Dirbtinis intelektas vis labiau pastebimas gamybos cechuose – nuo prognozuojamosios techninės priežiūros ir mašininės regos iki gamybos analitikos bei AI padedamo gedimų šalinimo. Tačiau gamyklų vadovams svarbiausias klausimas jau nebe tas, ar AI galima taikyti gamyboje. Praktiškesnis klausimas – ar jis gali išspręsti aiškiai apibrėžtą veiklos problemą ir užtikrinti išmatuojamą pagerėjimą, netrikdydamas esamų valdymo sistemų.
AI plečia automatikos vaidmenį
Tradicinė pramoninė automatika skirta nuosekliai vykdyti iš anksto apibrėžtą logiką. PLC, DCS platformos, SCADA sistemos, pavaros, saugos sistemos ir prietaisai tebėra atsakingi už fizinių procesų valdymą pagal nustatytas taisykles.
AI suteikia dar vieną sluoksnį. Užuot tik vykdžiusi užprogramuotą seką, AI sistema gali analizuoti didelius kiekius istorinių ir realiojo laiko duomenų bei nustatyti ryšius, kuriuos žmogui būtų sunku pastebėti rankiniu būdu.
Pavyzdžiui, gamybos duomenis galima sujungti su vibracijos matavimais, variklio srove, temperatūra, techninės priežiūros įrašais, aliarmų istorija ir eksploatavimo sąlygomis, kad būtų galima nustatyti įrangos dėvėjimąsi rodančius dėsningumus.
Inžineriniu požiūriu šis skirtumas svarbus. AI nereikėtų laikyti valdymo sluoksnio pakaitalu. Daugumoje gamyklų artimiausiu metu jis greičiausiai bus vertingesnis padėdamas priimti sprendimus, susijusius su valdymo sistema, o ne pakeisdamas deterministinę valdymo logiką.
Žinių trūkumas gali būti svarbesnis už darbo jėgos trūkumą
Daugelis gamybos organizacijų per dešimtmečius sukaupė daug praktinių žinių, kurias turi patyrę operatoriai, technikai, techninės priežiūros darbuotojai ir valdymo sistemų inžinieriai. Tačiau didelė šių žinių dalis saugoma ne formaliose duomenų bazėse.
Žinios gali būti užfiksuotos techninės priežiūros pastabose, ranka rašytuose įrašuose, gedimų šalinimo procedūrose, senuose brėžiniuose, operatorių įpročiuose, inžineriniuose dokumentuose arba tiesiog 25 metus su ta pačia mašina dirbusio techniko atmintyje.
Patyrusiems darbuotojams išeinant į pensiją, kyla rimta žinių perdavimo problema.
Pramoninis AI gali susieti mašinų duomenis su vadovais, standartinėmis darbo procedūromis, techninės priežiūros istorija, aliarmų įrašais ir kitais dokumentais. Tuomet mažiau patyręs technikas, tirdamas neįprastą būklę, gali gauti daugiau konteksto.
Tai nepanaikina patyrusių inžinierių poreikio. Priešingai, jų žinios gali tapti lengviau prieinamos dirbant skirtingomis pamainomis ir skirtingose gamybos zonose.
Mano nuomone, tai viena perspektyviausių artimiausio laikotarpio AI taikymo sričių gamyboje: operacinės veiklos žinių išsaugojimas ir sklaida, o ne bandymas automatizuoti kiekvieną žmogaus priimamą sprendimą.
Geriausi dirbtinio intelekto projektai prasideda nuo gamybos problemos
Dažna klaida – pradėti nuo technologijos.
Įmonė pasirenka dirbtinio intelekto platformą, parengia bandomąjį projektą, prijungia kelis duomenų šaltinius ir tik tada klausia, kokį verslo rezultatą sistema turėtų duoti.
Inžinerinį požiūrį reikėtų apversti.
Pradėkite nuo išmatuojamos problemos:
- Dėl kurių įrenginių dažniausiai patiriama neplanuotų prastovų?
- Dėl kurių proceso nuokrypių susidaro didžiausios broko išlaidos?
- Kurių gedimų paieškai ir šalinimui technikai skiria pernelyg daug laiko?
- Dėl kurių pavojaus signalų nuolat prireikia vyresniųjų inžinierių pagalbos?
- Kurioms rankinio tikrinimo užduotims atlikti reikia daug darbo jėgos?
- Kur energijos suvartojimas didesnis, nei tikėtasi?
- Kuriuos gamybos parametrus sunku optimizuoti įprastais metodais?
Apibrėžus problemą, dirbtinis intelektas tampa vienu iš galimų inžinerinių sprendimų, o ne pačiu tikslu.
Galiausiai naudingas projektas turėtų būti susietas su tokiais gamyklos rodikliais kaip prastovos, našumas, išeiga, brokas, priežiūros išlaidos, kokybė, darbo jėgos panaudojimas ar energijos sąnaudos.
Bandomasis projektas dar nereiškia naudos gamyboje
Gamintojai atliko daugybę dirbtinio intelekto bandymų, tačiau sėkminga demonstracija savaime nereiškia, kad gamybos sistema veiks sėkmingai.
Bandomasis projektas gali tiksliai aptikti įrenginio anomaliją, kai naudojamas ribotas duomenų rinkinys ir kontroliuojamos sąlygos. Gamybos aplinka kitokia. Jutikliai gali sugesti, prietaisus gali tekti iš naujo kalibruoti, PLC logika gali keistis, gamybos receptūros gali būti koreguojamos, tinklo ryšys gali nutrūkti, o darbuotojai gali elgtis kitaip, nei numatyta kuriant sistemą.
Būtent čia daugeliui dirbtinio intelekto iniciatyvų kyla sunkumų.
Tikrasis išbandymas nėra tai, ar dirbtinio intelekto modelis veikia demonstracijos metu. Tikrasis išbandymas – ar jis ir toliau teikia naudingos informacijos, kai integruojamas į įprastas gamyklos darbo procedūras.
Esamos automatizavimo infrastruktūros nereikėtų ignoruoti
Gamybos įmonės retai gali sau leisti pradėti nuo visiškai naujos architektūros.
Tipinėje gamykloje gali būti kelių kartų PLC, paskirstytosios valdymo sistemos (DCS) valdiklių, žmogaus ir mašinos sąsajų (HMI), SCADA sistemų, duomenų archyvų, nuotolinių įvesties ir išvesties modulių, kintamojo dažnio pavarų, būklės stebėjimo įrangos, pramoninių Ethernet tinklų ir senų nuosekliųjų sąsajų įrenginių.
Paprastai nepraktiška keisti šią infrastruktūrą vien tam, kad būtų įdiegtas dirbtinis intelektas.
Todėl realistiškiau yra modernizuoti esamas sistemas. Duomenis galima rinkti iš esamų duomenų archyvų, OPC sąsajų, programuojamųjų loginių valdiklių (PLC), būklės stebėjimo sistemų, duomenų bazių ir kitų prieinamų šaltinių, nekeičiant pagrindinės valdymo architektūros.
Taip pat taikant šį metodą sumažėja rizika be reikalo keisti patvirtintas gamybos sistemas.
Tikslas turėtų būti pritaikyti išmanius sprendimus prie patikrintos automatizavimo infrastruktūros, o ne rekonstruoti visą gamyklą vien dėl atsiradusios naujos technologijos.
Duomenų kokybė lemia AI kokybę
AI negali kompensuoti prastos pramoninių duomenų kokybės.
Jei prietaisų žymos nurodytos neteisingai, laiko žymos nesutampa, jutiklių duomenyse yra spragų, įrangos būsenos nedokumentuotos arba istoriniams duomenims trūksta konteksto, gautas modelis gali pateikti techniškai įspūdingas, bet veiklos požiūriu klaidinančias išvadas.
Ši problema dažnai nepakankamai įvertinama, nes gamybos duomenys generuojami nuolat. Didelis duomenų kiekis nebūtinai reiškia, kad duomenys yra kokybiški.
Prieš diegdami AI taikymą, inžinieriai turėtų suprasti:
- Iš kur gaunami duomenys
- Kaip kalibruojami jutikliai ir prietaisai
- Ar laiko žymos sinchronizuotos
- Kaip nustatomos įrangos būsenos
- Kaip tvarkomos trūkstamos reikšmės
- Ar ankstesni techninės priežiūros įvykiai tiksliai dokumentuoti
- Kam priklauso duomenys – darbuotojams ar sistemoms
- Kaip PLC ir DCS konfigūracijų pakeitimai veikia duomenų reikšmę
Paprastas, gerai dokumentuotas duomenų rinkinys gali būti vertingesnis už milijonus įrašų, kuriems trūksta konteksto.
Sauga turi likti atskirta nuo AI eksperimentų
Neteisingos AI rekomendacijos pasekmės labai priklauso nuo taikymo srities.
Naudoti AI techninės priežiūros įrašams apibendrinti iš esmės skiriasi nuo leidimo AI sugeneruotam sprendimui tiesiogiai paveikti su sauga susijusį išjungimą.
Procesų pramonėje, chemijos gamyklose, naftos perdirbimo gamyklose, elektrinėse ir kitose didelių pasekmių rizikos aplinkose deterministinės saugos funkcijos turi veikti pagal nustatytus inžinerijos principus ir taikomus saugos reikalavimus.
AI gali padėti vykdyti stebėseną, diagnostiką, anomalijų aptikimą ir priimti sprendimus, tačiau tai nereiškia, kad jam reikėtų automatiškai suteikti įgaliojimus valdyti saugos funkcijas.
Praktiškoje architektūroje turėtų būti aiškiai apibrėžta, ką AI leidžiama stebėti, ką rekomenduoti ir kokie veiksmai turi likti įprastų valdymo sistemų ar saugos logikos kompetencijoje.
Gamyklų vadovams nereikia tapti duomenų mokslininkais
Dar viena klaidinga nuomonė – kad gamyklų vadovai staiga turi tapti mašininio mokymosi, didžiųjų kalbos modelių ir AI agentų ekspertais.
Jie turi suprasti, ką šios technologijos gali ir ko negali, tačiau vertingiausios išlieka jų veiklos žinios.
Gamyklos vadovas supranta gamybos apribojimus, techninės priežiūros prioritetus, darbuotojų gebėjimus, kokybės reikalavimus, saugos lūkesčius ir finansines prastovų pasekmes.
Šios žinios būtinos norint nustatyti, ar AI taikymas sprendžia reikšmingą problemą.
Todėl stipriausios įgyvendinimo komandos suburia įvairių sričių specialistus: veiklos, techninės priežiūros, valdymo sistemų inžinerijos, IT/OT tinklų, duomenų inžinerijos, kibernetinio saugumo ir dirbtinio intelekto.
AI projektai daug dažniau būna sėkmingi, kai sistemą kuriantys žmonės supranta, kaip iš tikrųjų veikia gamykla.
Prieš plečiant sprendimą, reikia įvertinti investicijų grąžą
Prieš diegiant dirbtinio intelekto sprendimą, reikėtų nustatyti pradinius rodiklius.
Pavyzdžiui, jei prognozinės techninės priežiūros tikslas – sumažinti prastovas, organizacija turėtų nustatyti su tuo susijusių gedimų ankstesnį dažnį, trukmę ir išlaidas. Jei dirbtinis intelektas naudojamas kokybei tikrinti, reikėtų užfiksuoti esamą defektų lygį ir patikros darbo krūvį.
Įdiegus sprendimą, tuos pačius rodiklius galima palyginti su pradiniais.
Taip tampa daug lengviau priimti sprendimą dėl investicijų.
Projektas, per kiekvieną incidentą sutrumpinantis trikčių šalinimą 30 minučių, vienoje gamykloje gali būti vertingas, o kitoje – nereikšmingas. Taip pat nedidelis broko dalies sumažėjimas gali reikšti didelę finansinę naudą didelės apimties gamybos linijoje.
Svarbiausia tai, kad dirbtinio intelekto investicijų grąža priklauso nuo gamyklos ir turėtų būti apskaičiuojama pagal veiklos rezultatus, o ne pagal technologijos sudėtingumą.
Žmogaus priežiūra išliks svarbi
Gamybos procesai vyksta laikantis fizinių apribojimų, kurių ne visada įmanoma tiksliai atvaizduoti istoriniuose duomenyse.
Patyręs inžinierius gali suprasti, kad neįprasta jutiklio reikšmė atsirado dėl prietaiso, o ne dėl proceso problemos. Technikas gali žinoti, kad konkreti mašina paleidimo metu veikia kitaip. Operatorius gali išmanyti gamybos sąlygą, kuri nėra tinkamai užfiksuota duomenų bazėje.
Dirbtinis intelektas gali aptikti dėsningumus, tačiau veiklos kontekstą supranta žmonės.
Todėl manau, kad veiksmingiausiose gamybos sistemose bus taikomas žmogaus įsitraukimo ciklas. Dirbtinis intelektas aptinka anomalijas, susistemina informaciją, pasiūlo galimas priežastis arba nustato veiksmų prioritetus, o kvalifikuoti darbuotojai lieka atsakingi už sprendimus, turinčius pasekmių veiklai.
Kitas etapas – integracija, ne vien automatizavimas
Diskusija apie dirbtinio intelekto taikymą gamyboje pamažu peržengia pavienių bandomųjų projektų ribas.
Kitas iššūkis – integracija: dirbtinio intelekto galimybių susiejimas su esamomis automatizavimo sistemomis, techninės priežiūros darbo procesais, inžinerine dokumentacija, duomenų istorijų sistemomis, turto valdymo sistemomis ir veiklos procedūromis.
Tam reikės ne vien įsigyti dirbtinio intelekto platformą. Gamykloms reikės aiškiai apibrėžtos atsakomybės už duomenis, standartizuotos informacijos, kibernetinio saugumo priemonių, dokumentuotų darbo procesų ir žmonių, išmanančių tiek pramonines sistemas, tiek šiuolaikinę programinę įrangą.
Daugiausia naudos iš dirbtinio intelekto gaus ne tie gamintojai, kurie įdiegs daugiausia modelių. Ją gaus organizacijos, kurios nustatys konkrečias veiklos problemas, susies su jomis patikimus pramoninius duomenis, patikrins rezultatus padedamos patyrusių darbuotojų ir plės sprendimus tik įrodžiusios išmatuojamą naudą.
