujników, z rozdzielczością do sekundy. Pobieramy wartości konkretnych aspektów dla wybranego assetu w zadanym oknie czasowym, na przykład temperaturę wrzeciona z ostatnich 8 godzin albo pobór prądu z całej zmiany.
• Asset Management API: hierarchia zakładu, lista maszyn, przypisane aspekty i typy assetów. Agenci wiedzą, co jest gdzie i jak poszczególne maszyny są ze sobą powiązane w strukturze zakładu.
• Event Service: zdarzenia i alarmy zarejestrowane przez platformę: przekroczenia progów, zatrzymania maszyn, potwierdzenia operatora, informacje o awariach.

Dostęp odbywa się przez tokeny OAuth 2.0. Agent AI uruchomiony na serwerze klienta uwierzytelnia się i pobiera dane przez HTTPS. Nic nie trafia poza serwer klienta: dane z Insights Hub przychodzą do agenta, tam są przetwarzane przez lokalny model językowy i stamtąd idzie gotowa odpowiedź do użytkownika w hali albo w biurze.

Pięć scenariuszy, w których agenci AI realnie pomagają na hali i w utrzymaniu ruchu

Nie ma sensu opisywać możliwości abstrakcyjnie. Oto konkretne przypadki, z którymi spotykamy się u klientów z branży produkcyjnej:

Alert predykcyjny przed awarią silnika

Agent co kilkanaście minut pobiera wartości drgań i temperatury łożysk z Time Series Service. Kiedy wzorzec odczytu zaczyna odbiegać od normy dla danej godziny i trybu pracy maszyny, agent wysyła powiadomienie na Teams albo SMS: "Silnik posuw lewy, linia 2: drgania rosną od 06:30, zalecany przegląd łożysk przed następną zmianą". Bez czekania na alarm z samej platformy, który zwykle przychodzi za późno, kiedy łożysko już się sypie.

Raport zmiany bez ręcznego wypełniania

O 14:00, kiedy zaczyna się zmiana II, agent pobiera dane z ostatnich 8 godzin: czasy pracy, przestoje, alarmy, odchylenia parametrów. Generuje gotową wiadomość na kanał Teams: "Zmiana I: 7h 12 min pracy efektywnej, 3 zatrzymania łącznie 48 min, dominująca przyczyna: wymiana narzędzia na centrum obróbczym nr 4". Kierownik zmiany dostaje to, zanim zdąży usiąść do biurka.

Analiza zużycia energii na maszynę

Planista pyta przez czat: "Które maszyny zużyły dziś więcej prądu niż w ubiegłym tygodniu?" Agent pobiera dane z aspektów energetycznych, porównuje tygodnie i odpowiada po polsku z listą maszyn i różnicą. Typowo odkrywamy maszyny pracujące jałowo po zakończeniu zlecenia, bo nikt nie wyłączył programu. Nie trzeba wchodzić na dashboard Insights Hub i przeklikiwać raportów.

Korelacja parametrów procesu z brakami jakościowymi

U jednego klienta z branży metalurgicznej odkryliśmy, że wzrost temperatury oleju hydraulicznego o więcej niż 8 stopni Celsjusza w ciągu jednej godziny poprzedzał partię z wymiarówką poza tolerancją. Insights Hub miał te dane od miesięcy. AI połączył je dopiero po integracji. Teraz agent ostrzega operatora, zanim partia trafi do kontroli jakości, a zdarzenie trafia automatycznie do karty przeglądu jakości.

Planowanie przeglądów na podstawie rzeczywistego zużycia

Zamiast kalendarza opartego na liczbie dni, agent liczy rzeczywiste godziny maszynowe i obciążenie pobrane z Asset Management API. Generuje co tydzień listę: które maszyny zbliżają się do limitu motogodzin, jaki zakres przeglądu jest zalecany i kto odpowiada za jego zaplanowanie. Utrzymanie ruchu dostaje to w poniedziałek rano w skrzynce lub na Teams, bez wchodzenia w CMMS i ręcznego aktualizowania tabelek.

Jak wygląda wdrożenie krok po kroku

Wdrożenie zaczynamy od mapowania: które assety w Insights Hub są dla Was najważniejsze, jakie dane z nich pobieramy i do kogo trafią odpowiedzi. To jedno, maksymalnie dwa spotkania z osobą znającą strukturę platformy po Waszej stronie.

• Krok 1: Dostęp do Insights Hub API: token techniczny z ograniczonymi uprawnieniami do konkretnych assetów, lista aspektów do monitorowania.
• Krok 2: Instalacja agenta AI na Waszym serwerze lub maszynie wirtualnej w sieci zakładu.
• Krok 3: Konfiguracja zapytań: co pobieramy, jak często, z jakich maszyn i za jaki przedział czasu.
• Krok 4: Konfiguracja reguł alertów i raportów: progi, harmonogramy, treść komunikatu, odbiorcy.
• Krok 5: Podłączenie kanałów powiadomień: Teams, e-mail, SMS albo terminal na hali.

Nie ruszamy konfiguracji samego Insights Hub. Nie potrzebujemy dostępu do konta administratora platformy. Wystarczy token z odpowiednimi uprawnieniami. Typowy czas od pierwszego spotkania do działającego agenta to kilka tygodni, zależnie od liczby maszyn i scenariuszy, które chcecie uruchomić na starcie.

Dane zostają w Waszej sieci, nie na zewnętrznych serwerach

To pytanie pojawia się zawsze. Dane z maszyn to często tajemnica produkcyjna: parametry procesu, wydajność linii, historia awarii. Nie ma sensu, żeby trafiały do chmury publicznej ani do modeli trenowanych na zewnątrz.

Architektura jest prosta. Agent działa na Waszym serwerze. Model językowy też jest zainstalowany lokalnie. Dane z Insights Hub trafiają przez API do agenta, tam są przetwarzane i stamtąd idzie odpowiedź do użytkownika. Żaden fragment danych produkcyjnych nie wychodzi poza Waszą sieć.

Insights Hub sam w sobie może być wdrożony na chmurze Siemensa albo on-premises. W obu przypadkach integracja z agentami AI wygląda tak samo: agent odpytuje API, przetwarza dane lokalnie, odpowiada lokalnie.

Od czego zaczynamy, jeśli chcecie sprawdzić, czy to działa u Was

Najszybciej zaczynamy od jednej maszyny i jednego scenariusza. Zazwyczaj wybieramy to urządzenie, które najbardziej boli, albo ten raport, który ktoś wypełnia ręcznie każdego dnia. Po kilku tygodniach widać, czy kierunek ma sens, i można rozszerzać na kolejne linie i działy.

Jeśli macie Insights Hub w zakładzie i chcecie sprawdzić, co agenci AI mogą z niego wyciągnąć dla ludzi z produkcji i utrzymania ruchu, zapraszamy na bezpłatny audyt. Przejdziemy razem przez strukturę Waszych assetów i zaproponujemy konkretne scenariusze. Możecie też zajrzeć do realnych wdrożeń, żeby zobaczyć, jak to wygląda w praktyce u innych firm.