پلتفرم‌های مجهز به هوش مصنوعی، بهره‌وری صنایع فرایندی را متحول می‌کنند

چرا عملیات فرایندی به یک مدل عملیاتی دیجیتال جدید نیاز دارند

صنعت فرایندی وارد دوره‌ای از تغییرات عملیاتی غیرمعمولاً سریع شده است. قیمت انرژی نوسان دارد. زنجیره‌های تأمین همچنان نامطمئن هستند. برنامه‌های تولید با هشدار اندک تغییر می‌کنند. الزامات مقرراتی همچنان گسترش می‌یابند. هم‌زمان، مشتریان انتظار تحویل قابل‌اعتماد، کیفیت یکنواخت و اثرات زیست‌محیطی کمتر دارند.

این فشارها بر تمام سطوح یک سازمان تولیدی اثر می‌گذارند. مدیران کارخانه باید از تولید و سودآوری محافظت کنند. مهندسان فرایند باید سیستم‌های تولیدی هرچه پیچیده‌تر را پایدار کنند. تیم‌های نگهداری باید با زمان محدود مشکلات تجهیزات را حل کنند. اپراتورها باید در هر شیفت تصمیم‌های ایمن بگیرند.

اتوماسیون سنتی همچنان در این محیط ضروری است. سیستم‌های کنترل توزیع‌شده، کنترلرهای قابل‌برنامه‌ریزی، سیستم‌های ایمنی، تاریخچه‌نگارها و پلتفرم‌های پایش وضعیت همچنان بنیان عملیات کارخانه را فراهم می‌کنند. بااین‌حال، این سیستم‌ها اغلب اطلاعات را بر اساس تجهیزات، تگ‌ها، هشدارها و عملکردهای کنترلی سازمان‌دهی می‌کنند.

آن‌ها همیشه اطلاعات را بر اساس پرسش‌هایی که اپراتورها واقعاً مطرح می‌کنند سازمان‌دهی نمی‌کنند.

اپراتور به‌ندرت کار خود را با یک پرس‌وجوی کاملاً ساختاریافته از پایگاه داده آغاز می‌کند. در عوض، ممکن است بپرسد چرا یک کمپرسور در هوای سرد مرتباً تریپ می‌کند. یک تکنسین ممکن است به یاد داشته باشد که خرابی مشابهی دو سال پیش رخ داده است. یک سرپرست ممکن است بداند که خط تولید دیگری همان مشکل را با یک تنظیم عملیاتی غیرمعمول حل کرده است.

این دانش ارزشمند است، اما اغلب در گزارش‌های شیفت، یادداشت‌های نگهداری، ایمیل‌ها، گزارش‌های حوادث، دستورکارهای کاری، صفحات گسترده و تجربه‌های شخصی پراکنده است.

پلتفرم‌های سازمانی مجهز به هوش مصنوعی این شکاف را برطرف می‌کنند. آن‌ها داده‌های ساختاریافته ماشین‌ها را به دانش عملیاتی بدون ساختار متصل می‌کنند. این پلتفرم‌ها به تیم‌های تولید کمک می‌کنند رویدادهای مرتبط را شناسایی کنند، حوادث قبلی را با یکدیگر مقایسه کنند و بدون جست‌وجوی دستی در سوابق پراکنده، پاسخ‌های اثبات‌شده را بازیابی کنند.

این رویکرد جایگزین معماری اتوماسیون موجود نمی‌شود. بلکه یک لایه هوشمندی عملیاتی در بالای آن ایجاد می‌کند.

قوی‌ترین پلتفرم‌ها اطلاعات را از سیستم‌های کنترل، سیستم‌های مدیریت دارایی، برنامه‌های نگهداری، سیستم‌های آزمایشگاهی، ابزارهای برنامه‌ریزی تولید و ارتباطات اپراتورها با یکدیگر ترکیب می‌کنند. سپس این اطلاعات را از طریق رابط‌هایی ارائه می‌دهند که برای تصمیم‌گیری‌های واقعی عملیاتی طراحی شده‌اند.

سازمان‌هایی که برای این گذار برنامه‌ریزی می‌کنند، همچنان باید یک بنیان کنترلی قابل‌اعتماد را حفظ کنند. یک لایه هوشمندی مدرن نمی‌تواند ناپایداری ابزار دقیق، هشدارهای ناقص، طراحی نامناسب شبکه یا سوابق نگهداری ناهماهنگ را جبران کند. خوانندگانی که بنیان کنترلی پشت این پروژه‌ها را ارزیابی می‌کنند، می‌توانند معماری‌ها و اجزای کنونی سیستم‌های کنترل DCS مورد استفاده در سراسر کارخانه‌های فرایندی را بررسی کنند.

شکل ۱. عملیات دیجیتال مؤثر، پارامترهای تجهیزات، زمینهٔ فرایند و دانش عملی کارکنان را به هم متصل می‌کند.

نوسان، ارزش دانش عملیاتی را افزایش می‌دهد

شرکت‌های فرایندی باید به شرایط کسب‌وکار و عملیاتیِ به‌سرعت در حال تغییر پاسخ دهند. قیمت گاز طبیعی یک نمونهٔ روشن است. افزایش ناگهانی قیمت می‌تواند اولویت‌های تولید، راهبردهای انرژی و اهداف عملیاتی را در سراسر یک واحد صنعتی تغییر دهد.

تقاضای بازار نیز می‌تواند به‌سرعت تغییر کند. ممکن است یک کارخانه نیاز داشته باشد دسته‌های کوچک‌تری تولید کند، گریدهای محصول را با دفعات بیشتری تغییر دهد یا تجهیزات را خارج از الگوی سنتی تولید خود به کار گیرد. هر تغییر، تعاملات فرایندی بیشتری ایجاد می‌کند.

نوآوری فناورانه لایهٔ دیگری از پیچیدگی را اضافه می‌کند. کارخانه‌ها اکنون اتوماسیون متعارف را در کنار شبکه‌های صنعتی، خدمات ابری، رایانش لبه‌ای، کنترل‌های امنیت سایبری، تحلیل‌های پیشرفته و برنامه‌های کاربردی پشتیبانی از راه دور مدیریت می‌کنند.

پیچیدگی فقط از تعداد فناوری‌ها ناشی نمی‌شود. روابط میان آن‌ها نیز منبع پیچیدگی است.

یک اختلال فرایندی ممکن است به‌صورت یک مشکل مکانیکی آغاز شود. سپس ممکن است بر قرائت‌های ابزار دقیق، حلقه‌های کنترل، کیفیت محصول و نرخ‌های تولید بالادستی اثر بگذارد. هشدار قابل مشاهده ممکن است در فاصله‌ای از علت اصلی ظاهر شود.

بنابراین تیم‌های تولید به چیزی فراتر از پیام‌های هشدار منفرد نیاز دارند. آن‌ها به زمینه نیاز دارند.

زمینه توضیح می‌دهد پیش از وقوع یک هشدار چه اتفاقی افتاده است. این زمینه شرایط محیطی، فعالیت‌های تعمیر و نگهداری، تغییرات محصول، اقدامات اپراتور و رفتار تجهیزات را مشخص می‌کند. همچنین رویداد فعلی را به رویدادهای تاریخی مشابه مرتبط می‌سازد.

بسیاری از کارخانه‌ها از قبل این اطلاعات را در اختیار دارند. مشکل، دسترسی‌پذیری است.

ممکن است راه‌حل قبلی در یک سابقهٔ تعمیر و نگهداری وجود داشته باشد. مشاهدهٔ مفید دیگری شاید در یک گزارش شیفت ثبت شده باشد. اپراتوری که بازنشسته شده است ممکن است علت را در یادداشتی غیررسمی مستند کرده باشد. بااین‌حال، تیم شیفت فعلی ممکن است هرگز در جریان یک رخداد زنده آن سوابق را پیدا نکند.

هزینهٔ این ناکامی می‌تواند قابل‌توجه باشد. ممکن است تولید همچنان متوقف بماند، در حالی که کارکنان مراحل عیب‌یابی‌ای را تکرار می‌کنند که در رخدادهای قبلی نتیجه نداده‌اند. کارکنان تعمیر و نگهداری ممکن است قطعات سالم را تعویض کنند. اپراتورها ممکن است تجهیزات را بدون درک وضعیت زیربنایی دوباره راه‌اندازی کنند.

هر دقیقهٔ اضافی می‌تواند زیان‌های تولید را افزایش دهد، منابع تعمیر و نگهداری را مصرف کند و ریسک عملیاتی را بالا ببرد.

سیستم‌های مجهز به هوش مصنوعی، استفادهٔ مجدد از دانش تاریخی را آسان‌تر می‌کنند. آن‌ها می‌توانند شباهت‌های میان سوابقی با بیان‌های متفاوت را تشخیص دهند. همچنین می‌توانند تجهیزات، شرایط عملیاتی، علائم و اقدامات اصلاحی مرتبط را شناسایی کنند. سپس می‌توانند اطلاعات مرتبط را پیش از آنکه تیم‌ها زمان ارزشمند خود را کاملاً از دست بدهند، ارائه کنند.

این قابلیت ارزش مستندات موجود کارخانه را تغییر می‌دهد. گزارش‌های قدیمی دیگر بایگانی‌های ایستا باقی نمی‌مانند. آن‌ها به منبعی عملیاتی و پویا تبدیل می‌شوند.

از اطلاعات ذخیره‌شده تا دانش قابل‌استفاده کارخانه

بیشتر سازمان‌های صنعتی از کمبود کامل داده رنج نمی‌برند. مشکل آن‌ها داده‌های پراکنده، اصطلاحات ناهماهنگ و روش‌های محدود بازیابی اطلاعات است.

یک تأسیسات بزرگ ممکن است هر ماه هزاران رویداد عملیاتی را ثبت کند. این سوابق ممکن است شامل هشدارها، دستورکارها، نظرات اپراتورها، انحراف‌های فرایندی، رویدادهای کیفیت و یافته‌های تعمیر و نگهداری باشند.

هر منبع از ساختار متفاوتی استفاده می‌کند.

یک سیستم ثبت سوابق تاریخی، مقادیر سری زمانی را ثبت می‌کند. یک سیستم رایانه‌ای مدیریت تعمیر و نگهداری، فعالیت‌های مربوط به دارایی‌ها را ثبت می‌کند. گزارش شیفت، مشاهدات را ثبت می‌کند. یک سیستم کیفیت، انحراف‌ها و نتایج آزمایشگاهی را ثبت می‌کند. یک سیستم هشدار، تغییرات وضعیت و تأییدها را ثبت می‌کند.

این سیستم‌ها یک کارخانه را از دیدگاه‌های متفاوت توصیف می‌کنند.

ابزارهای سنتی گزارش‌دهی معمولاً از کاربران می‌خواهند بدانند اطلاعات مرتبط کجا ذخیره شده است. این ابزارها ممکن است به کلیدواژه‌های دقیق، شماره تجهیزات، بازه‌های زمانی یا دسته‌بندی‌های گزارش نیز نیاز داشته باشند.

این الزام، هنگام وقوع رویدادهای برنامه‌ریزی‌نشده محدودیت جدی ایجاد می‌کند.

اپراتوری که با توقف تولید مواجه شده است، ممکن است اصطلاحات درست تعمیر و نگهداری را نداند. یک تکنسین تعمیر و نگهداری ممکن است نام فرایندی را که در عملیات استفاده می‌شود نداند. دو شیفت ممکن است علائم یکسان را با واژه‌هایی کاملاً متفاوت توصیف کنند.

برای مثال، یک اپراتور ممکن است بنویسد که یک پمپ ناپایدار بوده است. اپراتور دیگری ممکن است جریان نوسانی را ثبت کند. یک تکنسین ممکن است فشار مکش متناوب را توصیف کند. یک مهندس فرایند ممکن است همان رویداد را کاویتاسیون طبقه‌بندی کند.

یک جست‌وجوی متعارف مبتنی بر کلیدواژه ممکن است این سوابق را نامرتبط تلقی کند.

یک سیستم جست‌وجوی هوشمند می‌تواند معنای آن‌ها را تحلیل کند. این سیستم ممکن است تشخیص دهد که این توصیف‌ها به یک الگوی عملیاتی یکسان مربوط هستند. همچنین می‌تواند برچسب‌های مرتبط، روابط تجهیزات، دستورکارها، شرایط آب‌وهوایی و وضعیت‌های تولید را بررسی کند.

این کار، جست‌وجو را از یک قابلیت بازیابی اسناد به ابزاری برای کمک به استدلال عملیاتی تبدیل می‌کند.

سیستم نیازی ندارد پاسخ نهایی را به‌طور مستقل تعیین کند. نخستین مسئولیت آن، آشکار کردن مرتبط‌ترین شواهد است.

اپراتورها سپس می‌توانند رویدادهای قبلی را بررسی کنند، شرایط را با هم مقایسه کنند و تصمیم بگیرند که آیا یک پاسخ تثبیت‌شده قابل اجراست یا نه. مهندسان می‌توانند با استفاده از داده‌های فرایند، علت احتمالی را اعتبارسنجی کنند. تیم‌های تعمیر و نگهداری نیز می‌توانند پیش از انجام کارهای غیرضروری، تجهیزات را بازرسی کنند.

نتیجه، فرایند تصمیم‌گیری سریع‌تر و منضبط‌تری است.

هوش مصنوعی انسان‌محور، مسئولیت را در جای درست خود نگه می‌دارد

هوش مصنوعی نباید افراد را از تصمیم‌گیری‌های حیاتی تولید کنار بگذارد. بلکه باید اطلاعات در دسترس آن‌ها را بهبود دهد.

این تمایز در صنایع فرایند شیمیایی، تولید برق، نفت و گاز، داروسازی، فلزات، تولید مواد غذایی و تصفیه آب اهمیت ویژه‌ای دارد. تصمیم‌ها در این محیط‌ها می‌توانند بر ایمنی کارکنان، رعایت الزامات زیست‌محیطی، کیفیت محصول و تجهیزات گران‌قیمت اثر بگذارند.

یک الگوریتم نمی‌تواند مسئولیت قانونی یا عملیاتی یک واحد صنعتی را بر عهده بگیرد.

ممکن است یک الگو را شناسایی کند. ممکن است پیامد احتمالی را برآورد کند. ممکن است واکنش زودهنگام‌تری را پیشنهاد دهد. بااین‌حال، کارکنان واجد صلاحیت باید توصیه را در چارچوب شرایط عملیاتی جاری ارزیابی کنند.

بنابراین، هوش مصنوعی انسان‌محور با تقسیم‌بندی روشن نقش‌ها آغاز می‌شود.

سیستم اتوماسیون، کنترل قطعی را انجام می‌دهد. سیستم‌های ایمنی، عملکردهای حفاظتی تعریف‌شده را اجرا می‌کنند. کاربردهای مجهز به هوش مصنوعی، اطلاعات را تحلیل کرده و روابط احتمالی را آشکار می‌کنند. اپراتورها و مهندسان اختیار تصمیم‌گیری را حفظ می‌کنند.

این معماری از یک سوءبرداشت مهم جلوگیری می‌کند. هوش مصنوعی برای ایجاد ارزش، به دسترسی نامحدود به کنترل نیاز ندارد.

بسیاری از کاربردهای مفید در نقش مشاوره‌ای عمل می‌کنند. آن‌ها داده‌های فقط‌خواندنی، سوابق تولید، هشدارها و ارتباطات شیفتی را تحلیل می‌کنند. سپس اطلاعات رتبه‌بندی‌شده یا توصیه‌ها را ارائه می‌دهند.

این رویکرد از پذیرش مرحله‌ای نیز پشتیبانی می‌کند. یک شرکت می‌تواند کار را با جست‌وجو، بازیابی دانش و گزارش‌دهی آغاز کند. سپس پیش از بررسی کاربردهای پیش‌بینانه پیشرفته‌تر، اعتماد لازم را ایجاد کند.

اعتماد ضروری است، زیرا اپراتورها به‌سرعت سیستم‌هایی را که توصیه‌های نامرتبط یا توضیح‌داده‌نشده ارائه می‌کنند، رد می‌کنند.

یک دستیار عملی هوش مصنوعی باید نشان دهد چرا نتیجه‌ای را ارائه کرده است. این دستیار باید حادثه مرتبط، شرایط مشابه، سابقه تجهیزات و اقدام اصلاحی قبلی را مشخص کند. کاربران باید بتوانند شواهد زیربنایی را بررسی کنند.

توضیح‌پذیری به افشای تک‌تک جزئیات ریاضی نیاز ندارد. بلکه به زمینه عملیاتی کافی نیاز دارد تا فردی واجد صلاحیت بتواند توصیه را ارزیابی کند.

موفق‌ترین پیاده‌سازی‌ها، اپراتورها را به‌عنوان مشارکت‌کنندگان در طراحی سیستم در نظر می‌گیرند. اصطلاحات، گردش‌کارها، نیازهای اطلاعاتی و بازخورد آن‌ها، برنامه نهایی را شکل می‌دهد.

این مشارکت ارتباط سیستم با نیازهای واقعی را افزایش می‌دهد. همچنین این تصور را کاهش می‌دهد که دیجیتالی‌سازی بدون درک واقعیت واحد صنعتی تحمیل شده است.

شکل ۲. هوش مصنوعی انسان‌محور از کارکنان واحد پشتیبانی می‌کند، درحالی‌که اپراتورها کنترل و مسئولیت را حفظ می‌کنند.

چرا منطق ساده اگر-آنگاه نمی‌تواند هر اختلالی را پوشش دهد

اتوماسیون صنعتی از دیرباز به منطق قطعی متکی بوده است. قواعد اگر-آنگاه همچنان برای توالی‌های کنترلی، اینترلاک‌ها، مجوزهای عملکرد و اقدامات حفاظتی مناسب هستند.

بااین‌حال، دانش عملیاتی همیشه در قالبی قطعی و ازپیش‌تعیین‌شده نمی‌گنجد.

یک وقفه تولید ممکن است به آب‌وهوا، ویژگی‌های مواد اولیه، وضعیت تجهیزات، اقدامات اپراتور و انحرافات قبلی فرایند وابسته باشد. این روابط ممکن است هر بار به یک ترتیب رخ ندهند.

نوشتن یک قاعده جداگانه برای هر ترکیب ممکن، عملی نیست. نگهداری مجموعه قواعد دشوار خواهد شد. همچنین ممکن است این مجموعه هنگام ظاهر شدن گونه‌ای جدید، کارایی خود را از دست بدهد.

هوش مصنوعی روش متفاوتی ارائه می‌دهد. این فناوری اطلاعات تاریخی را بررسی می‌کند و الگوها را میان متغیرهای متعدد شناسایی می‌کند. حتی زمانی که توصیف‌ها، توالی‌ها و شرایط متفاوت باشند، می‌تواند رویدادهای مشابه را رتبه‌بندی کند.

یک خط فرضی فرآوری مایعات را در شرایط بهره‌برداری زمستانی در نظر بگیرید.

پس از مجموعه‌ای از انحرافات جریان و فشار، خط متوقف می‌شود. تیم شیفت از رویه استاندارد بازنشانی پیروی می‌کند. ابزارها بررسی می‌شوند. پمپ دوباره راه‌اندازی می‌شود. فرایند دوباره با شکست مواجه می‌شود.

نشانه‌های قابل مشاهده چند علت احتمالی را مطرح می‌کنند. این نشانه‌ها می‌توانند حاکی از مشکل شیر، افت عملکرد پمپ، خطای ابزار دقیق یا محدودیت جریان باشند.

یک متخصص باتجربه تولید از راه می‌رسد و رویدادی مشابه را به یاد می‌آورد. در دوره سرمای قبلی، بخشی از یک خط خارجی تا حدی یخ زده بود. این گرفتگی ماده واردشونده به فرایند را تغییر داده بود. این تغییر بعدها باعث ناپایداری عملکرد در بخش دیگری از خط تولید شده بود.

توضیح اصلی در زبان انسانی وجود دارد. این توضیح شرایط جوی، رفتار ماده، واکنش تجهیزات و پیامدهای تأخیری فرایند را به هم مرتبط می‌کند.

منطق متعارف هشدار ممکن است هر انحراف منفرد را شناسایی کند، اما شاید رابطه میان آن‌ها را توضیح ندهد.

یک پلتفرم مجهز به هوش مصنوعی می‌تواند گزارش‌های شیفت‌های قبلی، یادداشت‌های تعمیرات و داده‌های محیطی را جست‌وجو کند. این پلتفرم می‌تواند حادثه قبلی مرتبط با یخ‌زدگی را شناسایی و آن را به تیم فعلی ارائه کند.

این پلتفرم جای مهندس را نگرفته است؛ بلکه دسترسی به دانش قبلی مهندس را سرعت بخشیده است.

این تفاوت برای هوش مصنوعی صنعتی اساسی است.

اغلب، فوری‌ترین ارزش از بهبود دسترسی به تجربه انسانی حاصل می‌شود، نه از ایجاد کارخانه‌هایی کاملاً خودکار.

نمونه‌ای عملی از پاسخ‌گویی به حادثه

یک کارخانه مواد شیمیایی تخصصی را تصور کنید که چند خط تولید موازی دارد. هر خط شامل پمپ‌ها، مبدل‌های حرارتی، شیرهای کنترلی، آنالایزرها و تجهیزات انتقال دسته‌ای است.

یکی از خطوط تولید هنگام تولید گرید خاصی از محصول، با هشدارهای مکرر فشار بالا مواجه می‌شود. هشدارها پس از شست‌وشوی خط ناپدید می‌شوند و در کارزار تولید بعدی بازمی‌گردند.

فرض اولیه این است که شیر کنترلی گیر می‌کند. واحد تعمیرات عملگر و موقعیت‌یاب را بازرسی می‌کند. هیچ مشکل مکانیکی پیدا نمی‌شود.

سپس تیم ترانسمیتر فشار را تعویض می‌کند. دسته بعدی نیز همان هشدار را تجربه می‌کند.

بدون یک پلتفرم اطلاعاتی مشترک، بررسی ممکن است از طریق جلسات، صفحات گسترده و جست‌وجوهای جداگانه در سیستم‌ها ادامه پیدا کند. چندین واحد ممکن است بدون اطلاع از یافته‌های دیگران، تحلیل‌های قبلی را تکرار کنند.

یک پلتفرم یکپارچه گردش کار را تغییر می‌دهد.

اپراتور نام تجهیزات را جست‌وجو می‌کند و علامت مشاهده‌شده را به زبان عادی توضیح می‌دهد. سیستم چندین سابقهٔ مرتبط را بازمی‌گرداند. یکی از سوابق مربوط به قطار تولیدی متفاوتی است. سابقهٔ دیگر از یک گزارش انحراف کیفیت می‌آید که هجده ماه پیش ایجاد شده است.

گزارش قبلی اشاره می‌کند که یک تأمین‌کنندهٔ مادهٔ خام دامنهٔ ویسکوزیته را تغییر داده است. ماده همچنان در محدودهٔ مشخصات خرید باقی ماند. بااین‌حال، این تغییر در طول تولید یکی از گریدهای محصول بر انتقال حرارت اثر گذاشت.

پروفایل دمایی تغییر‌یافته ویسکوزیته را در نزدیکی شیر کنترلی افزایش داد. این مقاومت بیشتر سپس رفتار فشار مشاهده‌شده را ایجاد کرد.

تیم فعلی دسته‌های مادهٔ خام، روندهای دما، موقعیت شیر و داده‌های فشار را مقایسه می‌کند. شواهد از توضیح قبلی پشتیبانی می‌کنند.

مهندسی توالی گرمایش را در محدوده‌های عملیاتی تأییدشده تنظیم می‌کند. واحد تدارکات نیز مشخصات مادهٔ خام را با تأمین‌کننده بازبینی می‌کند.

این مثال چند مزیت مهم را نشان می‌دهد.

این سیستم اطلاعات را در میان قطارهای تولید به هم پیوند داد. علامت مشاهده‌شده در تجهیزات را به یک سابقهٔ کیفیت مرتبط کرد. این سیستم رابطه‌ای فرایندی را شناسایی کرد که عیب‌یابی متمرکز بر تجهیزات از آن غافل مانده بود.

همچنین از تعویض بیشتر قطعات جلوگیری کرد.

ارزش مالی فقط از کاهش زمان توقف ناشی نمی‌شود. کارخانه از تهیهٔ قطعات غیرضروری اجتناب می‌کند، نیروی کار تعمیر و نگهداری را کاهش می‌دهد، از کیفیت محصول محافظت می‌کند و مشخصات خرید آینده را بهبود می‌بخشد.

شکل ۳. هوش مصنوعی می‌تواند با پیوند دادن علائم فعلی به تجربه‌های پیشین کارخانه، گزینه‌های پاسخ مبتنی بر شواهد ارائه دهد.

جست‌وجوی هوشمند نحوهٔ استفادهٔ تیم‌های شیفت از تجربه را تغییر می‌دهد

جست‌وجوی هوشمند یکی از عملی‌ترین نقاط شروع برای هوش مصنوعی صنعتی است. این فناوری بدون نیاز به کنترل خودکار، مشکلی فوری را حل می‌کند.

سازمان‌های تولیدی از پیش سال‌ها تجربهٔ عملیاتی در اختیار دارند. چالش، بازیابی تجربهٔ درست در زمان نیاز است.

یک برنامهٔ جست‌وجوی هوشمند می‌تواند پرس‌وجوهای زبان طبیعی را پردازش کند. همچنین می‌تواند روابط تجهیزات، مُهرهای زمانی، نواحی فرایندی، توالی آلارم‌ها و زمینهٔ اسناد را تحلیل کند.

این قابلیت به کاربر امکان می‌دهد به‌جای عبارت دقیق، بر اساس معنا جست‌وجو کند.

فرض کنید دو کارمند یک رویداد یکسان را به شکل متفاوتی توصیف کنند. یکی می‌نویسد که خط پس از ناپایداری شرایط خوراک متوقف شد. دیگری می‌نویسد که فرایند در پی نوسان فشار ورودی تریپ کرد.

شخص سومی ممکن است ثبت کند که پمپ انتقال بالادست مکش خود را از دست داده است.

یک پلتفرم هوشمند می‌تواند این توصیف‌ها را از طریق زمینهٔ مشترک فرایند به یکدیگر مرتبط کند. این پلتفرم ممکن است همان قطار تجهیزات، الگوی زمانی یا شرایط عملیاتی را شناسایی کند.

سپس پلتفرم می‌تواند رخدادهای مرتبط را بازگرداند و آن‌ها را بر اساس میزان ارتباط رتبه‌بندی کند.

رتبه‌بندی اهمیت دارد، زیرا پایگاه‌های داده صنعتی می‌توانند هزاران تطابق احتمالی داشته باشند. کاربران به هر سابقه‌ای که واژه‌ای آشنا در آن آمده باشد نیاز ندارند؛ آن‌ها به سوابقی نیاز دارند که بیشترین احتمال را برای پشتیبانی از تصمیم فعلی داشته باشند.

عوامل مفید برای رتبه‌بندی می‌توانند شامل شناسه تجهیزات، واحد فرایندی، حالت عملیاتی، شرایط محیطی، گرید محصول، توالی هشدارها، سابقه تعمیر و نگهداری و نتایج اقدامات اصلاحی باشند.

سیستم همچنین باید پاسخ‌های موفق را از تلاش‌های ناموفق متمایز کند.

یادداشت تعمیر و نگهداری که بیان می‌کند یک ابزار تعویض شده است، ثابت نمی‌کند که این تعویض مشکل را حل کرده است. پلتفرم باید سوابق بعدی و رفتار فرایند را بررسی کند.

این کار مانع می‌شود تیم‌ها صرفاً به این دلیل که اقدامی در یک گزارش آمده است، آن را دوباره تکرار کنند.

جست‌وجوی هوشمند همچنین می‌تواند شکاف‌های دانشی را آشکار کند. اگر بسیاری از رویدادها نتیجه‌گیری‌های ناقصی داشته باشند، مدیریت می‌تواند استانداردهای گزارش‌دهی را بهبود دهد. اگر مشکلات یکسان با توصیف‌های متفاوت ثبت شوند، سازمان می‌تواند دستورالعمل‌های مربوط به اصطلاحات را تقویت کند.

بنابراین جست‌وجو هم به ابزاری برای عیب‌یابی و هم به ابزاری برای سنجش کیفیت دانش تبدیل می‌شود.

یادگیری ماشین و برنامه‌نویسی کلاسیک نقش‌های متفاوتی دارند

برنامه‌نویسی کلاسیک با قواعدی آغاز می‌شود که افراد تعریف کرده‌اند. برنامه‌نویس ورودی‌ها، شرایط و خروجی‌های موردنیاز را مشخص می‌کند.

این روش برای کارکردهای صنعتی قابل‌پیش‌بینی همچنان ضروری است. توالی راه‌اندازی موتور باید از منطق تأییدشده پیروی کند. عملکرد خاموش‌سازی باید مطابق با یک طراحی ایمنی آزموده‌شده اجرا شود.

یادگیری ماشین هدف متفاوتی دارد.

مهندسان به‌جای تعریف دستی هر رابطه، داده و هدف را ارائه می‌کنند. الگوریتم الگوهایی را شناسایی می‌کند که به تمایز میان نتایج مرتبط کمک می‌کنند.

برای مثال، مدل ممکن است ارتعاش، دما، بار، شرایط روان‌کاری، سابقه تعمیر و نگهداری و ساعات کارکرد را بررسی کند. این مدل ممکن است ترکیب‌هایی را شناسایی کند که با تخریب قبلی تجهیزات مرتبط بوده‌اند.

سپس مدل می‌تواند احتمال ایجاد وضعیتی مشابه را برآورد کند.

این برآوردها واقعیت‌های مطلق نیستند؛ آن‌ها خروجی‌های احتمالی مبتنی بر داده‌های موجود هستند.

بنابراین تیم‌های صنعتی باید میزان اطمینان، محدودیت‌های داده و مرزهای عملیاتی را درک کنند. مدلی که در طول تولید عادی آموزش دیده باشد، ممکن است هنگام راه‌اندازی عملکرد ضعیفی داشته باشد. مدلی که برای یک کمپرسور توسعه یافته است، ممکن است برای طراحی دیگری کاربرد نداشته باشد.

یادگیری ماشین همچنین به برچسب‌ها و نتایج تاریخی وابسته است. اگر سوابق تعمیر و نگهداری، خرابی‌ها را به‌اشتباه دسته‌بندی کنند، مدل ممکن است روابط گمراه‌کننده‌ای را یاد بگیرد.

به همین دلایل، استقرار هوش مصنوعی به همکاری میان متخصصان داده و کارشناسان حوزه نیاز دارد.

متخصصان داده معماری مدل، اعتبارسنجی و معیارهای عملکرد را درک می‌کنند. مهندسان فرایند با حالت‌های عملیاتی و تعاملات فرایندی آشنا هستند. متخصصان تعمیر و نگهداری سازوکارهای خرابی را می‌شناسند. اپراتورها می‌دانند در طول شیفت‌ها واقعاً چه اتفاقی می‌افتد.

هیچ گروه واحدی تصویر کاملی در اختیار ندارد.

پیاده‌سازی مؤثر، این دیدگاه‌ها را از همان ابتدا در کنار هم قرار می‌دهد.

کیفیت داده، ارزش هوش مصنوعی صنعتی را تعیین می‌کند

داده یکی از الزامات اساسی هوش مصنوعی است. کمیت اهمیت دارد، اما کیفیت مهم‌تر است.

ممکن است یک کارخانه میلیون‌ها نقطهٔ داده جمع‌آوری کند، اما همچنان فاقد زمینهٔ قابل‌اعتماد باشد. مقادیر حسگرها ممکن است ناقص باشند. مُهرهای زمانی ممکن است بین سیستم‌ها سازگار نباشند. نام تجهیزات ممکن است در سیستم‌های مختلف متفاوت باشد. سفارش‌های کاری ممکن است توضیحات مبهمی داشته باشند.

یک پلتفرم هوش مصنوعی نمی‌تواند همهٔ ضعف‌های ساختاری را به‌طور خودکار اصلاح کند.

کیفیت داده با ابزار دقیق آغاز می‌شود. حسگرها باید برای کاربرد موردنظر مناسب باشند. شیوه‌های کالیبراسیون باید حفظ شوند. مقادیر بی‌کیفیت باید شناسایی شوند. همگام‌سازی زمانی باید در سراسر سیستم‌ها سازگار باقی بماند.

داده‌های زمینه‌ای نیز به همان اندازه مهم هستند.

یک مقدار دما بدون شناسهٔ تجهیز، واحد فرایندی، حالت عملیاتی، گرید محصول و مُهر زمانی، معنای محدودی دارد. یک هشدار زمانی مفیدتر است که به اولویت، تغییرات وضعیت، تأیید دریافت و شرایط پیرامون فرایند مرتبط باشد.

سوابقی که توسط افراد وارد می‌شوند نیز نیازمند توجه هستند.

گزارش‌های شیفت باید تجهیز یا دارایی تحت‌تأثیر و ناحیهٔ فرایندی مربوطه را مشخص کنند. گزارش‌های تعمیر و نگهداری باید علائم، اقدامات، یافته‌ها و علل تأییدشده را از یکدیگر متمایز کنند. سوابق حوادث باید نشان دهند اقدامات اصلاحی موفق بوده‌اند یا نه.

سازمان‌ها پیش از شروع کار به زبانی کاملاً استانداردشده نیاز ندارند. پردازش زبان طبیعی می‌تواند با این تفاوت‌ها کنار بیاید. بااین‌حال، نبود کامل زمینه را نمی‌توان با اطمینان بازیابی کرد.

یک بررسی عملی آمادگی داده باید چندین حوزه را بررسی کند.

نخست، باید سیستم‌هایی را که حاوی دانش عملیاتی مفید هستند شناسایی کند. دوم، باید دسترس‌پذیری و مالکیت آن‌ها را ارزیابی کند. سوم، باید سازگاری نام‌گذاری و کیفیت مُهرهای زمانی را بررسی کند. چهارم، باید الزامات امنیت سایبری و نگهداری داده‌ها را ارزیابی کند.

این بررسی باید اطلاعات حساس را نیز شناسایی کند. برخی یادداشت‌های تعمیر و نگهداری ممکن است حاوی داده‌های شخصی باشند. سوابق تولید ممکن است شامل فرمولاسیون‌های محرمانه باشند. گزارش‌های دسترسی از راه دور ممکن است جزئیات امنیتی را آشکار کنند.

حاکمیت داده باید مشخص کند یک برنامهٔ هوش مصنوعی چه اطلاعاتی را می‌تواند پردازش کند. همچنین باید تعیین کند چه کسی می‌تواند هر نتیجه را مشاهده کند.

حاکمیت قوی مانع نوآوری نمی‌شود؛ بلکه مرزهای امنی برای استقرار پایدار ایجاد می‌کند.

ارتباطات تعاملی شیفت، یک پایگاه دانش پویا ایجاد می‌کند

عملیات شیفت به ارتباطات وابسته است. وضعیت تجهیزات، محدودیت‌های موقت عملیاتی، فعالیت‌های تعمیر و نگهداری، نگرانی‌های کیفی و اولویت‌های تولید باید از یک تیم به تیم دیگر منتقل شوند.

گزارش‌های کاغذی و صفحات گستردهٔ پراکنده اغلب باعث از دست رفتن اطلاعات می‌شوند. مشاهدات مهم ممکن است نزد شیفتی که در حال اتمام است باقی بمانند. گفت‌وگوهای غیررسمی نیز ممکن است هرگز وارد یک سابقهٔ دائمی نشوند.

یک پلتفرم سازمانی می‌تواند نمایی عملیاتی و مشترک ارائه دهد. این پلتفرم ممکن است عملکرد کارخانه، دستورکارهای فعال، حوادث، دستورالعمل‌های موقت و ریسک‌های حل‌نشده را نمایش دهد.

تیم‌های شیفت می‌توانند مدخل‌ها را در یک گردش‌کار دیجیتال یکپارچه ثبت کنند. هر مدخل می‌تواند شامل زمان، تجهیزات، ناحیه فرایند، اولویت، پیوست‌ها و مسئولیت پیگیری باشد.

این ساختار از الزامات ممیزی پشتیبانی می‌کند. همچنین اطلاعات را قابل جست‌وجو می‌سازد.

پایگاه دانش با هر مدخل مفید رشد می‌کند. مشکلی که امروز حل می‌شود، به راهنمایی برای یک شیفت آینده تبدیل می‌شود.

استفاده بین سایت‌ها می‌تواند ارزش بیشتری ایجاد کند. شرکتی که چند کارخانه مشابه را اداره می‌کند، ممکن است رویدادها را در مکان‌های مختلف با هم مقایسه کند. یک سایت ممکن است پیش‌تر مشکلی را حل کرده باشد که در جای دیگری تازه به نظر می‌رسد.

این قابلیت به‌ویژه برای ناوگان تجهیزات استانداردشده مفید است. چندین تأسیسات ممکن است از یک کمپرسور، پلتفرم کنترلی، آنالایزر یا سامانه ایمنی یکسان استفاده کنند.

بااین‌حال، اشتراک‌گذاری بین سایت‌ها به زمینه نیاز دارد. یک راهکار از یک کارخانه ممکن است مستقیماً برای پیکربندی فرایندی دیگر قابل استفاده نباشد. پلتفرم باید اطلاعات را به‌عنوان شواهد ارائه کند، نه به‌عنوان یک دستورالعمل خودکار.

وقتی مسائل حل‌نشده همچنان قابل مشاهده باشند، تحویل شیفت نیز کارآمدتر می‌شود.

تیم ورودی می‌تواند ببیند کدام آلارم‌ها رخ داده‌اند، چه اقداماتی انجام شده‌اند و کدام وظایف تعمیراتی هنوز باز هستند. این تیم می‌تواند پیش از پذیرفتن مسئولیت، روندهای فرایند را بررسی کند.

جست‌وجوی هوشمند لایه دیگری به این قابلیت می‌افزاید. این جست‌وجو می‌تواند تحویل‌گیری‌های قبلی مرتبط با علائم مشابه را شناسایی کند. همچنین می‌تواند نشان دهد کدام راهبردهای واکنش، نتایج پایدار ایجاد کرده‌اند.

هدف کلی، تداوم است.

دانش تولید باید هنگام جابه‌جایی افراد بین شیفت‌ها، بخش‌ها یا کارفرمایان همچنان در دسترس بماند.

زمینه بلادرنگ، هم بهره‌وری و هم ایمنی را بهبود می‌دهد

دانش تاریخی زمانی قدرتمندتر می‌شود که با شرایط فعلی کارخانه پیوند بخورد.

یک پلتفرم ممکن است حادثه‌ای قبلی را شناسایی کند، اما رویداد فعلی می‌تواند از جنبه‌های مهمی متفاوت باشد. داده‌های بلادرنگ به تیم اجازه می‌دهد این تفاوت‌ها را با هم مقایسه کند.

برای مثال، ممکن است پمپ قبلی هنگام بار زیاد از مدار خارج شده باشد. خروج فعلی پمپ از مدار ممکن است هنگام راه‌اندازی رخ دهد. توالی آلارم‌ها ممکن است مشابه به نظر برسد، اما زمینه عملیاتی، علت محتمل را تغییر می‌دهد.

یکپارچه‌سازی بلادرنگ می‌تواند مقادیر فعلی فرایند، وضعیت آلارم‌ها، آماده‌به‌کاری تجهیزات و حالت تولید را نمایش دهد. همچنین می‌تواند مجوزهای فعال تعمیرات یا تغییرات اخیر پیکربندی را نشان دهد.

این زمینه، خطر اجرای کورکورانه یک راهکار قدیمی را کاهش می‌دهد.

بهبود جریان اطلاعات نیز می‌تواند مزایای ایمنی به همراه داشته باشد.

اپراتورها ممکن است زودتر از شکل‌گیری شرایط نامطلوب مطلع شوند. تیم‌های نگهداری و تعمیرات ممکن است علائم تکرارشونده را پیش از رسیدن تجهیزات به وضعیت بحرانی تشخیص دهند. سرپرستان نیز ممکن است مسائل حل‌نشده را در شیفت‌های متوالی شناسایی کنند.

هوش مصنوعی نباید رویه‌های ایمنی تثبیت‌شده را دور بزند. بلکه باید آگاهی موقعیتی پیرامون آن‌ها را تقویت کند.

هر پیشنهادی که بر عملیات اثر می‌گذارد باید با رویه‌های تأییدشده، حدود عملیاتی، الزامات مدیریت تغییر و عملکردهای ابزاردقیق ایمنی سازگار بماند.

بستر همچنین باید مشخص کند چه زمانی اطلاعات نامطمئن است. نباید نتایج با اطمینان پایین را به‌عنوان علل تأییدشده ارائه کند.

شفاف‌سازی عدم‌قطعیت، راستی‌آزمایی مناسب را تشویق می‌کند.

شکل ۴. زمینه عملیاتی بلادرنگ به تیم‌ها کمک می‌کند پیشنهادها را ارزیابی و ایمنی کارخانه را حفظ کنند.

ساخت معماری اطلاعات پشت هوش مصنوعی

یک برنامه هوش مصنوعی به معماری‌ای وابسته است که سیستم‌های کارخانه را به هم متصل می‌کند. این معماری باید اطلاعات را بدون ایجاد اختلال در عملکردهای حیاتی کنترل جمع‌آوری کند.

یک طراحی رایج، محیط‌های کنترل، عملیات و سازمانی را از طریق مناطق شبکه مدیریت‌شده از هم جدا می‌کند. داده‌ها از طریق رابط‌های تأییدشده، هیستورین‌ها، درگاه‌ها یا بسترهای لبه‌ای منتقل می‌شوند.

سیستم‌های کنترل همچنان مسئول عملکرد قطعی هستند. بستر هوش مصنوعی داده‌های منتخب را برای تحلیل و ارائه دریافت می‌کند.

این جداسازی خطر را کاهش می‌دهد. همچنین به تیم‌های امنیت سایبری امکان می‌دهد کنترل‌های دسترسی، پایش و محدودیت‌های جریان داده را اعمال کنند.

قابلیت اطمینان ارتباطات صنعتی در سراسر معماری همچنان اهمیت دارد. داده‌های مفقود، درگاه‌های ناپایدار یا همگام‌سازی نامتداوم زمانی می‌توانند دقت تحلیل را کاهش دهند.

سازمان‌هایی که در حال گسترش اتصال کارخانه هستند می‌توانند اجزای ارتباطی و شبکه‌سازی صنعتی موجود را که برای اتصال کنترلرها، ورودی/خروجی‌های دوردست، درگاه‌ها و بسترهای نظارتی استفاده می‌شوند، بررسی کنند.

معماری باید چندین مسیر اطلاعاتی را تعریف کند.

یک مسیر، داده‌های فرایندی سری زمانی را منتقل می‌کند. مسیر دیگری هشدارها و رویدادها را منتقل می‌کند. مسیرهای اضافی نیز ممکن است سوابق تعمیر و نگهداری، سفارش‌های تولید، نتایج آزمایشگاهی و ارتباطات شیفتی را منتقل کنند.

سیستم باید هویت منبع را حفظ کند. کاربران باید بدانند که یک پیشنهاد از داده‌های هیستورین، دستور کار، یادداشت اپراتور یا سند مهندسی آمده است.

تبار داده از اعتماد و ممیزی پشتیبانی می‌کند. همچنین به مهندسان کمک می‌کند نتایج نادرست را بررسی کنند.

پردازش لبه‌ای زمانی می‌تواند مفید باشد که پهنای باند محدود باشد یا داده‌ها نتوانند سایت را ترک کنند. پردازش ابری می‌تواند محاسبات مقیاس‌پذیر و تحلیل متمرکز در چند سایت را فراهم کند.

بسیاری از سازمان‌ها از یک مدل ترکیبی استفاده می‌کنند.

جمع‌آوری و پیش‌پردازش فوری داده‌ها در نزدیکی کارخانه انجام می‌شود. سپس اطلاعات تأییدشده برای تحلیل گسترده‌تر به یک بستر متمرکز منتقل می‌شوند.

طراحی صحیح به سیاست‌های امنیت سایبری، الزامات تأخیر، حجم داده، تعهدات مقرراتی و اتصال سایت بستگی دارد.

امنیت سایبری باید در بستر طراحی شود

هوش مصنوعی صنعتی اتصال‌پذیری و استفاده از داده را افزایش می‌دهد. بنابراین ملاحظات بیشتری در زمینه امنیت سایبری ایجاد می‌کند.

اصل نخست، حداقل‌سازی سطح دسترسی است. یک برنامه تحلیلی باید فقط دسترسی موردنیاز برای عملکرد خود را دریافت کند.

یک پلتفرم جست‌وجوی هوشمند ممکن است به گزارش‌های شیفت، دستورکارها و داده‌های فرایندی منتخب دسترسی خواندن نیاز داشته باشد. این پلتفرم معمولاً به مجوزی برای تغییر منطق کنترلر نیاز ندارد.

مدیریت هویت باید مشخص کند چه کسانی می‌توانند اطلاعات را جست‌وجو، مشاهده، صادر یا مدیریت کنند. سطح دسترسی اپراتورها، مهندسان، پیمانکاران و تحلیلگران سازمانی ممکن است متفاوت باشد.

تفکیک شبکه باید از نواحی کنترلی حیاتی محافظت کند. انتقال داده باید از رابط‌های کنترل‌شده انجام شود. اتصالات راه دور باید از روش‌های تأیید هویت و پایش مورد تأیید پیروی کنند.

امنیت مدل نیز نیازمند توجه است.

یک مهاجم می‌تواند تلاش کند داده‌ها را دست‌کاری کند، اطلاعات آموزشی را تغییر دهد یا محتوای گمراه‌کننده ارسال کند. اسناد با کنترل ضعیف می‌توانند بر نتایج جست‌وجو و توصیه‌ها تأثیر بگذارند.

سازمان‌ها باید سامانه‌های منبع را اعتبارسنجی و تغییرات غیرعادی را پایش کنند. همچنین باید کنترل نسخه را برای مدل‌ها، اعلان‌ها، نمایه‌ها و پایگاه‌های دانش حفظ کنند.

لاگ‌های حسابرسی باید اقدامات مهم مدیریتی را ثبت کنند. تیم‌ها باید بدانند مدل چه زمانی تغییر کرده، از کدام داده‌ها استفاده شده و چه کسی استقرار آن را تأیید کرده است.

بررسی‌های امنیت سایبری باید پس از پیاده‌سازی نیز ادامه پیدا کنند. یکپارچه‌سازی‌های جدید، منابع داده و گروه‌های کاربری می‌توانند نمایه ریسک را تغییر دهند.

بنابراین امنیت باید همچنان بخشی از چرخه عمر پلتفرم باشد.

حاکمیت دانش از سردرگمی دیجیتال جلوگیری می‌کند

هوش مصنوعی می‌تواند اطلاعات را به‌سرعت بازیابی کند، اما سرعت به‌تنهایی دقت را تضمین نمی‌کند.

سوابق صنعتی ممکن است شامل رویه‌های منسوخ، نتیجه‌گیری‌های ناقص یا راهکارهای موقت باشند. یک سامانه توصیه‌گر باید منابع معتبر را از منابع غیررسمی متمایز کند.

حاکمیت دانش این تمایزها را تعریف می‌کند.

رویه‌های عملیاتی تأییدشده باید وضعیتی متفاوت از نظرات غیررسمی داشته باشند. گزارش‌های تأییدشده درباره علت ریشه‌ای باید اعتبار بیشتری از یک یادداشت اولیه عیب‌یابی داشته باشند.

پلتفرم می‌تواند نوع منبع، وضعیت تأیید، تاریخ، بازبینی و مالک را نمایش دهد. همچنین می‌تواند هنگام منقضی شدن یک سند به کاربران هشدار دهد.

سازمان‌ها باید تعریف کنند که دانش جدید چگونه به دانش قابل‌اعتماد تبدیل می‌شود.

اپراتور ممکن است یک مشاهده را ثبت کند. واحد مهندسی ممکن است آن را بررسی کند. واحد نگهداری و تعمیرات ممکن است وضعیت تجهیزات را تأیید کند. سرپرست ممکن است اقدام اصلاحی نهایی را تأیید کند.

پلتفرم باید این روند را حفظ کند.

این کار مانع از آن می‌شود که با هر گزاره به یک اندازه قابل‌اعتماد برخورد شود.

بازخورد نیز ضروری است. کاربران باید بتوانند یک نتیجه را مرتبط، منسوخ یا نادرست علامت‌گذاری کنند. سپس کارشناسان موضوع می‌توانند محتوای مورد اختلاف را بررسی کنند.

با گذشت زمان، این بازخورد کیفیت بازیابی را بهبود می‌دهد. همچنین حوزه‌هایی را که مستندات در آن‌ها نیاز به بهبود دارند شناسایی می‌کند.

مالکیت دانش باید همچنان شفاف باشد. هر حوزه فرایندی، رده تجهیزات یا دسته رویه‌ها باید تیم مسئولی داشته باشد.

بدون مالکیت مشخص، محتوای دیجیتال بدون بازبینی انباشته می‌شود. نتیجه به آرشیوی دشوار دیگر تبدیل می‌شود.

سنجش ارزش عملیاتی فراتر از دقت هوش مصنوعی

پروژه‌های هوش مصنوعی صنعتی باید بر اساس نتایج عملیاتی سنجیده شوند. وقتی یک مدل از نظر فنی دقیق است اما کار کارخانه را بهبود نمی‌دهد، ارزش محدودی دارد.

اندازه‌گیری‌های مفید به کاربرد بستگی دارند.

برای پاسخ به رخدادها، سازمان‌ها می‌توانند میانگین زمان شناسایی، میانگین زمان تعمیر، فراوانی خرابی‌های تکراری و مدت‌زمان از دست‌رفتن تولید را پیگیری کنند.

برای ارتباطات شیفتی، می‌توانند موارد حل‌نشده در تحویل شیفت، اقدامات معوق، اطلاعات ثبت‌شده ناقص و فعالیت‌های عیب‌یابی تکراری را پیگیری کنند.

در پشتیبانی از نگهداری و تعمیرات، می‌توانند تعویض غیرضروری قطعات، کارهای اضطراری، دستورکارهای تکراری و زمان عیب‌یابی را پیگیری کنند.

عملکرد جست‌وجو نیز اهمیت دارد. تیم‌ها می‌توانند اندازه‌گیری کنند که آیا کاربران سوابق مرتبط را پیدا می‌کنند، با چه سرعتی به اطلاعات مفید می‌رسند و آیا توصیه‌ها از راه‌حل نهایی پشتیبانی می‌کنند یا نه.

پذیرش کاربران شاخص مهم دیگری است.

اگر اپراتورها استفاده از سیستم را متوقف کنند، سازمان باید بررسی کند چرا. نتایج ممکن است بیش از حد کلی باشند. رابط کاربری ممکن است جریان کار را مختل کند. داده‌ها ممکن است قدیمی باشند. کاربران ممکن است منطق رتبه‌بندی را درک نکنند.

پذیرش پایین نباید خودکار به‌عنوان مقاومت در برابر تغییر تلقی شود. ممکن است نشان‌دهنده یک مشکل طراحی باشد.

ارزیابی مالی باید شامل زیان‌های اجتناب‌شده، کاهش نیروی کار، بهبود تولید و کاهش مصرف منابع نگهداری و تعمیرات باشد. بااین‌حال، تبدیل فوری هر منفعتی به ارزش پولی ضروری نیست.

حفظ بهتر دانش، تحویل قوی‌تر شیفت‌ها و تصمیم‌گیری ایمن‌تر نیز ارزش بلندمدت ایجاد می‌کنند.

کارت امتیازی متوازن باید عوامل فنی، عملیاتی، مالی و انسانی را با هم ترکیب کند.

آغاز با یک موردکاربرد صنعتیِ متمرکز

بسیاری از برنامه‌های هوش مصنوعی شکست می‌خورند، زیرا به‌جای مشکل، با یک پلتفرم آغاز می‌شوند.

یک شرکت نرم‌افزار پیشرفته‌ای می‌خرد و سپس به دنبال کاربردهای احتمالی آن می‌گردد. این رویکرد اغلب به نمایش‌هایی بدون ارزش عملیاتی پایدار منجر می‌شود.

رویکرد بهتر با یک مشکل تکرارشونده در کارخانه آغاز می‌شود.

مشکل باید آن‌قدر مهم باشد که اقدام را توجیه کند. همچنین باید اطلاعات تاریخیِ در دسترس و مالکیت عملیاتیِ مشخصی داشته باشد.

توقف‌های مکرر تجهیزات، تحویل دشوار شیفت‌ها، بررسی کندِ رخدادها و پراکندگی دانش نگهداری و تعمیرات، نمونه‌های مناسبی هستند.

پروژه نخست باید مرزهای مشخصی داشته باشد. یک واحد تولیدی، یک رده تجهیزات یا یک اختلال تکرارشونده ممکن است کافی باشد.

محدود کردن دامنه، آماده‌سازی داده و مشارکت کاربران را ساده‌تر می‌کند. همچنین اندازه‌گیری ارزش را آسان‌تر می‌سازد.

تیم پروژه باید پیش از معرفی هوش مصنوعی، جریان کار فعلی را مستندسازی کند.

کارکنان چگونه مشکل را تشخیص می‌دهند؟ کدام سامانه‌ها را جست‌وجو می‌کنند؟ چه کسی وارد فرایند می‌شود؟ تشخیص چقدر طول می‌کشد؟ معمولاً کدام سوابق وجود ندارند؟

این خط مبنا از ادعاهای مبهم دربارهٔ بهبود جلوگیری می‌کند.

سپس تیم می‌تواند گردش کارِ پشتیبانی‌شده با هوش مصنوعی را طراحی کند. کاربران باید بدانند توصیه‌ها کجا نمایش داده می‌شوند، چگونه شواهد را بررسی می‌کنند و چگونه نتایج را ثبت می‌کنند.

یک پایلوت باید با کاربران واقعی و در جریان کار عادی اجرا شود. آزمایش آزمایشگاهی به‌تنهایی نمی‌تواند فشار شیفت، اطلاعات ناقص یا اولویت‌های رقیب را بازتولید کند.

بازخورد باید به اصلاح سریع منجر شود. فیلترهای جست‌وجو، اصطلاحات، رتبه‌بندی و طراحی صفحه ممکن است به چندین بازبینی نیاز داشته باشند.

هدف، اثبات کارکرد هوش مصنوعی به‌طور کلی نیست. هدف، بهبود یک فرایند صنعتی مشخص است.

نقشهٔ راه مرحله‌ای برای استقرار در کارخانه

یک پیاده‌سازی عملی می‌تواند در چندین مرحلهٔ بلوغ پیش برود.

مرحلهٔ اول سوابق دیجیتال را ایجاد می‌کند. گزارش‌های شیفت، رخدادها و دستورکارهای کاری از طریق رابط‌های یکپارچه در دسترس قرار می‌گیرند.

مرحلهٔ دوم سوابق را در میان سامانه‌ها به هم متصل می‌کند. شناسه‌های تجهیزات، مُهرهای زمانی و نواحی فرایندی به کاربران اجازه می‌دهند اطلاعات مرتبط را دنبال کنند.

مرحلهٔ سوم جست‌وجوی هوشمند را معرفی می‌کند. پردازش زبان طبیعی و رتبه‌بندی معنایی به کاربران کمک می‌کنند رویدادهای مشابه را بیابند.

مرحلهٔ چهارم توصیه‌های زمینه‌محور را اضافه می‌کند. پلتفرم شرایط فعلی بهره‌برداری را با نتایج تاریخی مقایسه می‌کند.

مرحلهٔ پنجم برنامه‌های پیش‌بینانه را معرفی می‌کند. مدل‌ها شرایطی را که در حال شکل‌گیری هستند شناسایی کرده و هشدار زودهنگام ارائه می‌دهند.

مرحلهٔ ششم می‌تواند از بهینه‌سازی حلقه‌بسته در محدوده‌هایی که با دقت تأیید شده‌اند پشتیبانی کند.

لازم نیست هر سازمانی به مرحلهٔ نهایی برسد. ممکن است ارزش قابل‌توجهی همین حالا در برنامه‌های جست‌وجو، ارتباطات و مشاوره‌ای وجود داشته باشد.

هر مرحله باید شامل حاکمیت، امنیت سایبری، اعتبارسنجی و آموزش کاربران باشد.

گسترش باید تنها پس از آن انجام شود که مرحلهٔ قبلی عملکرد قابل‌اعتمادی داشته باشد.

این رویکرد مرحله‌ای ریسک فنی را کاهش می‌دهد. همچنین به نیروی کار اجازه می‌دهد به‌تدریج اعتمادبه‌نفس پیدا کند.

مدیریت کارخانه باید اعلام کند که پذیرش هوش مصنوعی یک برنامهٔ بهبود عملیاتی است، نه صرفاً استقرار فناوری اطلاعات.

واحدهای بهره‌برداری، تعمیرات و نگهداری، مهندسی، ایمنی، کیفیت، امنیت سایبری و مدیریت باید مسئولیت را به‌صورت مشترک بر عهده بگیرند.

آموزش اپراتورها برای ارزیابی توصیه‌های هوش مصنوعی

کارکنان به چیزی فراتر از دستورالعمل‌های نرم‌افزاری نیاز دارند. آن‌ها باید درکی عملی از نحوهٔ تولید توصیه‌ها و مواردی که ممکن است در آن‌ها خطا کنند داشته باشند.

آموزش باید توضیح دهد که هوش مصنوعی الگوها را شناسایی می‌کند. اما از آگاهی کامل از وضعیت کارخانه برخوردار نیست.

کاربران باید یاد بگیرند منابع، مُهرهای زمانی، زمینهٔ تجهیزات و شاخص‌های میزان اطمینان را بررسی کنند. آن‌ها باید توصیه‌ها را با شرایط فعلی فرایند مقایسه کنند.

سناریوهای آموزشی می‌توانند از حوادث واقعی تاریخی استفاده کنند. تیم‌ها می‌توانند نتایج پلتفرم را بررسی کنند و درباره این موضوع گفت‌وگو کنند که آیا شواهد پیشنهادی از تصمیم قبلی پشتیبانی می‌کرد یا نه.

این تمرین مهارت‌های ارزیابی انتقادی را تقویت می‌کند.

کارکنان همچنین باید بدانند چگونه نتایج نادرست را گزارش کنند. یک فرایند ساده بازخورد، بهبود مستمر را تشویق می‌کند.

مدیران باید از مجازات کاربرانی که درباره سیستم پرسش می‌کنند خودداری کنند. تردید سازنده ایمنی را بهبود می‌دهد.

درعین‌حال، تیم‌ها باید از رد کردن توصیه‌ها بدون بررسی خودداری کنند. ممکن است پلتفرم روابطی را شناسایی کند که در نگاه اول آشکار نیستند.

رفتار مطلوب، ارزیابی منضبطانه است.

اپراتورها شواهد را بررسی می‌کنند. مهندسان منطق فرایند را تأیید می‌کنند. واحد تعمیر و نگهداری وضعیت تجهیزات را راستی‌آزمایی می‌کند. سپس فرد مسئول درباره اقدام تصمیم می‌گیرد.

این گردش کار، سرعت ماشین را با قضاوت انسانی ترکیب می‌کند.

حفاظت از دانش ضمنی سازمانی هنگام تغییرات نیروی کار

بسیاری از تأسیسات صنعتی به کارکنانی متکی هستند که دهه‌ها تجربه عملی دارند. این متخصصان صداها، الگوها و شرایط عملیاتی ظریفی را تشخیص می‌دهند که به‌طور کامل مستندسازی نشده‌اند.

بازنشستگی و جابه‌جایی نیروی کار این دانش را تهدید می‌کند.

انتقال سنتی دانش اغلب به مربی‌گری غیررسمی متکی است. این روش همچنان ارزشمند است، اما گسترش آن دشوار است. همچنین به این وابسته است که کارکنان برای مدت کافی با یکدیگر کار کنند.

پلتفرم‌های دیجیتال می‌توانند از رویکردی نظام‌مندتر پشتیبانی کنند.

کارکنان باتجربه می‌توانند توضیحات رویدادها، منطق عیب‌یابی و روابط فرایندی را ثبت کنند. مصاحبه‌ها را می‌توان به سوابق تجهیزات پیوند داد. درس‌آموخته‌ها را می‌توان به روندهای واقعی تاریخی مرتبط کرد.

سپس هوش مصنوعی می‌تواند بازیابی این اطلاعات را آسان‌تر کند.

هدف این نیست که هر تجربه‌ای به یک دستورالعمل خشک و تغییرناپذیر تبدیل شود. برخی دانش‌ها مشروط هستند. این دانش باید با شرایطی که اعتبار آن را ایجاد کرده‌اند، پیوند داشته باشد.

برای مثال، ممکن است یک تنظیم عملیاتی فقط در زمان تولید گرید خاصی مؤثر بوده باشد. ممکن است یک راهکار موقت تعمیر و نگهداری، موقتی بوده باشد. ممکن است یک الگوی ارتعاش فقط در بار مشخصی کاربرد داشته باشد.

زمینه، کاربران آینده را از تعمیم بیش‌ازحد محافظت می‌کند.

بنابراین، ثبت دانش باید شامل نشانه، وضعیت عملیاتی، استدلال، اقدام، نتیجه و محدودیت‌ها باشد.

این ساختار حافظه فنی قوی‌تری برای سازمان ایجاد می‌کند.

جایگاه هوش مصنوعی مولد در عملیات فرایندی

هوش مصنوعی مولد امکانات بیشتری را برای پلتفرم‌های صنعتی فراهم می‌کند. این فناوری می‌تواند فعالیت‌های شیفت را خلاصه کند، روابط را توضیح دهد، پیش‌نویس گزارش‌های حوادث را تهیه کند و با استفاده از اسناد تأییدشده کارخانه به پرسش‌ها پاسخ دهد.

این قابلیت‌ها می‌توانند تلاش اداری را کاهش دهند. همچنین می‌توانند به کاربران در پیمایش کتابخانه‌های فنی بزرگ کمک کنند.

بااین‌حال، خروجی مولد به کنترل‌های قدرتمندی نیاز دارد.

یک مدل زبانی ممکن است عبارتی قانع‌کننده اما ناقص یا نادرست تولید کند. بنابراین کاربران صنعتی باید منابع پشتیبان را مشاهده کنند.

تولید تقویت‌شده با بازیابی، یک رویکرد مفید ارائه می‌دهد. سامانه ابتدا اطلاعات تأییدشده کارخانه را بازیابی می‌کند. سپس از آن اطلاعات برای ساختن پاسخ استفاده می‌کند.

پاسخ باید شامل ارجاع به رویه‌ها، دستورکارهای تعمیراتی، روندها یا سوابق رویدادها باشد. در این صورت کاربران می‌توانند پاسخ را راستی‌آزمایی کنند.

اقدامات مهم هرگز نباید به یک عبارت تولیدشده بدون پشتوانه وابسته باشند.

سازمان‌ها باید همچنین کنترل کنند که مدل از کدام اسناد می‌تواند استفاده کند. رویه‌های پیش‌نویس، دستورالعمل‌های منسوخ و محتوای نامرتبط اینترنتی ممکن است توصیه‌های ناایمن تولید کنند.

ثبت گزارش‌های مربوط به درخواست‌ها و پاسخ‌ها می‌تواند به ممیزی کمک کند. اطلاعات حساس باید از حفاظت متناسب برخوردار باشند.

هوش مصنوعی مولد زمانی بهترین عملکرد را دارد که به‌عنوان واسطی برای دانش قابل‌اعتماد استفاده شود. نباید به منبعی کنترل‌نشده برای اقتدار فنی تبدیل شود.

اشتباهات رایج در پیاده‌سازی

چندین اشتباه به‌طور مکرر پروژه‌های هوش مصنوعی صنعتی را محدود می‌کنند.

مورد اول، انتخاب هدفی بیش‌ازحد گسترده است. بهبود کل کارخانه با استفاده از هوش مصنوعی، یک مورد کاربردی قابل مدیریت نیست.

مورد دوم، نادیده گرفتن کیفیت داده است. مدل‌های پیشرفته نمی‌توانند کمبود زمینه و سوابق نامعتبر را جبران کنند.

مورد سوم، کنار گذاشتن اپراتورها است. سامانه‌ای که بدون دریافت نظر کارکنان شیفت طراحی شود ممکن است با گردش‌کارهای واقعی مطابقت نداشته باشد.

مورد چهارم، سنجش صرفاً دقت مدل است. ارزش عملیاتی شامل زمان پاسخ‌گویی، میزان پذیرش، خرابی‌های تکرارشونده و اثربخشی تعمیرونگهداری نیز می‌شود.

مورد پنجم، پنهان کردن شواهد پشت توصیه‌ها است. کاربران به منابع قابل ردیابی نیاز دارند.

مورد ششم، ایجاد اتصال بیش‌ازحد عمیق به پلتفرم پیش از جلب اعتماد است. برنامه‌های کاربردی مشاوره‌ای معمولاً نقطه شروع ایمن‌تری فراهم می‌کنند.

مورد هفتم، در نظر گرفتن امنیت سایبری به‌عنوان بازبینی نهایی است. الزامات امنیتی از همان ابتدا بر معماری تأثیر می‌گذارند.

مورد هشتم، بی‌توجهی به نگهداری از پلتفرم است. تغییرات تجهیزات، اصلاحات فرایند و اسناد جدید می‌توانند عملکرد را کاهش دهند.

مورد نهم، معرفی هوش مصنوعی به‌عنوان جایگزین تجربه است. این پیام مقاومت ایجاد می‌کند و قوی‌ترین نقش فناوری را به‌درستی درک نمی‌کند.

مورد دهم، درست فرض کردن همه اقدامات تاریخی است. سوابق گذشته شامل تلاش‌های ناموفق برای عیب‌یابی و راه‌حل‌های موقتی هستند.

یک پلتفرم با حاکمیت مناسب باید شواهد را از اثبات متمایز کند.

آینده، عملیات انسانی با کمک ماشین است

صنعت فرایندی همچنان به افراد واجد شرایط وابسته خواهد بود. سامانه‌های تولید آن‌قدر پیچیده، متغیر و حساس از نظر ایمنی هستند که مسئولیت نمی‌تواند به یک الگوریتم واگذار و از میان برداشته شود.

بااین‌حال، افراد نباید در جریان رویدادهای اضطراری، زمان ارزشمند خود را صرف جست‌وجو در سوابق پراکنده کنند.

پلتفرم‌های مجهز به هوش مصنوعی می‌توانند این بار را کاهش دهند. آن‌ها می‌توانند دانش مربوط به کارخانه را سازمان‌دهی کنند، رویدادهای تاریخی را به هم مرتبط سازند و شواهد مرتبط را در لحظه نیاز ارائه دهند.

ارزشمندترین سامانه‌ها چندین قابلیت را با هم ترکیب خواهند کرد.

آن‌ها ارتباطات تعاملی شیفت‌ها را ثبت خواهند کرد. زمینه فرایند و تعمیرات را به هم پیوند خواهند داد. از جست‌وجوی زبان طبیعی پشتیبانی خواهند کرد. قابلیت ردیابی منبع را حفظ خواهند کرد. از بازخورد کاربران یاد خواهند گرفت.

آن‌ها همچنین مرزهای عملیاتی را رعایت خواهند کرد.

سامانه‌های کنترل همچنان عملکردهای قطعی را انجام خواهند داد. سامانه‌های ایمنی همچنان از تجهیزات و کارکنان محافظت خواهند کرد. هوش مصنوعی لایه‌ای اضافی از تحلیل و پشتیبانی تصمیم‌گیری ارائه خواهد داد.

این ترکیب، عملیات انسانی با کمک ماشین را ایجاد می‌کند.

ماشین حجم زیادی از اطلاعات را پردازش می‌کند. روابط میان سوابق را تشخیص می‌دهد. تجربه مرتبط را سریع‌تر از جست‌وجوی دستی انسان بازیابی می‌کند.

انسان شواهد را ارزیابی می‌کند. انسان اولویت‌های فعلی کارخانه را درک می‌کند. انسان پیامدهای ایمنی، تولیدی، تعمیراتی و مقرراتی را در نظر می‌گیرد.

این قابلیت‌ها در کنار هم می‌توانند بهره‌وری تولید را بدون تضعیف پاسخ‌گویی بهبود دهند.

تبدیل تاریخچه کارخانه به مزیت عملیاتی

هر کارخانه فرایندی هر روز دانش تولید می‌کند. اپراتورها رفتارهای غیرعادی را مشاهده می‌کنند. تکنسین‌ها سازوکارهای خرابی را کشف می‌کنند. مهندسان بهبودها را آزمایش می‌کنند. سرپرستان پاسخ‌ها را در میان شیفت‌ها هماهنگ می‌کنند.

بخش زیادی از این دانش در سامانه‌های جدا از هم ناپدید می‌شود.

پلتفرم‌های سازمانی مجهز به هوش مصنوعی راهی برای حفظ و استفاده مجدد از آن فراهم می‌کنند. آن‌ها سوابق تاریخی را به منبعی فعال برای تصمیم‌گیری تبدیل می‌کنند.

این فرصت فراتر از جست‌وجوی سریع‌تر است.

کارخانه‌ها می‌توانند عیب‌یابی‌های تکراری را کاهش دهند. آن‌ها می‌توانند تداوم کار در شیفت‌ها را بهبود بخشند. می‌توانند ضعف‌های تکرارشونده را شناسایی کنند. می‌توانند برنامه‌ریزی تعمیرات را تقویت کنند. همچنین می‌توانند تجربه را هنگام تغییر نیروی کار حفظ کنند.

آن‌ها همچنین می‌توانند رابطه‌ای سازگارتر میان داده‌ها و قضاوت انسانی ایجاد کنند.

موفقیت به چیزی بیش از نصب نرم‌افزار نیاز دارد. این امر مستلزم داده‌های قابل‌اعتماد اتوماسیون، معماری اطلاعات سنجیده، کنترل‌های امنیت سایبری، حاکمیت دانش و مشارکت مستمر نیروی کار است.

سازمان‌ها باید با یک مسئله عملیاتی روشن شروع کنند. آن‌ها باید نتایج واقعی را اندازه‌گیری کنند. تنها پس از جلب اعتماد کاربران به سامانه و شواهد پشتیبان آن، باید دامنه استفاده را گسترش دهند.

آینده عملیات فرایندی انتخابی میان انسان‌ها و ماشین‌ها نیست.

این همکاری منضبطی است که در آن ماشین‌ها استفاده از دانش را آسان‌تر می‌کنند، در حالی که مسئولیت کارخانه همچنان بر عهده انسان‌هاست.