هوش مصنوعی در محیط‌های تولیدی بیش‌ازپیش به چشم می‌خورد؛ از نگهداری و تعمیرات پیش‌بینانه و بینایی ماشین گرفته تا تحلیل تولید و عیب‌یابی با کمک هوش مصنوعی. بااین‌حال، پرسش واقعی مدیران کارخانه دیگر این نیست که آیا می‌توان از هوش مصنوعی در تولید استفاده کرد یا نه. پرسش کاربردی‌تر این است که آیا هوش مصنوعی می‌تواند بدون ایجاد اختلال در سیستم‌های کنترل موجود، مشکلی عملیاتی با تعریفی روشن را حل کند و بهبودی قابل‌اندازه‌گیری به همراه داشته باشد؟
هوش مصنوعی در حال گسترش نقش اتوماسیون است
اتوماسیون صنعتی سنتی برای اجرای یکنواخت منطق ازپیش‌تعریف‌شده طراحی شده است. PLCها، پلتفرم‌های DCS، سیستم‌های SCADA، درایوها، سیستم‌های ایمنی و ابزار دقیق همچنان مسئول کنترل فرایندهای فیزیکی بر اساس قوانین تعیین‌شده هستند.
هوش مصنوعی لایه دیگری به این فرایند می‌افزاید. سیستم هوش مصنوعی به‌جای اجرای صرفِ یک توالی برنامه‌ریزی‌شده، می‌تواند حجم زیادی از اطلاعات تاریخی و بلادرنگ را تحلیل کند و روابطی را بیابد که شناسایی دستی آن‌ها برای انسان دشوار است.
برای مثال، می‌توان داده‌های تولید را با اندازه‌گیری‌های لرزش، جریان موتور، دما، سوابق تعمیر و نگهداری، تاریخچه هشدارها و شرایط عملیاتی ترکیب کرد تا الگوهای مرتبط با فرسودگی تجهیزات شناسایی شوند.
از دیدگاه مهندسی، این تمایز اهمیت دارد. نباید هوش مصنوعی را جایگزینی برای لایه کنترل دانست. در بیشتر کارخانه‌ها، ارزش فوری آن احتمالاً بیشتر از جایگزینی منطق کنترل قطعی، از پشتیبانی از تصمیم‌گیری پیرامون سیستم کنترل ناشی می‌شود.
شکاف دانش ممکن است از شکاف نیروی کار مهم‌تر باشد
بسیاری از سازمان‌های تولیدی، طی چندین دهه و به کمک اپراتورها، تکنسین‌ها، کارکنان تعمیر و نگهداری و مهندسان کنترل باتجربه، دانش عملی ارزشمندی اندوخته‌اند. بااین‌حال، بخش زیادی از این دانش خارج از پایگاه‌های داده رسمی قرار دارد.
این دانش ممکن است در یادداشت‌های تعمیر و نگهداری، سوابق دست‌نویس، دستورالعمل‌های عیب‌یابی، نقشه‌های قدیمی، عادت‌های اپراتورها، اسناد مهندسی یا صرفاً در حافظه تکنسینی باشد که 25 سال با همان ماشین کار کرده است.
با بازنشسته‌شدن کارکنان باتجربه، مشکل مهمی در انتقال دانش به وجود می‌آید.
هوش مصنوعی صنعتی می‌تواند داده‌های ماشین‌آلات را به دفترچه‌های راهنما، دستورالعمل‌های استاندارد عملیاتی، سوابق تعمیر و نگهداری، سوابق هشدارها و اسناد دیگر پیوند دهد. در نتیجه، هنگام بررسی یک وضعیت غیرعادی، تکنسینی کم‌تجربه‌تر می‌تواند به اطلاعات بیشتری دسترسی داشته باشد.
این کار نیاز به مهندسان باتجربه را از بین نمی‌برد. در عوض، می‌تواند دسترسی به دانش آن‌ها را در شیفت‌ها و بخش‌های مختلف تولید آسان‌تر کند.
از نظر من، این یکی از قوی‌ترین کاربردهای کوتاه‌مدت هوش مصنوعی در تولید است: حفظ و توزیع دانش عملیاتی به‌جای تلاش برای خودکارسازی تمام تصمیم‌های انسانی.
بهترین پروژه‌های هوش مصنوعی با یک مسئله در کارخانه شروع می‌شوند.
یک اشتباه رایج، شروع کار با فناوری است.
یک شرکت پلتفرم هوش مصنوعی انتخاب می‌کند، طرحی آزمایشی توسعه می‌دهد، چند منبع داده را متصل می‌کند و تازه پس از آن می‌پرسد که قرار است سامانه چه نتیجه‌ای برای کسب‌وکار به ارمغان بیاورد.
باید رویکرد مهندسی را وارونه کرد.
با یک مسئله قابل‌اندازه‌گیری شروع کنید:
- کدام تجهیزات بیشترین زمان توقف برنامه‌ریزی‌نشده را ایجاد می‌کنند؟
- کدام انحراف‌های فرایندی بیشترین هزینه ضایعات را به بار می‌آورند؟
- تکنسین‌ها در کدام بخش‌ها زمان بیش از حدی را صرف عیب‌یابی می‌کنند؟
- رسیدگی به کدام هشدارها مکرراً به پشتیبانی مهندسان ارشد نیاز دارد؟
- کدام فعالیت‌های بازرسی دستی نیروی کار زیادی مصرف می‌کنند؟
- مصرف انرژی در کجا بیش از حد انتظار است؟
- بهینه‌سازی کدام پارامترهای تولید با روش‌های متداول دشوار است؟
وقتی مسئله مشخص شد، هوش مصنوعی به یکی از راهکارهای مهندسی ممکن تبدیل می‌شود، نه خودِ هدف.
در نهایت، یک پروژه مفید باید به شاخص‌های کارخانه مانند زمان توقف، حجم تولید، بازده، ضایعات، هزینه نگهداری و تعمیرات، کیفیت، بهره‌وری نیروی کار یا مصرف انرژی مرتبط باشد.
پروژه‌های آزمایشی با ارزش‌آفرینی در تولید یکسان نیستند
تولیدکنندگان آزمایش‌های متعددی با هوش مصنوعی انجام داده‌اند، اما یک نمایش موفق به‌خودی‌خود به معنای موفقیت سامانه در محیط تولید نیست.
یک طرح آزمایشی ممکن است در شرایط کنترل‌شده و با مجموعه‌داده‌ای محدود، ناهنجاری یک دستگاه را به‌درستی شناسایی کند. محیط تولید متفاوت است. حسگرها ممکن است از کار بیفتند، ابزارها دوباره کالیبره شوند، منطق پی‌ال‌سی تغییر کند، دستورالعمل‌های تولید اصلاح شوند، ارتباطات شبکه قطع شوند و کارکنان بهره‌برداری واکنشی متفاوت از فرض‌های زمان توسعه نشان دهند.
بسیاری از ابتکارهای هوش مصنوعی در همین مرحله با مشکل روبه‌رو می‌شوند.
آزمون واقعی این نیست که آیا یک مدل هوش مصنوعی در یک نمایش آزمایشی کار می‌کند یا نه. آزمون واقعی این است که آیا پس از ادغام در روال‌های عادی بهره‌برداری کارخانه، همچنان اطلاعات مفیدی ارائه می‌دهد یا نه.
نباید زیرساخت اتوماسیون موجود را نادیده گرفت
کارخانه‌های تولیدی به‌ندرت این امکان را دارند که کار را با معماری‌ای کاملاً از نو آغاز کنند.
یک واحد معمولی ممکن است چندین نسل پی‌ال‌سی، کنترل‌گرهای DCS، رابط‌های انسان و ماشین (HMI)، سامانه‌های SCADA، تاریخچه‌نگارها، ورودی/خروجی‌های راه‌دور، درایوهای فرکانس متغیر، تجهیزات پایش وضعیت، شبکه‌های اترنت صنعتی و دستگاه‌های سریال قدیمی داشته باشد.
معمولاً جایگزینی این زیرساخت صرفاً برای به‌کارگیری هوش مصنوعی، عملی نیست.
بنابراین، راهبرد نوسازی تدریجی واقع‌بینانه‌تر است. می‌توان داده‌ها را از تاریخچه‌نگارهای موجود، رابط‌های OPC، پی‌ال‌سی‌ها، سامانه‌های پایش وضعیت، پایگاه‌های داده و دیگر منابع در دسترس جمع‌آوری کرد و در عین حال، معماری اصلی کنترل را دست‌نخورده نگه داشت.
این رویکرد همچنین خطر اعمال تغییرات غیرضروری در سامانه‌های تولیدیِ اعتبارسنجی‌شده را کاهش می‌دهد.
هدف باید این باشد که به زیرساخت اتوماسیونِ اثبات‌شده، هوشمندی اضافه کنیم، نه اینکه با ظهور فناوری جدید، کل کارخانه را از نو بسازیم.
کیفیت داده، کیفیت هوش مصنوعی را تعیین می‌کند
هوش مصنوعی نمی‌تواند کیفیت پایین داده‌های صنعتی را جبران کند.
اگر شناسه‌های ابزارها اشتباه تشخیص داده شده باشند، مهرهای زمانی ناسازگار باشند، مقادیر حسگرها دارای شکاف باشند، وضعیت تجهیزات مستند نشده باشد یا داده‌های تاریخی زمینه کافی نداشته باشند، مدل حاصل ممکن است نتیجه‌گیری‌هایی ارائه دهد که از نظر فنی چشمگیر اما از نظر عملیاتی گمراه‌کننده‌اند.
این مشکل اغلب دست‌کم گرفته می‌شود، چون داده‌های تولیدی به‌طور پیوسته تولید می‌شوند. حجم زیاد داده لزوماً به معنای کیفیت بالای داده نیست.
پیش از پیاده‌سازی یک کاربرد هوش مصنوعی، مهندسان باید این موارد را درک کنند:
- منشأ داده‌ها کجاست
- حسگرها و ابزارها چگونه کالیبره می‌شوند
- آیا مهرهای زمانی همگام‌سازی شده‌اند
- وضعیت تجهیزات چگونه شناسایی می‌شود
- با مقادیر گمشده چگونه برخورد می‌شود
- آیا رویدادهای تاریخی تعمیر و نگهداری به‌درستی مستند شده‌اند
- مالکیت داده‌ها در اختیار کدام افراد یا سیستم‌هاست
- تغییرات در پیکربندی‌های PLC و DCS چه اثری بر معنای داده‌ها دارند
یک مجموعه‌داده ساده و مستندشده می‌تواند از میلیون‌ها رکورد فاقد زمینه کافی ارزشمندتر باشد.
ایمنی باید از آزمایش‌های هوش مصنوعی جدا بماند
پیامدهای توصیه نادرست هوش مصنوعی تا حد زیادی به نوع کاربرد بستگی دارد.
استفاده از هوش مصنوعی برای خلاصه‌سازی سوابق تعمیر و نگهداری، اساساً با اجازه دادن به تصمیمی تولیدشده به‌وسیله هوش مصنوعی برای اثرگذاری مستقیم بر خاموشی مرتبط با ایمنی تفاوت دارد.
در صنایع فرایندی، کارخانه‌های شیمیایی، پالایشگاه‌ها، نیروگاه‌ها و دیگر محیط‌های پرمخاطره، عملکردهای ایمنی قطعی باید همچنان بر اساس اصول مهندسی تثبیت‌شده و الزامات ایمنی مربوطه اجرا شوند.
هوش مصنوعی می‌تواند به پایش، عیب‌یابی، تشخیص ناهنجاری و پشتیبانی از تصمیم‌گیری کمک کند، اما این به آن معنا نیست که باید به‌طور خودکار اختیار عملکردهای ایمنی را به آن سپرد.
یک معماری کاربردی باید به‌روشنی مشخص کند هوش مصنوعی مجاز به مشاهده چه چیزهایی است، چه توصیه‌هایی می‌تواند ارائه دهد و چه اقداماتی باید همچنان در اختیار کنترل متعارف یا منطق ایمنی باقی بماند.
مدیران کارخانه نیازی نیست دانشمند داده شوند
برداشت نادرست دیگر این است که مدیران کارخانه باید ناگهان در یادگیری ماشین، مدل‌های زبانی بزرگ و عامل‌های هوش مصنوعی متخصص شوند.
مدیران باید بدانند این فناوری‌ها چه کارهایی می‌توانند و چه کارهایی نمی‌توانند انجام دهند، اما ارزشمندترین تخصصشان همچنان در حوزه عملیات است.
مدیر کارخانه با محدودیت‌های تولید، اولویت‌های تعمیر و نگهداری، توانمندی‌های نیروی کار، الزامات کیفیت، انتظارات ایمنی و پیامدهای مالی توقف تولید آشناست.
این دانش برای تشخیص اینکه آیا یک کاربرد هوش مصنوعی مسئله‌ای معنادار را حل می‌کند، ضروری است.
بنابراین، قوی‌ترین تیم‌های پیاده‌سازی از چندین تخصص تشکیل می‌شوند: عملیات، تعمیر و نگهداری، مهندسی کنترل، شبکه‌های فناوری اطلاعات/فناوری عملیاتی (IT/OT)، مهندسی داده، امنیت سایبری و متخصصان هوش مصنوعی.
احتمال موفقیت پروژه‌های هوش مصنوعی بسیار بیشتر است، وقتی افرادی که سیستم را می‌سازند، درک کنند که کارخانه در عمل چگونه کار می‌کند.
بازگشت سرمایه را پیش از گسترش باید سنجید
پیش از به‌کارگیری، باید برای هر پروژه هوش مصنوعی مقادیر مبنا تعیین شود.
برای مثال، اگر هدف از نگهداری و تعمیرات پیش‌بینانه کاهش زمان توقف باشد، سازمان باید فراوانی، مدت و هزینه تاریخی خرابی‌های مرتبط را مشخص کند. اگر از هوش مصنوعی برای بازرسی کیفیت استفاده می‌شود، باید نرخ فعلی عیب و حجم کار بازرسی مستند شود.
پس از اجرا، می‌توان همان شاخص‌ها را با مقادیر مبنا مقایسه کرد.
این موضوع تصمیم‌گیری درباره سرمایه‌گذاری را بسیار روشن‌تر می‌کند.
پروژه‌ای که زمان عیب‌یابی را برای هر رویداد 30 دقیقه کاهش می‌دهد، ممکن است در یک کارخانه ارزشمند و در کارخانه‌ای دیگر کم‌اهمیت باشد. به همین ترتیب، کاهش درصد اندکی از ضایعات ممکن است در یک خط تولید با حجم بالا بهبود مالی چشمگیری به همراه داشته باشد.
نکته مهم این است که بازگشت سرمایه هوش مصنوعی به شرایط هر کارخانه بستگی دارد و باید بر اساس نتایج عملیاتی سنجیده شود، نه میزان پیچیدگی فناوری.
نظارت انسانی همچنان اهمیت خواهد داشت
فرایندهای تولیدی تحت محدودیت‌های فیزیکی انجام می‌شوند که همیشه نمی‌توان آن‌ها را به‌طور کامل در داده‌های تاریخی بازنمایی کرد.
یک مهندس باتجربه ممکن است تشخیص دهد که مقدار غیرعادی یک حسگر ناشی از مشکل در ابزار است، نه مشکل در فرایند. یک تکنسین ممکن است بداند دستگاهی مشخص هنگام راه‌اندازی رفتار متفاوتی دارد. یک اپراتور ممکن است از وضعیت تولیدی آگاه باشد که به‌درستی در پایگاه داده مستند نشده است.
هوش مصنوعی می‌تواند الگوها را شناسایی کند، اما انسان‌ها زمینه عملیاتی را درک می‌کنند.
به همین دلیل، انتظار دارم کارآمدترین سامانه‌های تولیدی از الگوی مشارکت انسان در فرایند استفاده کنند. هوش مصنوعی ناهنجاری‌ها را شناسایی می‌کند، اطلاعات را سازمان‌دهی می‌کند، علت‌های احتمالی را پیشنهاد می‌دهد یا اقدامات را اولویت‌بندی می‌کند؛ درحالی‌که کارکنان واجد صلاحیت همچنان مسئول تصمیم‌هایی هستند که پیامدهای عملیاتی دارند.
مرحله بعدی یکپارچه‌سازی است، نه صرفاً خودکارسازی
بحث هوش مصنوعی در تولید، به‌تدریج از پروژه‌های آزمایشی منفرد فراتر می‌رود.
چالش بعدی یکپارچه‌سازی است: پیوند دادن قابلیت‌های هوش مصنوعی با سامانه‌های خودکارسازی موجود، گردش‌کارهای نگهداری و تعمیرات، مستندات مهندسی، سامانه‌های ثبت داده‌های تاریخی، سامانه‌های مدیریت دارایی و رویه‌های عملیاتی.
این یکپارچه‌سازی به چیزی بیش از خرید یک پلتفرم هوش مصنوعی نیاز دارد. کارخانه‌ها به مالکیت داده‌ای که به‌روشنی تعریف شده باشد، اطلاعات استانداردشده، کنترل‌های امنیت سایبری، گردش‌کارهای مستند و افرادی نیاز دارند که هم سیستم‌های صنعتی و هم نرم‌افزارهای مدرن را بشناسند.
بعید است تولیدکنندگانی که بیشترین بهره را از هوش مصنوعی می‌برند، همان‌هایی باشند که بیشترین تعداد مدل را به کار می‌گیرند. این سازمان‌ها مشکلات عملیاتی مشخصی را شناسایی می‌کنند، داده‌های صنعتی قابل‌اعتماد را به آن مشکلات پیوند می‌دهند، نتایج را با کمک کارکنان باتجربه اعتبارسنجی می‌کنند و تنها پس از اثبات ارزش قابل‌اندازه‌گیری، راهکارها را گسترش می‌دهند.
