راکول اتوماسیون از هوش مصنوعی مولد برای حل یک مشکل عملی استفاده می‌کند: چگونه دهه‌ها دانش نگهداری و تعمیرات را ثبت کنیم و آن را فوراً در اختیار تکنسین‌ها قرار دهیم. در سایت تولیدی این شرکت در سنگاپور، یک Maintenance Copilot مجهز به هوش مصنوعی، مستندات دستگاه، داده‌های تولید و دانش عیب‌یابی مهندسان باتجربه را ترکیب می‌کند تا به تکنسین‌ها در شناسایی خطاها و دنبال کردن اقدامات اصلاحی ساختاریافته کمک کند.
از عیب‌یابی مبتنی بر راهنما تا نگهداری و تعمیرات دانش‌محور
عیب‌یابی سنتی دستگاه اغلب به این وابسته است که تکنسین کد هشدار درست را در یک راهنما پیدا کند، علت‌های احتمالی را تفسیر کند و سپس تصمیم بگیرد ابتدا کدام اقدام اصلاحی را امتحان کند. وقتی مستندات کافی نباشد، گام بعدی معمولاً پرسیدن از تکنسین باتجربه‌ای است که پیش‌تر با همان خرابی مواجه شده است.
این فرایند دو محدودیت ایجاد می‌کند. نخست، عیب‌یابی می‌تواند زمان زیادی مصرف کند، در حالی که تجهیزات همچنان از دسترس خارج هستند. دوم، بخش زیادی از مفیدترین اطلاعات ممکن است فقط به‌صورت «دانش سینه‌به‌سینه» نزد کارکنان باتجربه وجود داشته باشد.
Maintenance Copilot راکول رابط دسترسی به این اطلاعات را تغییر می‌دهد. تکنسین‌ها به‌جای جست‌وجوی دستی در صدها صفحه، می‌توانند نشانه دستگاه را به زبان طبیعی توصیف کنند و اطلاعاتی دریافت کنند که بر اساس نشانه، علت احتمالی و واکنش پیشنهادی سازمان‌دهی شده است.
این تمایز در محیط‌های صنعتی اهمیت دارد: ارزش هوش مصنوعی صرفاً در تولید متن نیست. ارزش عملی آن از آسان‌تر کردن دسترسی به دانش مهندسی موجود، درست در زمانی که تصمیمی برای نگهداری و تعمیرات لازم است، ناشی می‌شود.
ثبت دهه‌ها تجربه مهندسی
سامانه سنگاپور از دانش عیب‌یابی ارائه‌شده توسط مهندسان باتجربه راکول، از جمله افرادی با ۲۰ تا ۳۰ سال تجربه در محیط کارگاهی، استفاده می‌کند.
این دانش می‌تواند شامل جزئیاتی باشد که ثبت آن‌ها در راهنماهای متعارف دشوار است: کدام نشانه‌ها معمولاً با هم ظاهر می‌شوند، خرابی کدام قطعات رایج است، یک هشدار خاص معمولاً به چه چیزی اشاره می‌کند و مشکلات مشابه در خطوط تولید دیگر چگونه برطرف شده‌اند.
برای سازمان‌های نگهداری و تعمیرات، این امر سازوکاری بالقوه برای حفظ دانش ایجاد می‌کند.
تکنسین‌های باتجربه سرانجام بازنشسته می‌شوند یا به نقش‌های دیگری منتقل می‌شوند. بدون روشی ساختاریافته برای ثبت تجربه‌های آن‌ها، سازمان ممکن است دانش عملی عیب‌یابی را از دست بدهد، حتی زمانی که مستندات رسمی همچنان در دسترس هستند.
یک سیستم هوش مصنوعی نمی‌تواند جایگزین این تجربه شود، اما می‌تواند رابطی قابل جست‌وجو برای دانشی فراهم کند که از قبل مستندسازی و ساختاربندی شده است.
روند کاری ساختاریافته‌تر برای عیب‌یابی
یکی از جنبه‌های فنی جالب این سیستم، سازمان‌دهی اطلاعات نگهداری در قالب نشانه، علت و واکنش است.
این ساختار به منطقی شباهت دارد که مهندسان باتجربه نگهداری از قبل به کار می‌برند:
- نشانه قابل مشاهده دستگاه را شناسایی کنید.
- محتمل‌ترین علت‌ها را تعیین کنید.
- تجهیزات یا سیگنال مرتبط را بررسی کنید.
- اقدام اصلاحی مناسب را اجرا کنید.
- بررسی کنید که آیا دستگاه به وضعیت عملیاتی مورد انتظار بازگشته است.
دستیار هوش مصنوعی همچنین می‌تواند دیدگاه‌ها و تجربه‌های سایر تکنسین‌ها را ارائه کند و اطلاعات عیب‌یابی را به دفترچه‌های راهنمای موجود دستگاه‌ها پیوند دهد.
از دیدگاه مهندسی، این رویکرد از آن مفیدتر است که یک مدل زبانی بزرگ را به‌عنوان مرجع مستقل تشخیص در نظر بگیریم. مدل به‌جای آنکه تنها منبع حقیقت باشد، به رابطی برای اطلاعات فنی کنترل‌شده تبدیل می‌شود.
کاهش زمان ازکارافتادگی و هزینه‌های نگهداری
بر اساس پایش داخلی راکول که مایکروسافت به آن اشاره کرده است، عملیات سنگاپور زمان ازکارافتادگی دستگاه‌ها را کاهش داد 33% پس از اجرای رویکرد نگهداری. گزارش شد که هزینه‌های نگهداری و قطعات یدکی تقریباً کاهش یافته‌اند 25%.
این ارقام باید به‌عنوان نتایج داخلی گزارش‌شده توسط راکول درک شوند، نه معیارهای عملکرد عمومی برای نگهداری مبتنی بر هوش مصنوعی.
بااین‌حال، سازوکار این بهبود از نظر فنی قابل درک است. اگر تکنسین‌ها بتوانند علت‌های احتمالی را سریع‌تر شناسایی کنند، چرخه‌های غیرضروری عیب‌یابی کاهش می‌یابد. تشخیص سریع‌تر همچنین می‌تواند مدت‌زمان از دسترس خارج بودن تجهیزات را کاهش دهد و به تکنسین‌ها کمک کند بدون شواهد کافی، قطعات را تعویض نکنند.
بنابراین، مهم‌ترین مزیت شاید نه از خود مدل هوش مصنوعی، بلکه از کوتاه‌تر کردن مسیر بین نشانه دستگاه -> دانش مرتبط -> اقدام مهندسی ناشی شود.
هوش مصنوعی همچنین می‌تواند زمان یادگیری تکنسین‌ها را کاهش دهد
کاربرد دیگر، معارفه و آموزش اولیه نیروی کار است.
راکول گزارش می‌کند که تکنسین‌هایی که پیش‌تر برای کسب مهارت در عیب‌یابی صدها دستگاه به حدود نه ماه زمان نیاز داشتند، با کمک هوش مصنوعی می‌توانند در حدود سه ماه به این سطح برسند.
این موضوع به چالشی رایج در تولید مدرن می‌پردازد: پیچیدگی تجهیزات در حال افزایش است، در حالی که کارکنان باتجربه تعمیر و نگهداری همیشه به تعداد کافی در دسترس نیستند.
برای یک تکنسین تازه‌کار، دستیار هوش مصنوعی می‌تواند دسترسی متنی و مرتبط با زمینه به مستندات ماشین و تجربه‌های عیب‌یابی ثبت‌شده قبلی فراهم کند. این امر نیاز به آموزش عملی، دانش ایمنی برق یا شایستگی کار با تجهیزات خاص را از بین نمی‌برد. در عوض، می‌تواند زمان صرف‌شده برای جست‌وجوی صرف اطلاعات را کاهش دهد.
این تمایز مهم است. هوش مصنوعی می‌تواند دسترسی به اطلاعات را تسریع کند؛ اما جایگزین مهارت‌های تشخیص فیزیکی نمی‌شود.
اتصال هوش مصنوعی به لایه داده‌های صنعتی
پیاده‌سازی راکول از فناوری‌های Microsoft Azure، از جمله Azure OpenAI Service، Azure AI Search و قابلیت‌های امنیتی، هویتی و حاکمیتی مایکروسافت استفاده می‌کند.
این معماری مسیر مهمی را برای هوش مصنوعی صنعتی نشان می‌دهد: یکپارچه‌سازی مدل‌های زبانی با اطلاعات سازمانی و عملیاتی، به‌جای اجرای آن‌ها به‌عنوان برنامه‌های گفت‌وگویی مستقل.
برای کاربردهای تعمیر و نگهداری، داده‌های مفید می‌توانند از چندین منبع به دست آیند:
- دفترچه‌های دستورالعمل ماشین
- سوابق تعمیر و نگهداری
- اطلاعات هشدارها و خطاها
- یادداشت‌های عیب‌یابی تکنسین‌ها
- نرم‌افزارهای تولید
- سابقه تجهیزات
- مشاهدات خط تولید
بنابراین، چالش مهندسی صرفاً انتخاب یک مدل هوش مصنوعی نیست؛ بلکه ایجاد منابع داده قابل‌اعتماد، کنترل‌های دسترسی، بازیابی اطلاعات و حاکمیت پیرامون مدل است.
هوش مصنوعی باید از مهندسان پشتیبانی کند، نه اینکه کنترل‌های مهندسی را دور بزند
محدودیت عملی‌ای وجود دارد که نباید نادیده گرفته شود.
توصیه تعمیر و نگهداری تولیدشده توسط یک سیستم هوش مصنوعی نباید به‌طور خودکار به فرمان کنترل ماشین تبدیل شود. تجهیزات صنعتی می‌توانند با خطرات الکتریکی، انرژی مکانیکی، خطرات فرایندی و عملکردهای ایمنی‌ابزاردار سروکار داشته باشند.
به همین دلیل، عیب‌یابی با کمک هوش مصنوعی بیش از همه به‌عنوان یک لایه پشتیبان تصمیم‌گیری مناسب است. تکنسین همچنان مسئول بررسی وضعیت فیزیکی تجهیزات و اجرای رویه‌های تعیین‌شده تعمیر و نگهداری، قفل‌گذاری/برچسب‌گذاری و ایمنی است.
برای سیستم‌های کنترل و ایمنی حیاتی، جداسازی اطلاعات تولیدشده توسط هوش مصنوعی از منطق کنترل قطعی اهمیت ویژه‌ای دارد.
هوش مصنوعی می‌تواند به پاسخ‌گویی کمک کند:
«چه چیزی را باید بررسی کنم؟»
نباید به‌طور مستقل تصمیم بگیرد:
"این اقدام ایمنی‌حساس را اجرا کن."
این مرز با حرکت تولیدکنندگان از تعمیر و نگهداری با کمک هوش مصنوعی به‌سوی عملیات هرچه خودمختارتر اهمیت خواهد داشت.
فراتر از تعمیر و نگهداری: کیفیت و عملیات پیش‌بینانه
کارخانه سنگاپور از هوش مصنوعی برای مواردی فراتر از تعمیر و نگهداری استفاده می‌کند.
راکول همچنین یک سیستم کیفیت چندعاملی را توصیف می‌کند که برای شناسایی و رفع عیوب محصولات در حین مونتاژ طراحی شده است و در کنار آن، قابلیت‌های تعمیر و نگهداری پیش‌بینانه برای شناسایی شرایطی ارائه می‌شود که می‌توانند به توقف برنامه‌ریزی‌نشده تجهیزات منجر شوند.
این ترکیب، معماری صنعتی گسترده‌تری ایجاد می‌کند:
داده‌های عملیاتی -> تحلیل هوش مصنوعی -> بینش مهندسی -> اقدام انسانی یا خودکار -> بازخورد
این موضوع از استقرار یک چت‌بات مجزا مهم‌تر است. این امر نشان‌دهنده ادغام تدریجی هوش مصنوعی در مراحل مختلف چرخه عمر تولید است.
معرفی تأسیسات سنگاپور به‌عنوان یکی از سایت‌های چراغ راه جهانی توسط مجمع جهانی اقتصاد در ژوئن 2026 نیز به بهبودهایی از جمله افزایش 43 درصدی تعداد واحد به‌ازای هر نفر-ساعت، کاهش 35 درصدی عیوب و کاهش 67 درصدی زمان رسیدن به شایستگی اشاره کرده است.
این نتایج حاصل چندین فناوری و تغییر عملیاتی هستند؛ بنابراین نباید صرفاً به همیار تعمیر و نگهداری نسبت داده شوند.
دیدگاه مهندسی من: کیفیت داده، پایه واقعی است
مهم‌ترین درس این پروژه، انتخاب مدل GPT نیست.
در هوش مصنوعی صنعتی، داده‌های مهندسی زیربنایی معمولاً از رابط محاوره‌ای مهم‌ترند. اگر سوابق تعمیر و نگهداری ناقص باشند، مستندات ماشین‌آلات قدیمی باشند یا دانش عیب‌یابی ساختار مناسبی نداشته باشد، مدل پیشرفته‌تر به‌طور خودکار تصمیم‌های بهتری برای تعمیر و نگهداری تولید نخواهد کرد.
بنابراین، پیاده‌سازی موفق به چندین پایه نیاز دارد:
- اطلاعات دقیق تجهیزات و دارایی‌ها
- سوابق منسجم خرابی و تعمیر و نگهداری
- دانش مهندسی ساختاریافته
- مالکیت شفاف اطلاعات
- کنترل‌های مناسب امنیت سایبری
- دسترسی مبتنی بر نقش
- اعتبارسنجی انسانی توصیه‌ها
- سازوکارهای بازخورد برای اصلاح اطلاعات نادرست
به عبارت دیگر، هوش مصنوعی کیفیت پایگاه دانش صنعتی یک سازمان را آشکار می‌کند. شرکت‌هایی که سال‌ها صرف نگهداری داده‌های پاکیزه تجهیزات و سوابق منظم تعمیر و نگهداری کرده‌اند، احتمالاً پایه قوی‌تری برای پذیرش هوش مصنوعی صنعتی دارند.
از تخصص فردی تا دانش سازمانی
ارزش عمیق‌تر رویکرد راکول، تلاش آن برای تبدیل تجربه فردی تکنسین‌ها به دانش سازمانی است.
یک مهندس بسیار باتجربه ممکن است ظرف چند دقیقه الگوی خرابی را تشخیص دهد، زیرا بارها با آن مواجه شده است. یک تکنسین تازه‌کار ممکن است برای رسیدن به همان نتیجه به چند ساعت زمان نیاز داشته باشد.
اگر بتوان این تجربه را مستندسازی، نمایه‌سازی و در زمان نیاز ارائه کرد، سازمان وابستگی کمتری به تعداد محدودی از افراد خواهد داشت.
این موضوع اهمیت مهندسان باتجربه را کمتر نمی‌کند. در واقع، دانش آن‌ها ارزشمندتر می‌شود، زیرا می‌توان آن را در میان جمعیت بسیار بزرگ‌تری از تکنسین‌ها ثبت و دوباره استفاده کرد.
مقیاس‌دهی از یک کارخانه تا عملیات جهانی
راکول قصد دارد کوپایلوت تعمیر و نگهداری را به مکان‌های تولیدی در توینزبورگ، اوهایو، و همچنین لهستان و مکزیک گسترش دهد.
مقیاس‌دهی یک کاربرد هوش مصنوعی صنعتی از یک کارخانه به چندین تأسیسات، چالش‌های مهندسی بیشتری ایجاد خواهد کرد. ماشین‌ها، رویه‌ها، زبان‌ها، شیوه‌های تعمیر و نگهداری و مجموعه‌داده‌های تاریخی می‌توانند بین سایت‌ها متفاوت باشند.
بنابراین، یک سیستم مقیاس‌پذیر در سطح جهانی به معماری مشترکی نیاز دارد و در عین حال باید امکان استفاده از دانش خاص هر سایت را فراهم کند.
اینجاست که داده‌های مبتنی بر ابر، هویت، امنیت و خدمات هوش مصنوعی می‌توانند مزیتی ایجاد کنند؛ مشروط بر اینکه داده‌های عملیاتی زیربنایی به‌درستی مدیریت و حاکمیت شوند.
مرحله بعدی تعمیر و نگهداری صنعتی
استقرار در سنگاپور، تغییر گسترده‌تری را در اتوماسیون صنعتی نشان می‌دهد.
نسل‌های پیشین دیجیتالی‌سازی تمرکز زیادی بر جمع‌آوری داده‌های ماشین داشتند. مرحله بعدی بیش‌ازپیش بر مفید کردن این داده‌ها برای افرادی متمرکز است که باید تجهیزات فیزیکی را عیب‌یابی، تعمیر و بهره‌برداری کنند.
بعید است کاربردی‌ترین سیستم‌های هوش مصنوعی صنعتی صرفاً به این دلیل موفق شوند که می‌توانند پاسخ‌های قانع‌کننده تولید کنند. آن‌ها زمانی موفق خواهند شد که بتوانند شرایط واقعی ماشین را به اطلاعات مهندسی قابل‌اعتماد و یک جریان کاری انسانی مناسب متصل کنند.
برای تیم‌های تعمیر و نگهداری، این می‌تواند به معنای زمان کمتر برای جست‌وجوی دفترچه‌های راهنما، دسترسی سریع‌تر به رویه‌های اثبات‌شده عیب‌یابی و رویکردی منسجم‌تر در قبال خطاهای تکرارشونده باشد.
فرصت بلندمدت حتی گسترده‌تر است: حفظ دانش مهندسی، تسریع توسعه نیروی کار و استفاده از هوش مصنوعی به‌عنوان یک لایه اطلاعاتی اضافی پیرامون سیستم‌های موجود PLC، DCS، SCADA، MES و تعمیر و نگهداری.
