شرکت‌های نفت و گاز دهه‌هاست به اتوماسیون متکی هستند. PLCها، پلتفرم‌های DCS، سامانه‌های ایمنی، کنترل پیشرفته و شبکه‌های صنعتی هم‌اکنون بخش زیادی از کارهای تکراری لازم برای تداوم فعالیت چاه‌ها، تأسیسات فرآورش، خطوط لوله و دارایی‌های فراساحلی را انجام می‌دهند.
مرحله بعدی صرفاً افزودن اتوماسیون بیشتر نیست. بلکه ایجاد سامانه‌هایی است که بتوانند شرایط عملیاتی را درک کنند، آنچه را ممکن است در گام بعد رخ دهد پیش‌بینی کنند، پاسخ‌های موجود را ارزیابی کنند و در چارچوب مرزهای کاملاً تعریف‌شده اقدام کنند.
این معنای عملی خودمختاری در عملیات صنعتی است.
از دیدگاه مهندسی اتوماسیون، این تمایز اهمیت دارد. یک سامانه خودکار متعارف، منطقی را اجرا می‌کند که مهندسان از پیش تعریف کرده‌اند. یک سامانه خودمختار، لایه تصمیم‌گیری دیگری را اضافه می‌کند. این سامانه داده‌های فرایند در زمان واقعی، وضعیت تجهیزات، مدل‌های پیش‌بینانه، تحلیل‌ها و، بیش‌ازپیش، هوش مصنوعی را ترکیب می‌کند تا تعیین کند برای وضعیت عملیاتی فعلی، کدام پاسخ مناسب است.
این به معنای حذف اپراتورها از فرایند نیست. در کاربردهای نفت و گاز با پیامدهای سنگین، مسیر واقع‌بینانه‌تر این است که مسئولیت استثناها، شرایط غیرعادی، صدور مجوز و تصمیم‌هایی که از حدود ازپیش‌تعریف‌شده فراتر می‌روند، همچنان بر عهده افراد باشد.
چرا خودمختاری عملی‌تر می‌شود
چندین تغییر، این گذار را امکان‌پذیر می‌کنند.
عملیات نفت و گاز بیش‌ازپیش در چاه‌های دورافتاده، سکوهای فراساحلی، تأسیسات فرآورش، خطوط لوله و دارایی‌های دریایی توزیع شده‌اند. هم‌زمان، بسیاری از بهره‌برداران با زیرساخت‌های فرسوده، سامانه‌های کنترلی پراکنده، محدودیت نیروی انسانی و شبکه‌های OT به‌طور فزاینده متصل مواجه‌اند.
در گذشته، دیجیتالی‌سازی اغلب بر قابل مشاهده کردن اطلاعات تمرکز داشت. اپراتورها می‌توانستند روندها، هشدارها و وضعیت تجهیزات را از طریق سامانه‌های متمرکز ببینند، اما همچنان باید بخش زیادی از این اطلاعات را تفسیر می‌کردند و درباره اقدام مناسب تصمیم می‌گرفتند.
گام بعدی، کوتاه‌تر کردن این چرخه تصمیم‌گیری است.
رایانش لبه‌ای مدرن، دستگاه‌های اینترنت اشیای صنعتی، کنترل پیشرفته فرایند، تحلیل پیش‌بینانه و هوش مصنوعی می‌توانند محاسبات را به فرایند نزدیک‌تر کنند. به‌جای ارسال هر تصمیم از طریق معماری متمرکز یا مبتنی بر ابر، برخی وظایف منتخب می‌توانند به‌صورت محلی و در جایی اجرا شوند که زمان پاسخگویی و دسترس‌پذیری ارتباطات اهمیت دارد.
از دیدگاه من، ارزش واقعی خودمختاری خودِ مدل هوش مصنوعی نیست. بلکه توانایی اتصال حسگری، تحلیل، منطق تصمیم‌گیری و اقدام کنترلی در قالب یک حلقه عملیاتی واحد است.
کنترل پیش‌بینانه مدل، پل میان اتوماسیون و خودمختاری است
کنترل پیش‌بینانه مدل نمونه مهمی از این روند تکاملی است.
کنترل پیش‌بینانه مدل (MPC) به‌طور مداوم شرایط فعلی فرایند و رفتار پیش‌بینی‌شده در آینده را ارزیابی می‌کند، سپس اقدامات کنترلی را بر اساس اهداف و محدودیت‌های تعریف‌شده محاسبه می‌کند. این روش می‌تواند اثر متقابل فرایندها را که مدیریت آن‌ها تنها با حلقه‌های متعارف PID دشوار است، جبران کند.
هوش مصنوعی این مفهوم را گسترش می‌دهد، نه اینکه لزوماً جایگزین آن شود.
یک سیستم هوش مصنوعی می‌تواند مجموعه‌داده‌های بزرگ‌تر و ساختاریافته‌نشده‌تری را تحلیل کند، روابطی را شناسایی کند که ممکن است در یک مدل ثابت فرایند نمایش داده نشده باشند و الگوهای عملیاتی مرتبط با مشکلات در حال شکل‌گیری یا فرصت‌های بهینه‌سازی را تشخیص دهد.
این ترکیب به‌ویژه زمانی سودمند است که شرایط فرایند به‌طور پیوسته تغییر می‌کنند.
برای مثال، یک معماری کنترل خودکار می‌تواند موارد زیر را ترکیب کند:
- اندازه‌گیری‌های بلادرنگ فرایند
- داده‌های وضعیت تجهیزات
- الگوهای عملیاتی تاریخی
- پیش‌بینی‌های MPC
- تشخیص ناهنجاری مبتنی بر هوش مصنوعی
- محدودیت‌های عملیاتی تعریف‌شده
- وضعیت سیستم ایمنی
- قواعد مجوزدهی اپراتور
سیستم حاصل می‌تواند تعیین کند که آیا یک وضعیت عملیاتی به پایش، تنظیم، توصیه یا مداخله انسانی نیاز دارد.
این رویکرد بسیار به خودکارسازی صنعتی نزدیک‌تر است تا صرفاً نصب یک برنامه هوش مصنوعی در کنار یک DCS موجود.
هوشمندی لبه‌ای به‌ویژه در سطح فرایند اهمیت دارد
خودکارسازی زمانی سودمندتر می‌شود که تصمیم‌ها بتوانند در نزدیکی تجهیزات گرفته شوند.
پمپ‌ها، کمپرسورها، شیرها، درایوها، جداکننده‌ها و دیگر دارایی‌های فرایندی، علاوه بر اندازه‌گیری‌های پایه فرایند، به‌طور فزاینده‌ای اطلاعات تشخیصی و عملکردی تولید می‌کنند.
دستگاه‌های میدانی قدیمی ممکن است فقط یک سیگنال وضعیت ساده ارائه دهند. دستگاه‌های هوشمند مدرن می‌توانند مقادیر فرایندی، عیب‌یابی دستگاه، شاخص‌های سلامت و اطلاعات عملیاتی اضافی ارائه کنند.
این کار لایه اطلاعاتی بسیار غنی‌تری ایجاد می‌کند.
بااین‌حال، ارسال همه اطلاعات به یک پلتفرم راه دور، به‌طور خودکار سیستم کنترل بهتری ایجاد نمی‌کند. کاربردهای حساس به زمان همچنان به ارتباطات قطعی، در دسترس بودن کنترل محلی و رفتار پاسخگویی قابل پیش‌بینی وابسته‌اند.
به همین دلیل، یک معماری عملی اغلب هوشمندی را میان چندین لایه توزیع می‌کند:
سطح میدان -> سطح کنترل -> تحلیل لبه‌ای -> سیستم‌های نظارتی -> تحلیل سازمانی/ابری
هر لایه مسئولیت متفاوتی دارد.
سیستم کنترل باید همچنان وظایف کنترلی قطعی را انجام دهد. رایانش لبه‌ای می‌تواند تحلیل‌های حساس به زمان و پشتیبانی تصمیم‌گیری را انجام دهد. پلتفرم‌های سطح بالاتر می‌توانند بهینه‌سازی در مقیاس ناوگان، تحلیل تاریخی و توسعه مدل‌های هوش مصنوعی را بر عهده بگیرند.
این معماری لایه‌ای، به نظر من، یکی از مهم‌ترین اصول مهندسی برای مقیاس‌پذیر کردن خودکارسازی است، بدون آنکه سیستم کنترل به یک پلتفرم نرم‌افزاری غیرضروری و پیچیده تبدیل شود.
عملیات از راه دور، نقطه شروعی طبیعی است
مراکز عملیات از راه دور نشان می‌دهند که نقش انسان چگونه می‌تواند تکامل یابد.
به‌جای آنکه متخصصان مجبور باشند برای مراجعه به چاه‌ها، سکوها یا تأسیسات فرآوری منفرد سفر کنند، تیم‌های متمرکز می‌توانند با استفاده از داده‌های عملیاتی مشترک و ابزارهای دیجیتال، بر دارایی‌های جغرافیایی پراکنده نظارت کنند.
مرحله نخست معمولاً پایش از راه دور است.
مرحله بعدی، تشخیص متمرکز است.
پس از آن، برخی اقدامات کنترلی منتخب را می‌توان از راه دور انجام داد.
با افزایش اطمینان، نرم‌افزار می‌تواند وظایف معمول تشخیص و بهینه‌سازی را به‌طور پیوسته انجام دهد و فقط موارد استثنایی را به اپراتور ارجاع دهد.
این امر مدل عملیاتی متفاوتی ایجاد می‌کند: افراد زمان کمتری را صرف انجام اقدامات تکراری و زمان بیشتری را صرف نظارت بر عملکرد سامانه، بررسی شرایط غیرعادی و رسیدگی به تصمیم‌هایی می‌کنند که به قضاوت مهندسی نیاز دارند.
بنابراین، این فناوری به‌جای حذف ساده مشارکت انسان، توزیع توجه انسان را تغییر می‌دهد.
دارایی‌های فراساحلی توجیه اقتصادی قدرتمندی برای خودمختاری دارند
ارزش پیشنهادی در محیط فراساحلی به‌ویژه روشن می‌شود.
یک مشکل نگهداری و تعمیرات در تأسیسات خشکی ممکن است به یک تکنسین و قطعات جایگزین نیاز داشته باشد. همین مشکل در فراساحل می‌تواند شامل حمل‌ونقل، نیروی متخصص، لجستیک دریایی یا هلیکوپتری، محدودیت‌های آب‌وهوایی و ملاحظات ایمنی اضافی باشد.
بنابراین، برای یک FPSO یا سکوی دورافتاده، تشخیص زودهنگام افت عملکرد تجهیزات می‌تواند اثر اقتصادی بسیار بزرگ‌تری داشته باشد.
یک سامانه پیش‌بینانه که لرزش، دما، فشار یا رفتار عملکردی غیرعادی را پیش از خرابی شناسایی می‌کند، می‌تواند به تیم‌های نگهداری و تعمیرات اجازه دهد به‌جای واکنش به یک shutdown غیرمنتظره، برای مداخله برنامه‌ریزی کنند.
مزیت فقط به هزینه نگهداری و تعمیرات محدود نمی‌شود.
این موارد را نیز می‌تواند شامل شود:
- کاهش زمان توقف برنامه‌ریزی‌نشده
- تداوم بهتر تولید
- برنامه‌ریزی بهتر برای قطعات یدکی
- مداخلات اضطراری کمتر
- کاهش مواجهه کارکنان با خطر
- پنجره‌های زمانی قابل‌پیش‌بینی‌تر برای نگهداری و تعمیرات
در اینجا، نگهداری و تعمیرات پیش‌بینانه به بخشی از یک مدل عملیاتی خودمختار تبدیل می‌شود، نه اینکه همچنان یک کاربرد تحلیلی جداافتاده باقی بماند.
رباتیک افراد را از وظایف تکراری و خطرناک دور می‌کند
بازرسی حوزه دیگری است که خودمختاری می‌تواند در آن نسبتاً سریع توسعه یابد.
پهپادها، ربات‌های زمینی، ربات‌های دریایی و سامانه‌های خودکار بازرسی می‌توانند داده‌های بصری، حرارتی و دیگر داده‌های وضعیت را از مکان‌هایی جمع‌آوری کنند که دسترسی کارکنان به آن‌ها دشوار یا خطرناک است.
گام مهندسی مهم، اتصال این سامانه‌ها به گردش‌کار گسترده‌تر نگهداری و تعمیرات است.
رباتی که صرفاً تصاویر تولید می‌کند، همچنان بررسی آن‌ها را بر عهده یک انسان می‌گذارد. یک سامانه یکپارچه‌تر می‌تواند داده‌های بازرسی را جمع‌آوری کند، آن‌ها را با شرایط تاریخی مقایسه کند، تغییرات را شناسایی کند، عیوب احتمالی را طبقه‌بندی کند و یک توصیه نگهداری و تعمیرات ارائه دهد.
معماری بلندمدت‌تر می‌تواند این موارد را به هم متصل کند:
ربات -> داده‌های بازرسی -> تحلیل‌ها -> مدل سلامت دارایی -> گردش‌کار نگهداری و تعمیرات -> تأیید انسانی یا پاسخ خودکار
این امر یک حلقه بسته اطلاعاتی ایجاد می‌کند.
هدف نباید استقرار ربات‌ها صرفاً به این دلیل باشد که ربات‌ها در دسترس‌اند. رویکرد بهتر، شناسایی وظایفی است که در آن‌ها قرار گرفتن افراد در معرض خطر، دفعات بازرسی، دشواری دسترسی یا کار تکراری، یک مشکل عملیاتی قابل‌اندازه‌گیری ایجاد می‌کند.
چاه‌های خودمختار به بهینه‌سازی مداوم نیاز دارند
عملیات چاه‌ها کاربرد جالب دیگری را ارائه می‌دهد.
فشار، جریان، عملکرد تزریق، وضعیت پمپ و رفتار مخزن می‌توانند به‌طور مداوم تغییر کنند. راهبرد کنترلی‌ای که تحت مجموعه‌ای از شرایط عملکرد خوبی دارد، با تغییر وضعیت عملیاتی ممکن است کارایی کمتری پیدا کند.
بنابراین، پایش مستمر در کنار کنترل تطبیقی می‌تواند رویکردی پاسخ‌گوتر فراهم کند.
برای مثال، فناوری درایو احیاکننده که در بیش از 130 سایت چاه پمپ میله‌ای مستقر شده است، نشان داده که نوسازی درایو می‌تواند بازیابی انرژی را با کنترل بهبودیافته و داده‌های عملکردی لحظه‌ای ترکیب کند. این استقرار گزارش‌شده به احیای 17٪ انرژی انجامید؛ 95٪ انرژی بازیابی‌شده دوباره استفاده شد و پیش‌بینی می‌شد در صورت استقرار کامل، ماهانه 3 میلیون دلار صرفه‌جویی در انرژی ایجاد کند.
نکته مهم‌تر از دیدگاه خودکارسازی این است که نوسازی، یک لایه داده آماده برای هوش مصنوعی نیز ایجاد می‌کند.
بدون داده‌های عملیاتی مناسب، نگهداری پیش‌بینانه و بهینه‌سازی خودکار همچنان مفاهیمی نظری باقی می‌مانند.
تزریق آب ظرفیت کنترل پیش‌بینانه را نشان می‌دهد
تزریق آب نمونه دیگری از این است که چگونه کنترل پیشرفته می‌تواند مستقیماً بر تولید اثر بگذارد.
در یکی از کاربردهای گزارش‌شده، کنترل پیش‌بینانه مدل‌مبنا (MPC) در 35 پمپ تزریق آب و سه واحد و پَد انتقال سیال بین مخازن مستقر شد. این سامانه شرایط عملیاتی را بر اساس رفتار پیش‌بینی‌شده فرایند به‌طور خودکار تنظیم کرد.
این استقرار، تزریق آب را تقریباً 36,000 بشکه در روز افزایش داد، از تولید اضافی 548 بشکه نفت در روز پشتیبانی کرد و مصرف انرژی را 3٪ کاهش داد.
درس مهندسی اهمیت زیادی دارد.
خودکارسازی همیشه به یک سامانه پیچیده هوش مصنوعی نیاز ندارد. در برخی کاربردها، یک راهبرد کنترل پیش‌بینانه خوش‌طراحی‌شده، همراه با ابزار دقیق قابل‌اعتماد و محدودیت‌های کاملاً تعریف‌شده، می‌تواند ارزش عملی بیشتری نسبت به معماری هوش مصنوعیِ بی‌دلیل پیچیده ارائه دهد.
فناوری مناسب باید از مسئله عملیاتی پیروی کند، نه برعکس.
نگهداری پیش‌بینانه مدل نگهداری را تغییر می‌دهد
راهبردهای سنتی نگهداری معمولاً بر برنامه‌های پیشگیرانه یا واکنش‌های اصلاحی بنا شده‌اند.
نگهداری خودکار امکان سومی را مطرح می‌کند: مداخله بر اساس وضعیت واقعی تجهیزات.
برای تجهیزات دوار، پایش وضعیت می‌تواند تغییرات لرزش، دما، بار، فشار یا سایر پارامترهای عملیاتی را پیش از رسیدن به آستانه هشدار متعارف شناسایی کند.
در یکی از کاربردهای گزارش‌شده در حفاری فراساحلی، از شاخص پویای سلامت تجهیزات، تشخیص آماری ناهنجاری‌ها و رایانش لبه‌ای برای پایش لحظه‌ای تجهیزات و شناسایی انحراف‌ها از رفتار عادی استفاده شد.
گام بعدی، اتصال مدل‌های تجهیزات منفرد در سراسر سازمان است.
اگر داده‌های عملکردی چندین دکل، سکو یا تأسیسات تولیدی با هم تحلیل شوند، بهره‌برداران می‌توانند رفتار تجهیزات را در شرایط محیطی و عملیاتی متفاوت مقایسه کنند.
سپس هوش مصنوعی می‌تواند به شناسایی الگوهایی کمک کند که از طریق پایش تک‌تک دارایی‌ها به‌سختی قابل تشخیص هستند.
اینجاست که خودکارسازی از راهکارهای نقطه‌ای منفرد فراتر می‌رود و به سمت بهینه‌سازی دارایی در سطح ناوگان حرکت می‌کند.
سیستم کنترل همچنان به مرزهای مشخص نیاز دارد
یکی از مهم‌ترین ملاحظات مهندسی، تعیین کارهایی است که یک سیستم خودمختار مجاز به انجام آن‌هاست.
یک مدل هوش مصنوعی می‌تواند پیشنهادی ارائه دهد، اما سیستم کنترل همچنان باید تعیین کند که آیا آن پیشنهاد مجاز است یا خیر.
برای فرایندهای حیاتی، معماری باید موارد زیر را به‌وضوح از هم جدا کند:
- اهداف بهینه‌سازی
- حدود عملکرد عادی
- محدودیت‌های تجهیزات
- محدودیت‌های فرایند
- حدود ایمنی
- کارکردهای اینترلاک
- کارکردهای خاموش‌سازی اضطراری
- مجوز اپراتور
سیستم‌های ایمنی را نباید صرفاً به‌عنوان زیرسیستمی دیگر تحت کنترل هوش مصنوعی در نظر گرفت.
لایه خودمختار باید در چارچوب مرزهای تعیین‌شده عمل کند، در حالی که کارکردهای حفاظتی مستقل همچنان نقش ایمنی موردنظر خود را ایفا می‌کنند.
این جداسازی برای ایجاد اعتماد در عملیات خودمختار بنیادی است.
امنیت سایبری بخشی از معماری کنترل می‌شود
اتصال بیشتر، سطوح حمله بیشتری نیز ایجاد می‌کند.
اتصال تجهیزات میدانی، کنترل‌کننده‌ها، رایانه‌های لبه‌ای، مراکز عملیات از راه دور، بسترهای ابری و سامانه‌های سازمانی می‌تواند ارزش عملیاتی قابل‌توجهی ایجاد کند، اما هر اتصال اضافی باید از منظر امنیت سایبری فناوری عملیاتی بررسی شود.
بنابراین، یک معماری خودمختار مدرن به چیزی فراتر از فایروال‌ها نیاز دارد.
بهره‌برداران به دیدپذیری دارایی‌ها، بخش‌بندی شبکه، مدیریت آسیب‌پذیری‌ها، کنترل دسترسی، پایش و جداسازی مناسب میان سیستم‌هایی با سطوح متفاوت پیامدهای عملیاتی نیاز دارند.
هدف صرفاً حفاظت از اطلاعات فناوری اطلاعات نیست.
به‌خطر افتادن محیط فناوری عملیاتی می‌تواند بر فرایندهای فیزیکی، تداوم تولید و احتمالاً ایمنی کارکنان اثر بگذارد.
به همین دلیل، امنیت سایبری باید در مرحله معماری در نظر گرفته شود، نه اینکه پس از استقرار یک برنامه خودمختار به آن افزوده شود.
اجتناب از مشکل برزخ پروژه‌های آزمایشی
یکی از بزرگ‌ترین موانع خودمختاری صنعتی، فناوری نیست؛ بلکه ناتوانی در مقیاس‌دادن به پروژه‌های آزمایشی موفق است.
یک شرکت می‌تواند نشان دهد که یک مدل هوش مصنوعی ناهنجاری‌های تجهیزات را شناسایی می‌کند یا یک ربات بازرسی خودمختار روی یک سکو کار می‌کند. اما اگر هر استقرار بعدی به معماری، تلاش یکپارچه‌سازی و بررسی مهندسی کاملاً جدیدی نیاز داشته باشد، مزیت اقتصادی به‌سرعت از بین می‌رود.
یک رویکرد مقیاس‌پذیر باید از همان ابتدا موارد زیر را مشخص کند:
- مشکل عملیاتی
- هدف کسب‌وکار قابل‌اندازه‌گیری
- منابع داده موردنیاز
- محدودیت‌های کنترلی و ایمنی
- الزامات امنیت سایبری
- الزامات مداخله انسانی
- معیارهای عملکرد
- روش‌شناسی تکثیر
این کار، یک پروژه آزمایشی را به الگویی مهندسی و قابل‌تکرار تبدیل می‌کند.
برای بهره‌بردارانی که صدها چاه، چندین سکو یا تأسیسات فرآوری استانداردشده دارند، قابلیت تکرار ممکن است در نهایت از عملکرد هر مدل هوش مصنوعی منفرد ارزشمندتر باشد.
نقشه راه عملی برای حرکت به‌سوی عملیات خودمختار
یک تأسیسات کاملاً خودمختار به‌ندرت باید نخستین هدف باشد.
یک مسیر پیشرفت عملی‌تر عبارت است از:
ابزار دقیق -> اتصال -> زمینه‌مند‌سازی -> پایش -> پیش‌بینی -> پیشنهاد -> نظارت -> خودکارسازی پاسخ‌های منتخب -> گسترش خودمختاری
نخستین الزام، داده‌های قابل‌اعتماد است.
حسگرها باید کالیبره و نگهداری شوند. برچسب‌ها به نام‌گذاری و زمینه‌ای یکدست نیاز دارند. داده‌های تاریخی باید قابل‌استفاده باشند. معماری شبکه باید دسترس‌پذیری و امنیت مناسب را فراهم کند.
پس از ایجاد این بنیان، اپراتورها می‌توانند کاربردهایی را انتخاب کنند که مزیت عملیاتی آن‌ها قابل‌اندازه‌گیری باشد و پیامدهای یک تصمیم نادرست در آن‌ها قابل‌کنترل بماند.
گام بعدی، تعیین دقیق این است که سیستم چه زمانی می‌تواند به‌طور مستقل اقدام کند و چه زمانی اپراتور باید اقدام را تأیید کند.
این رویکرد، به‌جای تلاش کنترل‌نشده برای خودکارسازی همه‌چیز، گسترشی کنترل‌شده در خودمختاری ایجاد می‌کند.
آینده، انسان در برابر ماشین نیست
مفیدترین روش برای درک خودمختاری صنعتی، نگاه‌کردن به آن به‌عنوان جایگزینی برای اپراتورها، مهندسان یا کارکنان تعمیر و نگهداری نیست.
این، بازتوزیع کار است.
ماشین‌ها برای پایش پیوسته هزاران سیگنال، مقایسه شرایط کنونی با الگوهای تاریخی، محاسبه پاسخ‌های کنترلی و اجرای اقدامات تکراری در محدوده‌های ازپیش‌تعریف‌شده مناسب‌اند.
انسان‌ها همچنان برای رسیدگی به استثناهای پیچیده، اهداف متعارض، شرایط غیرمعمول عملیاتی، تصمیم‌های ایمنی و موقعیت‌هایی که داده‌های موجود ناقص‌اند، جایگاه بهتری دارند.
بنابراین، قوی‌ترین مدل عملیاتی ترکیبی از هر دو است.
خودمختاری باید بخش بیشتری از چرخه تصمیم‌گیری معمول را بر عهده بگیرد، در حالی که تخصص انسانی بر تصمیم‌هایی متمرکز بماند که زمینه، تجربه و پاسخگویی در آن‌ها بیشترین اهمیت را دارند.
جمع‌بندی: خودمختاری را هر بار با یک کاربرد اثبات‌شده ایجاد کنید
خودمختاری در صنعت نفت و گاز با استقرار یک فناوری واحد محقق نخواهد شد.
این تحول از طریق همکاری سیستم‌های کنترل متصل، تجهیزات هوشمند میدانی، رایانش لبه‌ای، MPC، نگهداری پیش‌بینانه، رباتیک، هوش مصنوعی و معماری‌های امن OT شکل خواهد گرفت.
چالش مهندسی صرفاً تعیین این نیست که آیا هوش مصنوعی می‌تواند تصمیمی بگیرد یا نه. چالش این است که تعیین شود کدام تصمیم‌ها را می‌توان با ایمنی خودکار کرد، سیستم به چه اطلاعاتی نیاز دارد، چه محدودیت‌هایی باید اعمال شوند و اختیار انسان در کجا باید حفظ شود.
به همین دلیل، گذار از خودکارسازی به خودمختاری باید به‌عنوان یک برنامه مهندسی، نه یک پروژه هوش مصنوعی، در نظر گرفته شود.
بهره‌بردارانی که بنیان‌های داده‌ای قابل‌اعتماد، معماری‌های مقیاس‌پذیر و مرزهای کنترلی کاملاً تعریف‌شده ایجاد می‌کنند، می‌توانند پایش، عیب‌یابی و بهینه‌سازی معمول را به‌تدریج به سمت اجرای خودمختار سوق دهند.
هدف نهایی، ایجاد عملیاتی بدون حضور انسان نیست.
هدف، ایجاد عملیاتی است که در آن فناوری تصمیم‌های معمول را با سرعت و ثبات بیشتری مدیریت کند، در حالی که مهندسان و اپراتورها توجه خود را بر حوزه‌ای متمرکز کنند که قضاوت انسانی در آن بیشترین ارزش عملیاتی را دارد.
