Искусственный интеллект всё чаще встречается в производственных цехах: от предиктивного технического обслуживания и машинного зрения до производственной аналитики и помощи ИИ в поиске неисправностей. Однако перед руководителями заводов уже стоит не вопрос о том, можно ли применять ИИ в производстве. Гораздо важнее понять, способен ли он решить чётко определённую производственную задачу и обеспечить измеримые улучшения, не нарушая работу существующих систем управления.
ИИ расширяет возможности автоматизации
Традиционная промышленная автоматизация предназначена для последовательного выполнения заранее заданной логики. ПЛК, платформы DCS, системы SCADA, приводы, системы безопасности и контрольно-измерительные приборы по-прежнему отвечают за управление физическими процессами в соответствии с установленными правилами.
ИИ добавляет ещё один уровень. Вместо простого выполнения запрограммированной последовательности система ИИ может анализировать большие объёмы исторической информации и данных в реальном времени, выявляя взаимосвязи, которые человеку сложно заметить вручную.
Например, производственные данные можно объединить с измерениями вибрации, силой тока двигателя, температурой, записями о техническом обслуживании, историей тревог и условиями эксплуатации, чтобы выявить закономерности, связанные с износом оборудования.
С инженерной точки зрения это различие важно. ИИ не следует рассматривать как замену уровню управления. На большинстве заводов его непосредственная ценность, скорее всего, будет заключаться в поддержке принятия решений вокруг системы управления, а не в замене детерминированной логики управления.
Пробел в знаниях может быть важнее нехватки рабочей силы
Многие производственные организации накопили десятилетия практических знаний благодаря опытным операторам, техникам, специалистам по техническому обслуживанию и инженерам по системам управления. Однако значительная часть этих знаний не хранится в официальных базах данных.
Эти знания могут содержаться в заметках о техническом обслуживании, рукописных записях, инструкциях по устранению неисправностей, старых чертежах, рабочих привычках операторов, инженерной документации или просто в памяти техника, который проработал с одним и тем же станком 25 лет.
По мере выхода опытных сотрудников на пенсию возникает серьёзная проблема передачи знаний.
Промышленный ИИ потенциально может связывать данные оборудования с руководствами, стандартными операционными процедурами, историей технического обслуживания, записями о тревогах и другой документацией. Тогда менее опытный техник сможет получить больше контекста при расследовании нестандартной ситуации.
Это не устраняет потребность в опытных инженерах. Напротив, благодаря этому их знания могут стать доступнее для сотрудников разных смен и производственных участков.
На мой взгляд, это одно из наиболее перспективных применений ИИ в производстве в ближайшей перспективе: сохранение и распространение практических знаний вместо попыток автоматизировать каждое решение человека.
Лучшие проекты с ИИ начинаются с производственной проблемы
Распространённая ошибка — начинать с технологии.
Компания выбирает платформу ИИ, разрабатывает пилотный проект, подключает некоторые источники данных и только потом задаётся вопросом, какого бизнес-результата должна помочь достичь система.
Подход к решению инженерных задач следует перевернуть.
Начните с проблемы, которую можно измерить:
- Какое оборудование становится причиной наибольшего незапланированного простоя?
- Какие отклонения в процессе приводят к наибольшим затратам из-за брака?
- Где технические специалисты тратят слишком много времени на поиск и устранение неисправностей?
- Какие сигналы тревоги регулярно требуют помощи опытных инженеров?
- Какие ручные проверки требуют значительных трудозатрат?
- Где энергопотребление выше ожидаемого?
- Какие производственные параметры трудно оптимизировать традиционными методами?
Как только проблема определена, ИИ становится одним из возможных инженерных решений, а не самоцелью.
В конечном счёте полезный проект должен быть связан с производственными показателями, такими как простой, производительность, выход годной продукции, брак, затраты на обслуживание, качество, загрузка персонала или энергопотребление.
Пилотные проекты — не то же самое, что реальная ценность для производства
Производители провели множество экспериментов с ИИ, но успешная демонстрация не гарантирует, что система будет успешно работать в производстве.
В ходе пилотного проекта система может правильно выявлять аномалии оборудования, работая с ограниченным набором данных в контролируемых условиях. В производственной среде всё иначе. Датчики могут выходить из строя, приборы — проходить повторную калибровку, логика ПЛК — меняться, производственные рецептуры — корректироваться, сетевые соединения — становиться недоступными, а персонал — действовать не так, как предполагалось при разработке.
Именно здесь многие инициативы в области ИИ сталкиваются с трудностями.
Настоящая проверка — не то, работает ли модель ИИ в демонстрационном режиме. Важно, продолжает ли она предоставлять полезную информацию после интеграции в обычные рабочие процессы предприятия.
Не следует игнорировать существующую инфраструктуру автоматизации
Производственные предприятия редко могут позволить себе начать с чистой архитектуры.
На типичном предприятии могут одновременно работать несколько поколений ПЛК, контроллеров DCS, HMI, систем SCADA, архиваторов данных, удалённых модулей ввода-вывода, частотно-регулируемых приводов, оборудования для мониторинга состояния, промышленных сетей Ethernet и устаревших устройств с последовательным интерфейсом.
Замена этой инфраструктуры только ради внедрения ИИ обычно нецелесообразна.
Поэтому модернизация существующих систем реалистичнее. Данные можно собирать из имеющихся систем хранения архивных данных, интерфейсов OPC, ПЛК, систем мониторинга состояния оборудования, баз данных и других доступных источников, сохраняя основную архитектуру управления без изменений.
Такой подход также снижает риск внесения ненужных изменений в проверенные производственные системы.
Цель должна заключаться в том, чтобы добавлять интеллектуальные возможности к проверенной инфраструктуре автоматизации, а не перестраивать весь завод из-за появления новой технологии.
Качество данных определяет качество ИИ
ИИ не может компенсировать низкое качество промышленных данных.
Если теги приборов определены неправильно, временные метки несогласованы, в показаниях датчиков есть пропуски, состояния оборудования не задокументированы или историческим данным не хватает контекста, полученная модель может выдавать технически впечатляющие, но вводящие в заблуждение с точки зрения производства выводы.
Эту проблему часто недооценивают, поскольку производственные данные генерируются непрерывно. Большой объем данных не обязательно означает высокое качество.
Перед внедрением приложения ИИ инженерам следует разобраться в следующем:
- Откуда поступают данные
- Как калибруются датчики и измерительные приборы
- Синхронизированы ли временные метки
- Как определяются состояния оборудования
- Как обрабатываются пропущенные значения
- Точно ли задокументированы исторические события технического обслуживания
- Кому из сотрудников или каким системам принадлежат данные
- Как изменения конфигураций ПЛК и DCS влияют на смысл данных
Простой, хорошо документированный набор данных может быть ценнее миллионов записей без достаточного контекста.
Безопасность должна оставаться вне экспериментов с ИИ
Последствия ошибочной рекомендации ИИ во многом зависят от конкретного применения.
Использование ИИ для обобщения записей о техническом обслуживании принципиально отличается от ситуации, когда решение, сгенерированное ИИ, напрямую влияет на отключение, связанное с безопасностью.
В процессной промышленности, на химических предприятиях, нефтеперерабатывающих заводах, электростанциях и других объектах с высоким уровнем риска функции безопасности с детерминированным поведением должны продолжать работать в соответствии с установленными инженерными принципами и применимыми требованиями безопасности.
ИИ может помогать в мониторинге, диагностике, выявлении аномалий и поддержке принятия решений, но это не означает, что ему следует автоматически предоставлять полномочия управлять функциями безопасности.
В практичной архитектуре следует четко определить, что ИИ может наблюдать, что он может рекомендовать и какие действия должны оставаться под управлением традиционных систем управления или логики безопасности.
Руководителям предприятий не нужно становиться специалистами по анализу данных
Еще одно заблуждение состоит в том, что руководители предприятий должны внезапно стать экспертами по машинному обучению, большим языковым моделям и ИИ-агентам.
Им действительно нужно понимать, что эти технологии могут и чего не могут, но наиболее ценными остаются их знания в области производства.
Руководитель предприятия понимает производственные ограничения, приоритеты технического обслуживания, возможности персонала, требования к качеству, нормы безопасности и финансовые последствия простоев.
Эти знания необходимы, чтобы определить, решает ли приложение ИИ действительно важную задачу.
Поэтому в сильных командах по внедрению объединены специалисты из разных областей: производство, техническое обслуживание, автоматизация, сети ИТ/ОТ, инженерия данных, кибербезопасность и ИИ.
Проекты с использованием ИИ с гораздо большей вероятностью будут успешными, если создатели системы понимают, как на самом деле работает предприятие.
Окупаемость следует оценить до масштабирования
Для проекта ИИ необходимо установить исходный уровень показателей до внедрения.
Например, если предиктивное обслуживание должно сократить время простоя, организации следует установить исходные показатели частоты, продолжительности и стоимости соответствующих отказов. Если ИИ применяется для контроля качества, необходимо задокументировать текущий уровень дефектов и объем работ по проверке.
После внедрения те же показатели можно сравнить с исходным уровнем.
Благодаря этому инвестиционное решение становится гораздо яснее.
Проект, сокращающий время поиска неисправностей на 30 минут в каждом случае, может быть ценным на одном заводе и незначительным на другом. Аналогично, даже небольшое сокращение доли брака может значительно улучшить финансовые показатели высокопроизводительной линии.
Важно понимать, что окупаемость ИИ зависит от конкретного завода и должна рассчитываться по операционным результатам, а не по уровню технологической сложности.
Контроль со стороны человека останется важным
Производственные процессы подчиняются физическим ограничениям, которые не всегда можно точно представить в исторических данных.
Опытный инженер может понять, что необычное значение датчика вызвано проблемой с прибором, а не с процессом. Техник может знать, что конкретная машина ведет себя иначе при запуске. Оператор может понимать особенности производственного режима, которые не отражены должным образом в базе данных.
ИИ может выявлять закономерности, но операционный контекст обеспечивают люди.
Поэтому я ожидаю, что в наиболее эффективных производственных системах будет использоваться модель с участием человека. ИИ выявляет аномалии, систематизирует информацию, предлагает возможные причины или расставляет приоритеты действий, а квалифицированные специалисты по-прежнему отвечают за решения с операционными последствиями.
Следующий этап - интеграция, а не просто автоматизация
Обсуждение применения ИИ в производстве постепенно выходит за рамки отдельных пилотных проектов.
Следующая задача - интеграция: подключение возможностей ИИ к существующим системам автоматизации, процессам техобслуживания, инженерной документации, системам архивирования данных, системам управления активами и операционным процедурам.
Для такой интеграции потребуется нечто большее, чем покупка платформы ИИ. Заводам понадобятся четко распределенная ответственность за данные, стандартизированная информация, средства кибербезопасности, документированные рабочие процессы и специалисты, разбирающиеся как в промышленных системах, так и в современном программном обеспечении.
Производители, которые больше всего выиграют от ИИ, вряд ли окажутся теми, кто внедрит наибольшее количество моделей. Это будут организации, которые выявляют конкретные операционные проблемы, связывают с ними надежные промышленные данные, проверяют результаты с участием опытных специалистов и масштабируют решения только после подтверждения измеримой пользы.
