يظهر الذكاء الاصطناعي بوضوح متزايد في أرضيات المصانع، بدءاً من الصيانة التنبؤية والرؤية الآلية، وصولاً إلى تحليلات الإنتاج واستكشاف الأعطال وإصلاحها بمساعدة الذكاء الاصطناعي. لكن السؤال الحقيقي لمديري المصانع لم يعد ما إذا كان بالإمكان استخدام الذكاء الاصطناعي في التصنيع، بل أصبح السؤال العملي هو ما إذا كان قادراً على حل مشكلة تشغيلية محددة بوضوح وتحقيق تحسّن قابل للقياس من دون تعطيل أنظمة التحكم القائمة.
الذكاء الاصطناعي يوسّع دور الأتمتة
صُممت الأتمتة الصناعية التقليدية لتنفيذ منطق محدد مسبقاً باستمرار. وتظل وحدات التحكم المنطقي القابلة للبرمجة (PLCs)، ومنصات أنظمة التحكم الموزع (DCS)، وأنظمة التحكم الإشرافي واكتساب البيانات (SCADA)، ومحركات القيادة، وأنظمة السلامة، وأجهزة القياس والتحكم، مسؤولة عن التحكم في العمليات المادية وفقاً للقواعد المعتمدة.
يضيف الذكاء الاصطناعي طبقة أخرى. فبدلاً من مجرد تنفيذ تسلسل مبرمج، يستطيع نظام الذكاء الاصطناعي تحليل كميات كبيرة من المعلومات التاريخية والآنية، وتحديد العلاقات التي قد يصعب على الشخص اكتشافها يدوياً.
فعلى سبيل المثال، يمكن دمج بيانات الإنتاج مع قياسات الاهتزاز، وتيار المحرك، ودرجة الحرارة، وسجلات الصيانة، وسجل الإنذارات، وظروف التشغيل، لتحديد الأنماط المرتبطة بتدهور المعدات.
من منظور هندسي، لهذا التمييز أهمية. فلا ينبغي النظر إلى الذكاء الاصطناعي على أنه بديل عن طبقة التحكم. ففي معظم المصانع، يُرجح أن تأتي قيمته المباشرة من دعم القرارات المتعلقة بنظام التحكم بدلاً من استبدال منطق التحكم الحتمي.
قد تكون فجوة المعرفة أهم من فجوة العمالة
راكمت مؤسسات التصنيع على مدى عقود قدراً كبيراً من المعرفة العملية بفضل المشغّلين والفنيين وموظفي الصيانة ومهندسي أنظمة التحكم ذوي الخبرة. لكن الكثير من هذه المعرفة لا يوجد في قواعد بيانات رسمية.
قد تكون هذه المعرفة مدوّنة في ملاحظات الصيانة، أو السجلات المكتوبة بخط اليد، أو إجراءات استكشاف الأعطال وإصلاحها، أو الرسومات القديمة، أو عادات المشغّلين، أو الوثائق الهندسية، أو قد تقتصر ببساطة على ذاكرة فني عمل على الآلة نفسها طوال 25 عاماً.
مع تقاعد الموظفين ذوي الخبرة، تنشأ مشكلة كبيرة في نقل المعرفة.
يمكن للذكاء الاصطناعي الصناعي أن يربط بيانات الآلات بالأدلة، وإجراءات التشغيل القياسية، وسجلات الصيانة، وسجلات الإنذارات، وغيرها من الوثائق. وعندئذٍ، يمكن للفني الأقل خبرة أن يحصل على سياق أوسع عند التحقق من حالة غير طبيعية.
هذا لا يلغي الحاجة إلى المهندسين ذوي الخبرة، بل يمكن أن يجعل معارفهم متاحة على نطاق أوسع عبر الورديات ومناطق الإنتاج.
من وجهة نظري، يُعدّ هذا أحد أقوى تطبيقات الذكاء الاصطناعي على المدى القريب في التصنيع: الحفاظ على المعرفة التشغيلية وتوزيعها بدلاً من محاولة أتمتة كل قرار بشري.
أفضل مشاريع الذكاء الاصطناعي تبدأ بمشكلة في المصنع
من الأخطاء الشائعة البدء بالتقنية.
تختار شركة منصة للذكاء الاصطناعي، وتطور مشروعًا تجريبيًا، وتربط بعض مصادر البيانات، ثم تسأل بعد ذلك فقط عن النتيجة التي يُفترض أن يحققها النظام للأعمال.
ينبغي عكس النهج الهندسي.
ابدأ بمشكلة قابلة للقياس:
- ما الأصول التي تسبب أطول فترات التوقف غير المخطط لها؟
- ما انحرافات العمليات التي تتسبب في أعلى تكاليف الفاقد؟
- أين يقضي الفنيون وقتًا مفرطًا في استكشاف الأعطال وإصلاحها؟
- ما الإنذارات التي تتطلب مرارًا دعمًا من مهندسين كبار؟
- ما أنشطة الفحص اليدوي التي تستهلك قدرًا كبيرًا من العمالة؟
- أين يتجاوز استهلاك الطاقة المستوى المتوقع؟
- ما معلمات الإنتاج التي يصعب تحسينها بالأساليب التقليدية؟
بعد تحديد المشكلة، يصبح الذكاء الاصطناعي أحد الحلول الهندسية الممكنة، لا الهدف بحد ذاته.
ينبغي في نهاية المطاف ربط المشروع المفيد بمؤشرات المصنع، مثل وقت التوقف، ومعدل الإنتاج، والإنتاجية، والفاقد، وتكلفة الصيانة، والجودة، وكفاءة استخدام العمالة، أو استهلاك الطاقة.
المشاريع التجريبية لا تساوي قيمةً إنتاجية
أجرت الشركات المصنعة تجارب عديدة على الذكاء الاصطناعي، لكن نجاح العرض التوضيحي لا يعني تلقائيًا نجاح نظام الإنتاج.
قد يحدد مشروع تجريبي على نحو صحيح حالة شاذة في آلة، أثناء عمله على مجموعة بيانات محدودة وفي ظروف مضبوطة. أما بيئة الإنتاج فمختلفة. فقد تتعطل المستشعرات، أو يعاد ضبط الأجهزة، أو تتغير منطقية وحدات التحكم المنطقية القابلة للبرمجة، أو تعدّل وصفات الإنتاج، أو تنقطع اتصالات الشبكة، أو يستجيب العاملون بطريقة تختلف عن الافتراضات المستخدمة أثناء التطوير.
وهنا تواجه مبادرات كثيرة للذكاء الاصطناعي صعوبات.
الاختبار الحقيقي ليس ما إذا كان نموذج الذكاء الاصطناعي يعمل في عرض توضيحي، بل ما إذا كان يواصل تقديم معلومات مفيدة بعد دمجه في إجراءات التشغيل المعتادة للمصنع.
يجب عدم تجاهل بنية الأتمتة التحتية الحالية
نادرًا ما تتوفر لمصانع التصنيع رفاهية البدء ببنية نظيفة من الصفر.
قد تضم المنشأة النموذجية أجيالًا متعددة من وحدات التحكم المنطقية القابلة للبرمجة (PLC)، ووحدات التحكم الموزعة (DCS)، وواجهات الإنسان والآلة (HMI)، وأنظمة التحكم الإشرافي وجمع البيانات (SCADA)، والمؤرشفات التاريخية، ووحدات الإدخال والإخراج البعيدة، ومحركات التردد المتغير، ومعدات مراقبة الحالة، وشبكات الإيثرنت الصناعية، والأجهزة التسلسلية القديمة.
عادةً ما يكون استبدال هذه البنية التحتية لمجرد إدخال الذكاء الاصطناعي أمرًا غير عملي.
لذلك، فإن استراتيجية التحديث التكيفي أكثر واقعية. يمكن جمع البيانات من المؤرشفات التاريخية الحالية، وواجهات OPC، ووحدات التحكم المنطقية القابلة للبرمجة (PLC)، وأنظمة مراقبة الحالة، وقواعد البيانات، وغيرها من المصادر المتاحة، مع الإبقاء على بنية التحكم الأساسية كما هي.
يقلل هذا النهج أيضًا من مخاطر إدخال تغييرات غير ضرورية على أنظمة الإنتاج المعتمدة.
ينبغي أن يكون الهدف هو إضافة الذكاء إلى بنية الأتمتة المثبتة فعاليتها، لا إعادة بناء المصنع بأكمله لمجرد ظهور تقنية جديدة.
جودة البيانات تحدد جودة الذكاء الاصطناعي
لا يستطيع الذكاء الاصطناعي تعويض رداءة البيانات الصناعية.
إذا جرى تحديد علامات الأجهزة على نحو خاطئ، أو كانت الطوابع الزمنية غير متسقة، أو احتوت قيم المستشعرات على فجوات، أو لم تُوثق حالات المعدات، أو افتقرت البيانات التاريخية إلى سياق كافٍ، فقد ينتج النموذج استنتاجات تبدو مبهرة تقنيًا لكنها مضللة تشغيليًا.
غالبًا ما يُستهان بهذه المشكلة لأن بيانات التصنيع تُنتج باستمرار. فالكميات الكبيرة من البيانات لا تعني بالضرورة أنها عالية الجودة.
قبل تنفيذ تطبيق للذكاء الاصطناعي، ينبغي للمهندسين فهم ما يلي:
- مصدر البيانات
- كيفية معايرة المستشعرات والأجهزة
- ما إذا كانت الطوابع الزمنية متزامنة
- كيفية تحديد حالات المعدات
- كيفية التعامل مع القيم المفقودة
- مدى دقة توثيق أحداث الصيانة السابقة
- الجهات أو الأنظمة المسؤولة عن البيانات
- كيف تؤثر التغييرات في إعدادات PLC وDCS في معنى البيانات
قد تكون مجموعة بيانات بسيطة وموثقة جيدًا أكثر قيمة من ملايين السجلات التي تفتقر إلى السياق.
يجب إبقاء السلامة منفصلة عن تجارب الذكاء الاصطناعي
تعتمد عواقب توصية غير صحيحة من الذكاء الاصطناعي بدرجة كبيرة على التطبيق.
يختلف تلخيص سجلات الصيانة باستخدام الذكاء الاصطناعي اختلافًا جوهريًا عن السماح لقرار صاغه الذكاء الاصطناعي بالتأثير مباشرةً في إيقاف مرتبط بالسلامة.
في صناعات العمليات، والمصانع الكيميائية، والمصافي، ومنشآت الطاقة، وغيرها من البيئات ذات العواقب الجسيمة، يجب أن تواصل وظائف السلامة الحتمية عملها وفقًا للمبادئ الهندسية المعتمدة ومتطلبات السلامة السارية.
يمكن للذكاء الاصطناعي المساعدة في المراقبة والتشخيص واكتشاف الحالات الشاذة ودعم اتخاذ القرار، لكن هذا لا يعني أنه ينبغي منحه تلقائيًا صلاحية التحكم في وظائف السلامة.
ينبغي أن تحدد البنية العملية بوضوح ما يُسمح للذكاء الاصطناعي بمراقبته، وما يُسمح له بالتوصية به، والإجراءات التي يجب أن تظل خاضعة للتحكم التقليدي أو لمنطق السلامة.
لا يحتاج مديرو المصانع إلى أن يصبحوا علماء بيانات
ومن المفاهيم الخاطئة أيضًا أن على مديري المصانع أن يصبحوا فجأة خبراء في تعلّم الآلة، ونماذج اللغة الكبيرة، ووكلاء الذكاء الاصطناعي.
عليهم فهم ما يمكن لهذه التقنيات فعله وما لا يمكنها فعله، لكن خبرتهم التشغيلية تظل الأثمن.
يفهم مدير المصنع قيود الإنتاج، وأولويات الصيانة، وقدرات القوى العاملة، ومتطلبات الجودة، وتوقعات السلامة، والعواقب المالية للتوقف عن العمل.
هذه المعرفة ضرورية لتحديد ما إذا كان تطبيق الذكاء الاصطناعي يعالج مشكلة ذات أهمية.
لذلك، تجمع فرق التنفيذ الأقوى بين تخصصات متعددة: العمليات، والصيانة، وهندسة أنظمة التحكم، وشبكات تقنية المعلومات وتقنية التشغيل، وهندسة البيانات، والأمن السيبراني، واختصاصيي الذكاء الاصطناعي.
تزداد احتمالات نجاح مشاريع الذكاء الاصطناعي كثيرًا عندما يفهم الأشخاص الذين يبنون النظام طريقة عمل المصنع فعليًا.
ينبغي قياس عائد الاستثمار قبل التوسع
ينبغي تحديد خط أساس لمشروع الذكاء الاصطناعي قبل تطبيقه.
على سبيل المثال، إذا كان الهدف من الصيانة التنبؤية تقليل التوقف، فينبغي للمؤسسة تحديد معدل الأعطال ذات الصلة ومدتها وتكلفتها استنادًا إلى البيانات التاريخية. وإذا استُخدم الذكاء الاصطناعي لفحص الجودة، فينبغي توثيق معدل العيوب الحالي وعبء أعمال الفحص.
بعد التنفيذ، يمكن مقارنة المقاييس نفسها بالخط الأساسي.
وهذا يجعل قرار الاستثمار أكثر وضوحًا بكثير.
قد يكون المشروع الذي يقلل وقت استكشاف الأعطال وإصلاحها بمقدار 30 دقيقة لكل حادثة ذا قيمة في مصنع، لكنه لا يُحدث فرقًا يُذكر في مصنع آخر. وبالمثل، قد يمثّل خفض نسبة صغيرة من المنتجات التالفة تحسنًا ماليًا كبيرًا على خط إنتاج مرتفع الحجم.
والنقطة المهمة هي أن عائد الاستثمار في الذكاء الاصطناعي يختلف من مصنع إلى آخر، وينبغي احتسابه استنادًا إلى النتائج التشغيلية، لا إلى مدى تطور التقنية.
ستظل الرقابة البشرية مهمة
تعمل عمليات التصنيع ضمن قيود مادية لا يمكن دائمًا تمثيلها بدقة في البيانات التاريخية.
قد يدرك مهندس ذو خبرة أن قراءة مستشعر غير مألوفة سببها مشكلة في الجهاز لا في العملية. وقد يعرف الفني أن آلة معينة تعمل بطريقة مختلفة أثناء بدء التشغيل. وقد يفهم المشغّل حالة إنتاجية غير موثقة جيدًا في قاعدة البيانات.
يمكن للذكاء الاصطناعي رصد الأنماط، لكن البشر يضيفون السياق التشغيلي.
لهذا السبب، أتوقع أن تعتمد أنظمة التصنيع الأكثر فاعلية نموذجًا يُبقي الإنسان ضمن حلقة اتخاذ القرار. يرصد الذكاء الاصطناعي الحالات الشاذة، وينظم المعلومات، ويقترح أسبابًا محتملة، أو يرتب الإجراءات حسب الأولوية، بينما يظل الموظفون المؤهلون مسؤولين عن القرارات ذات العواقب التشغيلية.
المرحلة التالية هي التكامل، لا الأتمتة فحسب
يتجاوز النقاش حول الذكاء الاصطناعي في التصنيع تدريجيًا المشاريع التجريبية الفردية.
التحدي التالي هو التكامل: ربط قدرات الذكاء الاصطناعي بأنظمة الأتمتة القائمة، وسير عمل الصيانة، والوثائق الهندسية، وأنظمة تسجيل البيانات التاريخية، وأنظمة إدارة الأصول، والإجراءات التشغيلية.
سيتطلب هذا التكامل أكثر من مجرد شراء منصة للذكاء الاصطناعي. ستحتاج المصانع إلى تحديد واضح لملكية البيانات، ومعلومات موحّدة، وضوابط للأمن السيبراني، وسير عمل موثّق، وأشخاص يفهمون الأنظمة الصناعية والبرمجيات الحديثة معًا.
من غير المرجح أن تكون الشركات المصنّعة الأكثر استفادة من الذكاء الاصطناعي هي تلك التي تنشر أكبر عدد من النماذج. بل ستكون المؤسسات التي تحدد مشكلات تشغيلية بعينها، وتربط بيانات صناعية موثوقة بتلك المشكلات، وتتحقق من النتائج بمشاركة موظفين ذوي خبرة، ولا تتوسع إلا بعد إثبات قيمة قابلة للقياس.
