Zbieranie danych z maszyn: jak sygnały ze sterowników zamieniają się w wyniki produkcji

Poniedziałek, 7:10, odprawa produkcyjna w zakładzie płyt meblowych. Raport z nocnej zmiany mówi, że linia 3 stała łącznie cztery godziny, a w rubryce „przyczyna” widnieje „inne”. Kierownik produkcji pyta, co się stało, i nikt przy stole nie potrafi odpowiedzieć, bo dane, które by to wyjaśniły, nigdy nie zostały zebrane.

Zbieranie danych z maszyn decyduje, jaką częścią fabryki da się w ogóle zarządzać. Każda inicjatywa z obszaru cyfryzacji produkcji czyta z tej samej warstwy: monitoring OEE, predykcyjne utrzymanie ruchu, optymalizacja energii, AI. Kiedy dane zbiera się ręcznie, z opóźnieniem albo bez kontekstu, każdy system wyżej dziedziczy te luki i produkuje pewne siebie raporty o fabryce, która nie istnieje.

Z tego artykułu dowiesz się, które dane produkcyjne warto zbierać, jakie są cztery metody ich zbierania, co zmienia się, gdy zbieranie odbywa się w czasie rzeczywistym, i co zmierzyły zakłady po przejściu na akwizycję automatyczną.

Co to jest zbieranie danych z maszyn?

Zbieranie danych z maszyn to automatyczna akwizycja sygnałów z urządzeń produkcyjnych i wzbogacanie ich o kontekst produkcyjny: zlecenie, produkt, zmianę i operatora. Obejmuje stany maszyn, liczniki cykli, parametry procesu, wyniki jakościowe i zużycie energii. Bez warstwy kontekstu dane mówią, co maszyna zrobiła, ale nie dlaczego ma to znaczenie.

Cały temat sprowadza się do różnicy między sygnałem a daną produkcyjną. „Obciążenie wrzeciona 78 %” to sygnał. „Obciążenie wrzeciona 78 %, linia 3, zlecenie 44921, produkt MDF-18, zmiana nocna, operator B” to dana produkcyjna. Tylko tę drugą da się przypisać do straty, porównać z inną zmianą albo użyć do wytrenowania modelu.

Zbieranie ma więc dwie połowy. Pierwsza to łączność: odczyt tagów ze sterowników PLC, układów CNC, systemów SCADA, historianów i czujników. Druga to kontekstualizacja: połączenie tych tagów ze zleceniem, produktem, zmianą i hierarchią urządzeń w chwili odczytu. Systemy, które robią pierwsze, a pomijają drugie, tworzą jezioro danych, którego nikt nie potrafi odpytać.

Które dane produkcyjne warto zbierać

Zbieraj dane, które pozwalają przypisać stratę do przyczyny. Reszta to koszt przechowywania.

Rodzaj danych	Typowe źródło	Jaką decyzję wspiera
Stan maszyny (praca, postój, awaria)	PLC, sterowanie CNC	Klasyfikacja przestojów, dostępność w OEE
Czasy cyklu i liczniki sztuk	Liczniki PLC, fotokomórki	Wskaźnik wydajności, przepustowość, lokalizacja wąskiego gardła
Wyniki jakościowe (braki, poprawki, SPC)	Stanowiska kontroli, MES, wpis na terminalu	Wskaźnik jakości, analiza przyczyn źródłowych
Parametry procesu (temperatura, ciśnienie, prędkość, wilgotność)	PLC, czujniki procesowe	Stabilność procesu, predykcja jakości
Sygnały stanu technicznego (drgania, prąd, temperatura łożysk)	Doposażone czujniki kondycji	Predykcyjne utrzymanie ruchu
Energia i media (prąd, gaz, sprężone powietrze, woda)	Liczniki i podliczniki	Koszt jednostkowy, raportowanie CO2
Kontekst zlecenia i produktu	ERP, MES	Przypisanie strat do produktu i zlecenia klienta
Kontekst operatora i zmiany	Logowanie na terminalu, MES	Porównanie zmian, potrzeby szkoleniowe, analiza przezbrojeń

Dwa ostatnie wiersze to te, które większość projektów odkłada na później i których odłożenia najbardziej żałuje. Same dane z maszyn mówią, że linia 3 straciła cztery godziny. Dane z maszyn połączone z kontekstem zlecenia i zmiany mówią, że linia 3 traci cztery godziny za każdym razem, gdy produkuje konkretny wyrób na nocnej zmianie, a to już wniosek, z którym można coś zrobić, a nie tylko liczba.

Cztery metody zbierania danych z maszyn w porównaniu

Metoda zbierania wyznacza sufit opóźnienia i tego, ile maszyn da się dołożyć bez przebudowy całej architektury.

Metoda	Jak działa	Typowe opóźnienie	Skalowanie przy wielu dostawcach	Dla kogo
Wpis ręczny	Operatorzy notują zdarzenia na papierze albo w arkuszu	Godziny do całej zmiany	Słabe	Rozwiązanie tymczasowe, nie architektura
Bezpośrednia integracja z PLC	Własny driver pisany pod każdą rodzinę sterowników	Sekundy	Słabe, nakład rośnie z każdą maszyną	Kilka identycznych maszyn
Przemysłowe oprogramowanie pośredniczące (middleware)	Jedna platforma tłumaczy protokoły producentów na OPC UA i MQTT	Poniżej sekundy do sekund	Dobre	Zakłady z mieszanym i starszym parkiem
Unified Namespace	Broker zdarzeń: publikujesz raz, subskrybuje wielu	Czas rzeczywisty	Bardzo dobre	Firmy wielozakładowe i programy AI

Większość europejskich zakładów ląduje przy opcji trzeciej. Platforma łączności przemysłowej taka jak Kepware ma gotowe drivery do rodzin sterowników, które już stoją na hali, co zdejmuje pracę integracyjną liczoną na maszynę, przez którą bezpośrednia integracja załamuje się przy skali. TT PSC buduje tę warstwę na Kepware, Kepware Edge i Kepware+, publikując dane przez OPC UA i MQTT.

Czwarta opcja to nie inne narzędzie, tylko inna topologia, opisana niżej.

Dlaczego opóźnienie decyduje, które problemy da się rozwiązać

Opóźnienie nie jest wskaźnikiem wydajności systemu. Wyznacza klasę problemów, które te dane w ogóle mogą zaadresować.

Częstotliwość zbierania	Co staje się możliwe
Koniec zmiany albo raz dziennie	Raportowanie, co się stało, i dyskusja o przyczynach po fakcie
Co godzinę	Reakcja w trakcie zmiany i korekta planu
Co kilka minut	Wychwycenie dryfu procesu, zanim narosną braki
Sekundy, zdarzeniowo	Alarm, zatrzymanie i korekta w trakcie przebiegu oraz zasilanie modeli uczenia maszynowego

Dlatego widoczność danych w czasie rzeczywistym wraca w każdej rozmowie o efektywności. Widoczność sama w sobie nie jest korzyścią. Jest warunkiem, żeby zareagować, kiedy strata jeszcze trwa, zamiast tłumaczyć ją na poniedziałkowej odprawie.

Siedem efektów, które dają dane produkcyjne w czasie rzeczywistym

Każdy z poniższych efektów zależy od jednej konkretnej zdolności zbierania. Liczby to zakresy zmierzone we wdrożeniach TT PSC i opublikowane w Practical Guide to Industry 4.0 (wydanie 2026).

1. Przestoje, które da się sklasyfikować, a nie tylko policzyć

Automatyczny odczyt stanów zamienia przestoje z sumy godzin w wykres Pareto. Zakłady, które zastąpiły ręczne dzienniki przestojów bezpośrednią integracją z maszynami, ograniczyły nieplanowane przestoje nawet o 25 %. Mechanizm jest prozaiczny: operatorzy przestają zgadywać kategorie pod koniec zmiany, a mikroprzestoje poniżej progu ręcznego raportowania stają się widoczne po raz pierwszy. Lacroix zbiera w ten sposób dane z ponad 1 000 maszyn, a zbieranie danych z hali produkcyjnej w ESAB przyniosło tę samą zmianę na urządzeniach spawalniczych.

2. OEE, które odzwierciedla linię, a nie raport

Automatyczne zbieranie poprawia OEE zwykle nawet o 15 % w pierwszym roku, a część tego zysku to zwykła uczciwość arytmetyczna. Ręcznie raportowane OEE jest niemal zawsze wyższe od zmierzonego, bo krótkie postoje, straty prędkości i poprawki rzadko przeżywają ręczny wpis. Monitorowanie produkcji z OEE oparte na automatycznej akwizycji zamyka tę lukę, co w pierwszym miesiącu bywa niewygodne, a od drugiego zaczyna być użyteczne.

3. Utrzymanie ruchu planowane według stanu maszyny

Sygnały stanu technicznego zbierane w sposób ciągły umożliwiają predykcyjne utrzymanie ruchu, które obniża koszty utrzymania nawet o 15 % i częstość awarii również nawet o 15 %. Całym wsadem są dane o drganiach i temperaturze próbkowane z użyteczną częstotliwością. Bez nich utrzymanie ruchu zostaje przy kalendarzu.

4. Jakość korygowana w trakcie przebiegu

Parametry procesu zbierane w sposób ciągły pozwalają wychwycić odchylenia, kiedy partię jeszcze da się uratować. To różnica między kontrolą jakości a zapewnieniem jakości, a jest to różnica w zbieraniu danych, zanim stanie się różnicą w analityce. Modele predykcyjnej analizy jakości potrzebują historii parametrów z częstotliwością próbkowania procesu, a nie wyników kontroli końcowej partii.

5. Wąskie gardła szukane względem popytu, a nie względem OEE

Linia z najniższym OEE nie jest automatycznie wąskim gardłem, a linia z najwyższym OEE może nim być. Ten wniosek pojawia się dopiero wtedy, gdy dane produkcyjne połączy się z danymi o zleceniach i czasach realizacji, bo wąskie gardło definiuje się względem popytu klienta, a nie względem maszyny obok. To najmocniejszy argument za zbieraniem kontekstu zlecenia razem z kontekstem maszyny.

6. Zużycie materiału powiązane z faktycznym wynikiem

Zużycie rejestrowane per zlecenie, a nie per okres, pokazuje, które produkty, linie i zmiany zużywają więcej, niż zakłada norma. Te same dane wspierają prognozowanie popytu, gdy uzbiera się dość historii.

7. Energia mierzona per produkt, a nie per zakład

Media to dane produkcyjne. Zbierane przez system zarządzania energią dla firm produkcyjnych i przypisane do zleceń, zużycie energii staje się kosztem jednostkowym, który da się optymalizować, a nie miesięczną fakturą, którą można tylko zaksięgować. Zakłady stosujące to podejście obniżyły rachunki za energię nawet o 30 %.

Prawdziwa blokada to mieszany i stary park maszyn

Większość projektów zbierania danych utyka na wieku maszyn i liczbie dostawców, a nie na oprogramowaniu.

Typowy europejski zakład ma sterowniki od czterech lub pięciu producentów z trzech dekad. Część maszyn nie wystawia po sieci niczego. Część stoi pod ziemią albo w strefach bez żadnej łączności, i taką sytuację TT PSC rozwiązało u producenta sprzętu wiertniczego, zbierając i raportując czas pracy lokalnie, bez dostępu do internetu.

Trzy praktyczne drogi pokrywają niemal każdy przypadek. Maszyny z nowoczesnym sterownikiem odczytuje się bezpośrednio przez istniejące drivery. Maszyny bez użytecznego interfejsu dostają doposażone czujniki kondycji, które zbierają drgania, prąd i temperaturę niezależnie od układu sterowania. Maszyny w strefach bez łączności zbierają dane na brzegu sieci i synchronizują je, gdy połączenie się pojawi. Żadna z tych dróg nie wymaga wymiany maszyny, a traktowanie starego parku jako powodu do odłożenia projektu jest najdroższą decyzją z dostępnych.

Podatek integracyjny, czyli dlaczego połączenia punkt-punkt przestają się skalować

Każdy nowy odbiorca danych produkcyjnych dokłada kolejne połączenie do zbudowania i utrzymania. Ten koszt to podatek integracyjny i rośnie szybciej niż wartość każdego kolejnego odbiorcy.

Zakład z sześcioma źródłami danych i czterema systemami odbierającymi może wymagać do dwudziestu czterech dedykowanych połączeń. Piąty odbiorca dokłada sześć kolejnych. W tym momencie nowe inicjatywy cyfrowe wycenia się według kosztu integracji, a nie według uzasadnienia biznesowego, co po cichu kończy mapę drogową.

Unified Namespace usuwa to mnożenie. Producenci danych publikują raz do centralnego brokera ze znormalizowanym modelem semantycznym. Odbiorcy subskrybują to, czego potrzebują. Międzynarodowy dostawca dla motoryzacji, który użył tej architektury, ujednolicił strukturę danych w 11 fabrykach i skrócił czas integracji nowej fabryki z miesięcy do tygodni.

Jakość zbierania danych to warunek AI na hali produkcyjnej

Projekty AI w produkcji upadają na danych znacznie częściej niż na algorytmach.

Model potrzebuje ciągłych, skontekstualizowanych i poprawnie oznaczonych danych z częstotliwością próbkowania procesu, którym ma sterować. Liczby zagregowane na poziomie zmiany nie wytrenują modelu, który ma rekomendować nastawę co dziewięćdziesiąt sekund. Dlatego warstwa zbierania danych jest pierwszą pozycją budżetu w każdym wiarygodnym programie AI dla produkcji, a nie warunkiem wstępnym do posprzątania później.

Optymalizacja procesu z AI. Modele czytają parametry procesu bezpośrednio ze sterowników PLC i rekomendują optymalne nastawy dla złożonych operacji, takich jak suszenie, kondycjonowanie i mieszanie. Operatorzy akceptują albo odrzucają każdą rekomendację, a po okresie testów pętlę można zamknąć do autonomicznej regulacji. Wdrożenia u globalnego producenta żywności i napojów oraz globalnego producenta wyrobów tytoniowych poprawiły stabilność procesu, ograniczyły odpad surowca i obniżyły zużycie energii. Producent tytoniowy wdrożył rozwiązanie do automatycznej regulacji w dziewięciu fabrykach w Europie, Azji i Ameryce Łacińskiej.

Finsa. Hiszpański producent płyt drewnopochodnych prowadzi predykcyjne utrzymanie ruchu w sześciu zakładach obejmujących ponad 900 maszyn, zbudowane na Kepware jako warstwie łączności, ThingWorx jako platformie, modelach uczenia maszynowego do wykrywania anomalii i SAP do obsługi zleceń utrzymania. Deklarowany cel Finsy to obniżenie kosztów utrzymania ruchu o 25 %, czyli około pół miliona euro rocznie. Projekt był wykonalny, bo warstwa łączności powstała jako pierwsza: bez danych o drganiach i temperaturze z 900 maszyn w użytecznym formacie nie ma czego trenować.

Ta sama zasada napędza konwersacyjny dostęp do danych produkcyjnych. MFG Copilot od TT PSC, zbudowany na ThingWorx, pozwala kierownikowi zakładu zadać pytanie zwykłym językiem i dostać odpowiedź złożoną z danych MES, historiana, ERP, utrzymania ruchu, jakości i energii.

Co zmierzyli producenci po zautomatyzowaniu zbierania danych

Efekt	Zakres	Obszar
Poprawa OEE w pierwszym roku	do 15 %	Monitorowanie produkcji
Redukcja nieplanowanych przestojów	do 25 %	Monitorowanie produkcji
Redukcja kosztów utrzymania ruchu	do 15 %	Predykcyjne utrzymanie ruchu
Redukcja częstości awarii	do 15 %	Predykcyjne utrzymanie ruchu
Redukcja rachunków za energię	do 30 %	Monitorowanie energii
Naprawy skuteczne za pierwszym razem	do 92 %	Zdalny monitoring
Zgłoszenia serwisowe rozwiązane zdalnie	do 63 %	Zdalny monitoring
Czas integracji nowej fabryki	z miesięcy do tygodni	Unified Namespace

Źródło: TT PSC, Practical Guide to Industry 4.0: Proven Use Cases and Results for Manufacturing, wydanie 2026, na podstawie wdrożeń u producentów z branż motoryzacyjnej, spożywczej, elektronicznej, farmaceutycznej i materiałów budowlanych.

Kontekst dla uzasadnienia inwestycji: w badaniu Deloitte 2025 Smart Manufacturing Survey wśród 600 dyrektorów firm produkcyjnych 92 % wskazało inteligentną produkcję jako główny czynnik konkurencyjności na najbliższe trzy lata, a 80 % planowało przeznaczyć na nią ponad jedną piątą budżetów na usprawnienia. Jednocześnie 65 % wymieniło ryzyko operacyjne jako największą obawę, a gotowość kadr pozostała najmniej dojrzałym obszarem transformacji. Automatyczne zbieranie danych adresuje obie strony: zmniejsza ryzyko operacyjne pracy na ślepo i zdejmuje pracę raportową z zespołów, którym już brakuje ludzi.

Od czego zacząć

Zacznij od jednej linii i jednej policzalnej straty, a nie od strategii danych dla całego zakładu.

Sekwencja, która działa, jest wąska i krótka. Wybierz linię, na której strata jest największa i najlepiej rozumiana. Podłącz jej maszyny i od pierwszego dnia dodaj kontekst zlecenia i zmiany. Mierz przez cztery tygodnie, niczego nie zmieniając, żeby punkt odniesienia był prawdziwy. Potem działaj na podstawie tego, co pokazują dane, i porównaj.

TT PSC zwykle prowadzi to jako proof of concept na jednej linii albo jednym procesie, dostarczając mierzalne wyniki w 8–12 tygodni. Sens tego formatu nie leży w samej szybkości. Powstaje wewnętrzny punkt odniesienia, który przekonuje do skalowania o wiele lepiej niż prezentacja dostawcy.

Szerszą sekwencję etapów opisuje mapa drogowa transformacji cyfrowej w produkcji. Do czego zebrane dane służą w całym portfolio, pokazuje 13 przypadków użycia Przemysłu 4.0 z realnymi wynikami.

Najczęstsze pytania