„Rockwell Automation“ taiko generatyvųjį dirbtinį intelektą praktinei pramonės problemai spręsti: kaip užfiksuoti dešimtmečius kauptas priežiūros žinias ir padaryti jas iškart panaudojamas technikams. Singapūro gamybos vietoje dirbtiniu intelektu paremtas priežiūros asistentas sujungia mašinų dokumentaciją, gamybos duomenis ir patyrusių inžinierių gedimų šalinimo žinias, kad padėtų technikams nustatyti gedimus ir atlikti struktūrizuotus korekcinius veiksmus.
Nuo gedimų šalinimo pagal vadovus prie žiniomis grįstos priežiūros
Tradicinis mašinų gedimų šalinimas dažnai priklauso nuo to, ar technikas vadove randa tinkamą aliarmo kodą, įvertina galimas priežastis ir nusprendžia, kokį korekcinį veiksmą pirmiausia išbandyti. Kai dokumentacijos nepakanka, paprastai kreipiamasi į patyrusį techniką, kuris anksčiau susidūrė su tokiu pačiu gedimu.
Šis procesas turi du apribojimus. Pirma, gedimų šalinimas gali užtrukti daug laiko, kol įranga lieka neprieinama. Antra, didelė dalis naudingiausios informacijos gali egzistuoti tik kaip neformalios „genties žinios“, kurias turi patyrę darbuotojai.
„Rockwell“ priežiūros asistentas keičia prieigos prie šios informacijos būdą. Užuot rankiniu būdu ieškoję šimtuose puslapių, technikai gali natūralia kalba apibūdinti įrenginio simptomą ir gauti informaciją, suskirstytą pagal simptomą, galimą priežastį ir rekomenduojamą veiksmą.
Tai svarbus skirtumas pramoninėje aplinkoje: dirbtinio intelekto vertė nėra vien tekstų generavimas. Praktinė jo vertė atsiranda tada, kai esamas inžinerines žinias lengviau rasti tuo metu, kai reikia priimti sprendimą dėl priežiūros.
Dešimtmečių inžinerinės patirties užfiksavimas
Singapūro sistemoje naudojamos patyrusių „Rockwell“ inžinierių, įskaitant darbuotojus, turinčius 20–30 metų darbo ceche patirties, pateiktos gedimų šalinimo žinios.
Šios žinios gali apimti detales, kurias sunku užfiksuoti įprastuose vadovuose: kurie simptomai dažniausiai pasireiškia kartu, kurie komponentų gedimai yra dažni, ką paprastai reiškia konkretus aliarmas ir kaip panašios problemos buvo išspręstos kitose gamybos linijose.
Priežiūros organizacijoms tai sukuria galimybę išsaugoti žinias.
Patyrę technikai ilgainiui išeina į pensiją arba pereina į kitas pareigas. Jei nėra struktūrizuoto būdo jų patirčiai užfiksuoti, organizacija gali prarasti praktines gedimų šalinimo žinias, net jei oficiali dokumentacija išlieka prieinama.
DI sistema negali pakeisti šios patirties, tačiau gali suteikti paieškos sąsają prie jau dokumentuotų ir struktūruotų žinių.
Struktūruotesnė trikčių šalinimo eiga
Vienas techniškai įdomių sistemos aspektų yra priežiūros informacijos organizavimas pagal požymį, priežastį ir reakciją.
Ši struktūra primena logiką, kurią jau taiko patyrę priežiūros inžinieriai:
- Nustatykite stebimą mašinos požymį.
- Nustatykite labiausiai tikėtinas priežastis.
- Patikrinkite atitinkamą įrangą arba signalą.
- Atlikite tinkamus korekcinius veiksmus.
- Patikrinkite, ar mašina grįžo į numatytą veikimo būseną.
DI asistentas taip pat gali pateikti kitų technikų komentarus ir patirtį bei susieti trikčių šalinimo informaciją su esamais mašinų vadovais.
Inžineriniu požiūriu šis metodas yra naudingesnis nei didelio kalbos modelio laikymas nepriklausomu diagnostikos autoritetu. Modelis tampa kontroliuojamos techninės informacijos sąsaja, o ne vieninteliu tiesos šaltiniu.
Prastovų ir priežiūros išlaidų mažinimas
Remiantis „Rockwell“ vidiniu stebėjimu, kurį cituoja „Microsoft“, Singapūro padalinys sumažino mašinų prastovas 33% įdiegus priežiūros metodą. Pranešta, kad priežiūros ir atsarginių dalių išlaidos sumažėjo maždaug 25%.
Šiuos skaičius reikėtų vertinti kaip „Rockwell“ nurodytus vidinius rezultatus, o ne universalius DI pagrįstos priežiūros veiksmingumo rodiklius.
Vis dėlto techninis patobulinimo mechanizmas yra suprantamas. Jei technikai gali greičiau nustatyti tikėtinas priežastis, galima sumažinti nereikalingų trikčių šalinimo ciklų skaičių. Greitesnė diagnostika taip pat gali sutrumpinti įrangos nepasiekiamumo laiką ir padėti technikams nekeisti komponentų neturint pakankamai įrodymų.
Todėl didžiausia nauda gali būti gaunama ne iš paties DI modelio, o sutrumpinus kelią tarp mašinos požymio -> aktualių žinių -> inžinerinio veiksmo.
DI taip pat gali sutrumpinti technikų mokymosi laiką
Kita taikymo sritis - darbuotojų įvedimas į darbą.
„Rockwell“ praneša, kad technikams, kuriems anksčiau prireikdavo maždaug devynių mėnesių, kad įgytų įgūdžių diagnozuoti šimtų mašinų gedimus, su dirbtinio intelekto pagalba tokį lygį pasiekti gali prireikti maždaug trijų mėnesių.
Tai sprendžia dažną šiuolaikinės gamybos iššūkį: įrangos sudėtingumas didėja, o patyrusių techninės priežiūros darbuotojų ne visada pakanka.
Naujam technikui AI asistentas gali suteikti kontekstinę prieigą prie mašinos dokumentacijos ir anksčiau užfiksuotos gedimų šalinimo patirties. Tai nepanaikina praktinio mokymo, elektros saugos žinių ar konkrečiai įrangai reikalingos kompetencijos poreikio. Vietoj to gali sutrumpėti laikas, praleidžiamas vien informacijos paieškai.
Skirtumas yra svarbus. AI gali paspartinti prieigą prie informacijos, tačiau nepakeičia praktinių diagnostikos įgūdžių.
AI susiejimas su pramoninių duomenų sluoksniu
„Rockwell“ sprendime naudojamos „Microsoft Azure“ technologijos, įskaitant „Azure OpenAI Service“, „Azure AI Search“ bei „Microsoft“ saugos, tapatybės nustatymo ir valdymo galimybes.
Ši architektūra iliustruoja svarbią pramoninio AI kryptį: kalbos modelių integravimą su įmonės ir veiklos informacija, o ne jų naudojimą kaip izoliuotų pokalbių programų.
Techninės priežiūros taikymams naudingi duomenys gali būti gaunami iš kelių šaltinių:
- Mašinų naudojimo instrukcijos
- Techninės priežiūros įrašai
- Pavojaus signalų ir gedimų informacija
- Technikų gedimų šalinimo pastabos
- Gamybos programinė įranga
- Įrangos istorija
- Gamybos linijos stebėjimai
Todėl inžinerinis iššūkis nėra vien AI modelio pasirinkimas. Svarbu sukurti patikimus duomenų šaltinius, prieigos kontrolę, informacijos paiešką ir modelio valdymo sistemą.
AI turi padėti inžinieriams, o ne apeiti inžinerines valdymo priemones
Yra praktinis apribojimas, kurio nereikėtų nepaisyti.
AI sistemos sugeneruota techninės priežiūros rekomendacija neturėtų automatiškai tapti mašinos valdymo komanda. Pramoninė įranga gali kelti elektros, mechaninės energijos, proceso pavojus ir būti susijusi su saugos instrumentinėmis funkcijomis.
Dėl šios priežasties AI padedamas gedimų šalinimas tinkamiausias kaip sprendimų palaikymo sluoksnis. Technikas lieka atsakingas už fizinės įrangos būklės patikrinimą ir nustatytų techninės priežiūros, blokavimo ir ženklinimo bei saugos procedūrų taikymą.
Kritinėse valdymo ir saugos sistemose ypač svarbu atskirti AI sukurtą informaciją nuo deterministinės valdymo logikos.
AI gali padėti atsakyti:
„Ką turėčiau ištirti?“
Jis neturėtų savarankiškai nuspręsti:
„Atlik šį saugai kritinį veiksmą.“
Ši riba bus svarbi gamintojams pereinant nuo DI padedamos techninės priežiūros prie vis labiau autonomiškos veiklos.
Ne tik techninė priežiūra: kokybė ir prognozuojamosios operacijos
Singapūro gamykla DI naudoja ne tik techninei priežiūrai.
„Rockwell“ taip pat aprašo kelių agentų kokybės sistemą, skirtą surinkimo metu aptikti ir pašalinti gaminių defektus, kartu su prognozuojamosios techninės priežiūros galimybėmis, skirtomis nustatyti sąlygas, galinčias sukelti neplanuotą įrangos prastovą.
Šis derinys sukuria platesnę pramoninę architektūrą:
Veiklos duomenys -> DI analizė -> inžinerinė įžvalga -> žmogaus arba automatizuotas veiksmas -> grįžtamasis ryšys
Tai reikšmingiau nei atskiro pokalbių roboto diegimas. Tai reiškia laipsnišką DI integravimą į kelis gamybos ciklo etapus.
Pasaulio ekonomikos forumas, 2026 m. birželį Singapūro gamyklą pripažindamas Pasauliniu švyturio objektu, taip pat nurodė tokius pagerėjimus kaip 43 % padidėjęs vienam žmogaus darbo valandai tenkantis vienetų skaičius, 35 % sumažėjęs defektų skaičius ir 67 % sutrumpėjęs laikas, reikalingas kompetencijai įgyti.
Šie rezultatai apima kelias technologijas ir veiklos pokyčius, todėl jų nereikėtų priskirti vien techninės priežiūros kopilotui.
Mano, kaip inžinieriaus, požiūris: duomenų kokybė yra tikrasis pagrindas
Svarbiausia šio projekto pamoka yra ne GPT modelio pasirinkimas.
Pramoniniam DI pagrindiniai inžineriniai duomenys paprastai yra svarbesni už pokalbio sąsają. Jei techninės priežiūros įrašai neišsamūs, mašinų dokumentacija pasenusi arba trikčių šalinimo žinios prastai struktūrizuotos, sudėtingesnis modelis savaime nepriims geresnių techninės priežiūros sprendimų.
Todėl sėkmingam diegimui reikia kelių pagrindų:
- Tiksli informacija apie įrangą ir turtą
- Nuoseklūs gedimų ir techninės priežiūros įrašai
- Struktūrizuotos inžinerijos žinios
- Aiškiai apibrėžta informacijos nuosavybė
- Tinkamos kibernetinio saugumo kontrolės priemonės
- Prieiga pagal vaidmenį
- Žmogaus atliekamas rekomendacijų patvirtinimas
- Grįžtamojo ryšio mechanizmai neteisingai informacijai taisyti
Kitaip tariant, DI atskleidžia organizacijos pramoninių žinių bazės kokybę. Įmonės, kurios metų metus prižiūrėjo tvarkingus įrangos duomenis ir drausmingai tvarkė techninės priežiūros įrašus, greičiausiai turi tvirtesnį pagrindą diegti pramoninį DI.
Nuo individualios kompetencijos iki organizacijos žinių
Gilesnė „Rockwell“ požiūrio vertė yra bandymas individualią techniko patirtį paversti organizacijos žiniomis.
Labai patyręs inžinierius gali per kelias minutes atpažinti gedimo požymį, nes su juo susidūrė daugybę kartų. Naujesniam technikui gali prireikti kelių valandų, kad padarytų tokią pačią išvadą.
Jei šią patirtį galima dokumentuoti, indeksuoti ir pateikti tada, kai jos reikia, organizacija tampa mažiau priklausoma nuo nedidelio skaičiaus žmonių.
Dėl to patyrę inžinieriai netampa mažiau svarbūs. Priešingai, jų žinios tampa dar vertingesnės, nes jas galima užfiksuoti ir pakartotinai panaudoti daug didesnėje technikų bendruomenėje.
Nuo vienos gamyklos iki pasaulinės veiklos masto
„Rockwell“ planuoja išplėsti techninės priežiūros kopilotą į gamybos vietas Twinsburge, Ohajo valstijoje, taip pat Lenkijoje ir Meksikoje.
Plečiant pramoninio dirbtinio intelekto taikomąją programą iš vienos gamyklos į kelias gamybos vietas, kils papildomų inžinerinių iššūkių. Įrenginiai, procedūros, kalbos, techninės priežiūros praktika ir istoriniai duomenų rinkiniai skirtingose vietose gali skirtis.
Todėl pasauliniu mastu plečiamai sistemai reikia bendros architektūros, kartu išsaugant konkrečios vietos žinias.
Būtent čia debesijos pagrindu teikiami duomenų, tapatybės, saugumo ir dirbtinio intelekto sprendimai gali suteikti pranašumą, jei tik pagrindiniai veiklos duomenys tinkamai valdomi.
Kitas pramoninės techninės priežiūros etapas
Diegimas Singapūre iliustruoja platesnį pramoninės automatikos pokytį.
Ankstesnės skaitmeninimo kartos daugiausia dėmesio skyrė įrenginių duomenų rinkimui. Kitas etapas vis labiau orientuojasi į tai, kad šie duomenys būtų naudingi žmonėms, kurie turi diagnozuoti, prižiūrėti ir eksploatuoti fizinę įrangą.
Mažai tikėtina, kad praktiškiausios pramoninio dirbtinio intelekto sistemos bus sėkmingos vien todėl, kad gali generuoti įtikinamus atsakymus. Jos bus sėkmingos tada, kai galės susieti tikras įrenginių būsenas su patikima inžinerine informacija ir tinkamu žmogaus darbo procesu.
Techninės priežiūros komandoms tai galėtų reikšti mažiau laiko, skiriamo vadovų paieškai, greitesnę prieigą prie patikrintų trikčių šalinimo procedūrų ir nuoseklesnį pasikartojančių gedimų sprendimą.
Ilgalaikė galimybė yra dar platesnė: išsaugoti inžinerines žinias, paspartinti darbuotojų ugdymą ir naudoti dirbtinį intelektą kaip papildomą informacijos sluoksnį esamoms PLC, DCS, SCADA, MES ir techninės priežiūros sistemoms.
