Jak AI podłączone do QRmaint i Optimaint pilnuje przeglądów, dobiera części i zestawia przestoje?

Tak, AI można podłączyć do QRmaint, Optimaint albo eMaint i wyciągnąć z tych systemów coś konkretnego do codziennej pracy. Model językowy czyta harmonogram przeglądów, stany magazynowe i historię awarii, a potem odpowiada na pytania mechanika lub kierownika UR bez logowania do aplikacji, przygotowuje projekt zlecenia pracy na podstawie opisu usterki i wysyła przypomnienia o terminach UDT. Nie to, że sam naprawia maszyny, ale pilnuje żeby nic nie umknęło między zmianami i między działami.

Skąd bierzemy dane i które tabele z CMMS trafiają do AI?

QRmaint trzyma dane w dość przejrzystej strukturze. Wyciągamy je przez REST API albo, przy niektórych wdrożeniach, bezpośrednio z bazy SQL. Typowo potrzebujemy kilku obszarów:

• Karty maszyn: nazwa obiektu, model, numer seryjny, lokalizacja (hala, linia, stanowisko), przypisany dział
• Zgłoszenia awarii i zlecenia pracy (ZR): data, opis usterki, priorytet, kategoria usterki z pola wyboru, status, przypisany technik, czas wykonania
• Harmonogram przeglądów: typ przeglądu (P1, P2, P3 albo własna klasyfikacja klienta), planowany termin, data ostatniego wykonania, kto podpisał protokół
• Magazyn części zamiennych: indeks, nazwa, ilość na stanie, stan minimalny, powiązanie z kartą maszyny
• Czas przestoju: od kiedy do kiedy, przyczyna z listy, numer powiązanego ZR

W Optimaint karta obiektu ma więcej pól technicznych: parametry medium, ciśnienie robocze, moc znamionowa. Plan konserwacji jest tam mocniej powiązany z protokołem UDT i numerem dozoru. To przydaje się szczególnie przy maszynach objętych nadzorem UDT, bo dane do przypomnienia są już w systemie. Trzeba je tylko z niego wyciągnąć.

Ważna uwaga: nie wrzucamy do AI całej bazy. Synchronizujemy wybrane tabele i odświeżamy je w regularnych oknach, np. co 15 minut albo raz na godzinę w zależności od scenariusza.

Przypomnienia o przeglądach i badaniach UDT: jak to wygląda w praktyce

Harmonogram przeglądów w CMMS istnieje w prawie każdej firmie. Problem polega na tym, że mechanicy i brygadziści rzadko go otwierają między przeglądami. Przypomnienie przychodzi dopiero gdy jest za późno albo gdy inspektor UDT jedzie na kontrolę.

AI dostaje dostęp do harmonogramu i wie, które maszyny mają przegląd za 14, 7 i 3 dni. Rano wysyła podsumowanie do odpowiedniej osoby przez e-mail albo Teams. To nie jest generyczne "masz przegląd", tylko konkretne: "Suwnica bramowa hala 2, przegląd P2, termin 6.10.2026, ostatni wykonał Jan Kowalski 6.04.2026, protokół nr PR/2026/041. Czy potwierdzasz zlecenie?"

Dla maszyn objętych UDT model sprawdza datę ważności ze świadectwa wgranego do QRmaint jako załącznik albo z pola "data następnego badania" w karcie obiektu. Jeśli termin zbliża się do 30 dni, trafia do kierownika UR z informacją o konieczności umówienia inspektora.

U jednego z naszych klientów z branży spożywczej kilka razy zdarzyło się, że dokumenty UDT okazywały się nieważne dzień przed audytem ISO. Nie było złej woli. Po prostu nikt nie miał czasu pilnować kalendarza z kilkudziesięcioma pozycjami. Po uruchomieniu tej automatyki problem przestał istnieć.

Jaka uszczelka pasuje do tej sprężarki i czy mamy ją na stanie?

Pytanie brzmi banalnie. Na produkcji zadaje je mechanik stojący przy maszynie z olejnymi rękawicami i bez czasu na szukanie w katalogu. W starym modelu: dzwoni do magazyniera, magazynier idzie sprawdzić, oddzwania za pół godziny. Albo nie sprawdza i zamawia na ślepo.

AI podłączone do karty maszyny w QRmaint zna listę części zamiennych przypisanych w zakładce "Materiały i części". Zna ich indeksy magazynowe i sprawdza ilość na stanie w czasie rzeczywistym. Mechanik wpisuje na czacie: "hala 3, sprężarka Atlas Copco GA18, uszczelka głowicy" i dostaje odpowiedź: "Uszczelka głowicy GA18, indeks UC-1284-B, stan: 2 szt., magazyn główny, regał R7."

Jeśli części nie ma, AI od razu informuje o tym i może wygenerować zapotrzebowanie w systemie ze statusem "do zatwierdzenia". Kierownik dostaje powiadomienie i zatwierdza jednym klikiem. Bez rozmowy przez telefon, bez karteczki na biurku.

To nie wymaga żadnych zmian w QRmaint. Dane są już tam. Warunek jeden: ktoś musiał je wcześniej porządnie wpisać. Jeśli zakładka "Materiały i części" w kartach maszyn jest pusta, zaczynamy od jej uzupełnienia. To praca jednorazowa, ale bez niej cały scenariusz nie ma sensu.

Zestawienie przestojów według przyczyn: po co to kierownikowi UR

Pole "czas przestoju" w QRmaint wypełnia technik przy zamykaniu zlecenia. W praktyce te dane leżą w bazie i nikt na nie nie patrzy, bo wyciągnięcie czegokolwiek sensownego wymagałoby ręcznego filtrowania i tabelki w Excelu. Nikt nie ma na to czasu między zmianami.

AI potrafi z tych danych zbudować zestawienie na żądanie. Typowe pytanie od kierownika: "Ile przestojów na hali 1 w ostatnich 3 miesiącach i z jakiego powodu?" Model przegląda zamknięte ZR dla hali 1, grupuje według kategorii usterki z pola wyboru (awaria elektryczna, mechaniczna, hydraulika, błąd operatora, brak materiału) i zwraca czytelne podsumowanie. Bez logowania do aplikacji, bez filtrowania raportów.

Jeszcze ciekawsza jest obserwacja, którą AI może wyciągnąć bez pytania, jeśli tak ustawimy cykl tygodniowy: "W ciągu ostatnich 90 dni 4 z 7 przestojów na linii pakowania dotyczyły układu pneumatycznego maszyny PAK-02. Trzy z czterech przypadków miały tę samą kategorię: nieszczelność zaworów."

Kierownik UR widzi to i wie, że czas zamówić przegląd serwisowy producenta albo wymienić zawory zapobiegawczo, zanim znowu stanie linia. Bez AI ta informacja była w bazie. Po prostu nie wychodziła sama z siebie.

Zlecenie pracy z opisu awarii: od wiadomości na Teams do ZR w kilkanaście sekund

Operator zauważa usterkę. W starym procesie: dzwoni do brygadzisty, brygadzista loguje się do CMMS, ręcznie wpisuje ZR. Wpisuje co pamięta z rozmowy. Błędnie przypisuje maszynę albo kategorię. ZR wychodzi niekompletny i potem ktoś musi go poprawiać.

Nowy scenariusz: operator wysyła wiadomość na Teams albo SMS-em. "Prasa hydrauliczna hala 2, trzeci tłok nie dociska, piszczy przy powrocie."

AI parsuje tę wiadomość, dopasowuje maszynę z bazy po nazwie i lokalizacji, przypisuje kategorię usterki (hydraulika), ustawia priorytet na podstawie opisu i zapisuje gotowe ZR w QRmaint ze statusem "do zatwierdzenia". Kierownik dostaje powiadomienie z wypełnionym formularzem i klika "zatwierdź" albo poprawia jedną linijkę.

Czas od zgłoszenia usterki do ZR w systemie: kilkanaście sekund zamiast kilkudziesięciu minut. Operator nie musi mieć dostępu do CMMS. Brygadzista nie musi przerywać obchodu. A ZR jest kompletny, z właściwą maszyną, kategorią i opisem, od samego początku.

Od czego zaczynamy integrację CMMS z AI

Zanim cokolwiek zadziała, trzeba uczciwie sprawdzić kilka rzeczy w samym systemie:

• Czy karty maszyn mają wypełnione pola lokalizacji i przypisane części zamienne?
• Czy harmonogram przeglądów istnieje i jest aktualny, z wpisanymi datami historycznych wykonań?
• Czy przy zamykaniu ZR technik wpisuje czas przestoju i wybiera kategorię usterki?
• Czy świadectwa UDT są wgrane do systemu albo wpisana jest data kolejnego badania w karcie obiektu?

Jeśli dane są niekompletne, AI ma za mało do pracy. Dlatego pierwszym krokiem jest zawsze audyt jakości danych razem z osobą odpowiedzialną za UR po stronie klienta. Dwa, trzy spotkania i wiemy, co jest gotowe, a co wymaga uzupełnienia przed startem.

Potem podłączamy AI do API albo do odczytu bazy, ustawiamy synchronizację i testujemy scenariusze na danych testowych. Nie wdrażamy wszystkiego naraz. Zaczynamy od jednego przypadku użycia: albo przypomnienia przeglądów, albo pytania o części. Kiedy to działa i ludzie z UR faktycznie tego używają w codziennej pracy, dokładamy kolejne.

Masz QRmaint albo Optimaint i zastanawiasz się, czy Twoje dane nadają się do pracy z AI? Zajrzyj do realnych wdrożeń, żeby zobaczyć jak to wygląda u innych firm. Albo umów się na bezpłatny audyt: przychodzimy z pytaniami o procesy i stan danych, nie z gotową ofertą.