پلتفرم‌های مجهز به هوش مصنوعی، بهره‌وری صنایع فرایندی را متحول می‌کنند
پلتفرم‌های سازمانی مجهز به هوش مصنوعی، داده‌های عملیاتی، دانش مربوط به شیفت‌ها و ابزارهای جست‌وجوی هوشمند را با هم ترکیب می‌کنند. این پلتفرم‌ها به تیم‌های فرایندی کمک می‌کنند حوادث را سریع‌تر برطرف...
چرا عملیات فرایندی به یک مدل عملیاتی دیجیتال جدید نیاز دارند
صنعت فرایندی وارد دوره‌ای از تغییرات عملیاتی بسیار سریع شده است. قیمت انرژی نوسان دارد. زنجیره‌های تأمین همچنان نامطمئن هستند. برنامه‌های تولید با کمترین هشدار تغییر می‌کنند. الزامات قانونی همچنان گسترش می‌یابند. هم‌زمان، مشتریان انتظار تحویل قابل‌اعتماد، کیفیت ثابت و اثرات زیست‌محیطی کمتر دارند.
این فشارها بر تمام سطوح یک سازمان تولیدی اثر می‌گذارند. مدیران کارخانه باید از میزان 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 طول هر شیفت تصمیم‌های ایمن بگیرند.
اتوماسیون سنتی همچنان در این محیط ضروری است. سیستم‌های کنترل توزیع‌شده، کنترل‌کننده‌های قابل‌برنامه‌ریزی، سیستم‌های ایمنی، تاریخچه‌نگارها و پلتفرم‌های پایش وضعیت همچنان زیربنای عملیات کارخانه را فراهم می‌کنند. بااین‌حال، این سیستم‌ها اغلب اطلاعات را بر اساس تجهیزات، تگ‌ها، هشدارها و وظایف کنترلی سازمان‌دهی می‌کنند.
آن‌ها همیشه اطلاعات را بر اساس پرسش‌هایی که اپراتورها واقعاً مطرح می‌کنند سازمان‌دهی نمی‌کنند.
اپراتور به‌ندرت کار را با یک پرس‌وجوی کاملاً ساختاریافته از پایگاه داده آغاز می‌کند. در عوض، ممکن است بپرسد چرا کمپرسور در هوای سرد مرتباً از کار می‌افتد. یک تکنسین ممکن است به یاد داشته باشد که خرابی مشابهی دو سال پیش رخ داده است. یک سرپرست ممکن است بداند خط تولید دیگری همین مشکل را با یک تنظیم عملیاتی نامتعارف حل کرده است.
این دانش ارزشمند است، اما اغلب در گزارش‌های شیفت، یادداشت‌های نگهداری، ایمیل‌ها، گزارش‌های رخداد، دستورکارها، صفحات گسترده و تجربه‌های شخصی پراکنده است.
پلتفرم‌های سازمانی مجهز به هوش مصنوعی این خلأ 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، رخدادهای قبلی را مقایسه کنند و بدون جست‌وجوی دستی در سوابق پراکنده، پاسخ‌های اثبات‌شده را بازیابی کنند.
این رویکرد جایگزین معماری اتوماسیون موجود نمی‌شود. بلکه یک لایه هوش 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 ترکیب می‌کنند. سپس این اطلاعات را از طریق رابط‌هایی ارائه می‌دهند که برای تصمیم‌گیری‌های واقعی در عملیات طراحی شده‌اند.
سازمان‌هایی که برای این گذار برنامه‌ریزی می‌کنند، همچنان باید یک زیربنای کنترلی قابل‌اعتماد را حفظ کنند. یک لایه هوشمندی مدرن نمی‌تواند ناپایداری تجهیزات ابزار دقیق، هشدارهای ناقص، طراحی ضعیف شبکه یا سوابق نگهداری ناهماهنگ را جبران کند. خوانندگانی که زیربنای کنترل پشت این پروژه‌ها را ارزیابی می‌کنند، می‌توانند معماری‌ها و اجزای کنونی سیستم‌های کنترل DCS مورد استفاده در کارخانه‌های فرایندی را بررسی کنند.
شکل 1. عملیات دیجیتال مؤثر، پارامترهای تجهیزات، زمینه فرایند و دانش عملی کارکنان را به هم متصل می‌کند.
نوسان، دانش عملیاتی را ارزشمندتر می‌کند
شرکت‌های فرایندی باید به شرایط کسب‌وکار و بهره‌برداری که به‌سرعت تغییر می‌کنند پاسخ دهند. قیمت گاز طبیعی نمونه‌ای روشن است. افزایش ناگهانی قیمت می‌تواند اولویت‌های تولید، راهبردهای انرژی و اهداف بهره‌برداری را در سراسر یک مجموعه 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 فراتر از الگوی سنتی تولید خود به کار گیرد. هر تغییر، تعاملات فرایندی بیشتری ایجاد می‌کند.
نوآوری فناورانه لایه دیگری از پیچیدگی می‌افزاید. 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 پیچیدگی ایجاد می‌کند.
یک اختلال فرایندی ممکن است به‌صورت یک مشکل مکانیکی آغاز شود. سپس می‌تواند بر خوانش ابزار دقیق، حلقه‌های کنترلی، کیفیت محصول و نرخ‌های تولید بالادست اثر بگذارد. هشدار قابل‌مشاهده ممکن است فاصله زیادی با علت اصلی داشته باشد.
بنابراین تیم‌های تولید به چیزی فراتر از پیام‌های هشدار منفرد نیاز دارند؛ آن‌ها به زمینه نیاز دارند.
زمینه توضیح می‌دهد پیش از ایجاد 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 آن است.
ممکن است راه‌حل قبلی در یک سابقه تعمیر و نگهداری وجود داشته باشد. مشاهده مفید دیگری شاید در گزارش شیفت ثبت شده باشد. یک اپراتور بازنشسته ممکن است علت را در یادداشتی غیررسمی مستند کرده باشد. بااین‌حال، تیم شیفت فعلی ممکن است در جریان یک رخداد واقعی هرگز آن سوابق را پیدا نکند.
هزینه این شکست 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 دقیقه اضافی می‌تواند زیان تولید را افزایش دهد، منابع تعمیر و نگهداری را مصرف کند و ریسک عملیاتی را بالا ببرد.
سامانه‌های مجهز به هوش مصنوعی، استفاده مجدد از دانش تاریخی را آسان‌تر می‌کنند. آن‌ها می‌توانند شباهت‌های میان سوابقی را که با واژگان متفاوت نوشته شده‌اند تشخیص دهند. همچنین می‌توانند تجهیزات مرتبط، شرایط بهره‌برداری، علائم و اقدامات اصلاحی را شناسایی کنند. سپس می‌توانند اطلاعات مرتبط را پیش از آنکه تیم‌ها زمان ارزشمند خود را به‌طور کامل صرف کنند، ارائه دهند.
این قابلیت ارزش مستندات موجود کارخانه را تغییر می‌دهد. گزارش‌های قدیمی دیگر بایگانی‌های ایستا نیستند؛ آن‌ها به منبعی عملیاتی و فعال 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 است.
یک تأسیسات بزرگ ممکن است هر ماه هزاران رویداد عملیاتی را ثبت کند. این سوابق ممکن است شامل هشدارها، دستورکارهای کاری، اظهارنظرهای اپراتورها، انحراف‌های فرایندی، رویدادهای کیفیت و یافته‌های تعمیر و نگهداری باشند.
هر منبع از ساختار متفاوتی استفاده می‌کند.
یک سیستم ثبت سوابق فرایندی، 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 واحد صنعتی یکسان را از دیدگاه‌های متفاوت توصیف می‌کنند.
ابزارهای سنتی گزارش‌دهی معمولاً به کاربران نیاز دارند بدانند اطلاعات مرتبط کجا ذخیره شده است. همچنین ممکن است به کلیدواژه‌های دقیق، شماره تجهیزات، بازه‌های زمانی یا دسته‌بندی‌های گزارش نیاز داشته باشند.
این الزام، هنگام وقوع رویدادهای برنامه‌ریزی‌نشده محدودیت جدی ایجاد می‌کند.
اپراتوری که با توقف تولید مواجه است، ممکن است اصطلاحات صحیح تعمیر و نگهداری را نداند. یک تکنسین تعمیر و نگهداری ممکن است نام فرایندی را که بخش بهره‌برداری استفاده می‌کند 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 نوسان جریان را ثبت کند. یک تکنسین ممکن است فشار مکش متناوب را توصیف کند. یک مهندس فرایند ممکن است همین رویداد را کاویتاسیون طبقه‌بندی کند.
یک جست‌وجوی معمولی مبتنی بر کلیدواژه ممکن است این سوابق را نامرتبط تلقی کند.
یک سیستم جست‌وجوی هوشمند می‌تواند معنای آن‌ها را تحلیل کند. ممکن است تشخیص دهد که این توصیف‌ها به یک الگوی عملیاتی یکسان مربوط‌اند. همچنین می‌تواند برچسب‌های مرتبط، روابط تجهیزات، دستورکارهای کاری، شرایط آب‌وهوا 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 لازم نیست پاسخ نهایی را به‌طور مستقل تعیین کند. نخستین مسئولیت آن، آشکار کردن مرتبط‌ترین شواهد است.
سپس اپراتورها می‌توانند رویدادهای قبلی را بررسی کنند، شرایط را با هم مقایسه کنند و تصمیم بگیرند که آیا یک واکنش ازپیش‌تعیین‌شده قابل اعمال است یا نه. مهندسان می‌توانند علت مشکوک را با استفاده از داده‌های فرایند اعتبارسنجی کنند. تیم‌های تعمیر و نگهداری 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 حفظ می‌کند
هوش مصنوعی نباید افراد را از تصمیم‌های حیاتی تولید کنار بگذارد. بلکه باید اطلاعات در دسترس آن‌ها را بهبود دهد.
این تمایز در فرآوری مواد شیمیایی، تولید برق، نفت و گاز، داروسازی، صنایع فلزی، تولید مواد غذایی و تصفیه آب اهمیت ویژه‌ای دارد. تصمیم‌ها در این محیط‌ها می‌توانند بر ایمنی کارکنان، انطباق زیست‌محیطی، کیفیت محصول و تجهیزات گران‌قیمت تأثیر بگذارند.
یک الگوریتم نمی‌تواند مسئولیت قانونی یا عملیاتی یک واحد صنعتی را بر عهده بگیرد.
ممکن است الگویی را شناسایی کند. ممکن است پیامد محتملی را برآورد کند. ممکن است واکنش زودهنگام‌تری را پیشنهاد دهد. بااین‌حال، کارکنان واجد شرایط باید این پیشنهاد را در چارچوب عملیاتی فعلی 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 می‌کنند و روابط احتمالی را آشکار می‌سازند. 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 سیستم کنترل نیاز ندارد.
بسیاری از کاربردهای مفید در نقش مشاوره‌ای عمل می‌کنند. آن‌ها داده‌های فقط‌خواندنی، سوابق تولید، هشدارها و ارتباطات شیفت را تحلیل می‌کنند. سپس اطلاعات رتبه‌بندی‌شده یا توصیه‌ها را ارائه می‌دهند.
این آرایش از پذیرش مرحله‌ای نیز پشتیبانی می‌کند. یک شرکت می‌تواند با جست‌وجو، بازیابی دانش و گزارش‌دهی آغاز کند. سپس پیش از بررسی کاربردهای پیش‌بینانه پیشرفته‌تر، اعتماد 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. باید حادثه مرتبط، شرایط منطبق، سوابق تجهیزات و اقدام اصلاحی قبلی را شناسایی کند. کاربران باید بتوانند شواهد زیربنایی را بررسی کنند.
توضیح‌پذیری مستلزم آشکار کردن تمام جزئیات ریاضی نیست. این ویژگی 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، کاربرد نهایی را شکل می‌دهد.
این مشارکت، ارتباط سیستم با نیازهای واقعی را بهبود می‌دهد. همچنین برداشت از تحمیل دیجیتالی‌سازی بدون درک واقعیت کارخانه را کاهش می‌دهد.
شکل ۲. هوش مصنوعی انسان‌محور از کارکنان کارخانه پشتیبانی می‌کند، درحالی‌که اپراتورها کنترل و مسئولیت را حفظ می‌کنند.
چرا منطق ساده اگر-آنگاه نمی‌تواند هر اختلالی را پوشش دهد
اتوماسیون صنعتی مدت‌هاست به منطق قطعی متکی است. قواعد اگر-آنگاه همچنان برای توالی‌های کنترلی، اینترلاک‌ها، مجوزهای عملیاتی و اقدامات حفاظتی مناسب هستند.
بااین‌حال، دانش عملیاتی همیشه در قالبی قطعی نمی‌گنجد.
یک وقفه در تولید ممکن است به آب‌وهوا، ویژگی‌های مواد اولیه، وضعیت تجهیزات، اقدامات اپراتور و انحرافات قبلی فرایند وابسته باشد. این روابط ممکن است هر بار با ترتیب یکسانی رخ ندهند.
نوشتن یک قاعده جداگانه برای هر ترکیب ممکن، عملی نیست. مجموعه قواعد به‌سختی قابل نگهداری خواهد بود. همچنین ممکن است هنگام ظهور گونه‌ای جدید با شکست مواجه شود.
هوش مصنوعی روش متفاوتی ارائه می‌دهد. این فناوری اطلاعات تاریخی را بررسی می‌کند و الگوها را در میان متغیرهای متعدد شناسایی می‌کند. حتی زمانی که توصیف‌ها، توالی‌ها و شرایط متفاوت باشند، می‌تواند رویدادهای مشابه را رتبه‌بندی کند.
یک خط فرضی پردازش مایعات را در حین بهره‌برداری زمستانی در نظر بگیرید.
خط پس از مجموعه‌ای از انحرافات جریان و فشار متوقف می‌شود. تیم شیفت رویه استاندارد بازنشانی را دنبال می‌کند. ابزارها بررسی می‌شوند. پمپ دوباره راه‌اندازی می‌شود. فرایند دوباره با شکست مواجه می‌شود.
نشانه‌های قابل مشاهده، چندین علت احتمالی را مطرح می‌کنند. این نشانه‌ها می‌توانند بیانگر 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 ورودی به فرایند را تغییر داد. آن تغییر بعداً باعث ناپایداری عملکرد در بخش دیگری از خط تولید شد.
توضیح اصلی در زبان انسانی وجود دارد. این توضیح شرایط آب‌وهوا، رفتار ماده، واکنش تجهیزات و پیامدهای تأخیری فرایند را به هم مرتبط می‌کند.
منطق متداول هشدار ممکن است هر انحراف منفرد را شناسایی کند. اما ممکن است رابطه میان آن‌ها را توضیح ندهد.
یک پلتفرم مجهز به هوش مصنوعی می‌تواند گزارش‌های شیفت قبلی، یادداشت‌های تعمیرات و داده‌های محیطی را جست‌وجو کند. همچنین 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، در هوش مصنوعی صنعتی محوری است.
اغلب، فوری‌ترین ارزش از بهبود دسترسی به تجربه انسانی حاصل می‌شود، نه از ایجاد کارخانه‌های کاملاً خودمختار.
یک نمونه عملی از پاسخ‌گویی به حادثه
یک کارخانه مواد شیمیایی تخصصی را تصور کنید که چندین خط تولید موازی را راه‌اندازی می‌کند. هر خط شامل پمپ‌ها، مبدل‌های حرارتی، شیرهای کنترل، آنالایزرها و تجهیزات انتقال بچ است.
یکی از خطوط تولید در یک گرید محصول مشخص، تجربه هشدارهای مکرر فشار بالا را آغاز می‌کند. هشدارها پس از شست‌وشوی خط ناپدید می‌شوند. آن‌ها در کارزار بعدی دوباره بازمی‌گردند.
فرض فوری این است که شیر کنترل گیر می‌کند. واحد تعمیرات، عملگر و پوزیشنر را بازرسی می‌کند. هیچ مشکل مکانیکی پیدا نمی‌شود.
سپس تیم ترانسمیتر فشار را تعویض می‌کند. بچ بعدی نیز همان هشدار را تجربه می‌کند.
بدون یک پلتفرم هوشمندی مشترک، بررسی ممکن است از طریق جلسات، صفحه‌گسترده‌ها و جست‌وجوهای جداگانه در سیستم‌ها ادامه پیدا کند. چندین واحد ممکن است تحلیل قبلی را بدون اطلاع از یافته‌های دیگران تکرار کنند.
یک پلتفرم یکپارچه، گردش کار را تغییر می‌دهد.
اپراتور نام تجهیزات را جست‌وجو می‌کند و نشانه را به زبان معمول توصیف می‌کند. سیستم چندین رکورد مرتبط را برمی‌گرداند. یکی از رکوردها مربوط به خط تولید متفاوتی است. رکورد دیگری از گزارش انحراف کیفی می‌آید که هجده ماه پیش ایجاد شده است.
گزارش قبلی اشاره می‌کند که یک تأمین‌کننده ماده اولیه، دامنه ویسکوزیته را تغییر داده است. ماده همچنان در محدوده مشخصات خرید باقی ماند. بااین‌حال، در یک گرید محصول بر انتقال حرارت اثر گذاشت.
پروفایل تغییر‌یافته دما، ویسکوزیته را در نزدیکی شیر کنترل افزایش داد. مقاومت بیشتر سپس رفتار فشار مشاهده‌شده را ایجاد کرد.
تیم فعلی محموله‌های ماده اولیه، 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 ماده اولیه را با تأمین‌کننده بررسی می‌کند.
این مثال چند مزیت مهم را نشان می‌دهد.
سیستم اطلاعات را میان خطوط تولید به هم مرتبط کرد. این سیستم یک نشانه مربوط به تجهیزات را به یک سابقه کیفی پیوند داد. همچنین رابطهای فرایندی را شناسایی کرد که عیب‌یابی متمرکز بر تجهیزات نتوانسته بود آن را تشخیص دهد.
همچنین از تعویض اضافی قطعه جلوگیری کرد.
ارزش مالی فقط از کاهش زمان توقف ناشی نمی‌شود. کارخانه از تعویض غیرضروری قطعات جلوگیری می‌کند، نیروی کار تعمیر و نگهداری را کاهش می‌دهد، از کیفیت محصول محافظت می‌کند و مشخصات خرید آینده را بهبود می‌دهد.
شکل 3. هوش مصنوعی می‌تواند با پیوند دادن نشانه‌های فعلی به تجربه‌های قبلی کارخانه، گزینه‌های پاسخ مبتنی بر شواهد ارائه دهد.
جست‌وجوی هوشمند نحوه استفاده تیم‌های شیفتی 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 برطرف می‌کند.
سازمان‌های تولیدی از پیش سال‌ها تجربه عملیاتی در اختیار دارند. چالش، بازیابی تجربه درست در زمان نیاز است.
یک برنامه جست‌وجوی هوشمند می‌تواند پرس‌وجوهای زبان طبیعی را پردازش کند. همچنین می‌تواند روابط تجهیزات، مهرهای زمانی، نواحی فرایندی، توالی هشدارها و زمینه اسناد را تحلیل کند.
این امکان را برای کاربر فراهم می‌کند که 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 پس از نوسان فشار ورودی تریپ کرد.
فرد 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 زمینه فرایندی مشترک به هم مرتبط کند. این پلتفرم ممکن است همان خط تجهیزات، الگوی زمانی یا شرایط بهره‌برداری 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 همه سوابقی که واژه‌ای آشنا را دربر دارند نیاز ندارند. آن‌ها به سوابقی نیاز دارند که بیشترین احتمال را برای پشتیبانی از تصمیم فعلی داشته باشند.
عوامل مفید برای رتبه‌بندی می‌توانند شامل هویت تجهیزات، واحد فرایندی، حالت بهره‌برداری، شرایط محیطی، گرید محصول، توالی هشدارها، سابقه تعمیر و نگهداری و نتایج اقدامات اصلاحی باشند.
سیستم باید همچنین پاسخ‌های موفق را از تلاش‌های ناموفق متمایز کند.
یادداشت تعمیر و نگهداری که می‌گوید یک ابزار تعویض شده است، ثابت نمی‌کند که این تعویض مشکل را برطرف کرده است. پلتفرم باید سوابق بعدی و رفتار فرایند را بررسی کند.
این کار مانع می‌شود تیم‌ها صرفاً به این دلیل که اقدامی قبلی در گزارشی آمده است، آن را تکرار کنند.
جست‌وجوی هوشمند می‌تواند شکاف‌های دانشی را نیز آشکار کند. اگر بسیاری از رخدادها نتیجه‌گیری‌های ناقصی داشته باشند، مدیریت می‌تواند استانداردهای گزارش‌دهی را بهبود دهد. اگر مشکلات یکسان با توصیف‌های متفاوت ثبت شوند، سازمان می‌تواند راهنمای 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 یک موتور باید از منطق تأییدشده پیروی کند. یک عملکرد خاموش‌سازی باید مطابق با طراحی ایمنی آزموده‌شده اجرا شود.
یادگیری ماشین هدف متفاوتی دارد.
به‌جای تعریف دستی همه روابط، مهندسان داده و اهداف را ارائه می‌کنند. الگوریتم الگوهایی را شناسایی می‌کند که به تمایز نتایج مرتبط کمک می‌کنند.
برای مثال، یک مدل ممکن است ارتعاش، دما، بار، شرایط روان‌کاری، سابقه نگهداری و تعمیرات 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 شکل‌گیری شرایط 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 بهره‌برداری را درک کنند. مدلی که در زمان تولید عادی آموزش دیده است، 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 به برچسب‌ها و نتایج تاریخی نیز وابسته است. اگر سوابق نگهداری و تعمیرات، خرابی‌ها را به‌اشتباه دسته‌بندی کنند، مدل ممکن است روابط گمراه‌کننده‌ای بیاموزد.
به همین دلایل، استقرار هوش مصنوعی به همکاری میان متخصصان داده و کارشناسان حوزه نیاز دارد.
متخصصان داده معماری مدل، اعتبارسنجی و شاخص‌های عملکرد را می‌شناسند. مهندسان فرایند حالت‌های بهره‌برداری و تعاملات فرایندی را درک می‌کنند. متخصصان نگهداری و تعمیرات سازوکارهای خرابی را می‌شناسند. اپراتورها می‌دانند در طول شیفت‌ها واقعاً چه اتفاقی رخ می‌دهد.
هیچ گروهی به‌تنهایی تصویر کاملی در اختیار ندارد.
پیاده‌سازی مؤثر از همان ابتدا این دیدگاه‌ها را با یکدیگر ترکیب می‌کند.
کیفیت داده، ارزش هوش مصنوعی صنعتی را تعیین می‌کند
داده یکی از نیازمندی‌های اساسی هوش مصنوعی است. کمیت اهمیت دارد، اما کیفیت مهم‌تر است.
ممکن است یک کارخانه میلیون‌ها نقطه داده جمع‌آوری کند، اما همچنان فاقد زمینه قابل‌اعتماد باشد. مقادیر حسگرها ممکن است ناقص باشند. مهرهای زمانی ممکن است ناسازگار باشند. نام تجهیزات ممکن است در سامانه‌های مختلف متفاوت باشد. سفارش‌های کاری ممکن است توضیحات مبهمی داشته باشند.
یک پلتفرم هوش مصنوعی نمی‌تواند همه ضعف‌های ساختاری را به‌طور خودکار اصلاح کند.
کیفیت داده با ابزار دقیق آغاز می‌شود. حسگرها باید برای کاربرد موردنظر مناسب باشند. رویه‌های کالیبراسیون باید حفظ شوند. مقادیر بی‌کیفیت باید شناسایی شوند. همگام‌سازی زمانی باید در سراسر سامانه‌ها یکسان باقی بماند.
داده‌های زمینه‌ای نیز به همان اندازه مهم هستند.
یک مقدار دما بدون شناسه تجهیزات، واحد فرایندی، حالت بهره‌برداری، گرید محصول و زمان ثبت، معنای محدودی دارد. هنگامی که یک هشدار با اولویت، تغییرات وضعیت، تأیید دریافت و شرایط پیرامون فرایند مرتبط باشد، کاربرد بیشتری خواهد داشت.
سوابق واردشده توسط انسان نیز نیازمند توجه هستند.
گزارش‌های شیفت باید تجهیز یا داراییِ تحت‌تأثیر و ناحیه فرایند را مشخص کنند. گزارش‌های تعمیر و نگهداری باید علائم، اقدامات، یافته‌ها و علل تأییدشده را از یکدیگر تفکیک کنند. سوابق رخداد باید نشان دهند که آیا اقدامات اصلاحی موفق بوده‌اند یا خیر.
سازمان‌ها برای آغاز کار به زبان کاملاً استانداردشده نیاز ندارند. پردازش زبان طبیعی می‌تواند با این گوناگونی کنار بیاید. بااین‌حال، زمینه‌ای که کاملاً وجود نداشته باشد، به‌طور قابل‌اعتماد قابل بازیابی نیست.
یک بررسی عملیِ آمادگی داده باید چندین حوزه را بررسی کند.
نخست، باید سامانه‌های حاوی دانش عملیاتی مفید شناسایی شوند. دوم، دسترس‌پذیری و مالکیت آن‌ها باید ارزیابی شود. سوم، یکپارچگی نام‌گذاری و کیفیت مُهرهای زمانی باید بررسی شود. چهارم، الزامات امنیت سایبری و نگهداری سوابق باید بررسی شوند.
این بررسی باید اطلاعات حساس را نیز شناسایی کند. برخی یادداشت‌های تعمیر و نگهداری ممکن است حاوی داده‌های شخصی باشند. سوابق تولید ممکن است فرمولاسیون‌های محرمانه را دربر داشته باشند. گزارش‌های ورود از راه دور ممکن است جزئیات امنیتی را آشکار کنند.
حاکمیت داده باید مشخص کند یک برنامه کاربردی 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، پایگاه دانشی زنده می‌سازد
عملیات شیفت به ارتباطات وابسته است. وضعیت تجهیزات، محدودیت‌های موقت بهره‌برداری، فعالیت‌های تعمیر و نگهداری، نگرانی‌های کیفی و اولویت‌های تولید باید از یک تیم به تیم دیگر منتقل شوند.
گزارش‌های کاغذی و صفحه‌گسترده‌های جدا از هم اغلب باعث از دست رفتن اطلاعات می‌شوند. مشاهدات مهم ممکن است نزد شیفت خروجی باقی بمانند. گفت‌وگوهای غیررسمی نیز ممکن است هرگز وارد یک سابقه دائمی نشوند.
یک پلتفرم سازمانی می‌تواند نمایی عملیاتی و مشترک ارائه دهد. این پلتفرم ممکن است عملکرد کارخانه، دستورکارهای فعال، رخدادها، دستورالعمل‌های موقت و ریسک‌های حل‌نشده را نمایش دهد.
تیم‌های شیفت می‌توانند ورودی‌ها را در یک گردش‌کار دیجیتالِ یکپارچه ثبت کنند. هر ورودی می‌تواند شامل زمان، تجهیزات، ناحیه فرایند، اولویت، پیوست‌ها و مسئولیت پیگیری باشد.
این ساختار از الزامات ممیزی پشتیبانی می‌کند. همچنین جست‌وجوی اطلاعات را آسان‌تر می‌سازد.
پایگاه دانش با هر ورودی مفید رشد می‌کند. مشکلی که امروز حل می‌شود، برای شیفتی در آینده به راهنما تبدیل می‌شود.
استفاده بین سایت‌ها می‌تواند ارزش بیشتری ایجاد کند. شرکتی که چند کارخانه مشابه را اداره می‌کند، می‌تواند رویدادها را در مکان‌های مختلف با هم مقایسه کند. ممکن است یک سایت پیش‌تر مشکلی را حل کرده باشد که در جای دیگری تازه پدیدار شده است.
این قابلیت به‌ویژه برای ناوگان تجهیزات استانداردشده مفید است. چندین تأسیسات ممکن است از یک کمپرسور، پلتفرم کنترل، آنالایزر یا سامانه ایمنی یکسان استفاده کنند.
بااین‌حال، اشتراک‌گذاری بین سایت‌ها به زمینه نیاز دارد. راهکاری از یک کارخانه ممکن است مستقیماً برای پیکربندی فرایندیِ کارخانه‌ای دیگر قابل استفاده نباشد. پلتفرم باید اطلاعات را به‌عنوان شواهد ارائه کند، نه به‌عنوان یک دستورالعمل خودکار.
تحویل شیفت‌ها نیز زمانی کارآمدتر می‌شود که مسائل حل‌نشده همچنان قابل مشاهده باشند.
تیمِ ورودی می‌تواند ببیند کدام هشدارها رخ داده‌اند، چه اقدام‌هایی انجام شده‌اند و کدام وظایف تعمیر و نگهداری هنوز باز هستند. این تیم می‌تواند پیش از پذیرفتن مسئولیت، روندهای فرایند را بررسی کند.
جست‌وجوی هوشمند لایه دیگری اضافه می‌کند. این قابلیت می‌تواند تحویل‌گیری‌های قبلیِ مرتبط با علائم مشابه را شناسایی کند. همچنین می‌تواند نشان دهد کدام راهبردهای پاسخ‌دهی نتایج پایدار ایجاد کرده‌اند.
هدف کلی، تداوم است.
دانش تولید باید هنگام تغییر شیفت، بخش یا کارفرما 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 یک رویداد پیشین را شناسایی کند، اما رویداد فعلی ممکن است از جنبه‌های مهمی متفاوت باشد. داده‌های بلادرنگ به تیم امکان می‌دهد این تفاوت‌ها را مقایسه کند.
برای مثال، ممکن است توقف قبلی پمپ در زمان بار زیاد رخ داده باشد. توقف فعلی ممکن است هنگام راه‌اندازی رخ دهد. توالی آلارم ممکن است مشابه به نظر برسد، اما زمینه عملیاتی علت محتمل را تغییر می‌دهد.
یکپارچه‌سازی بلادرنگ می‌تواند مقادیر جاری فرایند، وضعیت آلارم‌ها، در دسترس بودن تجهیزات و حالت تولید را نمایش دهد. همچنین می‌تواند مجوزهای فعال نگهداری یا تغییرات اخیر پیکربندی را نشان دهد.
این زمینه، خطر اجرای کورکورانه یک راه‌حل قدیمی را کاهش می‌دهد.
مزایای ایمنی همچنین می‌توانند از جریان بهتر اطلاعات حاصل شوند.
اپراتورها ممکن است زودتر درباره شرایط در حال شکل‌گیری هشدار دریافت کنند. تیم‌های نگهداری ممکن است پیش از رسیدن تجهیزات به وضعیت بحرانی، علائم تکرارشونده را شناسایی کنند. سرپرستان ممکن است مشکلات 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 توصیه‌ای که بر عملیات اثر می‌گذارد باید با رویه‌های تأییدشده، حدود عملیاتی، الزامات مدیریت تغییر و عملکردهای ابزار دقیق ایمنی سازگار بماند.
پلتفرم باید همچنین مشخص کند که چه زمانی اطلاعات نامطمئن است. نباید نتایج با اطمینان پایین را به‌عنوان علت‌های تأییدشده ارائه کند.
شفاف‌سازی عدم‌قطعیت، راستی‌آزمایی مناسب را تشویق می‌کند.
شکل ۴. زمینه عملیاتی بلادرنگ به تیم‌ها کمک می‌کند توصیه‌ها را ارزیابی کرده و از ایمنی کارخانه محافظت کنند.
ساخت معماری اطلاعات زیربنای هوش مصنوعی
یک برنامه هوش مصنوعی به معماری متصل‌کننده سیستم‌های کارخانه وابسته است. این معماری باید اطلاعات را بدون ایجاد اختلال در عملکردهای حیاتی کنترل جمع‌آوری کند.
یک طراحی متداول، محیط‌های کنترل، عملیات و سازمانی را از طریق نواحی شبکه مدیریت‌شده از هم جدا می‌کند. داده‌ها از طریق رابطهای تأییدشده، تاریخچه‌نگارها، درگاه‌ها یا پلتفرم‌های لبه جابه‌جا می‌شوند.
سیستم‌های کنترل همچنان مسئول عملکرد قطعی هستند. پلتفرم هوش مصنوعی داده‌های منتخب را برای تحلیل و ارائه دریافت می‌کند.
این تفکیک ریسک 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 ناهماهنگ زمان می‌توانند دقت تحلیل را کاهش دهند.
سازمان‌هایی که اتصال‌پذیری کارخانه را گسترش می‌دهند می‌توانند قطعات ارتباطی و شبکه‌سازی صنعتی موجود را که برای اتصال کنترلرها، ورودی/خروجی‌های راه دور، درگاه‌ها و پلتفرم‌های 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 ممکن است سوابق نگهداری، سفارش‌های تولید، نتایج آزمایشگاهی و ارتباطات شیفت را منتقل کنند.
سیستم باید هویت منبع را حفظ کند. کاربران باید بدانند یک توصیه از داده‌های تاریخچه‌نگار، یک دستورکار، 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 داده نتواند سایت را ترک کند. پردازش ابری می‌تواند توان محاسباتی مقیاس‌پذیر و تحلیل متمرکز میان سایت‌های مختلف را فراهم کند.
بسیاری از سازمان‌ها از یک مدل ترکیبی استفاده می‌کنند.
جمع‌آوری و پیش‌پردازش فوری داده در نزدیکی کارخانه انجام می‌شود. سپس اطلاعات تأییدشده برای تحلیل گسترده‌تر به یک پلتفرم متمرکز منتقل می‌شوند.
طراحی صحیح به سیاست‌های امنیت سایبری، الزامات تأخیر، حجم داده، تعهدات قانونی و اتصال‌پذیری سایت بستگی دارد.
امنیت سایبری باید در طراحی پلتفرم گنجانده شود
هوش مصنوعی صنعتی اتصال‌پذیری و استفاده از داده را افزایش می‌دهد. بنابراین ملاحظات امنیت سایبری بیشتری ایجاد می‌کند.
نخستین اصل، حداقل دسترسی است. یک برنامه تحلیلی باید فقط دسترسی لازم برای عملکرد خود را دریافت کند.
یک پلتفرم جست‌وجوی هوشمند ممکن است به گزارش‌های شیفت، دستورکارها و داده‌های منتخب فرایند دسترسی خواندنی 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 و مدیریت کنند. سطح دسترسی اپراتورها، مهندسان، پیمانکاران و تحلیلگران سازمانی ممکن است متفاوت باشد.
تقسیم‌بندی شبکه باید از مناطق کنترلی حیاتی محافظت کند. انتقال داده باید از رابطهای کنترل‌شده انجام شود. اتصال‌های راه دور باید از رویه‌های تأییدشده احراز هویت و پایش پیروی کنند.
امنیت مدل نیز نیازمند توجه است.
یک مهاجم ممکن است تلاش کند داده‌ها را دست‌کاری کند، اطلاعات آموزشی را تغییر دهد یا محتوای گمراه‌کننده ارسال کند. اسنادِ فاقد کنترل مناسب می‌توانند بر نتایج جست‌وجو و توصیه‌ها تأثیر بگذارند.
سازمان‌ها باید سیستم‌های منبع را اعتبارسنجی و تغییرات غیرعادی را پایش کنند. همچنین باید کنترل نسخه را برای مدل‌ها، پرامپت‌ها، نمایه‌ها و پایگاه‌های دانش حفظ کنند.
گزارش‌های ثبت رویداد باید اقدامات مهم مدیریتی را ثبت کنند. تیم‌ها باید بدانند چه زمانی یک مدل تغییر کرده، از چه داده‌ای استفاده شده و چه کسی استقرار آن را تأیید کرده است.
بازبینی‌های امنیت سایبری باید پس از پیاده‌سازی نیز ادامه داشته باشند. 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 قدیمی، نتیجه‌گیری‌های ناقص یا راه‌حل‌های موقتی باشند. یک سیستم 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 علت ریشه‌ای باید اعتبار بیشتری از یک یادداشت اولیه عیب‌یابی داشته باشند.
پلتفرم می‌تواند نوع منبع، وضعیت تأیید، تاریخ، ویرایش و مالک را نمایش دهد. همچنین می‌تواند هنگام منقضی شدن یک سند به کاربران هشدار دهد.
سازمان‌ها باید مشخص کنند که دانش جدید چگونه به دانش مورد اعتماد تبدیل می‌شود.
یک اپراتور ممکن است یک مشاهده را ثبت کند. مهندسی ممکن است آن را بررسی کند. نگهداری و تعمیرات ممکن است وضعیت تجهیزات را تأیید کند. یک سرپرست ممکن است اقدام اصلاحی نهایی را تأیید کند.
پلتفرم باید این روند پیشرفت را حفظ کند.
این کار از آن جلوگیری می‌کند که همه گزاره‌ها به یک اندازه قابل اعتماد تلقی شوند.
بازخورد نیز ضروری است. کاربران باید بتوانند یک نتیجه را مرتبط، قدیمی یا نادرست علامت‌گذاری کنند. سپس کارشناسان موضوعی می‌توانند محتوای مورد اختلاف را بررسی کنند.
با گذشت زمان، این بازخورد کیفیت بازیابی را بهبود می‌دهد. همچنین حوزه‌هایی را که مستنداتشان به بهبود نیاز دارد شناسایی می‌کند.
مسئولیت مالکیت دانش باید روشن باقی بماند. برای هر حوزه فرایندی، رده تجهیزات یا دسته رویه، باید یک تیم مسئول تعیین شود.
بدون مسئولیت‌پذیری، محتوای دیجیتال بدون بازبینی انباشته می‌شود. نتیجه به آرشیوی دشوار برای استفاده تبدیل می‌شود.
سنجش ارزش عملیاتی فراتر از دقت هوش مصنوعی
پروژه‌های هوش مصنوعی صنعتی باید بر اساس نتایج عملیاتی سنجیده شوند. مدلی که از نظر فنی دقیق است، وقتی باعث بهبود کار در کارخانه نمی‌شود، ارزش محدودی دارد.
اندازه‌گیری‌های مفید به کاربرد بستگی دارند.
برای پاسخ‌گویی به رخدادها، سازمان‌ها می‌توانند میانگین زمان شناسایی، میانگین زمان تعمیر، فراوانی خرابی‌های تکراری و مدت‌زمان از دست‌رفتگی تولید را رصد کنند.
برای ارتباطات شیفتی، می‌توانند موارد حل‌نشده هنگام تحویل شیفت، اقدامات سررسیدگذشته، اطلاعات ثبت‌نشده در گزارش و فعالیت‌های تکراری عیب‌یابی را رصد کنند.
برای پشتیبانی تعمیر و نگهداری، می‌توانند تعویض غیرضروری قطعات، کارهای اضطراری، دستورکارهای تکراری و زمان عیب‌یابی را رصد 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 تصمیم نهایی پشتیبانی می‌کنند یا نه.
پذیرش کاربران نیز شاخص مهم دیگری است.
اگر اپراتورها استفاده از سیستم را متوقف کنند، سازمان باید علت آن را بررسی کند. 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 برای نگهداری باشد. بااین‌حال، تبدیل فوری هر مزیتی به ارزش پولی ضروری نیست.
بهبود حفظ دانش، تحویل بهتر شیفت‌ها و تصمیم‌های ایمن‌تر نیز ارزش بلندمدت ایجاد می‌کنند.
کارت امتیازی متوازن باید عوامل فنی، عملیاتی، مالی و انسانی را ترکیب کند.
آغاز با یک مورد کاربرد صنعتیِ متمرکز
بسیاری از برنامه‌های هوش مصنوعی شکست می‌خورند، زیرا به‌جای مشکل، با یک پلتفرم آغاز می‌شوند.
یک شرکت نرم‌افزار پیشرفته‌ای خریداری می‌کند و سپس به دنبال کاربردهای احتمالی می‌گردد. این رویکرد اغلب به نمایش‌هایی بدون ارزش عملیاتی پایدار منجر می‌شود.
رویکرد بهتر از یک مشکل تکرارشونده در کارخانه آغاز می‌شود.
مشکل باید آن‌قدر مهم باشد که اقدام را توجیه کند. همچنین باید اطلاعات تاریخیِ قابل‌دسترسی و مالکیت عملیاتیِ مشخص داشته باشد.
تریپ‌های مکرر تجهیزات، تحویل دشوار شیفت، بررسی کندِ رویدادها و دانش پراکنده تعمیرونگهداری نمونه‌های مناسبی هستند.
پروژه نخست باید مرزهای مشخصی داشته باشد. یک واحد تولید، یک رده تجهیز یا یک اختلال تکرارشونده ممکن است کافی باشد.
دامنه متمرکز، آماده‌سازی داده و مشارکت کاربران را ساده‌تر می‌کند. همچنین اندازه‌گیری ارزش را آسان‌تر می‌سازد.
تیم پروژه باید پیش از معرفی هوش مصنوعی، گردش‌کار فعلی را مستندسازی کند.
کارکنان چگونه مشکل را تشخیص می‌دهند؟ در کدام سامانه‌ها جست‌وجو می‌کنند؟ چه کسانی درگیر می‌شوند؟ تشخیص چقدر طول می‌کشد؟ کدام سوابق معمولاً وجود ندارند؟
این مبنا از ادعاهای مبهم درباره بهبود جلوگیری می‌کند.
سپس تیم می‌تواند گردش‌کارِ پشتیبانی‌شده با هوش مصنوعی را طراحی کند. کاربران باید بدانند توصیه‌ها کجا نمایش داده می‌شوند، چگونه شواهد را بررسی کنند و چگونه نتایج را ثبت کنند.
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 در اصل نیست. هدف، بهبود یک فرایند صنعتی مشخص است.
نقشه‌راه مرحله‌ای برای استقرار در کارخانه
پیاده‌سازی عملی می‌تواند از چندین مرحله بلوغ عبور کند.
مرحله نخست سوابق دیجیتال را ایجاد می‌کند. گزارش‌های شیفت، رویدادها و دستورکارها از طریق رابطهای یکپارچه در دسترس قرار می‌گیرند.
مرحله دوم سوابق را در میان سامانه‌ها به هم متصل می‌کند. شناسه‌های تجهیزات، مُهرهای زمانی و نواحی فرایندی به کاربران امکان می‌دهند اطلاعات مرتبط را دنبال کنند.
مرحله سوم جست‌وجوی هوشمند را معرفی می‌کند. پردازش زبان طبیعی و رتبه‌بندی معنایی به کاربران کمک می‌کنند رویدادهای مشابه را بیابند.
مرحله چهارم توصیه‌های زمینه‌محور را اضافه می‌کند. پلتفرم شرایط عملیاتی فعلی را با نتایج تاریخی مقایسه می‌کند.
مرحله پنجم برنامه‌های کاربردی پیش‌بینانه را معرفی می‌کند. مدل‌ها شرایط در حال شکل‌گیری را شناسایی کرده و هشدار زودهنگام ارائه می‌دهند.
مرحله ششم می‌تواند از بهینه‌سازی حلقه‌بسته در محدوده‌هایی که با دقت تأیید شده‌اند پشتیبانی کند.
لازم نیست هر سازمانی به مرحله نهایی برسد. ممکن است ارزش قابل‌توجهی از قبل در برنامه‌های جست‌وجو، ارتباطات و مشاوره وجود داشته باشد.
هر مرحله باید شامل حاکمیت، امنیت سایبری، اعتبارسنجی و آموزش کاربران باشد.
گسترش باید فقط پس از آن انجام شود که مرحله قبلی عملکرد قابل‌اعتمادی داشته باشد.
این رویکرد مرحله‌ای، ریسک فنی را کاهش می‌دهد و به نیروی کار اجازه می‌دهد به‌تدریج اطمینان پیدا کند.
رهبری کارخانه باید اعلام کند که پذیرش هوش مصنوعی، برنامه‌ای برای بهبود عملیات است؛ نه صرفاً استقرار فناوری اطلاعات.
واحدهای عملیات، تعمیر و نگهداری، مهندسی، ایمنی، کیفیت، امنیت سایبری و مدیریت باید مسئولیت را به‌طور مشترک بر عهده داشته باشند.
آموزش اپراتورها برای ارزیابی توصیه‌های هوش مصنوعی
کارکنان به چیزی فراتر از دستورالعمل‌های نرم‌افزاری نیاز دارند. آن‌ها باید درک عملی داشته باشند که توصیه‌ها چگونه تولید می‌شوند و در چه شرایطی ممکن است با شکست مواجه شوند.
آموزش باید توضیح دهد که هوش مصنوعی الگوها را شناسایی می‌کند و از آگاهی کامل از وضعیت کارخانه برخوردار نیست.
کاربران باید یاد بگیرند منابع، مُهرهای زمانی، زمینه تجهیزات و شاخص‌های اطمینان را بررسی کنند. آن‌ها باید توصیه‌ها را با شرایط فعلی فرایند مقایسه کنند.
سناریوهای آموزشی می‌توانند از رویدادهای واقعی تاریخی استفاده کنند. تیم‌ها می‌توانند نتایج پلتفرم را بررسی کنند و درباره این موضوع گفت‌وگو کنند که آیا شواهد پیشنهادی می‌توانست از تصمیم قبلی پشتیبانی کند یا خیر.
این تمرین مهارت‌های ارزیابی انتقادی را پرورش می‌دهد.
کارکنان همچنین باید بدانند چگونه نتایج نادرست را گزارش کنند. یک فرایند ساده بازخورد، بهبود مستمر را تشویق می‌کند.
مدیران باید از تنبیه کاربرانی که سیستم را به چالش می‌کشند خودداری کنند. شک‌گرایی سازنده ایمنی را بهبود می‌دهد.
در عین حال، تیم‌ها باید از رد کردن توصیه‌ها بدون بررسی اجتناب کنند. پلتفرم ممکن است روابطی را شناسایی کند که بلافاصله آشکار نیستند.
رفتار مطلوب، ارزیابی منضبط 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 گردش‌کار، سرعت ماشین را با قضاوت انسانی ترکیب می‌کند.
حفاظت از دانش ضمنی هنگام تغییرات نیروی کار
بسیاری از تأسیسات صنعتی به کارکنانی با چندین دهه تجربه عملی وابسته‌اند. 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 می‌کنند.
انتقال سنتی دانش اغلب بر مربیگری غیررسمی متکی است. این روش همچنان ارزشمند است، اما گسترش آن دشوار است و به همکاری طولانی‌مدت کارکنان با یکدیگر نیز وابسته است.
پلتفرم‌های دیجیتال می‌توانند از رویکردی نظام‌مندتر پشتیبانی کنند.
کارکنان باتجربه می‌توانند توضیحات رویدادها، منطق عیب‌یابی و ارتباطات فرایندی را ثبت کنند. مصاحبه‌ها را می‌توان به سوابق تجهیزات پیوند داد. درس‌آموخته‌ها را می‌توان به روندهای واقعی تاریخی متصل کرد.
سپس هوش مصنوعی می‌تواند دسترسی به این اطلاعات را آسان‌تر کند.
هدف این نیست که هر تجربه‌ای به یک رویه خشک و انعطاف‌ناپذیر تبدیل شود. برخی دانش‌ها مشروط هستند و باید همچنان با شرایطی که اعتبارشان را ایجاد کرده است، مرتبط بمانند.
برای مثال، ممکن است یک تنظیم عملیاتی فقط در هنگام تولید گرید خاصی از محصول مؤثر بوده باشد. ممکن است یک راهکار موقت تعمیر و نگهداری، فقط برای مدتی کاربرد داشته باشد. ممکن است یک الگوی ارتعاش فقط در بار مشخصی اعمال شود.
زمینه، کاربران آینده را از تعمیم افراطی 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 برای پلتفرم‌های صنعتی ایجاد می‌کند. این فناوری می‌تواند فعالیت شیفت را خلاصه کند، روابط را توضیح دهد، گزارش‌های رویداد را پیش‌نویس 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 بزرگ فنی کمک کنند.
بااین‌حال، خروجی مولد به کنترل‌های قدرتمند نیاز دارد.
یک مدل زبانی ممکن است اظهارنظری 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 ساخت پاسخ استفاده می‌کند.
پاسخ باید شامل ارجاع به رویه‌ها، دستورکارهای تعمیراتی، روندها یا سوابق رویدادها باشد. سپس کاربران می‌توانند پاسخ را راستی‌آزمایی کنند.
اقدامات مهم هرگز نباید به یک اظهارنظر تولیدشده بدون پشتوانه وابسته باشند.
سازمان‌ها همچنین باید کنترل کنند که مدل بتواند از کدام اسناد استفاده کند. رویه‌های پیش‌نویس، دفترچه‌های راهنمای منسوخ و محتوای نامرتبط اینترنتی ممکن است توصیه‌های ناایمنی تولید کنند.
ثبت گزارش پرسش‌ها و پاسخ‌ها می‌تواند به ممیزی کمک کند. اطلاعات حساس باید به‌طور مناسب محافظت شوند.
هوش مصنوعی مولد زمانی بهترین عملکرد را دارد که به‌عنوان رابطی برای دانش قابل‌اعتماد عمل کند. این فناوری نباید به منبعی کنترل‌نشده برای مرجعیت فنی تبدیل شود.
اشتباهات رایج در پیاده‌سازی
چندین اشتباه به‌طور مکرر پروژه‌های هوش مصنوعی صنعتی را محدود می‌کنند.
نخستین مورد، انتخاب هدفی بیش از حد گسترده است. بهبود کل کارخانه با هوش مصنوعی، موردکاربرد قابل مدیریتی نیست.
دومین مورد، نادیده گرفتن کیفیت داده است. مدل‌های پیشرفته نمی‌توانند کمبود زمینه و سوابق غیرقابل‌اعتماد را جبران کنند.
سومین مورد، کنار گذاشتن اپراتورها است. سامانه‌ای که بدون دریافت نظر کارکنان شیفت طراحی شود، ممکن است با گردش‌کارهای واقعی مطابقت نداشته باشد.
چهارمین مورد، سنجش صرفاً دقت مدل است. ارزش عملیاتی شامل زمان پاسخ، میزان پذیرش، خرابی‌های تکرارشونده و اثربخشی نگهداری نیز می‌شود.
پنجمین مورد، پنهان کردن شواهد در پشت توصیه‌ها است. کاربران به منابع قابل ردیابی نیاز دارند.
ششمین مورد، اتصال بیش از حد عمیق پلتفرم پیش از ایجاد اعتماد است. برنامه‌های مشاوره‌ای معمولاً نقطه شروع ایمن‌تری فراهم می‌کنند.
هفتمین مورد، در نظر گرفتن امنیت سایبری به‌عنوان بررسی نهایی است. الزامات امنیتی از همان ابتدا بر معماری اثر می‌گذارند.
هشتمین مورد، نادیده گرفتن نگهداری پلتفرم است. تغییر تجهیزات، اصلاح فرایندها و اسناد جدید می‌توانند عملکرد را کاهش دهند.
نهمین مورد، معرفی هوش مصنوعی به‌عنوان جایگزینی برای تجربه است. این پیام مقاومت ایجاد می‌کند و قوی‌ترین نقش این فناوری را به‌درستی درک نمی‌کند.
دهمین مورد، پذیرفتن درست بودن همه اقدامات تاریخی است. سوابق گذشته شامل تلاش‌های ناموفق برای رفع عیب و راهکارهای موقت هستند.
یک پلتفرم با حاکمیت مناسب باید میان شواهد و اثبات تمایز قائل شود.
آینده عملیات انسانی با کمک ماشین
صنعت فرایندی همچنان به افراد واجد شرایط متکی خواهد بود. سامانه‌های تولید برای آن‌قدر پیچیده، متغیر و ایمنی‌حیاتی هستند که مسئولیت در یک الگوریتم ناپدید شود.
بااین‌حال، افراد نباید در رویدادهای فوری زمان ارزشمند خود را صرف جست‌وجوی سوابق پراکنده کنند.
پلتفرم‌های مجهز به هوش مصنوعی می‌توانند این بار را کاهش دهند. آن‌ها می‌توانند دانش واحد تولید را سازمان‌دهی کنند، رویدادهای تاریخی را به هم پیوند دهند و شواهد مرتبط را در لحظه نیاز ارائه کنند.
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 به مرزهای عملیاتی احترام خواهند گذاشت.
سامانه‌های کنترل همچنان وظایف قطعی را انجام خواهند داد. سامانه‌های ایمنی همچنان از تجهیزات و کارکنان محافظت خواهند کرد. هوش مصنوعی لایه‌ای اضافی از تحلیل و پشتیبانی تصمیم‌گیری فراهم خواهد کرد.
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 واحد تولید را درک می‌کند. انسان پیامدهای ایمنی، تولید، تعمیرات و مقرراتی را در نظر می‌گیرد.
این قابلیت‌ها در کنار هم می‌توانند بهره‌وری تولید را بدون تضعیف پاسخ‌گویی بهبود دهند.
تبدیل تاریخچه واحد تولید به مزیت عملیاتی
هر واحد 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 پراکنده از بین می‌رود.
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.
واحدهای تولید می‌توانند عیب‌یابی‌های تکراری را کاهش دهند. می‌توانند تداوم کار در شیفت‌ها را بهبود بخشند. می‌توانند ضعف‌های تکرارشونده را شناسایی کنند. می‌توانند برنامه‌ریزی تعمیرات را تقویت کنند. می‌توانند تجربه را هنگام تغییر نیروی کار حفظ کنند.
آن‌ها همچنین می‌توانند رابطهای منسجم‌تر میان داده و قضاوت انسانی ایجاد کنند.
موفقیت به چیزی بیش از نصب نرم‌افزار نیاز دارد. داده‌های قابل‌اعتماد اتوماسیون، معماری اطلاعات سنجیده، کنترل‌های امنیت سایبری، حاکمیت دانش و مشارکت مستمر نیروی کار نیز ضروری است.
سازمان‌ها باید با یک مشکل عملیاتی روشن آغاز کنند. باید نتایج واقعی را اندازه‌گیری کنند. تنها پس از جلب اعتماد کاربران به سامانه و شواهد پشتوانه آن، باید دامنه استفاده را گسترش دهند.
آینده عملیات فرایندی، انتخاب میان انسان‌ها و ماشین‌ها نیست.
این یک مشارکت منضبط است که در آن ماشین‌ها استفاده از دانش را آسان‌تر می‌کنند، در حالی که مسئولیت واحد تولید همچنان بر عهده انسان‌هاست.