تطبّق Rockwell Automation الذكاء الاصطناعي التوليدي على مشكلة صناعية عملية: كيفية توثيق عقود من معارف الصيانة وجعلها قابلة للاستخدام الفوري من جانب الفنيين. ففي موقع التصنيع التابع لها في سنغافورة، يجمع Maintenance Copilot المدعوم بالذكاء الاصطناعي بين وثائق الآلات وبيانات التصنيع ومعارف استكشاف الأعطال لدى المهندسين ذوي الخبرة لمساعدة الفنيين على تحديد الأعطال واتباع إجراءات تصحيحية منظمة.
من استكشاف الأعطال القائم على الأدلة إلى الصيانة المدعومة بالمعرفة
غالبًا ما يعتمد استكشاف أعطال الآلات بالطريقة التقليدية على عثور الفني على رمز الإنذار الصحيح في الدليل، وتفسير الأسباب المحتملة، ثم تحديد الإجراء التصحيحي الذي ينبغي تجربته أولًا. وعندما تكون الوثائق غير كافية، تكون الخطوة التالية عادةً سؤال فني خبير سبق أن واجه العطل نفسه.
تفرض هذه العملية قيدين. أولًا، قد يستغرق استكشاف الأعطال وقتًا طويلًا بينما تظل المعدات غير متاحة. ثانيًا، قد لا توجد كثير من المعلومات الأكثر فائدة إلا في صورة «معرفة قبلية» غير رسمية يحتفظ بها الموظفون ذوو الخبرة.
يغيّر Maintenance Copilot من Rockwell طريقة الوصول إلى هذه المعلومات. فبدلًا من البحث يدويًا في مئات الصفحات، يمكن للفنيين وصف عرض العطل بلغة طبيعية وتلقي معلومات منظمة حول العرض والسبب المحتمل والإجراء الموصى به.
يمثل هذا تمييزًا مهمًا في البيئات الصناعية: فقيمة الذكاء الاصطناعي لا تقتصر على إنشاء النصوص. بل تكمن قيمته العملية في تسهيل استرجاع المعارف الهندسية الموجودة عند الحاجة إلى اتخاذ قرار صيانة.
توثيق عقود من الخبرة الهندسية
يضم نظام سنغافورة معارف استكشاف الأعطال التي أسهم بها مهندسو Rockwell ذوو الخبرة، بمن فيهم موظفون لديهم خبرة تتراوح بين 20 و30 عامًا في أرضية المصنع.
قد تشمل تلك المعرفة تفاصيل يصعب توثيقها في الأدلة التقليدية: الأعراض التي تميل إلى الظهور معًا، وأعطال المكونات الشائعة، وما الذي يشير إليه إنذار معين عادةً، وكيف عولجت مشكلات مماثلة في خطوط إنتاج أخرى.
بالنسبة إلى مؤسسات الصيانة، يؤدي ذلك إلى توفير آلية محتملة للاحتفاظ بالمعرفة.
يتقاعد الفنيون ذوو الخبرة في نهاية المطاف أو ينتقلون إلى أدوار أخرى. ومن دون منهجية منظمة لتوثيق خبراتهم، قد تفقد المؤسسة معارف استكشاف الأعطال العملية حتى عندما تظل الوثائق الرسمية متاحة.
لا يستطيع نظام الذكاء الاصطناعي استبدال تلك الخبرة، لكنه يمكن أن يوفر واجهة قابلة للبحث للوصول إلى المعرفة التي سبق توثيقها وتنظيمها.
سير عمل أكثر تنظيمًا لاستكشاف الأعطال
يتمثل أحد الجوانب المثيرة للاهتمام تقنيًا في النظام في تنظيمه لمعلومات الصيانة ضمن العَرَض والسبب والاستجابة.
يشبه هذا الهيكل المنطق المستخدم أصلًا لدى مهندسي الصيانة ذوي الخبرة:
- حدّد أعراض الآلة القابلة للملاحظة.
- حدّد الأسباب الأكثر ترجيحًا.
- افحص المعدات أو الإشارة ذات الصلة.
- طبّق الإجراء التصحيحي المناسب.
- تحقق مما إذا كانت الآلة قد عادت إلى حالة التشغيل المتوقعة.
يمكن لمساعد الذكاء الاصطناعي أيضًا عرض التعليقات والخبرات من فنيين آخرين، وربط معلومات استكشاف الأعطال بأدلة الآلات الحالية.
من منظور هندسي، يُعد هذا النهج أكثر فائدة من التعامل مع نموذج لغوي كبير باعتباره جهة مستقلة لتشخيص الأعطال. إذ يصبح النموذج واجهةً للمعلومات التقنية الخاضعة للضبط، بدلًا من أن يكون المصدر الوحيد للحقيقة.
خفض فترة التعطل وتكاليف الصيانة
وفقًا للتتبع الداخلي لشركة روكويل الذي استشهدت به مايكروسوفت، خفّضت المنشأة في سنغافورة فترة تعطل الآلات بمقدار 33% بعد تطبيق نهج الصيانة. وأُفيد بأن تكاليف الصيانة وقطع الغيار انخفضت بنحو 25%.
ينبغي فهم هذه الأرقام على أنها نتائج داخلية أبلغت عنها روكويل، وليست معايير أداء عامة للصيانة القائمة على الذكاء الاصطناعي.
ومع ذلك، فإن الآلية الكامنة وراء هذا التحسن مفهومة من الناحية التقنية. فإذا تمكن الفنيون من تحديد الأسباب المحتملة بسرعة أكبر، يمكن تقليل دورات استكشاف الأعطال غير الضرورية. كما يمكن للتشخيص الأسرع أن يقلل مدة بقاء المعدات غير متاحة، وأن يساعد الفنيين على تجنب استبدال المكونات دون أدلة كافية.
لذلك، قد لا تأتي الفائدة الأكبر من نموذج الذكاء الاصطناعي نفسه، بل من تقصير المسار بين أعراض الآلة -> المعرفة ذات الصلة -> الإجراء الهندسي.
يمكن للذكاء الاصطناعي أيضًا تقليل مدة تعلّم الفنيين
ومن التطبيقات الأخرى تهيئة الموظفين الجدد للعمل.
تفيد روكويل بأن الفنيين الذين كانوا يحتاجون سابقًا إلى نحو تسعة أشهر لإتقان استكشاف أعطال مئات الآلات يمكنهم بلوغ هذا المستوى في نحو ثلاثة أشهر بمساعدة الذكاء الاصطناعي.
يعالج هذا تحديًا شائعًا في التصنيع الحديث: إذ تزداد تعقيدات المعدات، في حين لا يتوفر أفراد صيانة ذوو خبرة دائمًا بأعداد كافية.
بالنسبة إلى فني جديد، يمكن لمساعد الذكاء الاصطناعي توفير وصول سياقي إلى وثائق الآلات وخبرات استكشاف الأعطال المسجلة سابقًا. ولا يلغي ذلك الحاجة إلى التدريب العملي، ومعرفة السلامة الكهربائية، والكفاءة الخاصة بالمعدات. بل يمكنه تقليل الوقت المستغرق في مجرد البحث عن المعلومات.
هذا التمييز مهم. يمكن للذكاء الاصطناعي تسريع الوصول إلى المعلومات؛ لكنه لا يحل محل مهارات التشخيص الميداني.
ربط الذكاء الاصطناعي بطبقة البيانات الصناعية
يستخدم تطبيق روكويل تقنيات Microsoft Azure، بما في ذلك Azure OpenAI Service وAzure AI Search وقدرات Microsoft الخاصة بالأمان والهوية والحوكمة.
توضح هذه البنية اتجاهًا مهمًا للذكاء الاصطناعي الصناعي: دمج نماذج اللغة مع معلومات المؤسسة والعمليات بدلًا من تشغيلها كتطبيقات دردشة معزولة.
بالنسبة إلى تطبيقات الصيانة، يمكن أن تأتي البيانات المفيدة من عدة مصادر:
- أدلة تعليمات الآلات
- سجلات الصيانة
- معلومات الإنذارات والأعطال
- ملاحظات الفنيين حول استكشاف الأعطال
- برمجيات التصنيع
- سجل المعدات
- ملاحظات خط الإنتاج
وعليه، لا يتمثل التحدي الهندسي ببساطة في اختيار نموذج للذكاء الاصطناعي، بل في إنشاء مصادر بيانات موثوقة، وضوابط وصول، واسترجاع للمعلومات، وحوكمة حول النموذج.
ينبغي للذكاء الاصطناعي دعم المهندسين، لا تجاوز ضوابط الهندسة
هناك قيد عملي ينبغي عدم إغفاله.
ينبغي ألا تتحول توصية صيانة يُنشئها نظام ذكاء اصطناعي تلقائيًا إلى أمر للتحكم في الآلة. فقد تنطوي المعدات الصناعية على مخاطر كهربائية، وطاقة ميكانيكية، ومخاطر متعلقة بالعمليات، ووظائف مُدمجة في أجهزة السلامة.
ولهذا السبب، يكون استكشاف الأعطال بمساعدة الذكاء الاصطناعي أنسب بوصفه طبقة دعم لاتخاذ القرار. ويظل الفني مسؤولًا عن التحقق من الحالة المادية للمعدات وتطبيق إجراءات الصيانة والإقفال/وضع بطاقات التحذير وإجراءات السلامة المعتمدة.
بالنسبة إلى أنظمة التحكم والسلامة الحرجة، يُعد الفصل بين المعلومات التي يُنشئها الذكاء الاصطناعي ومنطق التحكم الحتمي أمرًا بالغ الأهمية.
يمكن للذكاء الاصطناعي المساعدة في الإجابة عن:
«ما الذي ينبغي عليّ التحقيق فيه؟»
ولا ينبغي له أن يقرر بشكل مستقل:
"تنفيذ هذا الإجراء الحرج للسلامة."
سيكون هذا الحد مهمًا مع انتقال المصنعين من الصيانة المدعومة بالذكاء الاصطناعي نحو عمليات ذاتية التشغيل على نحو متزايد.
ما وراء الصيانة: الجودة والعمليات التنبؤية
يستخدم مصنع سنغافورة الذكاء الاصطناعي لأكثر من مجرد الصيانة.
كما تصف روكويل نظام جودة متعدد الوكلاء مصممًا لاكتشاف عيوب المنتجات ومعالجتها أثناء التجميع، إلى جانب إمكانات الصيانة التنبؤية الهادفة إلى تحديد الظروف التي قد تؤدي إلى توقف غير مخطط للمعدات.
وينشئ هذا المزيج بنية صناعية أوسع:
البيانات التشغيلية -> تحليل الذكاء الاصطناعي -> الرؤية الهندسية -> إجراء بشري أو آلي -> التغذية الراجعة
وهذا أهم من نشر روبوت محادثة معزول. فهو يمثل دمجًا تدريجيًا للذكاء الاصطناعي في مراحل متعددة من دورة حياة التصنيع.
كما أشارت تسمية المنتدى الاقتصادي العالمي للمنشأة في سنغافورة موقعًا للمنارة العالمية في يونيو 2026 إلى تحسينات شملت زيادة بنسبة 43% في الوحدات لكل ساعة عمل، وانخفاضًا بنسبة 35% في العيوب، وانخفاضًا بنسبة 67% في الوقت اللازم للوصول إلى الكفاءة.
تشمل هذه النتائج تقنيات متعددة وتغييرات تشغيلية، لذا لا ينبغي عزوها إلى مساعد الصيانة وحده.
رؤيتي الهندسية: جودة البيانات هي الأساس الحقيقي
إن أهم درس من هذا المشروع ليس اختيار نموذج GPT.
في مجال الذكاء الاصطناعي الصناعي، تكون البيانات الهندسية الأساسية عادةً أهم من الواجهة الحوارية. فإذا كانت سجلات الصيانة غير مكتملة، أو وثائق الآلات قديمة، أو معرفة استكشاف الأعطال وإصلاحها غير منظمة جيدًا، فلن ينتج عن نموذج أكثر تطورًا تلقائيًا قرارات صيانة أفضل.
لذلك يتطلب التنفيذ الناجح عدة أسس:
- معلومات دقيقة عن المعدات والأصول
- سجلات متسقة للأعطال والصيانة
- معرفة هندسية منظمة
- ملكية واضحة للمعلومات
- ضوابط مناسبة للأمن السيبراني
- الوصول القائم على الأدوار
- التحقق البشري من التوصيات
- آليات للتغذية الراجعة لتصحيح المعلومات غير الصحيحة
بعبارة أخرى، يكشف الذكاء الاصطناعي عن جودة قاعدة المعرفة الصناعية لدى المؤسسة. ومن المرجح أن تمتلك الشركات التي أمضت سنوات في الحفاظ على بيانات معدات نظيفة وسجلات صيانة منضبطة أساسًا أقوى لاعتماد الذكاء الاصطناعي الصناعي.
من الخبرة الفردية إلى المعرفة المؤسسية
تتمثل القيمة الأعمق لنهج روكويل في محاولته تحويل خبرة الفني الفردية إلى معرفة مؤسسية.
قد يتعرف مهندس يتمتع بخبرة كبيرة على نمط عطل خلال دقائق، لأنه واجهه مرات عديدة. وقد يحتاج فني أحدث خبرة إلى ساعات للوصول إلى الاستنتاج نفسه.
إذا أمكن توثيق تلك الخبرة وفهرستها وعرضها عند الحاجة، تصبح المؤسسة أقل اعتمادًا على عدد صغير من الأفراد.
هذا لا يجعل المهندسين ذوي الخبرة أقل أهمية. بل على العكس، تصبح معرفتهم أكثر قيمة لأنها يمكن توثيقها وإعادة استخدامها عبر مجموعة أكبر بكثير من الفنيين.
التوسع من مصنع واحد إلى العمليات العالمية
تخطط روكويل لتوسيع نطاق مساعد الصيانة ليشمل مواقع التصنيع في توينسبورغ بولاية أوهايو، وكذلك في بولندا والمكسيك.
سيؤدي توسيع نطاق تطبيق للذكاء الاصطناعي الصناعي من مصنع واحد إلى منشآت متعددة إلى طرح تحديات هندسية إضافية. فقد تختلف الآلات والإجراءات واللغات وممارسات الصيانة ومجموعات البيانات التاريخية بين المواقع.
لذلك يحتاج النظام القابل للتوسع عالميًا إلى بنية مشتركة، مع الاستمرار في إتاحة المعرفة الخاصة بكل موقع.
هنا يمكن للبيانات المستندة إلى السحابة وخدمات الهوية والأمان والذكاء الاصطناعي أن توفر ميزة، شريطة أن تظل البيانات التشغيلية الأساسية خاضعة للحوكمة المناسبة.
المرحلة التالية من الصيانة الصناعية
يوضح التطبيق في سنغافورة تحولًا أوسع في الأتمتة الصناعية.
ركزت الأجيال السابقة من التحول الرقمي بدرجة كبيرة على جمع بيانات الآلات. أما المرحلة التالية فتركز بشكل متزايد على جعل هذه البيانات مفيدة للأشخاص الذين يتعين عليهم تشخيص المعدات المادية وصيانتها وتشغيلها.
من غير المرجح أن تنجح أنظمة الذكاء الاصطناعي الصناعية الأكثر عملية لمجرد قدرتها على توليد إجابات مقنعة. ستنجح عندما تتمكن من ربط ظروف الآلات الفعلية بالمعلومات الهندسية الموثوقة وسير العمل البشري المناسب.
بالنسبة إلى فرق الصيانة، قد يعني ذلك وقتًا أقل في البحث عن الأدلة، ووصولًا أسرع إلى إجراءات استكشاف الأخطاء وإصلاحها المثبتة، ونهجًا أكثر اتساقًا للتعامل مع الأعطال المتكررة.
الفرصة طويلة الأجل أوسع نطاقًا بكثير: الحفاظ على المعرفة الهندسية، وتسريع تطوير القوى العاملة، واستخدام الذكاء الاصطناعي كطبقة معلومات إضافية حول أنظمة PLC وDCS وSCADA وMES والصيانة الحالية.
