Kecerdasan buatan semakin ketara di lantai pembuatan, daripada penyelenggaraan ramalan dan penglihatan mesin kepada analisis pengeluaran dan penyelesaian masalah dengan bantuan AI. Namun, persoalan sebenar bagi pengurus kilang bukan lagi sama ada AI boleh digunakan dalam sektor pembuatan. Persoalan yang lebih praktikal ialah sama ada AI boleh menyelesaikan masalah operasi yang ditakrifkan dengan jelas dan memberikan penambahbaikan yang boleh diukur tanpa mengganggu sistem kawalan sedia ada.
AI Memperluas Peranan Automasi
Automasi industri tradisional direka untuk melaksanakan logik yang telah ditetapkan secara konsisten. PLC, platform DCS, sistem SCADA, pemacu, sistem keselamatan dan instrumentasi kekal bertanggungjawab mengawal proses fizikal mengikut peraturan yang ditetapkan.
AI menambah satu lagi lapisan. Daripada sekadar melaksanakan urutan yang diprogramkan, sistem AI boleh menganalisis sejumlah besar maklumat sejarah dan masa nyata serta mengenal pasti perkaitan yang sukar dikesan secara manual.
Sebagai contoh, data pengeluaran boleh digabungkan dengan ukuran getaran, arus motor, suhu, rekod penyelenggaraan, sejarah penggera dan keadaan operasi untuk mengenal pasti corak yang berkaitan dengan kemerosotan peralatan.
Dari sudut kejuruteraan, perbezaan ini penting. AI tidak sepatutnya dilihat sebagai pengganti lapisan kawalan. Di kebanyakan kilang, nilai segera AI lebih berkemungkinan datang daripada menyokong keputusan berkaitan sistem kawalan dan bukannya menggantikan logik kawalan deterministik.
Jurang Pengetahuan Mungkin Lebih Penting daripada Jurang Tenaga Kerja
Banyak organisasi pembuatan telah mengumpulkan pengetahuan praktikal selama berdekad-dekad melalui pengendali, juruteknik, kakitangan penyelenggaraan dan jurutera kawalan yang berpengalaman. Namun, kebanyakan pengetahuan itu tidak terdapat dalam pangkalan data rasmi.
Pengetahuan itu mungkin terkandung dalam nota penyelenggaraan, rekod tulisan tangan, prosedur penyelesaian masalah, lukisan lama, tabiat pengendali, dokumen kejuruteraan atau sekadar ingatan juruteknik yang telah mengendalikan mesin yang sama selama 25 tahun.
Apabila kakitangan berpengalaman bersara, masalah pemindahan pengetahuan yang ketara akan timbul.
AI industri berpotensi menghubungkan data mesin dengan manual, prosedur operasi standard, sejarah penyelenggaraan, rekod penggera dan dokumentasi lain. Juruteknik yang kurang berpengalaman kemudian boleh mendapatkan lebih banyak konteks semasa menyiasat keadaan luar biasa.
Ini tidak menghapuskan keperluan terhadap jurutera berpengalaman. Sebaliknya, langkah ini boleh memudahkan perkongsian pengetahuan mereka merentas syif dan kawasan pengeluaran.
Pada pandangan saya, ini ialah antara aplikasi AI paling berpotensi dalam masa terdekat di sektor pembuatan: mengekalkan dan menyebarkan pengetahuan operasi, bukannya cuba mengautomasikan setiap keputusan manusia.
Projek AI Terbaik Bermula dengan Masalah di Kilang
Kesilapan lazim ialah bermula dengan teknologi.
Sebuah syarikat memilih platform AI, membangunkan projek perintis, menyambungkan beberapa sumber data, kemudian barulah bertanya apakah hasil perniagaan yang sepatutnya dicapai oleh sistem itu.
Pendekatan kejuruteraan sepatutnya diterbalikkan.
Mulakan dengan masalah yang boleh diukur:
- Aset yang manakah menyebabkan masa henti tidak terancang paling lama?
- Penyimpangan proses yang manakah menyebabkan kos produk buangan paling tinggi?
- Di manakah juruteknik menghabiskan terlalu banyak masa untuk menyelesaikan masalah?
- Penggera yang manakah berulang kali memerlukan sokongan jurutera kanan?
- Aktiviti pemeriksaan manual yang manakah menggunakan tenaga kerja yang banyak?
- Di manakah penggunaan tenaga lebih tinggi daripada jangkaan?
- Parameter pengeluaran yang manakah sukar dioptimumkan menggunakan kaedah konvensional?
Setelah masalah ditakrifkan, AI menjadi salah satu penyelesaian kejuruteraan yang mungkin, bukannya matlamat itu sendiri.
Projek yang berguna seharusnya akhirnya dikaitkan dengan metrik kilang seperti masa henti, kadar pengeluaran, hasil, produk buangan, kos penyelenggaraan, kualiti, penggunaan tenaga kerja atau penggunaan tenaga.
Projek Perintis Tidak Sama dengan Nilai Pengeluaran
Pengilang telah menjalankan banyak eksperimen AI, tetapi demonstrasi yang berjaya tidak semestinya menghasilkan sistem pengeluaran yang berjaya.
Projek perintis mungkin berjaya mengenal pasti anomali mesin apabila beroperasi dengan set data terhad dalam keadaan terkawal. Persekitaran pengeluaran berbeza. Penderia mungkin gagal, instrumen mungkin ditentukur semula, logik PLC mungkin berubah, resipi pengeluaran mungkin diubah suai, sambungan rangkaian mungkin tidak tersedia dan kakitangan operasi mungkin bertindak secara berbeza daripada andaian yang digunakan semasa pembangunan.
Inilah perkara yang menyukarkan banyak inisiatif AI.
Ujian sebenar bukanlah sama ada model AI berfungsi dalam demonstrasi. Ujian sebenar ialah sama ada model itu terus memberikan maklumat yang berguna selepas disepadukan ke dalam prosedur operasi biasa kilang.
Infrastruktur Automasi Sedia Ada Tidak Patut Diabaikan
Kilang pembuatan jarang mempunyai kemewahan untuk bermula dengan seni bina yang serba baharu.
Sebuah kemudahan lazimnya mungkin mengandungi pelbagai generasi PLC, pengawal DCS, HMI, sistem SCADA, sistem historian, I/O jauh, pemacu frekuensi boleh ubah, peralatan pemantauan keadaan, rangkaian Ethernet industri dan peranti bersiri legasi.
Menggantikan infrastruktur ini semata-mata untuk memperkenalkan AI biasanya tidak praktikal.
Oleh itu, strategi naik taraf pada sistem sedia ada lebih realistik. Data boleh dikumpulkan daripada sistem historian sedia ada, antara muka OPC, PLC, sistem pemantauan keadaan, pangkalan data dan sumber lain yang tersedia, sambil mengekalkan seni bina kawalan utama.
Pendekatan ini juga mengurangkan risiko memperkenalkan perubahan yang tidak perlu ke dalam sistem pengeluaran yang telah disahkan.
Matlamatnya sepatutnya menambah kecerdasan pada infrastruktur automasi yang telah terbukti, bukannya membina semula seluruh kilang hanya kerana teknologi baharu muncul.
Kualiti Data Menentukan Kualiti AI
AI tidak dapat mengimbangi data industri yang lemah.
Jika tag instrumen dikenal pasti secara salah, cap masa tidak konsisten, nilai penderia mempunyai jurang, keadaan peralatan tidak didokumenkan atau data sejarah kekurangan konteks yang mencukupi, model yang terhasil mungkin menghasilkan kesimpulan yang mengagumkan dari segi teknikal tetapi mengelirukan dari segi operasi.
Masalah ini sering dipandang ringan kerana data pembuatan dijana secara berterusan. Kuantiti data yang banyak tidak semestinya bermakna datanya berkualiti tinggi.
Sebelum melaksanakan aplikasi AI, jurutera perlu memahami:
- Dari mana data itu berasal
- Bagaimana penderia dan instrumen ditentukur
- Sama ada cap masa disegerakkan
- Bagaimana keadaan peralatan dikenal pasti
- Bagaimana nilai yang hilang dikendalikan
- Sama ada kejadian penyelenggaraan terdahulu didokumenkan dengan tepat
- Kakitangan atau sistem yang mana memiliki data tersebut
- Bagaimana perubahan pada konfigurasi PLC dan DCS mempengaruhi makna data
Set data yang ringkas dan didokumenkan dengan baik mungkin lebih bernilai daripada berjuta-juta rekod yang kurang konteks.
Keselamatan Mesti Kekal Terpisah daripada Eksperimen AI
Akibat cadangan AI yang salah banyak bergantung pada aplikasi yang digunakan.
Menggunakan AI untuk merumuskan rekod penyelenggaraan amat berbeza daripada membenarkan keputusan yang dijana AI mempengaruhi secara langsung penutupan berkaitan keselamatan.
Dalam industri proses, loji kimia, kilang penapisan, kemudahan kuasa dan persekitaran lain yang berisiko tinggi, fungsi keselamatan deterministik mesti terus beroperasi mengikut prinsip kejuruteraan yang ditetapkan serta keperluan keselamatan yang berkenaan.
AI boleh membantu dalam pemantauan, diagnostik, pengesanan anomali dan sokongan keputusan, tetapi itu tidak bermakna AI patut diberikan kuasa secara automatik terhadap fungsi keselamatan.
Seni bina praktikal perlu mentakrifkan dengan jelas perkara yang dibenarkan untuk diperhatikan oleh AI, perkara yang dibenarkan untuk dicadangkannya dan tindakan yang mesti kekal di bawah kawalan konvensional atau logik keselamatan.
Pengurus Loji Tidak Perlu Menjadi Saintis Data
Satu lagi tanggapan salah ialah pengurus loji mesti tiba-tiba menjadi pakar dalam pembelajaran mesin, model bahasa besar dan ejen AI.
Mereka memang perlu memahami perkara yang boleh dan tidak boleh dilakukan oleh teknologi ini, tetapi kepakaran operasi tetap merupakan sumbangan mereka yang paling bernilai.
Pengurus loji memahami kekangan pengeluaran, keutamaan penyelenggaraan, keupayaan tenaga kerja, keperluan kualiti, jangkaan keselamatan dan kesan kewangan akibat masa henti.
Pengetahuan itu diperlukan untuk menentukan sama ada aplikasi AI menyelesaikan masalah yang bermakna.
Oleh itu, pasukan pelaksana yang paling mantap menggabungkan beberapa bidang kepakaran: operasi, penyelenggaraan, kejuruteraan kawalan, rangkaian IT/OT, kejuruteraan data, keselamatan siber dan pakar AI.
Projek AI lebih berkemungkinan berjaya apabila mereka yang membina sistem memahami cara loji beroperasi sebenarnya.
Pulangan Pelaburan Harus Diukur Sebelum Pengembangan Skala
Projek AI harus mempunyai garis dasar sebelum pelaksanaan.
Sebagai contoh, jika penyelenggaraan ramalan bertujuan mengurangkan masa henti, organisasi harus menetapkan kekerapan, tempoh dan kos sejarah bagi kegagalan yang berkaitan. Jika AI digunakan untuk pemeriksaan kualiti, kadar kecacatan sedia ada dan beban kerja pemeriksaan harus didokumenkan.
Selepas pelaksanaan, metrik yang sama boleh dibandingkan dengan garis dasar.
Hal ini menjadikan keputusan pelaburan jauh lebih jelas.
Projek yang mengurangkan masa penyelesaian masalah sebanyak 30 minit bagi setiap kejadian mungkin bernilai di sebuah kilang tetapi tidak begitu penting di kilang lain. Begitu juga, pengurangan kecil dalam peratusan produk rosak mungkin membawa peningkatan kewangan yang besar pada barisan pengeluaran volum tinggi.
Perkara pentingnya ialah pulangan pelaburan AI berbeza mengikut kilang dan harus dikira berdasarkan hasil operasi, bukan kecanggihan teknologi.
Pengawasan Manusia Akan Kekal Penting
Proses pembuatan beroperasi di bawah kekangan fizikal yang tidak sentiasa dapat diwakili dengan sempurna dalam data sejarah.
Jurutera berpengalaman mungkin menyedari bahawa bacaan sensor yang luar biasa berpunca daripada masalah instrumen, bukannya masalah proses. Juruteknik mungkin tahu bahawa mesin tertentu berfungsi secara berbeza semasa permulaan. Operator mungkin memahami keadaan pengeluaran yang tidak didokumenkan dengan betul dalam pangkalan data.
AI boleh mengenal pasti corak, tetapi manusia memberikan konteks operasi.
Atas sebab ini, saya menjangkakan sistem pembuatan yang paling berkesan akan menggunakan model dengan penglibatan manusia. AI mengenal pasti anomali, menyusun maklumat, mencadangkan kemungkinan punca atau mengutamakan tindakan, manakala kakitangan yang berkelayakan kekal bertanggungjawab terhadap keputusan yang memberi kesan kepada operasi.
Peringkat Seterusnya ialah Integrasi, Bukan Sekadar Automasi
Perbincangan tentang AI dalam pembuatan secara beransur-ansur beralih daripada projek rintis individu.
Cabaran seterusnya ialah integrasi: menghubungkan keupayaan AI dengan automasi sedia ada, aliran kerja penyelenggaraan, dokumentasi kejuruteraan, sistem pengarkiban data, sistem pengurusan aset dan prosedur operasi.
Integrasi ini memerlukan lebih daripada sekadar membeli platform AI. Kilang memerlukan pemilikan data yang ditakrifkan dengan jelas, maklumat yang diseragamkan, kawalan keselamatan siber, aliran kerja yang didokumenkan dan kakitangan yang memahami kedua-dua sistem industri dan perisian moden.
Pengeluar yang paling mendapat manfaat daripada AI berkemungkinan bukan organisasi yang melaksanakan model paling banyak. Sebaliknya, mereka ialah organisasi yang mengenal pasti masalah operasi tertentu, menghubungkan data industri yang boleh dipercayai kepada masalah tersebut, mengesahkan hasil dengan kakitangan berpengalaman dan hanya mengembangkan penggunaannya selepas nilai yang boleh diukur terbukti.
