Výzva¶
výrobce, přední český automobilový výrobce provozuje v střední Čechy jednu z nejmodernějších automobilových výrobních linek ve střední Evropě. S denní produkcí přesahující 2 500 vozidel a tisíci robotickými pracovišti je spolehlivost výrobní linky přímo úměrná tržbám — každá hodina neplánované odstávky představuje ztrátu přibližně 4,2 mil. Kč.
V roce 2024 se výrobce potýkala s několika zásadními problémy v oblasti údržby a řízení výroby. Údržba probíhala převážně reaktivně nebo podle fixních časových intervalů — roboty a CNC stroje byly servisovány každých X tisíc provozních hodin bez ohledu na skutečný stav komponent. To vedlo buď k předčasnému vyřazení funkčních dílů (zbytečné náklady), nebo k nečekaným poruchám mezi plánovanými servisními okny.
Stávající SCADA systémy sice sbíraly provozní data, ale ta byla uzavřena v silech jednotlivých výrobních segmentů (svařovna, lakovna, montáž). Neexistoval jednotný digitální model celé výrobní linky, který by umožňoval simulovat dopady změn, predikovat poruchy napříč segmenty nebo optimalizovat výrobní tok jako celek.
Vedení výrobce IT ve spolupráci s oddělením výrobního inženýrství vypsalo projekt na vytvoření digitálního dvojčete výrobní linky s integrovanou prediktivní údržbou. CORE SYSTEMS byl vybrán jako hlavní implementační partner na základě předchozích zkušeností s průmyslovým IoT a Azure platformou.
Řešení¶
CORE SYSTEMS navrhl řešení nazvané TwinLine — platforma digitálního dvojčete propojující fyzickou výrobní linku s jejím virtuálním modelem v reálném čase. Platforma pokrývá tři hlavní oblasti:
Real-time Digital Twin: Vytvoření dynamického 3D modelu výrobní linky v Azure Digital Twins, který reflektuje aktuální stav každého stroje, robota a dopravníkového systému. Model zahrnuje 847 klíčových aktiv (assets) a více než 15 000 senzorových bodů. Každé aktivum má svůj digitální protějšek s aktuálními provozními parametry, historií údržby a predikovanou životností komponent.
IoT Sensor Mesh: Instalace a integrace 3 200 dodatečných IoT senzorů (vibrace, teplota, akustická emise, proudový odběr) na kritická aktiva, kde stávající SCADA instrumentace neposkytovala dostatečnou granularitu dat pro prediktivní analytiku. Senzory komunikují přes průmyslový MQTT broker do Azure IoT Hub.
Predictive Maintenance Engine: Vývoj ML pipeline pro predikci poruch na bázi degradačních modelů — systém analyzuje trendy ve vibracích, teplotních profilech a dalších parametrech a predikuje zbývající životnost (RUL — Remaining Useful Life) kritických komponent s horizontem 2–6 týdnů.
Implementace probíhala v úzké spolupráci s údržbářskými týmy výrobce, které poskytly doménovou expertízu pro labelování historických dat a validaci predikčních modelů.
Architektura¶
Architektura TwinLine je hybridní — edge computing ve výrobním závodě zpracovává data s nízkou latencí, zatímco cloudová vrstva v Azure zajišťuje analytiku, ML trénink a dlouhodobé ukládání.
Edge vrstva běží na průmyslových serverech Dell EMC PowerEdge umístěných přímo ve výrobních halách. Každý segment (svařovna, lakovna, montáž finální, montáž motorů) má svůj edge cluster s Kubernetes (K3s). Edge vrstva přijímá data z MQTT brokerů, provádí filtraci, agregaci a první úroveň anomální detekce pomocí lehkých ML modelů (ONNX runtime). Kritické alarmy jsou generovány lokálně s latencí pod 500 ms.
Komunikační vrstva využívá Azure IoT Hub jako centrální ingestion point pro veškerá senzorová data. Data proudí přes IoT Hub do Event Hubs (particionovaný Kafka-kompatibilní stream) a dále do dvou paralelních větví — hot path pro real-time zpracování a cold path pro batch analytiku.
Hot path zpracovává Azure Stream Analytics v kombinaci s custom Flink joby na Databricks pro komplexní korelaci napříč výrobními segmenty. Například detekce řetězového efektu — zpomalení robota ve svařovně ovlivňující takt lakovny.
Cold path ukládá surová data do Azure Data Lake Storage Gen2 ve formátu Delta Lake. Databricks Lakehouse platforma slouží jako analytický engine pro trénink ML modelů, historické analýzy a reporting. Feature store uchovává předpočítané příznaky pro prediktivní modely.
Azure Digital Twins udržuje graf vztahů mezi aktivy, prostory a procesy definovaný v DTDL (Digital Twins Definition Language). Model je synchronizován s reálným stavem linky v intervalu 1 sekundy. API platformy umožňuje simulace what-if scénářů — například dopad výpadku konkrétního robota na celkový výrobní tok.
Prezentační vrstva kombinuje Grafana dashboardy pro údržbářské týmy (stav aktiv, predikce poruch, plánování servisních oken) a custom webovou aplikaci (React + Three.js) pro 3D vizualizaci digitálního dvojčete určenou pro výrobní management.
Veškerá infrastruktura je definována jako kód (Terraform) a nasazována přes CI/CD pipeline v Azure DevOps.
Výsledky¶
Platforma TwinLine byla nasazena do pilotního provozu v září 2024 na lince finální montáže a do plného provozu na všech segmentech v lednu 2025. Výsledky po prvních šesti měsících plného provozu:
Prediktivní údržba: Systém úspěšně predikoval 87 % poruch kritických komponent s předstihem minimálně 14 dní. To umožnilo přesunout údržbu do plánovaných servisních oken (víkendy, noční směny) a eliminovat většinu neplánovaných odstávek během výrobního času.
Snížení odstávek: Neplánované odstávky výrobní linky klesly o 45 % — z průměrných 23 hodin měsíčně na 12,6 hodiny. Zbývající neplánované odstávky jsou převážně způsobeny externími faktory (dodávky materiálu, energetika).
OEE (Overall Equipment Effectiveness): Celková efektivita výrobní linky vzrostla z 78 % na 91 %, což závod posunulo na úroveň nejlepších závodů v rámci automobilového koncernu. Zlepšení pochází z vyšší dostupnosti (méně odstávek), lepšího výkonu (optimalizace taktu) a nižší zmetkovitosti.
Finanční dopad: Úspora 32 mil. Kč ročně na přímých nákladech údržby — díky přechodu z časové na condition-based údržbu se snížila spotřeba náhradních dílů o 28 % a optimalizovalo se využití údržbářských kapacit. Nepřímé úspory z vyšší produktivity výrobní linky jsou odhadovány na dalších 85 mil. Kč ročně.
Optimalizace výrobního toku: Simulace na digitálním dvojčeti identifikovaly úzká místa ve výrobním procesu — úprava sekvencování na dvou robotických pracovištích ve svařovně zvýšila průchodnost o 7 % bez jakékoliv hardwarové investice.
Datová kultura: Projekt katalyzoval změnu přístupu k datům ve výrobě. Údržbářské týmy aktivně využívají dashboardy a predikce při plánování práce. Výrobní inženýři simulují změny procesů na digitálním dvojčeti před implementací na fyzické lince.
Technologie¶
Technologický stack TwinLine je optimalizován pro průmyslové prostředí s důrazem na spolehlivost a nízkou latenci:
- Azure IoT Hub — centrální ingestion point, device management, device-to-cloud messaging
- Azure Digital Twins — graf vztahů aktiv, DTDL modely, real-time synchronizace
- Databricks (Azure) — ML trénink, feature store, Delta Lake, batch analytika
- Apache Kafka (Event Hubs) — streamování senzorových dat, event-driven architektura
- K3s (Edge Kubernetes) — orchestrace edge workloads ve výrobních halách
- MQTT (Mosquitto) — průmyslový messaging protokol pro IoT senzory
- Grafana — operativní dashboardy pro údržbu a výrobu
- Python (scikit-learn, PyTorch) — prediktivní modely, degradační analýzy
- Terraform — Infrastructure as Code pro Azure prostředí
- Azure DevOps — CI/CD pipeline, Git repozitáře, project management
Spolupráce mezi CORE SYSTEMS a výrobce pokračuje rozšířením platformy na závody v Kvasinách a Vrchlabí a integrací s MES systémem pro automatické přeplánování výroby na základě predikcí.