711 239 085 info@gilsys.com
es ca en
Fons abstracte

Més de 20 anys desenvolupant software, ara al servei de la indústria

Intel·ligència artificial per a empreses industrials

Les màquines actuals generen dades accessibles des del software. Aportem la nostra experiència en desenvolupament per connectar-les, unificar dades i crear agents d'IA, de la mà del departament tècnic de cada empresa.

Software a mida i IA per a màquines industrials

Integrem les dades de les màquines amb el mateix enfocament de programació a mida i IA que fem servir en projectes d'altres sectors.

Tradicionalment, les màquines d'una planta les han programat i mantingut l'enginyeria industrial i la d'automatització, amb les eines pròpies del sector. Les màquines més modernes es connecten en xarxa i permeten accedir a les seves dades mitjançant APIs i protocols industrials. Aquí és on el desenvolupament de software pren protagonisme. Es tracta d'integrar sistemes i unificar dades per construir aplicacions a mida que fins i tot incorporin intel·ligència artificial.

La combinació dels nostres més de 20 anys d'experiència desenvolupant software a mida juntament amb el departament tècnic de cada empresa (que coneix les seves màquines i els seus processos) permet arribar a solucions de monitorització, avisos i informes automàtics de gran valor.

Fase 1 · Organització de la informació

Connectar les màquines i unificar dades

Cada màquina emmagatzema les seves dades amb el seu propi software i en el seu propi format.

Saber quina màquina ha acumulat més aturades durant la setmana, o quantes peces ha produït, obliga a consultar diverses fonts o a esperar que s'elabori un informe.

Connexió a cada màquina per la via que ofereixi

Algunes màquines ofereixen una API; d'altres deixen la informació en un fitxer, una carpeta o una base de dades; d'altres l'exposen a través de l'SCADA de la planta o mitjançant protocols industrials com OPC UA o MQTT. S'estudia conjuntament amb el responsable d'IT de la fàbrica com accedir a la informació.

Com tractar les màquines antigues

La connexió a una màquina antiga pot ser complexa o fins i tot inviable. Caldrà estudiar amb el responsable les possibilitats d'integració. La recomanació és prioritzar les màquines amb protocols fàcilment accessibles des de software extern.

Un format comú per a totes les màquines

Un cop s'accedeix a les dades, cada fabricant les representa i les emmagatzema de manera diferent. Les dades es recullen i es converteixen a un format comú en una eina desenvolupada a mida per a la planta, amb la seva pròpia API. L'eina ofereix un punt d'accés comú a la resta de components. És el mateix concepte d'integració de sistemes que es fa entre programes de gestió, aplicat a les màquines.

Una base de dades única i estandarditzada

Les dades s'emmagatzemen en una base de dades estàndard com PostgreSQL, amb extensions per a les lectures de les màquines (sèries temporals, com TimescaleDB), per a les dades d'estructura variable (JSON) i per a la cerca per significat en manuals i procediments (com pgvector).

A més, permet connectar els informes propis de la planta, amb eines de monitorització com Grafana o de business intelligence com Power BI o Metabase.

Un cop les màquines estan connectades i les seves dades en una única plataforma, és possible desenvolupar plataformes a mida que generin informes i avisos en temps real o crear agents d'IA als quals es pot consultar en llenguatge natural.

Fase 2 · Intel·ligència artificial sobre les dades

Consultes, avisos i supervisió de la planta en temps real

Sobre les dades unificades s'afegeixen la intel·ligència artificial i els automatismes, a mida de cada indústria.

Un agent d'IA a qui es pregunta en llenguatge natural

Podem desenvolupar un agent d'IA amb MCP (Model Context Protocol), l'estàndard obert perquè un model de llenguatge consulti dades i eines. L'agent no conserva una còpia de les dades i demana a l'API la informació per preparar cada resposta. Es poden fer preguntes com "com rendeix cada torn?" o demanar "crea un gràfic de la producció mensual". Fins i tot podem creuar la informació de les màquines amb eines de gestió de torns per saber qui operava la màquina quan es va produir una fallada. Cada solució es pot oferir en eines pròpies o fins i tot integrar-se amb aplicacions com Telegram.

Informes a petició i programats

S'obre la possibilitat de generar informes a petició o també de manera automatitzada, per exemple amb n8n, per enviar cada matí un resum del torn al responsable de producció.

Avisos automàtics

Els fluxos automàtics, per exemple amb n8n, gestionen els esdeveniments. Si una màquina porta aturada més temps de l'establert, s'automatitza l'enviament d'un missatge de Telegram o WhatsApp al responsable de manteniment. Si una temperatura surt d'un cert rang, es pot activar una llum i enviar un correu a direcció.

Agents que supervisen i decideixen

Despleguem sistemes d'agents d'IA capaços d'auditar les dades de les màquines en intervals definits, generar avisos primerencs i executar accions automàtiques. En cada projecte avaluem la periodicitat i la complexitat de la informació per aplicar l'eina més eficient, ja siguin regles sobre sèries temporals per a mètriques directes o IA quan cal interpretar patrons complexos.

Panells en temps real i indicadors com l'OEE

Panells connectats a les mateixes dades, per exemple amb Grafana, mostren l'estat de cada màquina en temps real i es poden consultar des d'una pantalla de la planta, l'ordinador o el mòbil. Amb les dades unificades també es poden calcular indicadors com l'OEE (eficiència general dels equips) i comparar-los per torn, per línia o per màquina, sempre que les màquines registrin les aturades, la velocitat i les peces defectuoses.

Permisos per usuari

És important, en sistemes multiusuari, que la informació accessible es pugui limitar segons cada usuari i el seu perfil. El personal de cada àrea ha de poder disposar de diferents límits d'accés a la informació. Les dades que identifiquen una persona, com qui operava una màquina, queden restringides a qui les hagi de veure.

Exemple d'un flux de treball en planta amb intel·ligència artificial integrada

Com es gestiona una aturada de màquina amb les dades unificades

Planta amb màquines de diversos fabricants connectades a la mateixa eina. Una d'elles s'atura a mig matí.

Registre de la incidència

La màquina registra l'avís i l'eina el recull com a "aturada".

Avís al mòbil

Passats deu minuts, s'activa un flux a n8n que envia un missatge de Telegram al responsable de manteniment.

Estat en temps real

Al panell de monitorització de Grafana de la planta, la màquina mostra un indicador vermell.

Consulta en llenguatge natural

A la tarda, el cap de planta pregunta quines màquines s'han aturat avui, durant quant de temps i per quina causa. Mitjançant IA, es respon a partir de les dades de les diferents màquines integrades al sistema, amb llenguatge natural.

Dades reservades a planta

L'equip de vendes, que pot fer servir la mateixa plataforma per a altres automatismes, no té accés a aquesta informació.

Un avís, de la màquina a les personesUna planta amb tres màquines de fabricants diferents, connectades per API, per l’SCADA i per OPC UA. Les seves dades s’unifiquen en una eina amb la seva pròpia API, que decideix qui pot veure què. La màquina B s’atura i queda registrat a l’SCADA; l’eina ho recull com a "aturada". Passats deu minuts, s’activa un flux a n8n que avisa per Telegram el responsable de manteniment. Al panell de monitorització de Grafana la màquina mostra un indicador vermell. El cap de planta pregunta al xat quines màquines s’han aturat avui i la IA, mitjançant MCP, consulta l’API amb els seus permisos i respon a partir de les dades de les màquines. Vendes pot fer servir la mateixa plataforma per a altres automatismes, però no té accés a aquesta informació.Quines màquines s’han aturat avui?Màquina AAPIMàquina BSCADAMàquina COPC UADades unificadesEina amb APIPermisosper usuariIAMCPXatCap de plantan8ni agentsTelegramMantenimentGrafanaPanell de plantaVendesAltres automatismes123451–5Els números són els passos de l’exemple del text.1La màquina B s’atura i queda registrat al’SCADA; l’eina ho recull com a "aturada".2Passats deu minuts, s’activa un flux a n8nque avisa manteniment per Telegram.3Al panell de monitorització de Grafana, lamàquina mostra un indicador vermell.4El cap de planta pregunta i la IA respon apartir de les dades de les màquines, amb elsseus permisos.5Vendes pot fer servir la mateixa plataformaper a altres automatismes, però no té accésa aquesta informació.
Un avís, de la màquina a les personesUna planta amb tres màquines de fabricants diferents, connectades per API, per l’SCADA i per OPC UA. Les seves dades s’unifiquen en una eina amb la seva pròpia API, que decideix qui pot veure què. La màquina B s’atura i queda registrat a l’SCADA; l’eina ho recull com a "aturada". Passats deu minuts, s’activa un flux a n8n que avisa per Telegram el responsable de manteniment. Al panell de monitorització de Grafana la màquina mostra un indicador vermell. El cap de planta pregunta al xat quines màquines s’han aturat avui i la IA, mitjançant MCP, consulta l’API amb els seus permisos i respon a partir de les dades de les màquines. Vendes pot fer servir la mateixa plataforma per a altres automatismes, però no té accés a aquesta informació.Quines màquiness’han aturat avui?Màquina AAPIMàquina BSCADAMàquina COPC UADades unificadesEina amb APIPermisosper usuariIAMCPXatCap de plantan8ni agentsTelegramMantenimentGrafanaPanell de plantaVendesAltres automatismes123451–5Els números són els passos de l’exemple del text.1La màquina B s’atura i queda registrat al’SCADA; l’eina ho recull com a "aturada".2Passats deu minuts, s’activa un flux a n8nque avisa manteniment per Telegram.3Al panell de monitorització de Grafana, lamàquina mostra un indicador vermell.4El cap de planta pregunta i la IA respon apartir de les dades de les màquines, amb elsseus permisos.5Vendes pot fer servir la mateixa plataformaper a altres automatismes, però no té accésa aquesta informació.
Un avís de principi a fi. La màquina s'atura, n8n avisa, Grafana mostra un indicador vermell, la IA respon segons els permisos i vendes no hi té accés.

Treballem de la mà de l'equip tècnic

Qui aporta què en un projecte d'IA en planta

La planta

L'equip d'IT, el responsable de producció i el fabricant o l'integrador de cada màquina coneixen els seus equips, la seva xarxa i els seus processos. Decideixen què es connecta, com i on s'instal·la l'eina.

Gilsys

Desenvolupem software a mida, amb integració de sistemes, APIs, bases de dades i intel·ligència artificial. Creem una plataforma que unifica les dades i les ofereix per API. A sobre s'hi construeix, a mida, el que necessita cada planta, com panells en temps real, avisos, informes automàtics o un agent d'IA.

Amb l'equip d'IT de la fàbrica

La connexió de les màquines amb la IA depèn en gran mesura d'APIs, bases de dades i software. Per això, el projecte es planteja en col·laboració directa amb l'equip d'IT de la fàbrica.

Com a desenvolupadors de software, no venem un paquet tancat

Què tenim preparat i què depèn de cada indústria

Es programen plataformes i automatismes a mida per a cada indústria.

Desenvolupat i provat al nostre entorn

Eina central amb API, IA amb MCP, automatismes amb n8n, agents, panells i permisos. Aquests components estan desenvolupats i provats al nostre entorn, amb dades de prova. A cada indústria caldrà estudiar com connectar cada màquina, quins components integrar a l'eina final i amb quina finalitat.

Cada fàbrica té les seves màquines i les seves dades, cada projecte és diferent

La nostra feina inicial serà, conjuntament amb l'àrea tecnològica de l'empresa, investigar com obtenir les dades de cada màquina i com i en quin ordre integrar-les a la plataforma que es desenvolupi.

Fase 3 · Avisos preventius

Manteniment predictiu amb les dades de cada màquina

Els algoritmes de detecció d'anomalies són de codi obert. La seva integració en una eina dependrà de l'històric de dades de cada màquina.

Detecció d'anomalies

Amb l'històric de temperatures, vibracions, consums i aturades, els algoritmes aprenen com funciona cada màquina i avisen quan comença a comportar-se de manera diferent de l'habitual, abans que s'aturi.

Predicció d'avaries

Predir una avaria concreta requereix un històric amb avaries anteriors ben documentades. Cal començar detectant anomalies i la predicció s'afegeix quan aquest històric existeix.

Integració progressiva

És convenient fer una prova en una línia o en una màquina concreta, mesurant encerts i falses alarmes. Amb aquestes xifres es decideix si compensa ampliar-la a la resta de la planta.

Resultats a la mateixa plataforma

Les anomalies es registren a la mateixa plataforma que la resta de dades de les màquines, generen fluxos d'avís, es mostren en panells i es poden consultar en llenguatge natural interactuant amb IA.

Fase 4 · En estudi

Visió artificial per al control de qualitat

Des de Gilsys obrim una línia de recerca per permetre integrar la visió artificial a les eines desenvolupades a mida.

Una prova amb fotos de peces reals

Un model de detecció de codi obert recomana si cada peça és correcta o defectuosa i es compara amb la inspecció humana, sense intervenir a la línia. Per als defectes poc freqüents es pot entrenar només amb peces correctes.

El que aporta la planta

La càmera, la il·luminació i el senyal de la línia els aporta la planta o el seu integrador. S'estudia si les imatges es poden processar a la mateixa planta.

Resultats a la plataforma i al MES

Cada resultat (peça correcta o defectuosa, hora i línia) entra a la plataforma de dades, apareix als panells, genera avisos i es pot consultar en llenguatge natural. Si la planta disposa d'un MES, també s'hi envia la informació mitjançant OPC UA, MQTT o API REST.

Eines per digitalitzar una empresa industrial

A més de les dades de les màquines, una planta industrial comparteix necessitats de digitalització amb qualsevol altra empresa.

Gestió documental

Els plànols, les fitxes tècniques i els certificats de qualitat es poden ordenar en un gestor documental en servidors propis, amb permisos per funció i cerca per contingut.

Catàlegs de productes amb Pimcore

Un PIM com Pimcore classifica grans catàlegs de productes juntament amb els seus recursos digitals (imatges, fitxes tècniques o manuals). A més, els sincronitza amb botigues en línia, marketplaces, l'ERP i altres plataformes externes.

Webs corporatives d'alt rendiment

Una web corporativa d'alt rendiment pot mostrar els productes amb la informació del PIM sense duplicar-la, alhora que millora el posicionament de l'empresa als cercadors (SEO) i als assistents d'IA (GEO).

Automatització amb IA

Les comandes, els albarans i les factures de proveïdors es poden interpretar mitjançant automatitzacions amb IA i registrar-se a l'ERP, amb revisió d'una persona quan la IA no en té la certesa.

IA privada

Quan els plànols, processos o documents no han de sortir de l'empresa o cal treballar sense connexió, una IA privada pot funcionar en servidors propis amb models de codi obert.

Software a mida amb IA

Un software a mida amb IA pot cercar en un catàleg tècnic pel que es descriu i no per la referència exacta, o oferir un xatbot amb aquest catàleg a l'equip comercial.

Eines de càlcul a mida

Els càlculs tècnics de l'empresa es poden integrar en una aplicació web a mida que aplica algoritmes matemàtics avançats i genera gràfics comparatius de rendiment.

Govern de dades

Abans d'un projecte d'IA convé una auditoria de la qualitat de les dades de l'ERP, que en revisi els duplicats, els valors invàlids i l'estructura.

Consultoria en IA

Una consultoria en IA dona a la direcció un diagnòstic d'on pot aportar valor la IA i un full de ruta per fases.

Encara que cada empresa és diferent, el flux de treball és similar

Com organitzem un projecte d'IA en planta

Per a plantes de Catalunya, la revisió de les màquines es fa a la mateixa empresa. Per a altres zones, es consulta l'abast i la disponibilitat.

Revisió de les màquines

Quines dades dona cada màquina i com s'hi hauria d'accedir, consultant-ho amb el seu proveïdor.

Elecció del primer cas

Una o dues màquines i una necessitat concreta, com un avís, un panell o les consultes en llenguatge natural.

Connexió i unificació de dades

Desenvolupem la connexió amb les màquines i l'eina que n'unifica les dades, amb la seva API.

IA, automatismes i panells

Afegim la capa d'IA, els fluxos automàtics, els agents i els panells, amb els permisos de cada usuari.

Ampliació i ajustos

Hi afegim màquines i automatismes i ajustem el que calgui a mesura que es fa servir.

Preguntes freqüents sobre IA a la indústria

Cal canviar les màquines?

La connexió es fa amb el que cada màquina ja permet, com una API, l'SCADA, OPC UA, MQTT o els fitxers que genera. Només una màquina antiga sense cap connexió pot necessitar una passarel·la o un sensor.

Les dades de la planta surten de l'empresa?

No necessàriament. L'eina i la IA poden funcionar en servidors privats, amb models de codi obert, com en una IA privada. Tot i així, com que són dades tècniques, normalment no és un problema treballar amb models d'IA comercials.

És segur connectar la xarxa de la planta?

Tal com es planteja, la connexió amb les màquines és de només lectura, és a dir, se'n llegeixen les dades i no se'ls envia cap ordre. L'eina s'instal·la on decideixi el responsable de la xarxa de planta i es coordina amb el fabricant o l'integrador quan l'accés passa per ells.

Es connecta amb l'ERP de la planta?

És possible estudiar la integració de les dades de les màquines amb les comandes i les ordres de fabricació de l'ERP, per la seva API o per la seva base de dades, com en qualsevol integració de sistemes. Així es pot saber, per exemple, quina comanda s'estava fabricant quan una màquina es va aturar.

Quant costa un projecte d'IA en planta?

Depèn sobretot de quantes màquines cal connectar i de com es connecta cada una. Es pot oferir un pressupost estimat gratuït i sense compromís.
Fons abstracte

Les dades de tota la planta, en un únic sistema

N'hi ha prou d'indicar quines màquines hi ha a la planta i què es vol saber o automatitzar. Es revisa quines dades proporcionen i es proposa un primer cas.