بازگشت به وبلاگ

امرسون و دیتابریکس، بستر دادهٔ OT را به هوش مصنوعی سازمانی پیوند می‌دهند

امرسون و دیتابریکس داده‌های فناوری عملیاتی (OT) شرکت اَسپن‌تک اینمیشن را به تحلیل‌های سازمانی و هوش مصنوعی متصل می‌کنند. این همکاری زمینه‌ای غنی‌تر فراهم می‌کند؛ چالش مهندسی، شفاف نگه‌داشتن مرزهای ...

Emerson و Databricks همکاری‌ای را اعلام کرده‌اند که هدف آن پیوند دادن داده‌های عملیاتی صنعتی با تحلیل و هوش مصنوعی سازمانی است. اطلاعیه ۱۹ نوامبر ۲۰۲۶ بر AspenTech Inmation متمرکز است که به‌عنوان یک فابریک داده فناوری عملیاتی توصیف شده، و بر دسترسی بومی به این داده‌ها از طریق پلتفرم هوش داده Databricks تأکید دارد.

این همکاری چه مواردی را در بر می‌گیرد

به گفته Emerson، نرم‌افزار Inmation می‌تواند اطلاعات بلادرنگ و تاریخی OT را در محیط‌های میدانی، لبه و ابری گردآوری، غنی‌سازی و حاکمیت کند. این همکاری جدید با هدف فراهم‌کردن دسترسی به این اطلاعات غنی‌شده در کنار داده‌های کسب‌وکار و سازمانی در Databricks طراحی شده است. Emerson همچنین می‌گوید کاربران می‌توانند به قابلیت‌های هوش مصنوعی صنعتی AVA متعلق به AspenTech و داده‌های Inmation در محیط Databricks دسترسی داشته باشند.

هدف معماری روشن است: پرهیز از ساخت پروژه‌ای جداگانه برای استخراج داده و افزودن بافت به آن، برای هر مورد استفاده در نگهداری، عملکرد یا هوش مصنوعی. یک لایه مشترک از داده‌های عملیاتی می‌تواند به گروه تحلیل اجازه دهد وضعیت تجهیزات، تاریخچه فرایند، سفارش‌های تولید، سوابق کیفیت و رویدادهای نگهداری را با هم ترکیب کند، بی‌آنکه هر بار نگاشت تگ‌ها و بافت دارایی‌ها را از نو ایجاد کند.

کارخانه‌ها کجا می‌توانند ارزش عملی ببینند

نگهداری پیش‌بینانه نمونه‌ای بدیهی است، اما موارد استفاده ارزشمندتر معمولاً مشخص و محدود هستند. یک گروه می‌تواند ارتعاش پمپ یا رفتار شیر را با حالت عملیاتی و درجه محصول مقایسه کند، بررسی کند که آیا الگوهای هشدار پیش از افت توان عملیاتی رخ می‌دهند یا نه، یا مصرف انرژی را با برنامه‌های تولید پیوند دهد. مزیت این کار به حفظ مُهرهای زمانی، واحدهای مهندسی، کدهای کیفیت و ارتباط میان دارایی‌ها بستگی دارد، نه صرفاً کپی‌کردن حجم زیادی از تگ‌ها در یک لیک‌هاوس.

بخش زیادی از این بافت عملیاتی همچنان از سخت‌افزار کنترلی موجود به دست می‌آید. یک کارخانه فرایندی ممکن است کنترلرهایی مانند کنترلر Emerson DeltaV MQ، ماژول‌های رابطی مانند ماژول ورودی/خروجی مجازی DeltaV و کارت‌های متعارفی مانند ماژول ورودی آنالوگ KJ3002X1-BC1 داشته باشد. این‌ها نمونه‌هایی از لایه نصب‌شده‌ای هستند که اطلاعات فرایند ممکن است از آن سرچشمه بگیرد؛ در اطلاعیه گفته نشده که این محصولات مشخص، به‌صورت بومی اتصال مستقیمی به Databricks دارند.

مرز کنترل باید صریح باقی بماند

در اطلاعیه درباره دسترسی، تحلیل، گردش‌کارهای هوش مصنوعی و عامل‌ها بحث شده، اما اختیار کنترل حلقه‌بسته تعریف نشده است. این تمایز اهمیت دارد. توصیه‌ای که هوش مصنوعی سازمانی تولید می‌کند، معادل یک اقدام کنترلیِ اعتبارسنجی‌شده نیست و لیک‌هاوس جایگزین کنترل قطعی، اینترلاک‌ها یا یک سامانه مستقل ابزار دقیق ایمنی نمی‌شود.

عملکردهای ایمنی به مرزبندی بسیار محکمی نیاز دارند. حل‌گر منطقی‌ای مانند ماژول SIS دلتاوی Emerson VS3202 در چرخه عمر ایمنیِ تحت نظارت قرار دارد که شامل کنترل تغییرات، عیب‌یابی و الزامات آزمون اثباتیِ مشخص است. داده‌های یک SIS می‌توانند به تحلیل کمک کنند، اما مسیرهای نوشتن، اطلاعات ورود و توصیه‌های تولیدشده با هوش مصنوعی نباید طراحی ایمنی را دور بزنند. هیچ بخشی از اطلاعیه چنین اختیاری را تأیید نمی‌کند.

پرسش‌هایی که اطلاعیه بی‌پاسخ می‌گذارد

  • توپولوژی اتصال‌دهنده: امرسون مشخص نمی‌کند دسترسی بومی از طریق کدام جمع‌آوری‌کننده‌ها، پروتکل‌ها یا الگوهای استقرار فراهم می‌شود، یا اینکه استقرار موجود Inmation به درگاه‌های بیشتری نیاز دارد یا نه.
  • تأخیر و کامل‌بودن: هیچ عددی درباره تأخیر از رویداد تا پرس‌وجو، بافرسازی هنگام قطعی، وضوح مُهر زمانی یا حفظ پرچم‌های کیفیت منبع ارائه نشده است.
  • امنیت: کارخانه‌ها همچنان به مسیری مستند برای عبور از نواحی شبکه OT، کنترل‌های هویتی، مدیریت گواهی‌ها، ثبت گزارش‌های ممیزی و اعمال دسترسی یک‌طرفه یا فقط‌خواندنی در صورت نیاز احتیاج دارند.
  • محل نگهداری داده‌ها: سایت‌های تحت نظارت و دارای پراکندگی جغرافیایی باید مشخص کنند داده‌های خام، زمینه‌مندشده و مشتق‌شده کجا ذخیره و پردازش می‌شوند.
  • چرخه عمر و هزینه: در اطلاعیه جزئیاتی درباره مجوزدهی، نسخه‌های پشتیبانی‌شده، وابستگی‌های ارتقا یا مسئولیت عملیاتی مدل‌ها و عامل‌ها ارائه نشده است.
  • عملیاتِ بدون اتصال: هنوز مشخص نیست چه قابلیت‌هایی برای سایت‌های جدا از شبکه یا هنگام قطع اتصال به ابر در دسترس است.

مسیر منطقی برای پذیرش

کارخانه‌ها باید به‌جای انتقال سراسری داده‌های سازمان، کار را با یک مورد کاربردیِ فقط‌خواندنی و قابل‌اندازه‌گیری آغاز کنند. ابتدا سلسله‌مراتب دارایی‌ها، تگ‌های منبع، قواعد کیفیت و نتیجهٔ تجاری مورد انتظار را مشخص کنید. سپس تأخیرها و شکاف‌های داده را در شرایط معمول بهره‌برداری، توقف‌های تعمیرونگهداری و اختلال‌های شبکه اندازه‌گیری کنید. تنها پس از اطمینان از قابل‌اعتماد بودن خط لوله است که تیم باید مدل هوش مصنوعی را آموزش دهد یا به‌کار گیرد.

در آغاز، خروجی مدل باید صرفاً جنبهٔ مشورتی داشته باشد و با یافته‌های اپراتورها و کارکنان تعمیرونگهداری مقایسه شود. هرگونه حرکت بعدی به‌سوی اقدام خودکار، به بررسی جداگانهٔ مخاطرات، مدل اختیارات، برنامهٔ بازگشت و فرایند مدیریت تغییر نیاز دارد. تیم‌های تدارکات نیز باید فهرست نسخه‌های نرم‌افزار، وابستگی‌های اتصال‌دهنده‌ها، پیش‌فرض‌های خروج داده و رویه‌های بازیابی را مطالبه کنند تا بتوان معماری را فراتر از مرحلهٔ آزمایشی پشتیبانی کرد.

این همکاری برای راهبرد داده‌های صنعتی چه معنایی دارد

این همکاری مهم است، زیرا می‌پذیرد که سودمندی هوش مصنوعی سازمانی به دسترسی آن به داده‌های کارخانه با بافت درست وابسته است. Inmation می‌تواند به‌طور بالقوه کارهای تکراری یکپارچه‌سازی را کاهش دهد و Databricks محیط گسترده‌تری برای مهندسی داده و هوش مصنوعی فراهم می‌کند. ارزش فنی را کیفیت بافت OT و رعایت دقیق مرزهای کنترلی تعیین می‌کنند، نه تعداد تگ‌هایی که در یک پلتفرم هوش مصنوعی قابل مشاهده‌اند.

برای مدیران عملیات، فرصت کوتاه‌مدت، تحلیل بهتر میان حوزه‌های مختلف با نیاز کمتر به اتصال‌سازی سفارشی است. خطر کوتاه‌مدت این است که یک مسیر دادهٔ کارآمد به مسیر کنترلی مستندسازی‌نشده تبدیل شود. در استقرار موفق، اطلاعات عملیاتی بیشتری در دسترس قرار می‌گیرد، بی‌آنکه مسئولیت‌های سامانه‌های اداره‌کنندهٔ کارخانه در زمینهٔ قطعیت‌پذیری، امنیت سایبری و ایمنی تضعیف شود.

منبع: امرسون، «امرسون و دتابریکس هوش مصنوعی صنعتی و سازمانی را به هم پیوند می‌دهند»، منتشرشده در ۱۹ نوامبر ۲۰۲۶. اطلاعیه رسمی. تحلیل تحریریه PLC ProTech، ۲۰ نوامبر ۲۰۲۶.

یک نظر بگذارید

لطفاً توجه داشته باشید که نظرات باید قبل از انتشار تأیید شوند.