Veštačka inteligencija postaje sve prisutnija u proizvodnim pogonima, od prediktivnog održavanja i mašinskog vida do analitike proizvodnje i dijagnostike kvarova uz pomoć veštačke inteligencije. Ipak, pravo pitanje za rukovodioce pogona više nije da li se veštačka inteligencija može koristiti u proizvodnji. Praktičnije pitanje je može li da reši jasno definisan operativni problem i donese merljivo poboljšanje bez ometanja postojećih upravljačkih sistema.
Veštačka inteligencija proširuje ulogu automatizacije
Tradicionalna industrijska automatizacija osmišljena je tako da dosledno izvršava unapred definisanu logiku. PLC-ovi, DCS platforme, SCADA sistemi, frekventni regulatori, bezbednosni sistemi i instrumentacija i dalje su zaduženi za upravljanje fizičkim procesima prema utvrđenim pravilima.
Veštačka inteligencija uvodi još jedan sloj. Umesto da samo izvršava programirani niz koraka, sistem veštačke inteligencije može da analizira velike količine istorijskih podataka i podataka u realnom vremenu, kao i da prepoznaje veze koje bi čoveku bilo teško da uoči ručno.
Na primer, proizvodni podaci mogu se kombinovati sa merenjima vibracija, strujom motora, temperaturom, evidencijom održavanja, istorijom alarma i uslovima rada kako bi se prepoznali obrasci povezani sa propadanjem opreme.
Iz inženjerske perspektive, ova razlika je važna. Veštačku inteligenciju ne treba posmatrati kao zamenu za upravljački sloj. U većini pogona, njena neposredna vrednost verovatnije će proisteći iz podrške pri donošenju odluka u vezi sa upravljačkim sistemom, a ne iz zamene determinističke upravljačke logike.
Manjak znanja može biti važniji od manjka radne snage
Mnoge proizvodne organizacije decenijama su prikupljale praktično znanje zahvaljujući iskusnim operaterima, tehničarima, osoblju za održavanje i inženjerima automatike. Međutim, veliki deo tog znanja ne nalazi se u formalnim bazama podataka.
Ono može biti zabeleženo u napomenama o održavanju, rukom pisanim zapisima, procedurama za otklanjanje problema, starim crtežima, navikama operatera, inženjerskoj dokumentaciji ili jednostavno ostati u sećanju tehničara koji već 25 godina radi na istoj mašini.
Kako iskusni radnici odlaze u penziju, javlja se značajan problem prenosa znanja.
Industrijska veštačka inteligencija potencijalno može da poveže podatke o mašinama sa priručnicima, standardnim operativnim procedurama, istorijom održavanja, evidencijom alarma i drugom dokumentacijom. Tehničar sa manje iskustva tada može da dobije više konteksta prilikom ispitivanja neuobičajenog stanja.
To ne uklanja potrebu za iskusnim inženjerima. Umesto toga, njihovo znanje može postati dostupnije u različitim smenama i proizvodnim pogonima.
Po mom mišljenju, ovo je jedna od najsnažnijih kratkoročnih primena veštačke inteligencije u proizvodnji: očuvanje i prenošenje operativnog znanja, umesto pokušaja da se automatizuje svaka ljudska odluka.
Najbolji projekti veštačke inteligencije počinju problemom u pogonu
Česta greška je da se krene od tehnologije.
Kompanija izabere platformu za veštačku inteligenciju, razvije pilot-projekat, poveže neke izvore podataka i tek potom se zapita kakav poslovni rezultat sistem treba da ostvari.
Inženjerski pristup treba obrnuti.
Počnite od merljivog problema:
- Koja sredstva uzrokuju najviše neplaniranih zastoja?
- Koja odstupanja u procesu stvaraju najveće troškove škarta?
- Gde tehničari troše previše vremena na otklanjanje kvarova?
- Za koje alarme je više puta potrebna podrška iskusnih inženjera?
- Koje aktivnosti ručne inspekcije zahtevaju mnogo radnog vremena?
- Gde je potrošnja energije veća od očekivane?
- Koje proizvodne parametre je teško optimizovati konvencionalnim metodama?
Kada se problem definiše, veštačka inteligencija postaje jedno od mogućih inženjerskih rešenja, a ne sam cilj.
Koristan projekat bi na kraju trebalo povezati s pokazateljima pogona kao što su zastoji, protok, prinos, škart, troškovi održavanja, kvalitet, iskorišćenost radne snage ili potrošnja energije.
Pilot-projekti nisu isto što i vrednost u proizvodnji
Proizvođači su sproveli brojne eksperimente s veštačkom inteligencijom, ali uspešna demonstracija ne znači automatski i uspešan proizvodni sistem.
Pilot-projekat može ispravno da prepozna nepravilnost na mašini dok radi na ograničenom skupu podataka u kontrolisanim uslovima. Proizvodno okruženje je drugačije. Senzori mogu da otkažu, instrumenti mogu ponovo da se kalibrišu, PLC logika može da se promeni, proizvodni recepti mogu da se izmene, mrežne veze mogu da postanu nedostupne, a operateri mogu da reaguju drugačije nego što se pretpostavljalo tokom razvoja.
Tu se mnoge inicijative za veštačku inteligenciju suočavaju s poteškoćama.
Prava provera nije da li model veštačke inteligencije radi u demonstraciji. Prava provera je da li nastavlja da pruža korisne informacije i nakon integracije u uobičajene operativne procedure pogona.
Postojeću infrastrukturu za automatizaciju ne treba zanemariti
Proizvodni pogoni retko imaju mogućnost da krenu od čiste arhitekture.
Tipično postrojenje može da sadrži više generacija PLC-ova, DCS kontrolera, HMI-ja, SCADA sistema, sistema za istorijske podatke, udaljenih I/O modula, frekventnih regulatora, opreme za praćenje stanja, industrijskih Ethernet mreža i zastarelih serijskih uređaja.
Zamena ove infrastrukture samo radi uvođenja veštačke inteligencije obično nije praktična.
Zato je strategija naknadne ugradnje realističnija. Podaci se mogu prikupljati iz postojećih sistema za istorijske podatke, OPC interfejsa, PLC-ova, sistema za praćenje stanja, baza podataka i drugih dostupnih izvora, uz očuvanje primarne upravljačke arhitekture.
Ovaj pristup takođe smanjuje rizik od uvođenja nepotrebnih izmena u validirane proizvodne sisteme.
Cilj treba da bude dodavanje inteligencije oko proverene infrastrukture za automatizaciju, a ne ponovna izgradnja celog postrojenja zbog pojave nove tehnologije.
Kvalitet AI-ja zavisi od kvaliteta podataka
AI ne može nadoknaditi nekvalitetne industrijske podatke.
Ako su oznake instrumenata pogrešno identifikovane, vremenske oznake nedosledne, vrednosti senzora imaju praznine, stanja opreme nisu dokumentovana ili istorijski podaci nemaju dovoljno konteksta, dobijeni model može proizvesti zaključke koji su tehnički impresivni, ali operativno obmanjujući.
Ovaj problem se često potcenjuje jer se podaci u proizvodnji generišu neprekidno. Velika količina podataka ne znači nužno i visok kvalitet podataka.
Pre implementacije AI aplikacije, inženjeri treba da razumeju:
- Odakle potiču podaci
- Kako se kalibrišu senzori i instrumenti
- Da li su vremenske oznake sinhronizovane
- Kako se utvrđuju stanja opreme
- Kako se obrađuju nedostajuće vrednosti
- Da li su događaji održavanja iz prošlosti tačno dokumentovani
- Ko je odgovoran za podatke, bilo da je reč o osoblju ili sistemima
- Kako promene konfiguracija PLC-a i DCS-a utiču na značenje podataka
Jednostavan, dobro dokumentovan skup podataka može biti vredniji od miliona zapisa bez odgovarajućeg konteksta.
Bezbednost mora ostati odvojena od eksperimentisanja sa AI-jem
Posledice pogrešne preporuke AI-ja u velikoj meri zavise od primene.
Korišćenje AI-ja za sažimanje evidencije o održavanju suštinski se razlikuje od dozvoljavanja da odluka koju je generisao AI direktno utiče na bezbednosno važno isključenje.
U procesnoj industriji, hemijskim postrojenjima, rafinerijama, energetskim objektima i drugim okruženjima sa visokim posledicama, determinističke bezbednosne funkcije moraju nastaviti da rade u skladu sa utvrđenim inženjerskim načelima i važećim bezbednosnim zahtevima.
AI može da pomogne u nadzoru, dijagnostici, otkrivanju anomalija i podršci pri odlučivanju, ali to ne znači da joj treba automatski dati ovlašćenja nad bezbednosnim funkcijama.
Praktična arhitektura treba jasno da definiše šta AI sme da nadzire, šta sme da preporuči i koje radnje moraju ostati pod nadzorom konvencionalnih sistema upravljanja ili bezbednosne logike.
Rukovodioci fabrika ne moraju postati naučnici za podatke
Još jedna zabluda je da rukovodioci fabrika odjednom moraju postati stručnjaci za mašinsko učenje, velike jezičke modele i AI agente.
Potrebno je da razumeju šta ove tehnologije mogu, a šta ne mogu da urade, ali njihovo najvrednije znanje i dalje se odnosi na operativni rad.
Rukovodilac fabrike razume ograničenja proizvodnje, prioritete održavanja, sposobnosti radne snage, zahteve kvaliteta, bezbednosna očekivanja i finansijske posledice zastoja.
Ovo znanje je neophodno da bi se utvrdilo da li AI aplikacija rešava važan problem.
Zato najuspešniji implementacioni timovi objedinjuju stručnjake iz više oblasti: operacija, održavanja, automatizacije, IT/OT umrežavanja, inženjerstva podataka, sajber-bezbednosti i veštačke inteligencije.
Veća je verovatnoća da će AI projekti uspeti kada ljudi koji razvijaju sistem razumeju kako fabrika zaista funkcioniše.
Povraćaj ulaganja treba izmeriti pre širenja primene
Pre uvođenja projekta veštačke inteligencije treba utvrditi početne vrednosti.
Na primer, ako prediktivno održavanje treba da smanji vreme zastoja, organizacija bi trebalo da utvrdi istorijsku učestalost, trajanje i troškove relevantnih kvarova. Ako se veštačka inteligencija koristi za kontrolu kvaliteta, trebalo bi dokumentovati postojeću stopu neispravnih proizvoda i obim inspekcijskog rada.
Nakon primene, iste metrike mogu se uporediti sa početnim vrednostima.
To znatno olakšava donošenje odluke o ulaganju.
Projekat koji skraćuje vreme otklanjanja problema za 30 minuta po događaju može biti koristan u jednom pogonu, a beznačajan u drugom. Isto tako, smanjenje škarta za mali procenat može doneti značajno finansijsko poboljšanje na proizvodnoj liniji velikog kapaciteta.
Važno je to što povraćaj ulaganja u veštačku inteligenciju zavisi od konkretnog pogona i treba ga izračunavati na osnovu operativnih rezultata, a ne sofisticiranosti tehnologije.
Ljudski nadzor će i dalje biti važan
Proizvodni procesi odvijaju se u okviru fizičkih ograničenja koja se ne mogu uvek savršeno prikazati istorijskim podacima.
Iskusan inženjer može da prepozna da je neobična vrednost senzora posledica problema sa instrumentom, a ne problema u procesu. Tehničar može znati da se određena mašina drugačije ponaša tokom pokretanja. Operater može razumeti uslove proizvodnje koji nisu pravilno dokumentovani u bazi podataka.
Veštačka inteligencija može da prepozna obrasce, ali ljudi obezbeđuju operativni kontekst.
Zato očekujem da će najefikasniji proizvodni sistemi primenjivati model u kojem čovek učestvuje u procesu. Veštačka inteligencija prepoznaje anomalije, organizuje informacije, predlaže moguće uzroke ili određuje prioritete za postupanje, dok kvalifikovano osoblje i dalje donosi odluke koje utiču na rad pogona.
Sledeća faza je integracija, a ne samo automatizacija
Rasprava o veštačkoj inteligenciji u proizvodnji postepeno izlazi iz okvira pojedinačnih pilot-projekata.
Sledeći izazov je integracija: povezivanje mogućnosti veštačke inteligencije sa postojećom automatizacijom, radnim procesima održavanja, tehničkom dokumentacijom, istoričarima podataka, sistemima za upravljanje imovinom i operativnim procedurama.
Za takvu integraciju biće potrebno više od kupovine platforme veštačke inteligencije. Pogonima će biti potrebni jasno definisano vlasništvo nad podacima, standardizovane informacije, kontrole sajber-bezbednosti, dokumentovani radni procesi i ljudi koji razumeju i industrijske sisteme i savremeni softver.
Proizvođači koji najviše budu imali koristi od veštačke inteligencije verovatno neće biti oni koji uvedu najveći broj modela. To će biti organizacije koje prepoznaju konkretne operativne probleme, povežu pouzdane industrijske podatke sa tim problemima, provere rezultate uz pomoć iskusnih zaposlenih i prošire primenu tek kada se dokaže merljiva korist.
