Các nền tảng tích hợp AI nâng cao hiệu suất ngành công nghiệp quy trình

Vì sao hoạt động vận hành trong ngành chế biến cần một mô hình vận hành số mới

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

Những áp lực này ảnh hưởng đến mọi cấp độ trong một tổ chức sản xuất. Các quản lý nhà máy phải bảo vệ sản lượng và lợi nhuận. Các kỹ sư quy trình phải ổn định những hệ thống sản xuất ngày càng phức tạp. Các đội ngũ bảo trì phải giải quyết 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 giữ 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 tổ chức thông tin xoay quanh 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 vì 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 có cấu trúc với kiến thức vận hành phi cấu trúc. Chúng giúp các đội ngũ sản xuất xác định những sự kiện liên quan, so sánh các sự cố trước đây và truy xuất những phương án ứng phó đã được chứng minh 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 phía 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 các 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 đang 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 hệ thống đo lường không ổn định, cảnh báo không đầy đủ, thiết kế mạng kém hoặc hồ sơ bảo trì thiếu nhất quán. Độc giả đánh giá nền tảng điều khiển phía sau các dự án này có thể xem lại kiến trúc và các thành phần hệ thống điều khiển DCS hiện được sử dụng trong các nhà máy chế biến.

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

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

Các doanh nghiệp trong ngành 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 chủng loại 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 nhiễu loạn trong quy trình có thể bắt đầu từ một vấn đề cơ khí. Sau đó, nó có thể ảnh hưởng đến các chỉ số đo của thiết bị, các vòng điều khiển, chất lượng sản phẩm và tốc độ sản xuất ở công đoạn đầu nguồn. 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. Bối cảnh 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. Bối cảnh cũng kết nối sự kiện hiện tại với những sự kiện tương tự trong lịch sử.

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

Một giải pháp trước đây có thể đã được ghi lại trong hồ sơ bảo trì. Một nhận xét hữu ích khác có thể xuất hiện trong báo cáo ca làm việc. 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 của ca hiện tại có thể không bao giờ tìm thấy những hồ sơ đó trong lúc sự cố đang xảy ra.

Chi phí của sự cố này có thể rất lớn. Sản xuất có thể tiếp tục bị đình trệ trong khi nhân viên lặp lại các bước khắc phục sự cố từng thất bại trong những sự cố trước đó. Nhân viên bảo trì có thể thay thế các linh kiện vẫn còn hoạt động tốt. Người vận hành có thể khởi động lại thiết bị mà không hiểu tình trạng tiềm ẩn bên dưới.

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

Các hệ thống được hỗ trợ bởi AI giúp việc tái sử dụng kiến thức lịch sử trở nên dễ dàng hơn. Chúng có thể nhận ra 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 hết thời gian quý báu.

Khả năng này làm thay đổi giá trị của tài liệu hiện có trong nhà máy. Các báo cáo cũ không còn chỉ là kho lưu trữ tĩnh. Chúng trở thành một 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 thức truy xuất còn hạn chế.

Một cơ sở lớn có thể ghi lại hàng nghìn sự kiện vận hành mỗi tháng. Những bản ghi 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 bằng máy tính ghi lại công việc liên quan đến tài sản. Nhật ký ca ghi lại các quan sát. Một hệ thống chất lượng ghi lại các sai lệch và kết quả phòng thí nghiệm. Một hệ thống cảnh báo ghi lại các thay đổi trạng thái và việc xác nhận cảnh báo.

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 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 sự gián đoạn sản xuất có thể không biết đúng thuật ngữ bảo trì. 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 ghi rằng máy bơm hoạt động không ổn định. Người khác có thể ghi nhận dòng chảy dao động. Một kỹ thuật viên có thể mô tả áp suất hút bị gián đoạn. 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 coi những bản ghi 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 chuyển đổi hoạt động tìm kiếm từ một chức năng truy xuất tài liệu thành 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 đưa ra những bằng chứng phù hợp nhất.

Khi đó, người vận hành có thể xem lại 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 ngờ bằng dữ liệu quy trình. Đội ngũ bảo trì có thể kiểm tra thiết bị trước khi thực hiện những công việc không cần thiết.

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

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

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

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 các quy định về môi trường, chất lượng sản phẩm và các thiết bị đắt tiền.

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

AI có thể xác định một xu hướng. AI có thể ước tính một kết quả có khả năng xảy ra. AI có thể khuyến nghị phản ứng sớm hơn. Tuy nhiên, nhân sự có chuyên môn phải đánh giá khuyến nghị 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 xác định. Các hệ thống an toàn thực hiện những chức năng bảo vệ đã được xác định. Các ứng dụng hỗ trợ AI phân tích thông tin và làm nổi bật những mối liên hệ có thể có. 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 ở vai trò tư vấn. Chúng phân tích dữ liệu chỉ đọc, hồ sơ sản xuất, cảnh báo và thông tin liên lạc trong ca. Sau đó, chúng cung cấp thông tin được xếp hạng hoặc các khuyến nghị.

Cách bố trí này cũng hỗ trợ việc áp dụng theo từng giai đoạn. Doanh nghiệp có thể bắt đầu với hoạt động tìm kiếm, truy xuất tri thức và lập báo cáo. Doanh nghiệp có thể xây dựng niềm tin trước khi cân nhắc các ứng dụng dự đoán tiên tiến hơn.

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

Một trợ lý AI thực tiễn nên cho biết vì sao nó đưa ra một kết quả. Trợ lý đó nên xác định sự cố liên quan, các điều kiện tương ứng, lịch sử thiết bị và biện pháp khắc phục trước đây. 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 vào quá trình 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 mức độ phù hợp của hệ thống. Nó cũng làm giảm cảm giác rằng số hóa đang bị áp đặt mà không thấu 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 loạn

Tự động hóa công nghiệp từ lâu đã phụ thuộc vào logic xác định. Các quy tắc NẾU-THÌ vẫn phù hợp cho các trình tự điều khiển, liên động, điều kiện cho phép và hành động bảo vệ.

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

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

Việc viết một quy tắc riêng cho mọi tổ hợp có thể xảy ra sẽ không thực tế. Tập hợp quy tắc sẽ trở nên khó duy trì. Nó cũng có thể không hoạt động khi xuất hiện một biến thể mới.

AI cung cấp một phương pháp khác. Nó kiểm tra thông tin lịch sử và xác định các mẫu hình giữa nhiều biến số. Nó 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 đường ống xử lý chất lỏng giả định trong điều kiện vận hành mùa đông.

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

Các triệu chứng có thể quan sát cho thấy một số nguyên nhân khả dĩ. Chúng có thể cho thấy vấn đề ở van, bơm xuống cấp, lỗi thiết bị đo hoặc dòng chảy bị hạn chế.

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

Lời giải thích then chốt nằm trong ngôn ngữ của con người. Nó liên kết điều kiện thời tiết, đặc tính vật liệu, phản ứng của thiết bị và những hậu quả muộn hơn đối với quy trình.

Logic cảnh báo thông thường có thể phát hiện từng sai lệch riêng lẻ. Tuy nhiên, nó có thể không giải thích được mối liên hệ giữa chúng.

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

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

Sự khác biệt này là cốt lõi của AI công nghiệp.

Giá trị trước mắt thường đến từ việc cải thiện khả năng tiếp cận kinh nghiệm của con người, chứ không phải từ việc xây dựng các nhà máy hoàn toàn tự vận hành.

Ví dụ thực tế về ứng phó sự cố

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

Một dây chuyền sản xuất bắt đầu liên tục xuất hiện cảnh báo áp suất cao khi sản xuất một cấp sản phẩm cụ thể. Cảnh báo biến mất sau khi đường ống được súc rửa. Chúng quay trở lại trong đợt sản xuất tiếp theo.

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

Sau đó, đội ngũ thay thế bộ truyền tín hiệu áp suất. Lô tiếp theo vẫn xuất hiện cảnh báo tương tự.

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

Một nền tảng tích hợp sẽ 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 một 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 rằng một nhà cung cấp nguyên liệu thô đã thay đổi khoảng độ nhớt. Vật liệu vẫn nằm trong các thông số kỹ thuật mua hàng. Tuy nhiên, nó đã ảnh hưởng đến quá trình truyền nhiệt trong một cấp sản phẩm.

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

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

Bộ phận kỹ thuật điều chỉnh trình tự gia nhiệt trong các giới hạn vận hành được phê duyệt. Bộ phận mua hàng cũng xem xét lại thông số kỹ thuật của nguyên liệu thô với nhà cung cấp.

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

Hệ thống đã 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 khắc phục sự cố tập trung vào thiết bị đã bỏ sót.

Nó cũng ngăn chặn việc thay thế thêm linh kiện.

Giá trị tài chính không chỉ đến từ việc giảm thời gian dừng máy. Nhà máy tránh được việc mua các linh kiện không cần thiết, giảm nhân công bảo trì, bảo vệ chất lượng sản phẩm và cải thiện các thông số kỹ thuật mua hàng trong tương lai.

Hình 3. AI có thể cung cấp 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 vận hành theo 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 điều khiển tự động.

Các tổ chức sản xuất đã tích lũy 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, chuỗi 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 đã dừng sau khi điều kiện cấp liệu trở nên không ổn định. Người kia viết rằng quy trình đã ngắt sau khi áp suất đầu vào dao động.

Một người thứ ba có thể ghi nhận rằng bơm chuyển liệu ở thượng nguồn đã 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, mô hình thời gian hoặc 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 khả dĩ. 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 quy trình, 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 những biện pháp xử lý thành công với những nỗ lực không thành công.

Một ghi chú bảo trì cho biết một thiết bị đo đã được thay thế không chứng minh rằng việc thay thế đã giải quyết được vấn đề. Nền tảng cần kiểm tra các hồ sơ về sau 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 một báo cáo.

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

Do đó, tìm kiếm vừa trở thành công cụ khắc phục sự cố vừa là 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 với các quy tắc do con người xác định. Lập trình viên chỉ định đầu vào, điều kiện và đầu ra bắt buộc.

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 tự định nghĩa 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 kiểm tra độ rung, nhiệt độ, tải, tình trạng bôi trơn, lịch sử bảo trì và số giờ vận hành. Mô hình có thể xác định những tổ hợp yếu tố gắn liền với sự xuống cấp trước đây của thiết bị.

Sau đó, mô hình có thể ước tính xác suất phát triển thành một tình trạng tương tự.

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

Do đó, các nhóm công nghiệp phải hiểu về độ tin cậy, những hạn chế của dữ liệu và các ranh giới 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 hỏng hóc, mô hình có thể học được 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 trong lĩnh vực.

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

Không một nhóm nào có được bức tranh hoàn chỉnh.

Việc triển khai hiệu quả 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 rất 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 hệ thống đo lường. Cảm biến phải phù hợp với ứng dụng. Phải duy trì các quy trình hiệu chuẩn. Cần xác định các giá trị kém chất lượng. Việc đồng bộ hóa thời gian phải nhất quán giữa các hệ thống.

Dữ liệu ngữ cảnh cũng quan trọng không kém.

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

Các hồ sơ do con người nhập cũng cần được chú ý.

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

Các tổ chức không cần chuẩn hóa ngôn ngữ hoàn hảo trước khi bắt đầu. Xử lý ngôn ngữ tự nhiên có thể xử lý sự biến thể. Tuy nhiên, không thể khôi phục một cách đáng tin cậy phần ngữ 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.

Trước tiên, cần xác định các hệ thống chứa tri thức vận hành hữu ích. Thứ hai, cần đánh giá khả năng tiếp cận và quyền sở hữu. Thứ ba, cần đánh giá tính nhất quán trong việc đặt tên và chất lượng dấu thời gian. Thứ tư, cần xem xét các yêu cầu về an ninh mạng và lưu giữ dữ liệu.

Quá trình 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 an ninh.

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

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

Trao đổi thông tin tương tác giữa các ca xây dựng nền tảng tri thức luôn được cập nhật

Vận hành theo ca phụ thuộc vào việc trao đổi thông tin. Tình trạng thiết bị, các giới hạn vận hành tạm thời, hoạt động bảo trì, các vấn đề về chất lượng và ưu tiên sản xuất phải được truyền từ đội ngũ này sang đội ngũ khác.

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

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

Các đội ca có thể ghi lại các mục nhập trong một quy trình làm việc 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. Cấu trúc này cũng giúp thông tin có thể được tìm kiếm.

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 liên cơ sở có thể tạo 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 vốn đang xuất hiện như một vấn đề mới 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, máy 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 như bằng chứng, không phải như một chỉ dẫn 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 ngũ tiếp nhận có thể xem những cảnh báo nào đã xảy ra, những hành động nào đã được thử và những nhiệm vụ bảo trì nào vẫn còn đang chờ xử lý. Đội ngũ có thể xem xét các xu hướng của quy trình trước khi nhận trách nhiệm.

Tìm kiếm thông minh bổ sung thêm một lớp khả năng. Tính năng này có thể xác định các lần bàn giao trước đây liên quan đến những 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 luôn sẵn có khi mọi người chuyển ca, chuyển bộ phận hoặc chuyển sang làm việc cho đơn vị khác.

Bối cảnh theo 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 ở những điểm quan trọng. Dữ liệu thời gian thực cho phép đội ngũ so sánh những khác biệt đó.

Ví dụ, một lần 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 hiện tại của quy trình, 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 hiệu lực hoặc những thay đổi cấu hình gần đây.

Bối cảnh này làm giảm nguy cơ áp dụng máy móc 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 những điều kiện đang phát triển. Các đội bảo trì có thể nhận ra các triệu chứng lặp lại trước khi thiết bị đạt đến trạng thái nghiêm trọng. Người giám sát có thể xác định các vấn đề chưa được giải quyết qua nhiều ca làm việc 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 hoạt động 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 có thiết bị đo lường.

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 của nhà máy.

Xây dựng kiến trúc thông tin phía sau AI

Một ứng dụng AI phụ thuộc vào kiến trúc kết nối các hệ thống trong 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 phân tách các môi trường điều khiển, vận hành và doanh nghiệp thông qua các vùng mạng được quản lý. Dữ liệu di chuyển qua các giao diện, hệ thống lịch sử, cổng kết nối hoặc nền tảng biên đã được phê duyệt.

Các hệ thống điều khiển vẫn chịu trách nhiệm về hoạt động mang tính tất định. Nền tảng AI nhận dữ liệu được chọn để phân tích và trình bày.

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

Độ tin cậy của truyền thông công nghiệp vẫn đóng vai trò quan trọng trong toàn bộ kiến trúc. Dữ liệu bị thiếu, 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 linh kiện 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 một số tuyến thông tin.

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

Hệ thống phải bảo toàn danh tính nguồn. Người dùng cần biết một khuyến nghị bắt nguồn từ dữ liệu lịch sử, lệnh công việc, ghi chú của người vận hành hay tài liệu kỹ thuật.

Nguồn gốc dữ liệu hỗ trợ độ tin cậy và kiểm toán. 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 bị hạn chế hoặc dữ liệu không thể rời khỏi cơ sở. Xử lý trên đám mây có thể cung cấp năng lực tính toán linh hoạt và khả năng phân tích tập trung giữa các 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. Thông tin đã được phê duyệt sau đó được chuyển đến một nền tảng tập trung để phân tích 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 tuân thủ quy định và khả năng kết nối của nhà máy.

An ninh mạng phải được thiết kế ngay trong nền tảng

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

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

Một nền tảng tìm kiếm thông minh có thể cần quyền truy cập chỉ đọc vào nhật ký ca, lệnh công việc và dữ liệu quy trình được chọn lọc. 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 các nhà phân tích cấp 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 phương thức xác thực và giám sát đã được phê duyệt.

Bảo mật mô hình cũng đòi hỏi sự chú ý.

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 các 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 mô hình, lời nhắc, chỉ mục và cơ sở kiến 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 đợt đánh giá 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 tiếp tục là một phần trong vòng đời của nền tảng.

Quản trị kiến thức ngăn ngừa sự hỗn loạn số

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

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

Quản trị kiến thức xác định những khác biệt đó.

Các quy trình vận hành đã được phê duyệt nên có trạng thái khác với các nhận xét không chính thức. Các báo cáo nguyên nhân gốc rễ đã được xác minh nên có trọng lượng hơn một 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 chủ sở hữu. Nền tảng cũng có thể cảnh báo người dùng khi một tài liệu đã hết hạn.

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

Nhân viên vận hành có thể ghi nhận 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 bảo toàn quá trình tiến triển đó.

Điều này tránh việc coi mọi phát biểu đều đáng tin cậy như nhau.

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

Theo thời gian, phản hồi này sẽ cải thiện chất lượng truy xuất. Nó cũng xác định những phần mà tài liệu cần được cải thiện.

Quyền sở hữu kiến thức cần được duy trì rõ ràng. Mỗi khu vực quy trình, nhóm thiết bị hoặc danh mục quy trình nên có một đội ngũ chịu trách nhiệm.

Nếu không có đơn vị chịu trách nhiệm, nội dung số sẽ tích lũy 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 lỗi lặp lại và thời lượng tổn thất sản xuất.

Đối với trao đổi thông tin khi giao ca, họ có thể theo dõi các hạng mục chưa được giải quyết khi bàn giao, các hành động quá hạn, thông tin nhật ký bị thiếu và hoạt động xử lý 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 chấp nhận 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 rộng. 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 phản 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, sản lượng tăng và mức tiêu thụ vật tư 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.

Bảng 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 mới tìm kiếm các cách 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 quan trọng để biện minh cho hành động. Vấn đề cũng nên có thông tin lịch sử dễ tiếp cận và đơn vị chịu trách nhiệm vận hành rõ ràng.

Các ví dụ phù hợp gồm tình trạng thiết bị ngắt liên tục, bàn giao ca khó khăn, điều tra sự cố chậm và kiến thức bảo trì rời rạc.

Dự án đầu tiên nên có ranh giới rõ ràng. Một đơn vị sản xuất, một nhóm 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 tăng mức độ tham gia của người dùng. Phạm vi này cũng giúp đo lường giá trị dễ dàng hơn.

Nhóm dự án nên ghi lại 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 sẽ tham gia? Việc chẩn đoán mất bao lâu? Những hồ sơ nào thường bị thiếu?

Cơ sở ban đầu này ngăn ngừa các tuyên bố cải tiến mơ hồ.

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

Một chương trình thí điểm nên được triển khai với người dùng thực trong điều kiện làm việc bình thường. 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 có thể 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, mốc thời gian và khu vực quy trình cho phép người dùng điều hướng đến các 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 khuyến nghị theo bối cảnh. Nền tảng so sánh 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 nhận diện những điều kiện đang hình thành và đưa ra cảnh báo sớm hơn.

Giai đoạn thứ sáu có thể hỗ trợ tối ưu hóa vòng kín trong các ranh giới 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 hỗ trợ 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 làm giảm rủi ro kỹ thuật. Đồng thời, nó cho phép lực lượng lao động từng bước 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.

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

Đào tạo người vận hành đánh giá các khuyến nghị của AI

Nhân viên cần nhiều hơn là 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 sai.

Đào tạo nên giải thích rằng AI nhận diện các mẫu. AI không có nhận thức đầy đủ về toàn bộ nhà máy.

Người dùng nên học cách kiểm tra nguồn, mốc 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 quá khứ. 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 đó hay không.

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

Nhân viên cũng nên 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 các khuyến nghị mà không xem xét. Nền tảng có thể xác định những mối quan hệ chưa rõ ràng ngay lập tức.

Hành vi mong muốn là đánh giá có kỷ luật.

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

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

Bảo vệ Tri thức Ngầm trong Bối cảnh Thay đổi Lực lượng Lao động

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

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

Việc chuyển giao tri thức truyền thống thường dựa vào hoạt động 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 phương pháp có hệ thống hơn.

Nhân viên giàu kinh nghiệm có thể ghi lại lời giải thích về sự kiện, logic xử lý sự cố và các mối quan hệ trong 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 quá khứ.

Khi đó, AI có thể giúp 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 tri thức có tính điều kiện. Chúng phải tiếp tục gắn liền với những hoàn cảnh khiến chúng trở nên đúng đắn.

Ví dụ, một điều chỉnh vận hành có thể chỉ hiệu quả trong thời gian sản xuất một loại sản phẩm cụ thể. Một giải pháp tạm thời để bảo trì có thể chỉ mang tính ngắn hạn. Một dạng rung động có thể chỉ xuất hiện ở một mức tải nhất định.

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

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

Cấu trúc này tạo ra nền tảng ký ức 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.

Các chức năng này có thể giảm bớt công việc 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.

Thế hệ tăng cường truy xuất là một phương pháp hữu ích. Trước tiên, hệ thống truy xuất thông tin đã được phê duyệt về nhà máy. Sau đó, hệ thống sử dụng thông tin đó để xây dựng câu trả lời.

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 kiểm tra câu trả lời.

Các hành động quan trọng tuyệt đối không nên phụ thuộc vào một phát biểu do AI tạo ra nhưng không có nguồn hỗ trợ.

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

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

AI tạo sinh hoạt động hiệu quả nhất như một giao diện kết nối với nguồn tri thức đáng tin cậy. Không nên để AI 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.

Sai lầm thứ nhất là lựa 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.

Sai lầm thứ hai là phớt lờ chất lượng dữ liệu. Các mô hình tiên tiến không thể bù đắp cho bối cảnh thiếu hụt và hồ sơ không đáng tin cậy.

Sai lầm 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.

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

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

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

Sai lầm thứ bảy là xem an ninh mạng như một bước rà soát cuối cùng. Các yêu cầu bảo mật ảnh hưởng đến kiến trúc ngay từ đầu.

Sai lầm 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.

Sai lầm thứ chín là xem AI như sự thay thế cho kinh nghiệm. Thông điệp này tạo ra sự phản kháng và không hiểu đúng vai trò thế mạnh nhất của công nghệ.

Sai lầm thứ mười là coi mọi hành động trong lịch sử đều đúng. Các hồ sơ trước đây có thể chứa những lần xử lý sự cố không thành công và các giải pháp tạm thời.

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

Tương lai là vận hành do con người được máy móc hỗ trợ

Ngành công nghiệp chế biến sẽ tiếp tục phụ thuộc vào những người có đủ năng lực. Các hệ thống sản xuất quá phức tạp, biến động và đòi hỏi an toàn cao để trách nhiệm có thể bị giao phó cho một thuật toán.

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

Các nền tảng có tích hợp AI có thể giảm bớt gánh nặng đó. Chúng có thể sắp xếp kiến thức về nhà máy, liên kết các sự kiện trong lịch sử và trình bày bằng chứng liên quan đúng lúc cần thiết.

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

Chúng sẽ ghi nhận hoạt động trao đổi tương tác giữa các 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 bảo toàn khả năng truy xuất nguồn gốc. Chúng sẽ học hỏi từ phản hồi của người dùng.

Chúng cũng sẽ tôn trọng các ranh giới vận hành.

Các hệ thống điều khiển sẽ tiếp tục thực hiện các 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 những hồ sơ. Nó truy xuất kinh nghiệm liên quan nhanh hơn khả năng tìm kiếm thủ công của con người.

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, các năng lực này có thể cải thiện hiệu quả 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 có tích hợp AI mang đến một phương thức để bảo tồn và tái sử dụng nguồn tri thức đó. Chúng chuyển đổi các hồ sơ lịch sử thành nguồn lực hỗ trợ ra quyết định chủ động.

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

Các 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 quá trình thay đổi nhân sự.

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 cần dữ liệu tự động hóa đáng tin cậy, kiến trúc thông tin được thiết kế thận 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 bằng một vấn đề vận hành rõ ràng. Họ nên đo lường các kết quả thực tế. Họ chỉ nên mở rộng sau khi người dùng tin tưởng hệ thống và những bằng chứng làm cơ sở cho hệ thống đó.

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

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