Nền tảng tích hợp AI nâng cao hiệu quả ngành công nghiệp quy trình

Vì sao hoạt động quy trình cần một mô hình vận hành số mới

Ngành công nghiệp quy trình đã bước vào một giai đoạn thay đổi vận hành nhanh bất thường. Giá năng lượng biến động. Chuỗi cung ứng vẫn chưa ổn định. Lịch sản xuất thay đổi mà hầu như không có cảnh báo. Các yêu cầu pháp lý tiếp tục mở rộng. Đồng thời, khách hàng kỳ vọng giao hàng đáng tin cậy, chất lượng nhất quán và tác động môi trường thấp hơn.

Những áp lực này ảnh hưởng đến mọi cấp độ của một tổ chức sản xuất. Quản lý nhà máy phải bảo vệ sản lượng và lợi nhuận. Kỹ sư quy trình phải ổn định các hệ thống sản xuất ngày càng phức tạp. Đội ngũ bảo trì phải giải quyết các vấn đề thiết bị trong thời gian hạn chế. Người vận hành phải đưa ra các quyết định an toàn trong suốt mỗi ca làm việc.

Tự động hóa truyền thống vẫn đóng vai trò thiết yếu trong môi trường này. Hệ thống điều khiển phân tán, bộ điều khiển khả trình, hệ thống an toàn, hệ thống lưu trữ dữ liệu lịch sử và nền tảng giám sát tình trạng vẫn cung cấp nền tảng cho hoạt động của nhà máy. Tuy nhiên, các hệ thống này thường tổ chức thông tin xoay quanh thiết bị, thẻ dữ liệu, cảnh báo và chức năng điều khiển.

Chúng không phải lúc nào cũng sắp xếp thông tin theo những câu hỏi mà người vận hành thực sự đặt ra.

Người vận hành hiếm khi bắt đầu bằng một truy vấn cơ sở dữ liệu được cấu trúc hoàn hảo. Thay vào đó, họ có thể hỏi tại sao máy nén liên tục bị ngắt trong thời tiết lạnh. Một kỹ thuật viên có thể nhớ rằng sự cố tương tự đã xảy ra hai năm trước. Một giám sát viên có thể biết rằng một dây chuyền sản xuất khác đã giải quyết vấn đề tương tự bằng một điều chỉnh vận hành khác thường.

Kiến thức này rất có giá trị, nhưng thường bị phân tán trong nhật ký ca, ghi chú bảo trì, email, báo cáo sự cố, lệnh công việc, bảng tính và kinh nghiệm cá nhân.

Các nền tảng doanh nghiệp tích hợp AI giải quyết khoảng trống này. Chúng kết nối dữ liệu máy móc có cấu trúc với kiến thức vận hành phi cấu trúc. Chúng giúp các đội ngũ sản xuất xác định các sự kiện liên quan, so sánh những sự cố trước đây và truy xuất các phương án ứng phó đã được kiểm chứng mà không phải tìm kiếm thủ công trong các hồ sơ rời rạc.

Cách tiếp cận này không thay thế kiến trúc tự động hóa hiện có. Nó tạo ra một lớp trí tuệ vận hành bên trên kiến trúc đó.

Các nền tảng mạnh nhất kết hợp thông tin từ hệ thống điều khiển, hệ thống quản lý tài sản, ứng dụng bảo trì, hệ thống phòng thí nghiệm, công cụ lập kế hoạch sản xuất và kênh liên lạc của người vận hành. Sau đó, chúng trình bày thông tin đó qua các giao diện được thiết kế cho những quyết định vận hành thực tế.

Các tổ chức lên kế hoạch cho quá trình chuyển đổi này vẫn phải duy trì một nền tảng điều khiển đáng tin cậy. Một lớp trí tuệ hiện đại không thể bù đắp cho thiết bị đo không ổn định, hệ thống cảnh báo thiếu sót, thiết kế mạng kém hoặc hồ sơ bảo trì không nhất quán. Những độc giả đánh giá nền tảng điều khiển phía sau các dự án này có thể tham khảo các kiến trúc và thành phần hệ thống điều khiển DCS hiện được sử dụng tại các nhà máy quy trình.

Hình 1. Hoạt động vận hành số hiệu quả kết nối các thông số thiết bị, bối cảnh quy trình và tri thức thực tiễn của lực lượng lao động.

Biến động khiến tri thức vận hành trở nên có giá trị hơn

Các doanh nghiệp công nghiệp quy trình phải ứng phó với những điều kiện kinh doanh và vận hành thay đổi nhanh chóng. Giá khí tự nhiên là một ví dụ rõ ràng. Một đợt tăng giá đột ngột có thể làm thay đổi các ưu tiên sản xuất, chiến lược năng lượng và mục tiêu vận hành trên toàn bộ cơ sở.

Nhu cầu thị trường cũng có thể thay đổi nhanh chóng. Một nhà máy có thể cần sản xuất các lô nhỏ hơn, thay đổi cấp sản phẩm thường xuyên hơn hoặc vận hành thiết bị vượt ra ngoài mô hình sản xuất truyền thống. Mỗi thay đổi đều tạo ra thêm các tương tác trong quy trình.

Đổi mới công nghệ tạo thêm một lớp phức tạp khác. Hiện nay, các nhà máy quản lý hệ thống tự động hóa truyền thống song song với mạng công nghiệp, dịch vụ đám mây, điện toán biên, các biện pháp kiểm soát an ninh mạng, phân tích nâng cao và các ứng dụng hỗ trợ từ xa.

Sự phức tạp không chỉ đến từ số lượng công nghệ. Nó còn đến từ mối quan hệ giữa các công nghệ đó.

Một sự cố gián đoạn quy trình có thể bắt đầu từ vấn đề cơ khí. Sau đó, nó có thể ảnh hưởng đến các chỉ số thiết bị đo, các vòng điều khiển, chất lượng sản phẩm và tốc độ sản xuất ở công đoạn trước. Cảnh báo hiển thị có thể xuất hiện cách xa nguyên nhân ban đầu.

Vì vậy, các đội ngũ sản xuất cần nhiều hơn những thông báo cảnh báo riêng lẻ. Họ cần bối cảnh.

Bối cảnh giải thích những gì đã xảy ra trước một cảnh báo. Nó xác định các điều kiện môi trường, hoạt động bảo trì, thay đổi sản phẩm, hành động của người vận hành và trạng thái hoạt động của thiết bị. Nó cũng liên kết sự kiện hiện tại với các sự kiện tương tự trong lịch sử.

Nhiều nhà máy đã sở hữu thông tin này. Vấn đề là khả năng tiếp cận.

Một giải pháp trước đây có thể nằm trong hồ sơ bảo trì. Một nhận xét hữu ích khác có thể xuất hiện trong báo cáo ca. Một người vận hành đã nghỉ việc có thể từng ghi lại nguyên nhân trong một ghi chú không chính thức. Tuy nhiên, đội ngũ ca hiện tại có thể không bao giờ tìm thấy những hồ sơ đó trong một sự cố đang diễn ra.

Chi phí của sự thất bại này có thể rất lớn. Sản xuất có thể tiếp tục bị dừng trong khi nhân viên lặp lại các bước xử lý sự cố từng không hiệu quả trong những sự cố trước đó. Nhân viên bảo trì có thể thay thế các linh kiện vẫn đang hoạt động tốt. Người vận hành có thể khởi động lại thiết bị mà không hiểu rõ tình trạng tiềm ẩn.

Mỗi phút trôi qua có thể làm gia tăng tổn thất sản xuất, tiêu hao nguồn lực bảo trì và tăng rủi ro vận hành.

Các hệ thống hỗ trợ AI giúp tái sử dụng tri thức lịch sử dễ dàng hơn. Chúng có thể nhận diện những điểm tương đồng giữa các bản ghi được diễn đạt khác nhau. Chúng có thể xác định thiết bị, điều kiện vận hành, triệu chứng và hành động khắc phục có liên quan. Sau đó, chúng có thể cung cấp thông tin phù hợp trước khi các đội ngũ tiêu tốn quá nhiều thời gian quý giá.

Năng lực này làm thay đổi giá trị của tài liệu hiện có trong nhà máy. Các báo cáo cũ không còn chỉ là những kho lưu trữ tĩnh. Chúng trở thành nguồn lực vận hành chủ động.

Từ thông tin được lưu trữ đến tri thức nhà máy có thể sử dụng

Hầu hết các tổ chức công nghiệp không thiếu dữ liệu hoàn toàn. Vấn đề của họ là dữ liệu bị phân mảnh, thuật ngữ không nhất quán và phương pháp truy xuất còn hạn chế.

Một cơ sở lớn có thể ghi nhận hàng nghìn sự kiện vận hành mỗi tháng. Các hồ sơ này có thể bao gồm cảnh báo, lệnh công việc, nhận xét của người vận hành, sai lệch quy trình, sự kiện chất lượng và các phát hiện bảo trì.

Mỗi nguồn sử dụng một cấu trúc khác nhau.

Một hệ thống lưu trữ dữ liệu lịch sử ghi lại các giá trị theo chuỗi thời gian. Một hệ thống quản lý bảo trì trên máy tính ghi lại công việc trên tài sản. Nhật ký ca ghi lại các quan sát. Hệ thống chất lượng ghi lại các sai lệch và kết quả phòng thí nghiệm. Hệ thống cảnh báo ghi lại các thay đổi trạng thái và việc xác nhận.

Các hệ thống này mô tả cùng một nhà máy từ những góc nhìn khác nhau.

Các công cụ báo cáo truyền thống thường yêu cầu người dùng biết thông tin liên quan được lưu trữ ở đâu. Chúng cũng có thể yêu cầu từ khóa chính xác, số thiết bị, khoảng thời gian hoặc danh mục báo cáo.

Yêu cầu đó tạo ra một hạn chế nghiêm trọng trong các sự kiện ngoài kế hoạch.

Một người vận hành đang đối mặt với việc gián đoạn sản xuất có thể không biết thuật ngữ bảo trì chính xác. Một kỹ thuật viên bảo trì có thể không biết tên quy trình được bộ phận vận hành sử dụng. Hai ca làm việc có thể mô tả các triệu chứng giống hệt nhau bằng những từ hoàn toàn khác nhau.

Ví dụ, một người vận hành có thể viết rằng máy bơm hoạt động không ổn định. Người khác có thể ghi nhận lưu lượng dao động. Một kỹ thuật viên có thể mô tả áp suất hút không liên tục. Một kỹ sư quy trình có thể phân loại cùng sự kiện đó là hiện tượng xâm thực.

Một công cụ tìm kiếm từ khóa thông thường có thể xem những hồ sơ đó là không liên quan.

Một hệ thống tìm kiếm thông minh có thể phân tích ý nghĩa của chúng. Nó có thể nhận ra rằng các mô tả đề cập đến cùng một kiểu vận hành. Nó cũng có thể xem xét các thẻ liên quan, mối quan hệ giữa các thiết bị, lệnh công việc, điều kiện thời tiết và trạng thái sản xuất.

Điều này biến hoạt động tìm kiếm từ một chức năng truy xuất tài liệu thành một công cụ hỗ trợ suy luận vận hành.

Hệ thống không cần tự mình xác định câu trả lời cuối cùng. Trách nhiệm đầu tiên của nó là làm nổi bật bằng chứng phù hợp nhất.

Khi đó, người vận hành có thể xem xét các sự kiện trước đó, so sánh các điều kiện và quyết định liệu một phương án ứng phó đã được thiết lập có phù hợp hay không. Kỹ sư có thể xác minh nguyên nhân nghi vấn bằng dữ liệu quy trình. Đội ngũ bảo trì có thể kiểm tra thiết bị trước khi thực hiện công việc không cần thiết.

Kết quả là một quy trình ra quyết định nhanh hơn và kỷ luật hơn.

AI lấy con người làm trung tâm duy trì trách nhiệm đúng nơi cần thuộc về

Trí tuệ nhân tạo không nên loại bỏ con người khỏi các quyết định sản xuất quan trọng. Nó nên cải thiện thông tin mà họ có thể sử dụng.

Sự phân biệt này đặc biệt quan trọng trong các lĩnh vực chế biến hóa chất, phát điện, dầu khí, dược phẩm, kim loại, sản xuất thực phẩm và xử lý nước. Các quyết định trong những môi trường này có thể ảnh hưởng đến an toàn nhân sự, việc tuân thủ quy định môi trường, chất lượng sản phẩm và thiết bị đắt tiền.

Một thuật toán không thể đảm nhận trách nhiệm pháp lý hoặc vận hành đối với một nhà máy.

Nó có thể nhận diện một mẫu hình. Nó có thể ước tính kết quả có khả năng xảy ra. Nó có thể khuyến nghị phản hồi sớm hơn. Tuy nhiên, nhân sự có đủ năng lực phải đánh giá khuyến nghị đó trong bối cảnh vận hành hiện tại.

Vì vậy, AI lấy con người làm trung tâm bắt đầu bằng sự phân định rõ ràng về vai trò.

Hệ thống tự động hóa thực hiện điều khiển tất định. Các hệ thống an toàn thực thi những chức năng bảo vệ đã được xác định. Các ứng dụng hỗ trợ AI phân tích thông tin và làm nổi bật các mối quan hệ khả dĩ. Người vận hành và kỹ sư vẫn giữ quyền ra quyết định.

Kiến trúc này tránh một hiểu lầm quan trọng. AI không cần quyền truy cập điều khiển không hạn chế để tạo ra giá trị.

Nhiều ứng dụng hữu ích hoạt động với vai trò tư vấn. Chúng phân tích dữ liệu chỉ đọc, hồ sơ sản xuất, cảnh báo và thông tin trao đổi trong ca. Sau đó, chúng cung cấp thông tin hoặc khuyến nghị được xếp hạng.

Mô hình này cũng hỗ trợ việc áp dụng theo từng giai đoạn. Một công ty có thể bắt đầu với việc tìm kiếm, truy xuất kiến thức và lập báo cáo. Công ty có thể xây dựng niềm tin trước khi cân nhắc các ứng dụng dự đoán nâng cao hơn.

Niềm tin là yếu tố thiết yếu vì người vận hành nhanh chóng từ chối những hệ thống đưa ra các khuyến nghị không liên quan hoặc không được giải thích.

Một trợ lý AI thực tế nên cho biết lý do đưa ra một kết quả. Trợ lý nên xác định sự cố liên quan, các điều kiện tương đồng, lịch sử thiết bị và biện pháp khắc phục trước đó. Người dùng phải có thể kiểm tra bằng chứng nền tảng.

Khả năng giải thích không đòi hỏi phải trình bày mọi chi tiết toán học. Khả năng này đòi hỏi đủ bối cảnh vận hành để một người có chuyên môn đánh giá khuyến nghị.

Các triển khai thành công nhất xem người vận hành là những người tham gia thiết kế hệ thống. Thuật ngữ, quy trình làm việc, nhu cầu thông tin và phản hồi của họ định hình ứng dụng cuối cùng.

Sự tham gia này cải thiện tính phù hợp của hệ thống. Sự tham gia này cũng làm giảm cảm giác rằng số hóa đang bị áp đặt mà không am hiểu thực tế nhà máy.

Hình 2. AI lấy con người làm trung tâm hỗ trợ nhân sự nhà máy trong khi người vận hành vẫn giữ quyền kiểm soát và trách nhiệm.

Vì sao logic NẾU-THÌ đơn giản không thể nắm bắt mọi nhiễu động

Tự động hóa công nghiệp từ lâu đã phụ thuộc vào logic tất định. Các quy tắc NẾU-THÌ vẫn phù hợp với các chuỗi điều khiển, liên động, điều kiện cho phép và biện pháp bảo vệ.

Tuy nhiên, kiến thức vận hành không phải lúc nào cũng phù hợp với một cấu trúc tất định.

Một sự gián đoạn sản xuất có thể phụ thuộc vào thời tiết, tính chất nguyên liệu thô, tình trạng thiết bị, hành động của người vận hành và các sai lệch quy trình trước đó. Những mối quan hệ này có thể không xuất hiện theo cùng một thứ tự trong mỗi lần.

Việc viết một quy tắc riêng cho mọi tổ hợp có thể xảy ra là không thực tế. Bộ quy tắc sẽ trở nên khó bảo trì. Bộ quy tắc cũng có thể không xử lý được khi xuất hiện một biến thể mới.

AI cung cấp một phương pháp khác. AI kiểm tra thông tin lịch sử và xác định các mẫu hình trên nhiều biến số. AI có thể xếp hạng các sự kiện tương tự ngay cả khi mô tả, trình tự và điều kiện khác nhau.

Hãy xem xét một dây chuyền xử lý chất lỏng giả định trong quá trình vận hành mùa đông.

Dây chuyền dừng lại sau một loạt sai lệch về lưu lượng và áp suất. Đội vận hành ca thực hiện quy trình khởi động lại tiêu chuẩn. Các thiết bị đo được kiểm tra. Bơm được khởi động lại. Quá trình lại gặp lỗi.

Các triệu chứng nhìn thấy cho thấy một số nguyên nhân có thể xảy ra. Chúng có thể chỉ ra vấn đề ở van, sự suy giảm của máy bơm, lỗi thiết bị đo hoặc dòng chảy bị hạn chế.

Một chuyên gia sản xuất giàu kinh nghiệm đến và nhớ lại một sự kiện tương tự. Trong một đợt lạnh trước đó, một phần đường ống bên ngoài đã bị đóng băng một phần. Sự hạn chế này làm thay đổi vật liệu đi vào quy trình. Thay đổi đó sau này gây ra vận hành không ổn định ở nơi khác trong dây chuyền sản xuất.

Lời giải thích then chốt tồn tại trong ngôn ngữ của con người. Nó liên kết điều kiện thời tiết, đặc tính vật liệu, phản hồi của thiết bị và các hệ quả chậm trễ của quá trình.

Logic cảnh báo thông thường có thể phát hiện từng sai lệch riêng lẻ. Logic này có thể không giải thích được mối quan hệ giữa chúng.

Một nền tảng được hỗ trợ bởi AI có thể tìm kiếm nhật ký ca trước đây, ghi chú bảo trì và dữ liệu môi trường. Nền tảng có thể xác định sự cố liên quan đến đóng băng trước đó và trình bày sự cố này cho đội ngũ hiện tại.

Nền tảng này không thay thế kỹ sư. Nó tăng tốc khả năng tiếp cận kiến thức trước đây của kỹ sư.

Sự khác biệt này là trọng tâm của AI công nghiệp.

Giá trị tức thời nhất thường đến từ việc cải thiện khả năng tiếp cận kinh nghiệm của con người, chứ không phải từ việc tạo ra các nhà máy hoàn toàn tự động.

Ví dụ thực tế về ứng phó sự cố

Hãy hình dung một nhà máy hóa chất chuyên dụng vận hành một số dây chuyền sản xuất song song. Mỗi dây chuyền gồm máy bơm, bộ trao đổi nhiệt, van điều khiển, thiết bị phân tích và thiết bị chuyển mẻ.

Một dây chuyền sản xuất bắt đầu xuất hiện các cảnh báo áp suất cao lặp lại trong quá trình sản xuất một cấp sản phẩm cụ thể. Các cảnh báo biến mất sau khi đường ống được súc rửa. Chúng quay lại trong chiến dịch tiếp theo.

Giả định ban đầu là van điều khiển bị kẹt. Bộ phận bảo trì kiểm tra bộ chấp hành và bộ định vị. Không phát hiện vấn đề cơ khí nào.

Sau đó, đội ngũ thay thế bộ truyền áp suất. Mẻ tiếp theo vẫn xuất hiện cùng cảnh báo.

Nếu không có nền tảng trí tuệ dùng chung, cuộc điều tra có thể tiếp tục thông qua các cuộc họp, bảng tính và những lần tìm kiếm riêng lẻ trên các hệ thống. Một số bộ phận có thể lặp lại phân tích trước đó mà không biết những bộ phận khác đã phát hiện điều gì.

Một nền tảng tích hợp làm thay đổi quy trình làm việc.

Người vận hành tìm kiếm tên thiết bị và mô tả triệu chứng bằng ngôn ngữ thông thường. Hệ thống trả về một số hồ sơ liên quan. Một hồ sơ liên quan đến dây chuyền sản xuất khác. Một hồ sơ khác đến từ báo cáo sai lệch chất lượng được lập mười tám tháng trước.

Báo cáo trước đó ghi nhận một nhà cung cấp nguyên liệu đã thay đổi khoảng độ nhớt. Nguyên liệu vẫn nằm trong các thông số kỹ thuật mua hàng. Tuy nhiên, điều này ảnh hưởng đến quá trình truyền nhiệt trong một cấp sản phẩm.

Biên dạng nhiệt độ đã thay đổi làm tăng độ nhớt gần van điều khiển. Điện trở cao hơn sau đó tạo ra diễn biến áp suất được quan sát thấy.

Đội ngũ hiện tại so sánh các lô nguyên liệu, xu hướng nhiệt độ, vị trí van và dữ liệu áp suất. Bằng chứng ủng hộ lời giải thích trước đó.

Bộ phận kỹ thuật điều chỉnh trình tự gia nhiệt trong các giới hạn vận hành đã được phê duyệt. Bộ phận thu mua cũng rà soát thông số kỹ thuật của nguyên liệu với nhà cung cấp.

Ví dụ này cho thấy một số lợi ích quan trọng.

Hệ thống kết nối thông tin giữa các dây chuyền sản xuất. Nó liên kết một triệu chứng của thiết bị với một hồ sơ chất lượng. Nó xác định một mối quan hệ trong quy trình mà việc xử lý sự cố chỉ tập trung vào thiết bị đã bỏ sót.

Nó cũng ngăn việc phải thay thế thêm các linh kiện.

Giá trị tài chính không chỉ đến từ việc giảm thời gian ngừng hoạt động. Nhà máy tránh được việc sử dụng phụ tùng không cần thiết, giảm nhân công bảo trì, bảo vệ chất lượng sản phẩm và cải thiện các thông số kỹ thuật cho hoạt động mua sắm trong tương lai.

Hình 3. AI có thể đưa ra các phương án ứng phó dựa trên bằng chứng bằng cách kết nối các triệu chứng hiện tại với kinh nghiệm trước đây tại nhà máy.

Tìm kiếm thông minh thay đổi cách các đội ca sử dụng kinh nghiệm

Tìm kiếm thông minh là một trong những điểm khởi đầu thiết thực nhất cho AI công nghiệp. Nó giải quyết một vấn đề cấp thiết mà không đòi hỏi quyền điều khiển tự động.

Các tổ chức sản xuất đã sở hữu nhiều năm kinh nghiệm vận hành. Thách thức là truy xuất đúng kinh nghiệm khi cần.

Một ứng dụng tìm kiếm thông minh có thể xử lý các truy vấn bằng ngôn ngữ tự nhiên. Ứng dụng cũng có thể phân tích mối quan hệ giữa các thiết bị, dấu thời gian, khu vực quy trình, trình tự cảnh báo và bối cảnh tài liệu.

Điều này cho phép người dùng tìm kiếm theo ý nghĩa thay vì theo cách diễn đạt chính xác.

Giả sử hai nhân viên mô tả cùng một sự kiện theo những cách khác nhau. Một người viết rằng dây chuyền dừng sau khi điều kiện cấp liệu trở nên không ổn định. Người kia viết rằng quy trình bị ngắt sau khi áp suất đầu vào dao động.

Một người thứ ba có thể ghi nhận rằng bơm chuyển liệu đầu nguồn bị mất hút.

Một nền tảng thông minh có thể liên kết các mô tả này thông qua bối cảnh quy trình chung. Nền tảng có thể nhận diện cùng một dây chuyền thiết bị, cùng kiểu thời điểm hoặc cùng điều kiện vận hành.

Sau đó, nền tảng có thể trả về các sự cố liên quan và xếp hạng chúng theo mức độ phù hợp.

Việc xếp hạng rất quan trọng vì cơ sở dữ liệu công nghiệp có thể chứa hàng nghìn kết quả khớp tiềm năng. Người dùng không cần mọi hồ sơ có chứa một từ quen thuộc. Họ cần những hồ sơ có khả năng hỗ trợ quyết định hiện tại cao nhất.

Các yếu tố xếp hạng hữu ích có thể bao gồm danh tính thiết bị, phân xưởng công nghệ, chế độ vận hành, điều kiện môi trường, cấp sản phẩm, trình tự cảnh báo, lịch sử bảo trì và kết quả của hành động khắc phục.

Hệ thống cũng cần phân biệt các biện pháp ứng phó thành công với những nỗ lực không thành công.

Một ghi chú bảo trì nêu rằng một thiết bị đã được thay thế không chứng minh việc thay thế đó đã giải quyết vấn đề. Nền tảng cần xem xét các hồ sơ tiếp theo và diễn biến của quy trình.

Điều này ngăn các nhóm lặp lại một hành động trước đó chỉ vì hành động đó xuất hiện trong báo cáo.

Tìm kiếm thông minh cũng có thể làm lộ ra những khoảng trống kiến thức. Nếu nhiều sự cố có kết luận chưa đầy đủ, ban quản lý có thể cải thiện tiêu chuẩn báo cáo. Nếu các vấn đề giống hệt nhau được mô tả khác nhau, tổ chức có thể củng cố hướng dẫn thuật ngữ.

Do đó, tìm kiếm trở thành cả công cụ xử lý sự cố lẫn công cụ nâng cao chất lượng tri thức.

Học máy và lập trình cổ điển đảm nhiệm những vai trò khác nhau

Lập trình cổ điển bắt đầu bằng các quy tắc do con người xác định. Lập trình viên chỉ định đầu vào, điều kiện và đầu ra cần thiết.

Phương pháp này vẫn thiết yếu đối với các chức năng công nghiệp có tính dự đoán. Trình tự khởi động động cơ phải tuân theo logic đã được xác minh. Chức năng dừng máy phải được thực hiện theo thiết kế an toàn đã được kiểm thử.

Học máy phục vụ một mục đích khác.

Thay vì xác định thủ công mọi mối quan hệ, các kỹ sư cung cấp dữ liệu và mục tiêu. Thuật toán xác định các mẫu giúp phân biệt những kết quả liên quan.

Ví dụ, một mô hình có thể phân tích độ rung, nhiệt độ, tải, điều kiện bôi trơn, lịch sử bảo trì và số giờ vận hành. Mô hình có thể xác định những tổ hợp gắn liền với tình trạng suy giảm trước đây của thiết bị.

Sau đó, mô hình có thể ước tính xác suất một điều kiện tương tự hình thành.

Những ước tính này không phải là sự thật tuyệt đối. Đó là các đầu ra xác suất dựa trên dữ liệu sẵn có.

Do đó, các đội ngũ công nghiệp phải hiểu độ tin cậy, những giới hạn của dữ liệu và phạm vi vận hành. Một mô hình được huấn luyện trong quá trình sản xuất bình thường có thể hoạt động kém trong giai đoạn khởi động. Một mô hình được phát triển cho một máy nén có thể không áp dụng được cho một thiết kế khác.

Học máy cũng phụ thuộc vào nhãn và kết quả trong quá khứ. Nếu hồ sơ bảo trì phân loại sai các sự cố, mô hình có thể học những mối quan hệ gây hiểu lầm.

Vì những lý do này, việc triển khai AI đòi hỏi sự hợp tác giữa các chuyên gia dữ liệu và chuyên gia lĩnh vực.

Các chuyên gia dữ liệu hiểu về kiến trúc mô hình, quá trình xác thực và các chỉ số hiệu năng. Kỹ sư công nghệ hiểu về các chế độ vận hành và tương tác trong quy trình. Các chuyên gia bảo trì hiểu về cơ chế hỏng hóc. Nhân viên vận hành hiểu điều gì thực sự diễn ra trong các ca làm việc.

Không một nhóm nào có được bức tranh toàn diện.

Việc triển khai hiệu quả cần kết hợp những góc nhìn này ngay từ đầu.

Chất lượng dữ liệu quyết định giá trị của AI công nghiệp

Dữ liệu là yêu cầu cơ bản đối với trí tuệ nhân tạo. Số lượng quan trọng, nhưng chất lượng còn quan trọng hơn.

Một nhà máy có thể thu thập hàng triệu điểm dữ liệu nhưng vẫn thiếu ngữ cảnh đáng tin cậy. Các giá trị cảm biến có thể không đầy đủ. Dấu thời gian có thể không nhất quán. Tên thiết bị có thể khác nhau giữa các hệ thống. Lệnh công việc có thể chứa mô tả mơ hồ.

Một nền tảng AI không thể tự động khắc phục mọi điểm yếu về cấu trúc.

Chất lượng dữ liệu bắt đầu từ thiết bị đo. Cảm biến phải phù hợp với ứng dụng. Phải duy trì các quy trình hiệu chuẩn. Cần xác định các giá trị có chất lượng kém. Việc đồng bộ thời gian phải nhất quán giữa các hệ thống.

Dữ liệu theo ngữ cảnh cũng quan trọng không kém.

Giá trị nhiệt độ có ý nghĩa hạn chế nếu không có thông tin về thiết bị, cụm công nghệ, chế độ vận hành, cấp sản phẩm và dấu thời gian. Một cảnh báo hữu ích hơn khi được liên kết với mức độ ưu tiên, các thay đổi trạng thái, việc xác nhận và các điều kiện công nghệ xung quanh.

Các bản ghi do con người nhập cũng cần được chú ý.

Nhật ký ca nên xác định tài sản bị ảnh hưởng và khu vực quy trình. Báo cáo bảo trì nên phân biệt các triệu chứng, hành động, phát hiện và nguyên nhân đã được xác nhận. Hồ sơ sự cố nên cho biết liệu các hành động khắc phục có thành công hay không.

Các tổ chức không cần ngôn ngữ được tiêu chuẩn hóa hoàn hảo trước khi bắt đầu. Xử lý ngôn ngữ tự nhiên có thể xử lý sự khác biệt. Tuy nhiên, không thể khôi phục một cách đáng tin cậy bối cảnh bị thiếu hoàn toàn.

Một cuộc rà soát mức độ sẵn sàng thực tế của dữ liệu nên xem xét một số lĩnh vực.

Thứ nhất, cần xác định các hệ thống chứa kiến thức vận hành hữu ích. Thứ hai, cần đánh giá khả năng truy cập và quyền sở hữu. Thứ ba, cần đánh giá tính nhất quán của cách đặt tên và chất lượng dấu thời gian. Thứ tư, cần xem xét các yêu cầu về an ninh mạng và lưu trữ.

Việc rà soát cũng cần xác định thông tin nhạy cảm. Một số ghi chú bảo trì có thể chứa dữ liệu cá nhân. Hồ sơ sản xuất có thể bao gồm các công thức bảo mật. Nhật ký truy cập từ xa có thể tiết lộ thông tin chi tiết về bảo mật.

Quản trị dữ liệu phải xác định ứng dụng AI có thể xử lý thông tin nào. Quản trị cũng phải xác định ai có thể xem từng kết quả.

Quản trị chặt chẽ không ngăn cản đổi mới. Quản trị này tạo ra các ranh giới an toàn cho việc triển khai bền vững.

Giao tiếp tương tác giữa các ca xây dựng cơ sở tri thức sống

Hoạt động theo ca phụ thuộc vào việc giao tiếp. Tình trạng thiết bị, giới hạn vận hành tạm thời, hoạt động bảo trì, mối quan ngại về chất lượng và các ưu tiên sản xuất phải được truyền đạt từ đội này sang đội khác.

Nhật ký giấy và bảng tính rời rạc thường gây thất thoát thông tin. Những quan sát quan trọng có thể chỉ được lưu lại với ca sắp kết thúc. Các cuộc trao đổi không chính thức có thể không bao giờ được đưa vào hồ sơ lâu dài.

Một nền tảng doanh nghiệp có thể cung cấp tổng quan chung về hoạt động. Nền tảng này có thể hiển thị hiệu suất nhà máy, lệnh công việc đang thực hiện, sự cố, hướng dẫn tạm thời và các rủi ro chưa được giải quyết.

Các đội làm việc theo ca có thể ghi lại mục nhập theo một quy trình kỹ thuật số nhất quán. Mỗi mục nhập có thể bao gồm thời gian, thiết bị, khu vực quy trình, mức độ ưu tiên, tệp đính kèm và trách nhiệm theo dõi.

Cấu trúc này hỗ trợ các yêu cầu kiểm toán. Nó cũng giúp thông tin có thể tìm kiếm được.

Cơ sở tri thức phát triển với mỗi mục nhập hữu ích. Một vấn đề được giải quyết hôm nay sẽ trở thành hướng dẫn cho một ca làm việc trong tương lai.

Việc sử dụng giữa các cơ sở có thể tạo ra thêm giá trị. Một công ty vận hành nhiều nhà máy tương tự có thể so sánh các sự kiện giữa các địa điểm. Một cơ sở có thể đã giải quyết vấn đề đang xuất hiện lần đầu ở nơi khác.

Khả năng này đặc biệt hữu ích đối với các đội thiết bị được tiêu chuẩn hóa. Nhiều cơ sở có thể sử dụng cùng một máy nén, nền tảng điều khiển, thiết bị phân tích hoặc hệ thống an toàn.

Tuy nhiên, việc chia sẻ giữa các cơ sở cần có bối cảnh. Một giải pháp từ nhà máy này có thể không áp dụng trực tiếp cho cấu hình quy trình của nhà máy khác. Nền tảng nên trình bày thông tin dưới dạng bằng chứng, không phải chỉ thị tự động.

Việc bàn giao ca cũng trở nên hiệu quả hơn khi các vấn đề chưa được giải quyết vẫn hiển thị rõ ràng.

Đội tiếp nhận có thể xem những cảnh báo nào đã xảy ra, những hành động nào đã được thực hiện và những nhiệm vụ bảo trì nào vẫn còn đang xử lý. Đội này có thể xem xét các xu hướng của quy trình trước khi tiếp nhận trách nhiệm.

Tìm kiếm thông minh bổ sung thêm một lớp khả năng. Tính năng này có thể xác định những lần bàn giao trước đây liên quan đến các triệu chứng tương tự. Tính năng này cũng có thể cho biết những chiến lược ứng phó nào đã tạo ra kết quả ổn định.

Mục tiêu tổng thể là duy trì tính liên tục.

Kiến thức sản xuất nên vẫn có sẵn khi mọi người chuyển ca, chuyển bộ phận hoặc chuyển sang làm việc cho một đơn vị khác.

Bối cảnh Thời gian thực Cải thiện cả Hiệu quả lẫn An toàn

Kiến thức lịch sử trở nên hữu ích hơn khi được kết nối với các điều kiện hiện tại của nhà máy.

Một nền tảng có thể xác định một sự cố trước đó, nhưng sự kiện hiện tại có thể khác theo những cách quan trọng. Dữ liệu thời gian thực cho phép nhóm so sánh những khác biệt đó.

Ví dụ, một lần máy bơm dừng trước đó có thể đã xảy ra khi tải cao. Lần dừng hiện tại có thể xảy ra trong quá trình khởi động. Trình tự cảnh báo có vẻ tương tự, nhưng bối cảnh vận hành làm thay đổi nguyên nhân có khả năng xảy ra.

Tích hợp theo thời gian thực có thể hiển thị các giá trị quy trình hiện tại, trạng thái cảnh báo, tình trạng sẵn sàng của thiết bị và chế độ sản xuất. Tích hợp này cũng có thể hiển thị các giấy phép bảo trì đang có hiệu lực hoặc những thay đổi cấu hình gần đây.

Bối cảnh này làm giảm rủi ro áp dụng mù quáng một giải pháp cũ.

Lợi ích về an toàn cũng có thể đến từ việc cải thiện luồng thông tin.

Người vận hành có thể nhận được cảnh báo sớm hơn về các điều kiện đang phát triển. Các nhóm bảo trì có thể nhận ra những triệu chứng lặp lại trước khi thiết bị đạt đến trạng thái nguy cấp. Người giám sát có thể xác định các vấn đề chưa được giải quyết qua nhiều ca liên tiếp.

AI không nên bỏ qua các quy trình an toàn đã được thiết lập. AI nên tăng cường nhận thức tình huống liên quan đến các quy trình đó.

Mọi khuyến nghị ảnh hưởng đến vận hành phải nhất quán với các quy trình đã được phê duyệt, giới hạn vận hành, yêu cầu quản lý thay đổi và các chức năng an toàn tích hợp.

Nền tảng cũng nên xác định khi nào thông tin không chắc chắn. Nền tảng không nên trình bày các kết quả có độ tin cậy thấp như những nguyên nhân đã được xác nhận.

Việc thể hiện rõ mức độ không chắc chắn khuyến khích xác minh đúng cách.

Hình 4. Bối cảnh vận hành theo thời gian thực giúp các nhóm đánh giá các khuyến nghị và bảo vệ an toàn nhà máy.

Xây dựng Kiến trúc Thông tin Làm nền tảng cho AI

Một ứng dụng AI phụ thuộc vào kiến trúc kết nối các hệ thống nhà máy. Kiến trúc đó phải thu thập thông tin mà không làm gián đoạn các chức năng điều khiển quan trọng.

Một thiết kế phổ biến là phân tách các môi trường điều khiển, vận hành và doanh nghiệp bằng các vùng mạng được quản lý. Dữ liệu di chuyển qua các giao diện, hệ thống lưu trữ dữ liệu lịch sử, cổng kết nối hoặc nền tảng biên đã được phê duyệt.

Các hệ thống điều khiển vẫn chịu trách nhiệm vận hành mang tính quyết định. Nền tảng AI tiếp nhận dữ liệu được chọn để phân tích và trình bày.

Sự phân tách này giúp giảm rủi ro. Nó cũng cho phép các nhóm an ninh mạng áp dụng các biện pháp kiểm soát truy cập, giám sát và hạn chế luồng dữ liệu.

Độ tin cậy của truyền thông công nghiệp vẫn quan trọng trong toàn bộ kiến trúc. Dữ liệu bị thiếu, các cổng kết nối không ổn định hoặc việc đồng bộ thời gian không nhất quán có thể làm giảm độ chính xác của phân tích.

Các tổ chức đang mở rộng khả năng kết nối nhà máy có thể xem xét các thành phần truyền thông và mạng công nghiệp hiện được sử dụng để kết nối bộ điều khiển, I/O từ xa, cổng kết nối và nền tảng giám sát.

Kiến trúc nên xác định nhiều luồng thông tin.

Một luồng truyền dữ liệu chuỗi thời gian của quy trình. Luồng khác truyền cảnh báo và sự kiện. Các luồng bổ sung có thể truyền hồ sơ bảo trì, lệnh sản xuất, kết quả phòng thí nghiệm và thông tin liên lạc trong ca.

Hệ thống phải bảo toàn danh tính nguồn. Người dùng nên biết một đề xuất bắt nguồn từ dữ liệu lịch sử, lệnh công việc, ghi chú của nhân viên vận hành hay tài liệu kỹ thuật.

Nguồn gốc dữ liệu hỗ trợ độ tin cậy và hoạt động kiểm tra. Nó cũng giúp các kỹ sư điều tra những kết quả không chính xác.

Xử lý tại biên có thể hữu ích khi băng thông hạn chế hoặc dữ liệu không thể rời khỏi cơ sở. Xử lý trên đám mây có thể cung cấp năng lực điện toán có khả năng mở rộng và hỗ trợ phân tích tập trung giữa nhiều cơ sở.

Nhiều tổ chức sử dụng mô hình kết hợp.

Việc thu thập và tiền xử lý dữ liệu tức thời diễn ra gần nhà máy. Sau đó, thông tin đã được phê duyệt sẽ được chuyển đến một nền tảng tập trung để phân tích trên phạm vi rộng hơn.

Thiết kế phù hợp phụ thuộc vào các chính sách an ninh mạng, yêu cầu về độ trễ, khối lượng dữ liệu, nghĩa vụ pháp lý và khả năng kết nối tại cơ sở.

An ninh mạng phải được tích hợp vào thiết kế nền tảng

AI công nghiệp làm tăng khả năng kết nối và việc sử dụng dữ liệu. Do đó, công nghệ này tạo ra thêm những vấn đề cần cân nhắc về an ninh mạng.

Nguyên tắc đầu tiên là quyền tối thiểu. Một ứng dụng phân tích chỉ nên nhận quyền truy cập cần thiết cho chức năng của mình.

Một nền tảng tìm kiếm thông minh có thể cần quyền đọc nhật ký ca, lệnh công việc và dữ liệu quy trình được lựa chọn. Nền tảng này thường không cần quyền sửa đổi logic của bộ điều khiển.

Quản lý danh tính nên xác định ai có thể tìm kiếm, xem, xuất và quản trị thông tin. Quyền truy cập có thể khác nhau giữa nhân viên vận hành, kỹ sư, nhà thầu và chuyên viên phân tích doanh nghiệp.

Phân đoạn mạng nên bảo vệ các vùng điều khiển quan trọng. Việc truyền dữ liệu nên sử dụng các giao diện được kiểm soát. Các kết nối từ xa nên tuân theo các quy trình xác thực và giám sát đã được phê duyệt.

Bảo mật mô hình cũng cần được chú trọng.

Kẻ tấn công có thể tìm cách thao túng dữ liệu, thay đổi thông tin huấn luyện hoặc gửi nội dung gây hiểu lầm. Các tài liệu được kiểm soát kém có thể ảnh hưởng đến kết quả tìm kiếm và đề xuất.

Các tổ chức nên xác thực hệ thống nguồn và giám sát những thay đổi bất thường. Họ cũng nên duy trì kiểm soát phiên bản cho các mô hình, lời nhắc, chỉ mục và cơ sở tri thức.

Nhật ký kiểm tra nên ghi lại các hành động quản trị quan trọng. Các nhóm cần biết khi nào mô hình được thay đổi, dữ liệu nào đã được sử dụng và ai đã phê duyệt việc triển khai.

Các hoạt động rà soát an ninh mạng nên tiếp tục sau khi triển khai. Những tích hợp, nguồn dữ liệu và nhóm người dùng mới có thể làm thay đổi hồ sơ rủi ro.

Vì vậy, bảo mật phải luôn là một phần trong vòng đời của nền tảng.

Quản trị tri thức ngăn ngừa sự hỗn loạn kỹ thuật số

AI có thể truy xuất thông tin nhanh chóng, nhưng chỉ riêng tốc độ không đảm bảo độ chính xác.

Hồ sơ công nghiệp có thể chứa các quy trình lỗi thời, kết luận chưa đầy đủ hoặc phương án khắc phục tạm thời. Hệ thống đề xuất phải phân biệt giữa các nguồn có thẩm quyền và nguồn không chính thức.

Quản trị kiến thức xác định những khác biệt đó.

Quy trình vận hành đã được phê duyệt nên có trạng thái khác với các bình luận không chính thức. Báo cáo nguyên nhân gốc đã được xác minh nên có mức độ thẩm quyền cao hơn ghi chú khắc phục sự cố ban đầu.

Nền tảng có thể hiển thị loại nguồn, trạng thái phê duyệt, ngày tháng, phiên bản sửa đổi và đơn vị phụ trách. Nền tảng cũng có thể cảnh báo người dùng khi tài liệu đã hết hạn.

Các tổ chức nên xác định cách thức để kiến thức mới trở thành kiến thức đáng tin cậy.

Người vận hành có thể ghi lại một quan sát. Bộ phận kỹ thuật có thể điều tra. Bộ phận bảo trì có thể xác nhận tình trạng thiết bị. Giám sát viên có thể phê duyệt hành động khắc phục cuối cùng.

Nền tảng nên duy trì quá trình tiến triển đó.

Điều này giúp tránh xem mọi nhận định đều đáng tin cậy như nhau.

Phản hồi cũng rất cần thiết. Người dùng nên có thể đánh dấu một kết quả là phù hợp, lỗi thời hoặc không chính xác. Sau đó, các chuyên gia lĩnh vực có thể xem xét nội dung bị tranh chấp.

Theo thời gian, phản hồi này cải thiện chất lượng truy xuất. Nó cũng xác định những lĩnh vực cần cải thiện tài liệu.

Trách nhiệm quản trị kiến thức phải được xác định rõ ràng. Mỗi khu vực quy trình, nhóm thiết bị hoặc danh mục quy trình nên có một nhóm chịu trách nhiệm.

Nếu không có đơn vị chịu trách nhiệm, nội dung số sẽ tích tụ mà không được rà soát. Kết quả sẽ trở thành một kho lưu trữ khó sử dụng khác.

Đo lường giá trị vận hành vượt ra ngoài độ chính xác của AI

Các dự án AI công nghiệp nên được đánh giá thông qua kết quả vận hành. Một mô hình chính xác về mặt kỹ thuật có giá trị hạn chế nếu không cải thiện công việc tại nhà máy.

Các phép đo hữu ích phụ thuộc vào ứng dụng.

Đối với ứng phó sự cố, các tổ chức có thể theo dõi thời gian trung bình để xác định, thời gian trung bình để sửa chữa, tần suất sự cố lặp lại và thời gian mất sản lượng.

Đối với trao đổi thông tin giữa các ca, họ có thể theo dõi các mục chưa được xử lý trong bàn giao, hành động quá hạn, thông tin nhật ký bị thiếu và hoạt động khắc phục sự cố lặp lại.

Đối với hỗ trợ bảo trì, họ có thể theo dõi việc thay thế linh kiện không cần thiết, công việc khẩn cấp, lệnh công việc lặp lại và thời gian chẩn đoán.

Hiệu quả tìm kiếm cũng rất quan trọng. Các nhóm có thể đo lường liệu người dùng có tìm thấy hồ sơ phù hợp hay không, họ tiếp cận thông tin hữu ích nhanh đến mức nào và liệu các đề xuất có hỗ trợ việc xử lý cuối cùng hay không.

Mức độ áp dụng của người dùng là một chỉ báo quan trọng khác.

Nếu người vận hành ngừng sử dụng hệ thống, tổ chức nên tìm hiểu lý do. Kết quả có thể quá chung chung. Giao diện có thể làm gián đoạn quy trình làm việc. Dữ liệu có thể đã lỗi thời. Người dùng có thể không hiểu logic xếp hạng.

Mức độ áp dụng thấp không nên tự động bị xem là sự chống đối thay đổi. Điều đó có thể cho thấy vấn đề trong thiết kế.

Đánh giá tài chính nên bao gồm tổn thất tránh được, nhân công giảm bớt, sản lượng cải thiện và mức tiêu thụ bảo trì thấp hơn. Tuy nhiên, không phải mọi lợi ích đều cần được quy đổi ngay thành tiền.

Việc lưu giữ kiến thức tốt hơn, bàn giao hiệu quả hơn và ra quyết định an toàn hơn cũng tạo ra giá trị dài hạn.

Thẻ điểm cân bằng nên kết hợp các yếu tố kỹ thuật, vận hành, tài chính và con người.

Bắt đầu với một trường hợp sử dụng công nghiệp có phạm vi tập trung

Nhiều chương trình AI thất bại vì bắt đầu từ một nền tảng thay vì một vấn đề.

Một công ty mua phần mềm tiên tiến rồi tìm kiếm các mục đích sử dụng khả thi. Cách tiếp cận này thường tạo ra các màn trình diễn mà không mang lại giá trị vận hành bền vững.

Cách tiếp cận tốt hơn bắt đầu từ một vấn đề lặp lại trong nhà máy.

Vấn đề phải đủ nghiêm trọng để biện minh cho hành động. Vấn đề cũng nên có thông tin lịch sử dễ tiếp cận và quyền sở hữu vận hành rõ ràng.

Các tình huống phù hợp bao gồm thiết bị liên tục dừng đột ngột, bàn giao ca khó khăn, điều tra sự cố chậm và kiến thức bảo trì bị phân mảnh.

Dự án đầu tiên nên có ranh giới rõ ràng. Một đơn vị sản xuất, một loại thiết bị hoặc một sự cố lặp lại có thể là đủ.

Phạm vi tập trung giúp đơn giản hóa việc chuẩn bị dữ liệu và thu hút người dùng. Phạm vi này cũng giúp đo lường giá trị dễ dàng hơn.

Nhóm dự án nên lập tài liệu về quy trình làm việc hiện tại trước khi đưa AI vào.

Nhân viên nhận ra vấn đề như thế nào? Họ tìm kiếm trong những hệ thống nào? Ai tham gia? Việc chẩn đoán mất bao lâu? Những hồ sơ nào thường bị thiếu?

Đường cơ sở này giúp ngăn chặn những tuyên bố cải thiện mơ hồ.

Sau đó, nhóm có thể thiết kế quy trình làm việc được AI hỗ trợ. Người dùng nên biết các đề xuất xuất hiện ở đâu, cách kiểm tra bằng chứng và cách ghi nhận kết quả.

Thí điểm nên được thực hiện với người dùng thực trong công việc thường ngày. Chỉ thử nghiệm trong phòng thí nghiệm không thể tái hiện áp lực theo ca, thông tin không đầy đủ hoặc các ưu tiên cạnh tranh.

Phản hồi nên dẫn đến việc điều chỉnh nhanh chóng. Bộ lọc tìm kiếm, thuật ngữ, thứ hạng và thiết kế màn hình có thể cần được sửa đổi nhiều lần.

Mục tiêu không phải là chứng minh rằng AI hoạt động về nguyên tắc. Mục tiêu là cải thiện một quy trình công nghiệp cụ thể.

Lộ trình triển khai theo từng giai đoạn cho nhà máy

Một quá trình triển khai thực tế có thể tiến triển qua nhiều giai đoạn trưởng thành.

Giai đoạn đầu tiên thiết lập các hồ sơ kỹ thuật số. Nhật ký ca, sự cố và lệnh công việc trở nên dễ truy cập thông qua các giao diện nhất quán.

Giai đoạn thứ hai kết nối các hồ sơ giữa các hệ thống. Danh tính thiết bị, dấu thời gian và khu vực quy trình cho phép người dùng điều hướng đến thông tin liên quan.

Giai đoạn thứ ba giới thiệu tính năng tìm kiếm thông minh. Xử lý ngôn ngữ tự nhiên và xếp hạng ngữ nghĩa giúp người dùng tìm các sự kiện tương tự.

Giai đoạn thứ tư bổ sung các đề xuất theo ngữ cảnh. Nền tảng so sánh các điều kiện vận hành hiện tại với các kết quả trong quá khứ.

Giai đoạn thứ năm giới thiệu các ứng dụng dự đoán. Các mô hình xác định những điều kiện đang phát triển và đưa ra cảnh báo sớm hơn.

Giai đoạn thứ sáu có thể hỗ trợ tối ưu hóa vòng kín trong các giới hạn được phê duyệt cẩn trọng.

Không phải tổ chức nào cũng cần đạt đến giai đoạn cuối cùng. Giá trị đáng kể có thể đã tồn tại trong các ứng dụng tìm kiếm, giao tiếp và tư vấn.

Mỗi giai đoạn nên bao gồm quản trị, an ninh mạng, xác thực và đào tạo người dùng.

Chỉ nên mở rộng sau khi giai đoạn trước đó hoạt động ổn định.

Cách tiếp cận theo từng giai đoạn này giúp giảm rủi ro kỹ thuật. Cách tiếp cận này cũng cho phép lực lượng lao động dần xây dựng sự tự tin.

Lãnh đạo nhà máy nên truyền đạt rằng việc áp dụng AI là một chương trình cải tiến vận hành. Đây không đơn thuần là triển khai công nghệ thông tin.

Bộ phận vận hành, bảo trì, kỹ thuật, an toàn, chất lượng, an ninh mạng và ban quản lý phải cùng chia sẻ trách nhiệm.

Đào tạo nhân viên vận hành đánh giá các khuyến nghị của AI

Nhân viên cần nhiều hơn là các hướng dẫn sử dụng phần mềm. Họ cần hiểu thực tế về cách các khuyến nghị được tạo ra và những điểm chúng có thể thất bại.

Đào tạo cần giải thích rằng AI xác định các kiểu mẫu. AI không có nhận thức đầy đủ về toàn bộ nhà máy.

Người dùng nên học cách kiểm tra nguồn, dấu thời gian, bối cảnh thiết bị và các chỉ báo độ tin cậy. Họ nên so sánh các khuyến nghị với điều kiện quy trình hiện tại.

Các kịch bản đào tạo có thể sử dụng những sự cố thực tế trong lịch sử. Các nhóm có thể xem xét kết quả của nền tảng và thảo luận liệu những bằng chứng được đề xuất có hỗ trợ quyết định trước đây hay không.

Bài tập này phát triển kỹ năng đánh giá phản biện.

Nhân viên cũng cần biết cách báo cáo các kết quả không chính xác. Một quy trình phản hồi đơn giản khuyến khích cải tiến liên tục.

Các nhà quản lý phải tránh trừng phạt người dùng vì đặt câu hỏi về hệ thống. Sự hoài nghi lành mạnh giúp cải thiện an toàn.

Đồng thời, các nhóm nên tránh bác bỏ khuyến nghị mà không xem xét. Nền tảng có thể xác định những mối liên hệ chưa thể nhận thấy ngay lập tức.

Hành vi được mong muốn là đánh giá có kỷ luật.

Nhân viên vận hành kiểm tra bằng chứng. Kỹ sư xác nhận logic của quy trình. Nhân viên bảo trì xác minh tình trạng thiết bị. Sau đó, người chịu trách nhiệm quyết định hành động.

Quy trình này kết hợp tốc độ của máy móc với khả năng phán đoán của con người.

Bảo vệ kiến thức truyền miệng trong giai đoạn thay đổi lực lượng lao động

Nhiều cơ sở công nghiệp phụ thuộc vào những nhân viên có hàng chục năm kinh nghiệm thực tế. Các chuyên gia này nhận biết được những âm thanh, kiểu mẫu và điều kiện vận hành tinh tế chưa được ghi chép đầy đủ.

Việc nghỉ hưu và sự dịch chuyển của lực lượng lao động đe dọa nguồn kiến thức đó.

Việc truyền đạt kiến thức truyền thống thường dựa vào hình thức cố vấn không chính thức. Phương pháp này vẫn có giá trị, nhưng khó mở rộng. Phương pháp này cũng phụ thuộc vào việc nhân viên làm việc cùng nhau đủ lâu.

Các nền tảng số có thể hỗ trợ một cách tiếp cận có hệ thống hơn.

Nhân viên giàu kinh nghiệm có thể ghi lại lời giải thích về sự cố, logic khắc phục sự cố và mối liên hệ giữa các quy trình. Các cuộc phỏng vấn có thể được liên kết với hồ sơ thiết bị. Các bài học có thể được kết nối với những xu hướng thực tế trong lịch sử.

Khi đó, AI có thể giúp việc truy xuất thông tin này dễ dàng hơn.

Mục tiêu không phải là biến mọi kinh nghiệm thành một quy trình cứng nhắc. Một số kiến thức phụ thuộc vào điều kiện. Chúng phải vẫn gắn liền với những hoàn cảnh khiến chúng có giá trị.

Ví dụ, một điều chỉnh vận hành có thể chỉ hiệu quả trong một cấp chất lượng sản phẩm cụ thể. Một giải pháp tạm thời để xử lý sự cố bảo trì có thể chỉ mang tính nhất thời. Một kiểu rung động có thể chỉ áp dụng ở một mức tải nhất định.

Ngữ cảnh bảo vệ người dùng trong tương lai khỏi việc khái quát hóa quá mức.

Do đó, việc ghi nhận kiến thức nên bao gồm triệu chứng, trạng thái vận hành, lập luận, hành động, kết quả và các hạn chế.

Cấu trúc này tạo ra một bộ nhớ kỹ thuật vững chắc hơn cho tổ chức.

AI tạo sinh phù hợp ở đâu trong vận hành quy trình

AI tạo sinh mở ra thêm nhiều khả năng cho các nền tảng công nghiệp. Công nghệ này có thể tóm tắt hoạt động của ca làm việc, giải thích các mối quan hệ, soạn thảo báo cáo sự cố và trả lời câu hỏi bằng các tài liệu nhà máy đã được phê duyệt.

Những chức năng này có thể giảm nỗ lực hành chính. Chúng cũng có thể giúp người dùng điều hướng các thư viện kỹ thuật lớn.

Tuy nhiên, đầu ra tạo sinh đòi hỏi các biện pháp kiểm soát chặt chẽ.

Mô hình ngôn ngữ có thể tạo ra một phát biểu thuyết phục nhưng không đầy đủ hoặc không chính xác. Vì vậy, người dùng công nghiệp phải nhìn thấy các nguồn hỗ trợ.

Sinh tăng cường truy xuất là một phương pháp hữu ích. Trước tiên, hệ thống truy xuất thông tin nhà máy đã được phê duyệt. Sau đó, hệ thống sử dụng thông tin đó để xây dựng phản hồi.

Phản hồi nên bao gồm các tham chiếu đến quy trình, lệnh công việc, xu hướng hoặc hồ sơ sự cố. Khi đó, người dùng có thể xác minh câu trả lời.

Những hành động quan trọng không bao giờ được phụ thuộc vào một phát biểu do hệ thống tạo ra mà không có căn cứ.

Các tổ chức cũng nên kiểm soát những tài liệu mà mô hình được phép sử dụng. Quy trình dự thảo, sổ tay lỗi thời và nội dung internet không liên quan có thể tạo ra các khuyến nghị không an toàn.

Việc ghi nhật ký lời nhắc và phản hồi có thể hỗ trợ kiểm toán. Thông tin nhạy cảm cần được bảo vệ phù hợp.

AI tạo sinh hoạt động tốt nhất như một giao diện với nguồn kiến thức đáng tin cậy. Không nên để nó trở thành nguồn thẩm quyền kỹ thuật không được kiểm soát.

Những sai lầm phổ biến khi triển khai

Một số sai lầm liên tục hạn chế các dự án AI công nghiệp.

Điều thứ nhất là chọn một mục tiêu quá rộng. Cải thiện toàn bộ nhà máy bằng AI không phải là một trường hợp sử dụng có thể quản lý được.

Điều thứ hai là bỏ qua chất lượng dữ liệu. Các mô hình tiên tiến không thể bù đắp cho ngữ cảnh bị thiếu và hồ sơ không đáng tin cậy.

Điều thứ ba là loại trừ người vận hành. Một hệ thống được thiết kế mà không có ý kiến từ các ca làm việc có thể không phù hợp với quy trình thực tế.

Điều thứ tư là chỉ đo độ chính xác của mô hình. Giá trị vận hành còn bao gồm thời gian phản hồi, mức độ áp dụng, các sự cố lặp lại và hiệu quả bảo trì.

Điều thứ năm là che giấu bằng chứng đằng sau các khuyến nghị. Người dùng cần những nguồn có thể truy xuất.

Điều thứ sáu là kết nối nền tảng quá sâu trước khi xây dựng lòng tin. Các ứng dụng hỗ trợ tư vấn thường là điểm khởi đầu an toàn hơn.

Điều thứ bảy là xem an ninh mạng như một khâu đánh giá cuối cùng. Các yêu cầu bảo mật ảnh hưởng đến kiến trúc ngay từ đầu.

Điều thứ tám là không duy trì nền tảng. Những thay đổi về thiết bị, điều chỉnh quy trình và tài liệu mới có thể làm giảm hiệu suất.

Điều thứ chín là xem AI như sự thay thế cho kinh nghiệm. Thông điệp này tạo ra sự phản kháng và hiểu sai vai trò quan trọng nhất của công nghệ.

Điều thứ mười là coi mọi hành động trong lịch sử đều đúng. Hồ sơ trước đây có thể chứa các lần thử khắc phục không thành công và những giải pháp tạm thời.

Một nền tảng được quản trị tốt phải phân biệt bằng chứng với chứng cứ xác thực.

Tương lai là hoạt động vận hành do con người thực hiện với sự hỗ trợ của máy móc

Ngành công nghiệp quy trình sẽ tiếp tục phụ thuộc vào những con người có năng lực. Các hệ thống sản xuất quá phức tạp, biến động và quan trọng đối với an toàn để trách nhiệm có thể biến mất trong một thuật toán.

Tuy nhiên, con người không nên dành thời gian quý báu để tìm kiếm trong các hồ sơ rời rạc trong những sự cố khẩn cấp.

Các nền tảng tích hợp AI có thể giảm gánh nặng đó. Chúng có thể tổ chức tri thức nhà máy, kết nối các sự kiện lịch sử và trình bày bằng chứng liên quan ngay khi cần.

Những hệ thống có giá trị nhất sẽ kết hợp nhiều năng lực.

Chúng sẽ ghi lại hoạt động trao đổi tương tác trong ca. Chúng sẽ kết nối bối cảnh quy trình và bảo trì. Chúng sẽ hỗ trợ tìm kiếm bằng ngôn ngữ tự nhiên. Chúng sẽ duy trì khả năng truy xuất nguồn gốc. Chúng sẽ học hỏi từ phản hồi của người dùng.

Chúng cũng sẽ tôn trọng các giới hạn vận hành.

Các hệ thống điều khiển sẽ tiếp tục thực hiện những chức năng xác định. Các hệ thống an toàn sẽ tiếp tục bảo vệ thiết bị và nhân sự. AI sẽ cung cấp thêm một lớp phân tích và hỗ trợ ra quyết định.

Sự kết hợp này tạo ra hoạt động vận hành do con người thực hiện với sự hỗ trợ của máy móc.

Máy móc xử lý khối lượng lớn thông tin. Nó nhận diện các mối liên hệ giữa các hồ sơ. Nó truy xuất kinh nghiệm liên quan nhanh hơn so với việc một người tự tìm kiếm thủ công.

Con người đánh giá bằng chứng. Con người hiểu các ưu tiên hiện tại của nhà máy. Con người cân nhắc các hệ quả về an toàn, sản xuất, bảo trì và tuân thủ quy định.

Kết hợp lại, những năng lực này có thể cải thiện hiệu suất sản xuất mà không làm suy yếu trách nhiệm giải trình.

Biến lịch sử nhà máy thành lợi thế vận hành

Mỗi nhà máy quy trình đều tạo ra tri thức mỗi ngày. Người vận hành quan sát các hành vi bất thường. Kỹ thuật viên phát hiện cơ chế hỏng hóc. Kỹ sư thử nghiệm các cải tiến. Giám sát viên phối hợp ứng phó giữa các ca.

Phần lớn tri thức này biến mất trong các hệ thống rời rạc.

Các nền tảng doanh nghiệp tích hợp AI mang đến một phương thức để bảo tồn và tái sử dụng tri thức đó. Chúng chuyển đổi các hồ sơ lịch sử thành nguồn lực chủ động hỗ trợ ra quyết định.

Cơ hội không chỉ dừng lại ở việc tìm kiếm nhanh hơn.

Nhà máy có thể giảm việc xử lý sự cố lặp đi lặp lại. Họ có thể cải thiện tính liên tục giữa các ca. Họ có thể xác định những điểm yếu tái diễn. Họ có thể củng cố công tác lập kế hoạch bảo trì. Họ có thể bảo tồn kinh nghiệm trong giai đoạn thay đổi lực lượng lao động.

Chúng cũng có thể tạo ra mối quan hệ nhất quán hơn giữa dữ liệu và phán đoán của con người.

Thành công đòi hỏi nhiều hơn việc cài đặt phần mềm. Điều đó đòi hỏi dữ liệu tự động hóa đáng tin cậy, kiến trúc thông tin được xây dựng cẩn trọng, các biện pháp kiểm soát an ninh mạng, quản trị tri thức và sự tham gia liên tục của lực lượng lao động.

Các tổ chức nên bắt đầu từ một vấn đề vận hành rõ ràng. Họ nên đo lường kết quả thực tế. Họ chỉ nên mở rộng sau khi người dùng tin tưởng hệ thống và bằng chứng làm cơ sở cho hệ thống đó.

Tương lai của vận hành quy trình không phải là sự lựa chọn giữa con người và máy móc.

Đó là một mối quan hệ hợp tác có kỷ luật, trong đó máy móc giúp việc sử dụng tri thức trở nên dễ dàng hơn, còn con người vẫn chịu trách nhiệm về nhà máy.