Платформи с изкуствен интелект трансформират ефективността на процесната индустрия

Защо процесните операции се нуждаят от нов дигитален оперативен модел

Процесната индустрия навлезе в период на необичайно бързи оперативни промени. Цените на енергията се колебаят. Веригите на доставки остават несигурни. Производствените графици се променят с малко или никакво предупреждение. Регулаторните изисквания продължават да се разширяват. Същевременно клиентите очакват надеждни доставки, постоянно качество и по-малко въздействие върху околната среда.

Тези фактори засягат всяко ниво на производствената организация. Ръководителите на предприятия трябва да защитават обема на производството и рентабилността. Процесните инженери трябва да стабилизират все по-сложните производствени системи. Екипите по поддръжката трябва да решават проблеми с оборудването за ограничено време. Операторите трябва да вземат безопасни решения през всяка смяна.

Традиционната автоматизация остава съществена в тази среда. Разпределените системи за управление, програмируемите контролери, системите за безопасност, архиваторите на данни и платформите за мониторинг на състоянието все още осигуряват основата на производствените операции. Тези системи обаче често организират информацията около оборудване, тагове, аларми и функции за управление.

Те не винаги организират информацията около въпросите, които операторите действително задават.

Операторът рядко започва с идеално структуриран запрос към база данни. Вместо това може да попита защо компресорът многократно се изключва при студено време. Техникът може да си спомни, че подобна повреда е възникнала преди две години. Ръководителят може да знае, че друга производствена линия е решила същия проблем чрез необичайна оперативна настройка.

Тези знания са ценни, но често са разпръснати в дневници на смените, бележки по поддръжката, имейли, доклади за инциденти, работни поръчки, електронни таблици и личен опит.

Платформите за предприятия с изкуствен интелект запълват тази празнина. Те свързват структурирани машинни данни с неструктурирани оперативни знания. Помагат на производствените екипи да идентифицират значими събития, да сравняват по-ранни инциденти и да намират доказани решения, без ръчно да търсят в несвързани записи.

Този подход не заменя съществуващата архитектура за автоматизация. Той създава слой за оперативна интелигентност над нея.

Най-добрите платформи комбинират информация от системи за управление, системи за управление на активи, приложения за поддръжка, лабораторни системи, инструменти за производствено планиране и комуникации между операторите. След това представят тази информация чрез интерфейси, проектирани за вземане на реални оперативни решения.

Организациите, които планират този преход, все още трябва да поддържат надеждна основа за управление. Съвременният слой за интелигентност не може да компенсира нестабилни измервателни уреди, непълни аларми, лоша мрежова архитектура или непоследователни записи за поддръжка. Читателите, които оценяват основата за управление зад тези проекти, могат да разгледат актуалните архитектури и компоненти на DCS системите за управление, използвани в производствени предприятия.

Фигура 1. Ефективните цифрови операции свързват параметрите на оборудването, контекста на процеса и практическите знания на персонала.

Нестабилността прави оперативните знания по-ценни

Предприятията от преработващата промишленост трябва да реагират на бързо променящите се бизнес и оперативни условия. Цените на природния газ са ясен пример. Рязкото увеличение на цената може да промени производствените приоритети, енергийните стратегии и оперативните цели в цялото предприятие.

Пазарното търсене също може да се променя бързо. На едно предприятие може да се наложи да произвежда по-малки партиди, да сменя продуктовите класове по-често или да експлоатира оборудването извън традиционния си производствен режим. Всяка промяна въвежда допълнителни взаимодействия в процеса.

Технологичните иновации добавят още един слой сложност. Днес предприятията управляват традиционната автоматизация наред с индустриални мрежи, облачни услуги, периферни изчисления, средства за киберсигурност, усъвършенствани анализи и приложения за отдалечена поддръжка.

Сложността не произтича само от броя на технологиите. Тя произтича и от взаимоотношенията между тях.

Смущението в процеса може да започне като механичен проблем. След това то може да повлияе на показанията на измервателните уреди, контурите за управление, качеството на продукта и производствените темпове на предходните етапи. Видимата аларма може да се появи далеч от първоначалната причина.

Затова производствените екипи се нуждаят от повече от отделни алармени съобщения. Те се нуждаят от контекст.

Контекстът обяснява какво се е случило преди алармата. Той идентифицира условията на околната среда, дейностите по поддръжката, промените в продукта, действията на операторите и поведението на оборудването. Също така свързва текущото събитие със съпоставими исторически събития.

Много предприятия вече разполагат с тази информация. Проблемът е достъпността.

По-ранно решение може да се намира в запис за поддръжка. Друго полезно наблюдение може да се появи в отчет за смяната. Пенсиониран оператор може да е документирал причината в неофициална бележка. И все пак е възможно екипът на текущата смяна никога да не открие тези записи по време на реален инцидент.

Цената на този неуспех може да бъде значителна. Производството може да остане спряно, докато служителите повтарят стъпки за отстраняване на неизправности, които са се оказали неуспешни при по-ранни инциденти. Персоналът по поддръжката може да замени изправни компоненти. Операторите могат да рестартират оборудването, без да разбират основното състояние.

Всяка допълнителна минута може да увеличи производствените загуби, да изразходва ресурси за поддръжка и да повиши оперативния риск.

Системите с изкуствен интелект улесняват повторното използване на историческите знания. Те могат да разпознават сходства между записи, формулирани по различен начин. Могат да идентифицират свързано оборудване, работни условия, симптоми и коригиращи действия. След това могат да представят релевантна информация, преди екипите да изчерпят ценно време.

Тази възможност променя стойността на съществуващата документация за предприятието. Старите отчети вече не остават статични архиви. Те се превръщат в активен оперативен ресурс.

От съхранена информация към приложими знания за предприятието

Повечето индустриални организации не страдат от пълна липса на данни. Те страдат от разпокъсани данни, непоследователна терминология и ограничени методи за извличане на информация.

Голямо съоръжение може да регистрира хиляди експлоатационни събития всеки месец. Тези записи могат да включват аларми, работни поръчки, коментари на оператори, отклонения в процеса, събития, свързани с качеството, и констатации от поддръжката.

Всеки източник използва различна структура.

Историанът записва стойности на времеви редове. Компютъризираната система за управление на поддръжката записва работата по активите. Дневникът на смяната записва наблюдения. Системата за качество записва отклонения и лабораторни резултати. Алармената система записва промени в състоянието и потвърждения.

Тези системи описват една и съща производствена инсталация от различни гледни точки.

Традиционните инструменти за отчитане обикновено изискват от потребителите да знаят къде се съхранява необходимата информация. Те могат също да изискват точни ключови думи, номера на оборудването, периоди от време или категории отчети.

Това изискване създава сериозно ограничение по време на непланирани събития.

Оператор, който се сблъсква с прекъсване на производството, може да не знае правилната терминология за поддръжка. Техникът по поддръжката може да не знае наименованието на процеса, използвано от оперативния персонал. Две смени могат да описват идентични симптоми с напълно различни думи.

Например един оператор може да напише, че помпата е била нестабилна. Друг може да запише пулсиращ поток. Техник може да опише периодично засмукващо налягане. Процесен инженер може да класифицира същото събитие като кавитация.

Конвенционалното търсене по ключови думи може да разглежда тези записи като несвързани.

Интелигентната система за търсене може да анализира значението им. Тя може да разпознае, че описанията се отнасят до един и същ експлоатационен модел. Може също да изследва свързаните етикети, връзките между оборудването, работните поръчки, метеорологичните условия и производствените състояния.

Това превръща търсенето от функция за извличане на документи в помощно средство за оперативно разсъждение.

Системата не е необходимо самостоятелно да определя окончателния отговор. Първата ѝ отговорност е да изведе на преден план най-релевантните доказателства.

Тогава операторите могат да прегледат по-ранни събития, да сравнят условията и да решат дали се прилага установена реакция. Инженерите могат да потвърдят предполагаемата причина чрез данни от процеса. Екипите по поддръжката могат да проверят оборудването, преди да извършат ненужна работа.

Резултатът е по-бърз и по-дисциплиниран процес на вземане на решения.

Човекоцентричният изкуствен интелект запазва отговорността там, където ѝ е мястото

Изкуственият интелект не трябва да отстранява хората от критичните производствени решения. Той трябва да подобрява информацията, с която те разполагат.

Това разграничение е особено важно при химическа преработка, производство на електроенергия, нефт и газ, фармацевтика, металургия, производство на храни и пречистване на вода. Решенията в тези среди могат да повлияят на безопасността на персонала, спазването на екологичните изисквания, качеството на продуктите и скъпото оборудване.

Един алгоритъм не може да поеме правна или оперативна отговорност за дадена производствена инсталация.

Той може да идентифицира модел. Може да оцени вероятен резултат. Може да препоръча по-ранна реакция. Въпреки това квалифициран персонал трябва да оцени препоръката в контекста на текущата експлоатация.

Затова ИИ, ориентиран към човека, започва с ясно разделение на ролите.

Системата за автоматизация изпълнява детерминирано управление. Системите за безопасност изпълняват определени защитни функции. Приложенията с ИИ анализират информация и извеждат на преден план възможни взаимовръзки. Операторите и инженерите запазват правомощията за вземане на решения.

Тази архитектура избягва едно важно недоразумение. За да създава стойност, ИИ не се нуждае от неограничен достъп до управлението.

Много полезни приложения функционират в консултативна роля. Те анализират данни само за четене, производствени записи, аларми и съобщения от смените. След това предоставят класирана информация или препоръки.

Тази организация също така подпомага поетапното внедряване. Компанията може да започне с търсене, извличане на знания и отчетност. Тя може да изгради доверие, преди да обмисли по-усъвършенствани приложения за прогнозиране.

Доверието е от съществено значение, тъй като операторите бързо отхвърлят системи, които дават неуместни или необяснени препоръки.

Практичният ИИ асистент трябва да показва защо е представил даден резултат. Той трябва да посочва свързания инцидент, съвпадащите условия, историята на оборудването и предприетите по-рано коригиращи действия. Потребителите трябва да могат да проверят основните доказателства.

Обяснимостта не изисква разкриване на всеки математически детайл. Тя изисква достатъчно оперативен контекст, за да може квалифициран специалист да оцени препоръката.

Най-успешните внедрявания разглеждат операторите като участници в проектирането на системата. Тяхната терминология, работни процеси, информационни потребности и обратна връзка оформят крайното приложение.

Това участие подобрява приложимостта на системата. То също така намалява усещането, че цифровизацията се налага без разбиране на реалностите в предприятието.

Фигура 2. ИИ, ориентиран към човека, подпомага персонала на предприятието, като операторите запазват контрола и отговорността.

Защо простата логика IF-THEN не може да обхване всяко нарушение

Индустриалната автоматизация отдавна разчита на детерминирана логика. Правилата IF-THEN остават подходящи за управляващи последователности, блокировки, разрешаващи сигнали и защитни действия.

Оперативните знания обаче не винаги се вписват в детерминирана структура.

Прекъсването на производството може да зависи от времето, свойствата на суровините, състоянието на оборудването, действията на оператора и по-ранни отклонения в процеса. Тези взаимовръзки може да не възникват в един и същ ред всеки път.

Създаването на отделно правило за всяка възможна комбинация би било непрактично. Наборът от правила би станал труден за поддръжка. Освен това би могъл да се провали при появата на нова вариация.

ИИ предлага различен метод. Той анализира историческа информация и идентифицира закономерности в множество променливи. Може да подрежда сходни събития дори когато описанията, последователностите и условията се различават.

Нека разгледаме хипотетична линия за обработка на течности по време на зимна експлоатация.

Линията спира след поредица от отклонения в потока и налягането. Екипът на смяната следва стандартната процедура за нулиране. Инструментите се проверяват. Помпата се стартира отново. Процесът отново се проваля.

Видимите симптоми насочват към няколко възможни причини. Те могат да показват проблем с вентил, влошаване на работата на помпата, грешка на измервателния уред или ограничен поток.

Опитен специалист по производството пристига и си спомня подобен случай. По време на по-ранен студен период част от външна линия е замръзнала частично. Ограничението е променило материала, постъпващ в процеса. Тази промяна по-късно е причинила нестабилна работа на друго място в производствената линия.

Ключовото обяснение съществува на човешки език. То свързва метеорологичните условия, поведението на материала, реакцията на оборудването и забавените последици за процеса.

Конвенционалната логика на алармите може да открие всяко отделно отклонение. Тя може да не обясни връзката между тях.

Платформа с изкуствен интелект може да търси в по-ранни записи от смените, бележки по поддръжката и данни за околната среда. Тя може да открие предишния инцидент, свързан със замръзване, и да го представи на настоящия екип.

Платформата не е заменила инженера. Тя е ускорила достъпа до натрупаните по-рано знания на инженера.

Тази разлика е съществена за индустриалния изкуствен интелект.

Най-непосредствената полза често идва от подобряването на достъпа до човешкия опит, а не от създаването на напълно автономни заводи.

Практически пример за реагиране при инцидент

Представете си завод за специализирани химикали, който работи с няколко паралелни производствени линии. Всяка линия съдържа помпи, топлообменници, регулиращи вентили, анализатори и оборудване за прехвърляне на партиди.

Една производствена линия започва да подава повтарящи се аларми за високо налягане при определен продуктов клас. Алармите изчезват след промиване на линията. Те се появяват отново по време на следващата кампания.

Първоначалното предположение е, че регулиращият вентил заяжда. Отделът по поддръжката проверява задвижващия механизъм и позиционера. Не е открит механичен проблем.

След това екипът заменя преобразувателя за налягане. При следващата партида се появява същата аларма.

Без споделена платформа за интелигентност разследването може да продължи чрез срещи, електронни таблици и отделни търсения в системите. Няколко отдела могат да повторят предишния анализ, без да знаят какво са открили другите.

Интегрираната платформа променя работния процес.

Операторът търси по името на оборудването и описва симптома на обичаен език. Системата връща няколко свързани записа. Един от тях се отнася до друга производствена линия. Друг е от доклад за отклонение в качеството, създаден преди осемнадесет месеца.

В по-ранния доклад се отбелязва, че доставчик на суровината е променил диапазона на вискозитета. Материалът е останал в рамките на спецификациите за закупуване. Това обаче е повлияло на топлообмена при един продуктов клас.

Промененият температурен профил увеличи вискозитета близо до регулиращия вентил. По-високото съпротивление впоследствие доведе до наблюдаваното поведение на налягането.

Настоящият екип сравнява партидите суровини, температурните тенденции, положението на вентила и данните за налягането. Данните потвърждават по-ранното обяснение.

Инженерният отдел коригира последователността на нагряване в рамките на одобрените експлоатационни граници. Отделът „Снабдяване“ също преглежда спецификацията на суровината с доставчика.

Този пример показва няколко важни предимства.

Системата свърза информацията между производствените линии. Тя свърза симптом на оборудването със запис за качеството. Идентифицира технологична връзка, която отстраняването на неизправности, фокусирано върху оборудването, не беше открило.

Това също предотврати подмяната на допълнителен компонент.

Финансовата стойност идва не само от по-краткия престой. Предприятието избягва ненужните резервни части, намалява труда по поддръжката, защитава качеството на продукцията и подобрява бъдещите спецификации при закупуване.

Фигура 3. ИИ може да предоставя основани на доказателства възможности за реакция, като свързва текущите симптоми с предишния опит на предприятието.

Интелигентното търсене променя начина, по който сменните екипи използват опита

Интелигентното търсене е сред най-практичните отправни точки за индустриалния ИИ. То решава непосредствен проблем, без да изисква автономно управление.

Производствените организации вече разполагат с дългогодишен оперативен опит. Предизвикателството е да се извлече правилният опит, когато той е необходим.

Интелигентно приложение за търсене може да обработва заявки на естествен език. То може също да анализира връзките между оборудването, времевите маркери, технологичните зони, последователностите на алармите и контекста на документите.

Това позволява на потребителя да търси по смисъл, а не по точно съвпадение на формулировката.

Да предположим, че двама служители описват едно и също събитие по различен начин. Единият пише, че линията е спряла след нестабилни условия на подаване. Другият пише, че процесът се е изключил след колебания в налягането на входа.

Трети човек може да запише, че разположената по-нагоре помпа за пренос е загубила засмукване.

Интелигентната платформа може да свърже тези описания чрез общия технологичен контекст. Тя може да идентифицира една и съща технологична линия, времеви модел или работно състояние.

След това платформата може да върне свързани инциденти и да ги класира според релевантността им.

Класирането е важно, защото индустриалните бази данни могат да съдържат хиляди потенциални съвпадения. Потребителите не се нуждаят от всеки запис, съдържащ позната дума. Те се нуждаят от записите, които най-вероятно ще подпомогнат текущото решение.

Полезните фактори за класиране могат да включват идентификатора на оборудването, технологичния блок, режима на работа, условията на околната среда, продуктовия клас, последователността на алармите, историята на поддръжката и резултатите от коригиращите действия.

Системата трябва също да разграничава успешните реакции от неуспешните опити.

Бележка за поддръжка, в която се посочва, че даден инструмент е бил сменен, не доказва, че смяната е решила проблема. Платформата трябва да анализира последващите записи и поведението на процеса.

Това предотвратява повторното извършване на предишно действие от екипите само защото то фигурира в даден отчет.

Интелигентното търсене може също да разкрие пропуски в знанията. Ако много инциденти съдържат непълни заключения, ръководството може да подобри стандартите за отчитане. Ако идентични проблеми са описани по различен начин, организацията може да засили насоките за терминологията.

Така търсенето се превръща едновременно в инструмент за отстраняване на неизправности и за подобряване на качеството на знанията.

Машинното обучение и класическото програмиране изпълняват различни роли

Класическото програмиране започва с правила, определени от хора. Програмистът задава входовете, условията и изискваните изходи.

Този метод остава основен за предвидими индустриални функции. Последователността за стартиране на двигател трябва да следва проверена логика. Функцията за изключване трябва да се изпълнява съгласно изпитана конструкция за безопасност.

Машинното обучение има друга цел.

Вместо ръчно да определят всяка зависимост, инженерите предоставят данни и цели. Алгоритъмът идентифицира модели, които помагат за разграничаване на релевантните резултати.

Например моделът може да анализира вибрации, температура, натоварване, условията на смазване, историята на поддръжката и работните часове. Той може да идентифицира комбинации, свързани с предишно влошаване на състоянието на оборудването.

След това моделът може да оцени вероятността от развитие на подобно състояние.

Тези оценки не са абсолютни факти. Те са вероятностни резултати, основани на наличните данни.

Затова индустриалните екипи трябва да разбират степента на увереност, ограниченията на данните и работните граници. Модел, обучен по време на нормално производство, може да се представя слабо при стартиране. Модел, разработен за един компресор, може да не е приложим към друга конструкция.

Машинното обучение също зависи от етикети и исторически резултати. Ако записите за поддръжката класифицират неправилно повредите, моделът може да научи подвеждащи зависимости.

Поради тези причини внедряването на изкуствен интелект изисква сътрудничество между специалистите по данни и експертите в съответната област.

Специалистите по данни разбират архитектурата на моделите, валидирането и показателите за ефективност. Технологичните инженери разбират режимите на работа и взаимодействията в процеса. Специалистите по поддръжката разбират механизмите на повредите. Операторите разбират какво действително се случва по време на смените.

Нито една група не разполага с пълната картина.

Ефективното внедряване обединява тези гледни точки още от самото начало.

Качеството на данните определя стойността на индустриалния изкуствен интелект

Данните са основно изискване за изкуствения интелект. Количеството има значение, но качеството е по-важно.

Дадено предприятие може да събира милиони точки данни и въпреки това да няма надежден контекст. Стойностите от сензорите може да са непълни. Времевите печати може да са несъгласувани. Имената на оборудването може да се различават между системите. Работните поръчки може да съдържат неясни описания.

Платформата за изкуствен интелект не може автоматично да коригира всяка структурна слабост.

Качеството на данните започва от измервателната апаратура. Сензорите трябва да са подходящи за приложението. Практиките за калибриране трябва да се поддържат. Данните с ниско качество трябва да се идентифицират. Синхронизацията на времето трябва да остане съгласувана между системите.

Контекстуалните данни са също толкова важни.

Стойността на температурата има ограничено значение без идентификатор на оборудването, технологична единица, режим на работа, сорт на продукта и времеви печат. Алармата е по-полезна, когато е свързана с нейния приоритет, промените в състоянието, потвърждението и съпътстващите технологични условия.

Записите, въведени от хора, също изискват внимание.

Дневниците на смените трябва да посочват засегнатия актив и технологичната зона. Докладите за поддръжка трябва да разграничават симптомите, действията, констатациите и потвърдените причини. Записите за инциденти трябва да показват дали коригиращите действия са били успешни.

Организациите не се нуждаят от напълно стандартизиран език, преди да започнат. Обработката на естествен език може да се справи с различията. Напълно липсващият контекст обаче не може да бъде възстановен надеждно.

Практическата проверка на готовността на данните трябва да обхване няколко области.

Първо, трябва да се идентифицират системите, съдържащи полезни оперативни знания. Второ, трябва да се оцени достъпността и собствеността върху данните. Трето, трябва да се оцени последователността на именуването и качеството на времевите отпечатъци. Четвърто, трябва да се разгледат изискванията за киберсигурност и съхранение.

Проверката трябва също да идентифицира чувствителната информация. Някои бележки по поддръжката може да съдържат лични данни. Производствените записи може да включват поверителни формули. Дневниците за отдалечен достъп може да разкриват подробности за сигурността.

Управлението на данните трябва да определи каква информация може да обработва дадено AI приложение. То трябва също да определи кой може да вижда всеки резултат.

Силното управление не възпрепятства иновациите. То създава безопасни граници за устойчиво внедряване.

Интерактивната комуникация между смените изгражда постоянно развиваща се база знания

Работата на смените зависи от комуникацията. Състоянието на оборудването, временните експлоатационни ограничения, дейностите по поддръжката, опасенията относно качеството и производствените приоритети трябва да бъдат предадени от един екип на друг.

Хартиените дневници и изолираните електронни таблици често водят до загуба на информация. Важни наблюдения може да останат при излизащата смяна. Неформалните разговори може никога да не бъдат вписани в постоянен запис.

Корпоративната платформа може да предостави споделен оперативен преглед. Тя може да показва производителността на завода, активните работни поръчки, инцидентите, временните инструкции и нерешените рискове.

Екипите на смените могат да записват записи чрез последователен цифров работен процес. Всеки запис може да включва час, оборудване, технологична зона, приоритет, прикачени файлове и отговорност за последващи действия.

Тази структура подпомага изискванията за одит. Тя също така прави информацията достъпна за търсене.

Базата знания се разраства с всеки полезен запис. Проблем, решен днес, се превръща в насока за бъдеща смяна.

Използването между обекти може да създаде допълнителна стойност. Компания, която управлява няколко сходни завода, може да сравнява събитията между различните локации. В един обект може вече да е решен проблем, който изглежда нов на друго място.

Тази възможност е особено полезна за стандартизирани паркове от оборудване. Няколко обекта могат да използват един и същ компресор, система за управление, анализатор или система за безопасност.

Споделянето между обекти обаче изисква контекст. Решение от един завод може да не е пряко приложимо към конфигурацията на процеса в друг. Платформата трябва да представя информацията като доказателство, а не като автоматична инструкция.

Предаването на смените също става по-ефективно, когато нерешените проблеми остават видими.

Входящият екип може да види кои аларми са възникнали, какви действия са предприети и кои задачи по поддръжката остават неизпълнени. Той може да прегледа тенденциите в процеса, преди да поеме отговорност.

Интелигентното търсене добавя още един слой. То може да идентифицира предишни предавания на смени, свързани със сходни симптоми. То може също да покаже кои стратегии за реагиране са довели до стабилни резултати.

Общата цел е приемственост.

Знанията за производството трябва да останат достъпни, когато хората сменят смени, отдели или работодатели.

Контекстът в реално време подобрява както ефективността, така и безопасността

Историческите знания стават по-ценни, когато са свързани с текущите условия на производствената площадка.

Платформата може да идентифицира предишен инцидент, но текущото събитие може да се различава по важни аспекти. Данните в реално време позволяват на екипа да сравни тези различия.

Например предишно изключване на помпа може да е настъпило при високо натоварване. Текущото изключване може да настъпи по време на стартиране. Последователността на алармите може да изглежда сходна, но експлоатационният контекст променя вероятната причина.

Интеграцията в реално време може да показва текущите стойности на процеса, състоянията на алармите, наличността на оборудването и производствения режим. Тя може също да показва активни разрешителни за поддръжка или скорошни промени в конфигурацията.

Този контекст намалява риска от сляпо прилагане на старо решение.

Ползите за безопасността могат да произтичат и от подобрения поток на информация.

Операторите могат да получат по-ранно предупреждение за развиващи се състояния. Екипите по поддръжката могат да разпознаят повтарящи се симптоми, преди оборудването да достигне критично състояние. Ръководителите могат да идентифицират нерешени проблеми през последователни смени.

AI не трябва да заобикаля установените процедури за безопасност. Той трябва да подобрява ситуационната осведоменост във връзка с тях.

Всяка препоръка, засягаща работата, трябва да остане съвместима с одобрените процедури, експлоатационните ограничения, изискванията за управление на промените и инструменталните функции за безопасност.

Платформата трябва също да идентифицира кога информацията е несигурна. Тя не трябва да представя резултати с ниска увереност като потвърдени причини.

Ясното обозначаване на несигурността насърчава правилната проверка.

Фигура 4. Контекстът на работа в реално време помага на екипите да оценяват препоръките и да защитават безопасността на производствената площадка.

Изграждане на информационната архитектура зад AI

AI приложение зависи от архитектурата, свързваща системите на производствената площадка. Тази архитектура трябва да събира информация, без да нарушава критичните функции за управление.

Обичайният дизайн разделя средите за управление, експлоатация и предприятието чрез управлявани мрежови зони. Данните преминават през одобрени интерфейси, архиватори, шлюзове или периферни платформи.

Системите за управление остават отговорни за детерминистичната работа. AI платформата получава избрани данни за анализ и представяне.

Това разделяне намалява риска. То също така позволява на екипите по киберсигурност да прилагат контрол на достъпа, мониторинг и ограничения на потока от данни.

Надеждността на индустриалните комуникации остава важна в цялата архитектура. Липсващи данни, нестабилни шлюзове или несъгласувана синхронизация на времето могат да намалят аналитичната точност.

Организациите, които разширяват свързаността на заводите, могат да разгледат наличните компоненти за индустриална комуникация и мрежи, използвани за свързване на контролери, отдалечени модули за входове и изходи, шлюзове и надзорни платформи.

Архитектурата трябва да дефинира няколко информационни пътя.

Един път пренася процесни данни от времеви редове. Друг пренася аларми и събития. Допълнителни пътища могат да пренасят записи за поддръжка, производствени поръчки, лабораторни резултати и съобщения от смените.

Системата трябва да запазва идентичността на източника. Потребителите трябва да знаят дали дадена препоръка произлиза от данни от историк, работна поръчка, бележка на оператор или инженерен документ.

Произходът на данните подпомага доверието и одита. Той също помага на инженерите да проучват неправилни резултати.

Обработката на периферно ниво може да е полезна, когато честотната лента е ограничена или данните не могат да напускат обекта. Обработката в облака може да осигури мащабируеми изчислителни ресурси и централизиран анализ между различни обекти.

Много организации използват хибриден модел.

Незабавното събиране и предварителната обработка на данни се извършват близо до завода. Одобрената информация след това се прехвърля към централизирана платформа за по-широк анализ.

Правилният дизайн зависи от политиките за киберсигурност, изискванията за латентност, обема на данните, регулаторните задължения и свързаността на обекта.

Киберсигурността трябва да бъде заложена в платформата

Индустриалният ИИ увеличава свързаността и използването на данни. Поради това той създава допълнителни аспекти, свързани с киберсигурността.

Първият принцип е минимално необходимият достъп. Аналитичното приложение трябва да получава само достъпа, необходим за неговата функция.

Интелигентната платформа за търсене може да се нуждае от достъп само за четене до сменни журнали, работни поръчки и избрани данни за процесите. Обикновено не ѝ е необходимо разрешение за промяна на логиката на контролерите.

Управлението на идентичностите трябва да определя кой може да търси, преглежда, експортира и администрира информация. Достъпът може да се различава между оператори, инженери, изпълнители и корпоративни анализатори.

Мрежовото сегментиране трябва да защитава критичните зони за управление. Преносът на данни трябва да използва контролирани интерфейси. Отдалечените връзки трябва да следват одобрени практики за удостоверяване и мониторинг.

Сигурността на моделите също изисква внимание.

Нападател може да се опита да манипулира данни, да промени информацията за обучение или да изпрати подвеждащо съдържание. Недобре контролирани документи могат да повлияят на резултатите от търсенето и препоръките.

Организациите трябва да валидират изходните системи и да следят за необичайни промени. Те трябва също да поддържат контрол на версиите за модели, подсказвания, индекси и бази знания.

Одитните журнали трябва да записват основните административни действия. Екипите трябва да знаят кога е променен даден модел, какви данни са използвани и кой е одобрил внедряването.

Проверките за киберсигурност трябва да продължат и след внедряването. Новите интеграции, източници на данни и потребителски групи могат да променят рисковия профил.

Сигурността следователно трябва да остане част от жизнения цикъл на платформата.

Управлението на знанията предотвратява цифровото объркване

AI може да извлича информация бързо, но само по себе си бързината не гарантира точност.

Индустриалните записи може да съдържат остарели процедури, непълни заключения или временни решения. Системата за препоръки трябва да различава авторитетните от неформалните източници.

Управлението на знанията определя тези разграничения.

Одобрените оперативни процедури трябва да получават различен статус от неформалните коментари. Проверените доклади за първопричината трябва да имат по-голяма тежест от ранна бележка за отстраняване на неизправност.

Платформата може да показва типа източник, статуса на одобрение, датата, редакцията и отговорника. Тя може също да предупреждава потребителите, когато даден документ е изтекъл.

Организациите трябва да определят как новото знание се превръща в надеждно знание.

Операторът може да запише наблюдение. Инженерният екип може да го проучи. Екипът по поддръжката може да потвърди състоянието на оборудването. Ръководителят може да одобри окончателното коригиращо действие.

Платформата трябва да съхранява тази последователност.

Това предотвратява третирането на всяко твърдение като еднакво надеждно.

Обратната връзка също е от съществено значение. Потребителите трябва да могат да отбелязват даден резултат като релевантен, остарял или неправилен. След това експертите по темата могат да прегледат оспореното съдържание.

С течение на времето тази обратна връзка подобрява качеството на извличането. Тя също така идентифицира областите, в които документацията се нуждае от подобрение.

Отговорността за знанията трябва да остане ясна. За всяка процесна област, клас оборудване или категория процедури трябва да има отговорен екип.

Без ясно определена отговорност цифровото съдържание се натрупва без преглед. В резултат се превръща в още един труден за използване архив.

Измерване на оперативната стойност отвъд точността на AI

Проектите за индустриален AI трябва да се оценяват чрез оперативните резултати. Технически точен модел има ограничена стойност, ако не подобрява работата в предприятието.

Полезните измервания зависят от приложението.

При реагиране на инциденти организациите могат да проследяват средното време за идентифициране, средното време за ремонт, честотата на повтарящите се откази и продължителността на производствените загуби.

При комуникация между смените те могат да проследяват нерешените въпроси при предаването на смяната, просрочените действия, липсващата информация в дневника и повтарящите се дейности по отстраняване на неизправности.

При подпомагане на поддръжката те могат да проследяват ненужната подмяна на компоненти, аварийните дейности, повтарящите се работни поръчки и времето за диагностика.

Производителността на търсенето също е от значение. Екипите могат да измерват дали потребителите намират релевантни записи, колко бързо достигат до полезна информация и дали препоръките подпомагат окончателното разрешаване на проблема.

Използването от потребителите е друг важен показател.

Ако операторите престанат да използват системата, организацията трябва да проучи причините. Резултатите може да са твърде общи. Интерфейсът може да прекъсва работния процес. Данните може да са остарели. Потребителите може да не разбират логиката на класирането.

Ниското използване не бива автоматично да се приема като съпротива срещу промяната. То може да разкрива проблем в дизайна.

Финансовата оценка трябва да включва избегнатите загуби, намаления труд, подобреното производство и по-ниското потребление за поддръжка. Не всяка полза обаче изисква незабавно парично изражение.

По-доброто запазване на знанията, по-ефективното предаване на смените и по-безопасните решения също създават дългосрочна стойност.

Балансираната система от показатели трябва да съчетава технически, оперативни, финансови и човешки фактори.

Започване с фокусиран индустриален казус на употреба

Много програми за изкуствен интелект се провалят, защото започват с платформа, а не с проблем.

Компанията закупува усъвършенстван софтуер и след това търси възможни приложения. Този подход често води до демонстрации без устойчива оперативна стойност.

По-добрият подход започва с повтарящ се производствен проблем.

Проблемът трябва да е достатъчно значим, за да оправдае предприемането на действия. Той също така трябва да има достъпна историческа информация и ясно оперативно управление.

Повтарящи се изключвания на оборудването, трудни предавания на смените, бавно разследване на инциденти и разпокъсани познания за поддръжката са подходящи примери.

Първият проект трябва да има ясно определени граници. Една производствена единица, един клас оборудване или едно повтарящо се смущение може да са достатъчни.

Фокусираният обхват опростява подготовката на данните и ангажирането на потребителите. Той също така улеснява измерването на стойността.

Екипът по проекта трябва да документира текущия работен процес, преди да въведе изкуствен интелект.

Как служителите разпознават проблема? В кои системи търсят? Кой се включва? Колко време отнема диагностиката? Кои записи обикновено липсват?

Тази базова линия предотвратява неясни твърдения за подобрение.

След това екипът може да проектира работния процес, подпомаган от изкуствен интелект. Потребителите трябва да знаят къде се показват препоръките, как да проверяват доказателствата и как да записват резултатите.

Пилотният проект трябва да се изпълнява с реални потребители по време на нормална работа. Само лабораторните тестове не могат да възпроизведат напрежението на смените, непълната информация или конкуриращите се приоритети.

Обратната връзка трябва да води до бързи корекции. Филтрите за търсене, терминологията, класирането и дизайнът на екрана може да изискват няколко преработки.

Целта не е да се докаже, че изкуственият интелект работи по принцип. Целта е да се подобри конкретен индустриален процес.

Поетапна пътна карта за внедряване в производството

Практическото внедряване може да премине през няколко етапа на зрялост.

Първият етап създава цифрови записи. Дневниците на смените, инцидентите и работните поръчки стават достъпни чрез унифицирани интерфейси.

Вторият етап свързва записите между системите. Идентичностите на оборудването, времевите отметки и производствените зони позволяват на потребителите да навигират до свързана информация.

Третият етап въвежда интелигентно търсене. Обработката на естествен език и семантичното класиране помагат на потребителите да намират сходни събития.

Четвъртият етап добавя контекстуални препоръки. Платформата сравнява текущите работни условия с исторически резултати.

Петият етап въвежда приложения за прогнозиране. Моделите идентифицират развиващи се условия и осигуряват по-ранно предупреждение.

Шестият етап може да поддържа оптимизация със затворен цикъл в внимателно одобрени граници.

Не всяка организация трябва да достигне до последния етап. Значителна стойност може вече да съществува в приложенията за търсене, комуникация и консултиране.

Всеки етап трябва да включва управление, киберсигурност, валидиране и обучение на потребителите.

Разширяването трябва да се извърши едва след като предходният етап работи надеждно.

Този поетапен подход намалява техническия риск. Той също така позволява на работната сила постепенно да изгради увереност.

Ръководството на предприятието трябва да съобщи, че внедряването на ИИ е програма за подобряване на оперативната дейност. То не е просто внедряване на информационни технологии.

Оперативната дейност, поддръжката, инженерингът, безопасността, качеството, киберсигурността и ръководството трябва да споделят отговорността.

Обучение на операторите за оценяване на препоръките на ИИ

Служителите се нуждаят от повече от инструкции за софтуера. Те се нуждаят от практическо разбиране за начина, по който се създават препоръките, и за това къде могат да се окажат погрешни.

Обучението трябва да обяснява, че ИИ идентифицира модели. Той не притежава пълна представа за състоянието на предприятието.

Потребителите трябва да се научат да проверяват източниците, времевите отметки, контекста на оборудването и показателите за увереност. Те трябва да сравняват препоръките с текущите условия на процеса.

Сценариите за обучение могат да използват реални исторически инциденти. Екипите могат да прегледат резултатите от платформата и да обсъдят дали предложените доказателства биха подкрепили по-ранното решение.

Това упражнение развива умения за критична оценка.

Служителите трябва също да знаят как да докладват неправилни резултати. Лесният процес за обратна връзка насърчава непрекъснатото подобрение.

Ръководителите трябва да избягват наказването на потребители, които поставят системата под въпрос. Здравословният скептицизъм подобрява безопасността.

Същевременно екипите трябва да избягват отхвърлянето на препоръки без проверка. Платформата може да открие взаимовръзки, които не са очевидни веднага.

Желаното поведение е дисциплинирана оценка.

Операторите проучват доказателствата. Инженерите потвърждават логиката на процеса. Специалистите по поддръжката проверяват състоянието на оборудването. След това отговорното лице взема решение за действието.

Този работен процес съчетава бързината на машините с човешката преценка.

Опазване на неписаните знания при промени в работната сила

Много промишлени предприятия зависят от служители с десетилетия практически опит. Тези специалисти разпознават фини звуци, модели и експлоатационни условия, които не са напълно документирани.

Пенсионирането и мобилността на работната сила застрашават тези знания.

Традиционното предаване на знания често разчита на неформално наставничество. Този метод остава ценен, но е трудно да се прилага в по-голям мащаб. Освен това зависи от това служителите да работят достатъчно дълго заедно.

Цифровите платформи могат да подпомогнат по-систематичен подход.

Опитните служители могат да записват обяснения на събития, логика за отстраняване на неизправности и взаимовръзки в процесите. Интервютата могат да се свързват със записи за оборудването. Изводите могат да се обвързват с реални исторически тенденции.

Тогава ИИ може да улесни намирането на тази информация.

Целта не е всяко преживяване да се превръща в твърда процедура. Някои знания са условни. Те трябва да останат свързани с обстоятелствата, които са ги направили валидни.

Например, оперативната корекция може да е работила само при определена продуктова марка. Временно решение за поддръжка може да е било краткотрайно. Определен вибрационен модел може да се проявява само при конкретно натоварване.

Контекстът предпазва бъдещите потребители от прекомерни обобщения.

Затова улавянето на знания трябва да включва симптома, работното състояние, разсъжденията, действието, резултата и ограниченията.

Тази структура създава по-надеждна техническа памет за организацията.

Мястото на генеративния изкуствен интелект в рамките на технологичните операции

Генеративният изкуствен интелект създава допълнителни възможности за индустриалните платформи. Той може да обобщава дейностите на смените, да обяснява взаимовръзки, да изготвя проекти на доклади за инциденти и да отговаря на въпроси, използвайки одобрени документи за завода.

Тези функции могат да намалят административните усилия. Те могат също да помогнат на потребителите да се ориентират в обширни технически библиотеки.

Генерираният изход обаче изисква строг контрол.

Езиковият модел може да създаде убедително твърдение, което е непълно или неправилно. Затова индустриалните потребители трябва да виждат подкрепящите източници.

Генерирането с допълнено извличане предлага един полезен подход. Системата първо извлича одобрена информация за завода. След това използва тази информация, за да изгради отговор.

Отговорът трябва да включва препратки към процедури, работни поръчки, тенденции или записи за инциденти. Така потребителите могат да проверят отговора.

Важните действия никога не бива да зависят от неподкрепено генерирано твърдение.

Организациите трябва също да контролират кои документи може да използва моделът. Проекти на процедури, остарели ръководства и несвързано съдържание от интернет могат да доведат до опасни препоръки.

Регистрирането на подкани и отговори може да подпомогне одита. Чувствителната информация трябва да получава подходяща защита.

Генеративният изкуствен интелект работи най-добре като интерфейс към надеждни знания. Той не бива да се превръща в неконтролиран източник на технически авторитет.

Често срещани грешки при внедряването

Няколко грешки редовно ограничават проектите за индустриален изкуствен интелект.

Първата е изборът на прекалено широко целево направление. Подобряването на целия завод чрез изкуствен интелект не е управляем случай на употреба.

Втората е пренебрегването на качеството на данните. Усъвършенстваните модели не могат да компенсират липсващия контекст и ненадеждните записи.

Третата е изключването на операторите. Система, проектирана без участието на смените, може да не съответства на действителните работни процеси.

Четвъртата е измерването единствено на точността на модела. Оперативната стойност включва времето за реакция, приемането, повтарящите се неизправности и ефективността на поддръжката.

Петата е скриването на доказателствата зад препоръките. Потребителите се нуждаят от проследими източници.

Шестата е прекалено дълбокото свързване на платформата, преди да бъде изградено доверие. Консултативните приложения обикновено осигуряват по-безопасна отправна точка.

Седмата е разглеждането на киберсигурността като финален преглед. Изискванията за сигурност влияят върху архитектурата още от самото начало.

Осмата е липсата на поддръжка на платформата. Промените в оборудването, измененията в процесите и новите документи могат да влошат производителността.

Деветата е представянето на изкуствения интелект като заместител на опита. Това послание поражда съпротива и показва неразбиране на най-силната роля на технологията.

Десетата е приемането на всяко историческо действие за правилно. Миналите записи съдържат неуспешни опити за отстраняване на неизправности и временни обходни решения.

Добре управляваната платформа трябва да различава доказателствата от доказателството.

Бъдещето е работа на хора с помощта на машини

Процесната индустрия ще продължи да зависи от квалифицирани хора. Производствените системи са твърде сложни, променливи и критични за безопасността, за да изчезне отговорността в алгоритъм.

Въпреки това хората не бива да губят ценно време в търсене на несвързани записи по време на спешни събития.

Платформите с възможности за ИИ могат да намалят това натоварване. Те могат да организират знанията за предприятието, да свързват исторически събития и да представят релевантни доказателства в необходимия момент.

Най-ценните системи ще съчетават няколко възможности.

Те ще записват интерактивната комуникация между смените. Ще свързват контекста на процесите и поддръжката. Ще поддържат търсене на естествен език. Ще запазват проследимостта до източника. Ще се учат от обратната връзка на потребителите.

Те също така ще спазват оперативните граници.

Системите за управление ще продължат да изпълняват детерминистични функции. Системите за безопасност ще продължат да защитават оборудването и персонала. ИИ ще осигурява допълнителен слой за анализ и подкрепа при вземането на решения.

Тази комбинация създава работа на хора с помощта на машини.

Машината обработва големи обеми информация. Тя разпознава връзки между записите. Извлича релевантен опит по-бързо, отколкото човек би могъл да търси ръчно.

Човекът оценява доказателствата. Човекът разбира текущите приоритети на предприятието. Човекът отчита последиците за безопасността, производството, поддръжката и регулаторните изисквания.

Заедно тези възможности могат да подобрят производствената ефективност, без да отслабват отчетността.

Превръщане на историята на предприятието в оперативно предимство

Всяко производствено предприятие създава знания всеки ден. Операторите наблюдават необичайно поведение. Техниците откриват механизмите на отказите. Инженерите тестват подобрения. Ръководителите координират реакциите между смените.

Голяма част от тези знания изчезва в несвързани системи.

Платформите за предприятия с възможности за ИИ предлагат начин този опит да бъде съхранен и използван повторно. Те превръщат историческите записи в активен ресурс за вземане на решения.

Възможността се простира отвъд по-бързото търсене.

Предприятията могат да намалят повтарящото се отстраняване на неизправности. Могат да подобрят непрекъснатостта между смените. Могат да откриват повтарящи се слабости. Могат да подобрят планирането на поддръжката. Могат да съхранят опита по време на промени в работната сила.

Те могат също така да създадат по-последователна връзка между данните и човешката преценка.

Успехът изисква повече от инсталиране на софтуер. Необходими са надеждни данни от автоматизацията, добре обмислена информационна архитектура, мерки за киберсигурност, управление на знанията и непрекъснато участие на работната сила.

Организациите трябва да започнат с ясно дефиниран оперативен проблем. Те трябва да измерват реалните резултати. Трябва да разширяват използването едва след като потребителите се доверят на системата и на доказателствата зад нея.

Бъдещето на производствените операции не е избор между хора и машини.

Това е дисциплинирано партньорство, при което машините улесняват използването на знанията, а хората остават отговорни за предприятието.