
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.
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?
Les dades de la planta surten de l'empresa?
És segur connectar la xarxa de la planta?
Es connecta amb l'ERP de la planta?
Quant costa un projecte d'IA en planta?

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.



