Штучний інтелект стає дедалі помітнішим у виробничих цехах: від прогнозного технічного обслуговування та машинного зору до виробничої аналітики й усунення несправностей за допомогою ШІ. Однак для керівників заводів справжнє питання вже не в тому, чи можна застосовувати ШІ у виробництві. Практичніше запитати, чи здатен він розв’язати чітко визначену виробничу проблему та забезпечити вимірюване покращення, не порушуючи роботу наявних систем керування.
ШІ розширює роль автоматизації
Традиційна промислова автоматизація призначена для послідовного виконання заздалегідь визначеної логіки. ПЛК, платформи DCS, системи SCADA, приводи, системи безпеки та контрольно-вимірювальні прилади й надалі відповідають за керування фізичними процесами відповідно до встановлених правил.
ШІ додає ще один рівень. Замість простого виконання запрограмованої послідовності система ШІ може аналізувати великі обсяги історичної інформації та даних у реальному часі, виявляючи взаємозв’язки, які людині складно помітити вручну.
Наприклад, виробничі дані можна поєднати з вимірюваннями вібрації, струмом двигуна, температурою, записами про технічне обслуговування, історією аварійних сигналів і робочими умовами, щоб виявити закономірності, пов’язані з погіршенням стану обладнання.
З погляду інженерії ця відмінність має значення. ШІ не слід розглядати як заміну рівню керування. На більшості заводів його безпосередня цінність, імовірніше, полягатиме в підтримці рішень щодо системи керування, а не в заміні детермінованої логіки керування.
Проблема браку знань може бути важливішою за проблему нестачі робочої сили
Багато виробничих організацій накопичили десятиліття практичного досвіду завдяки досвідченим операторам, технікам, фахівцям із технічного обслуговування та інженерам із систем керування. Однак значна частина цих знань зберігається поза формалізованими базами даних.
Ці знання можуть міститися в нотатках про технічне обслуговування, рукописних записах, процедурах усунення несправностей, старих кресленнях, звичках операторів, інженерній документації або просто в пам’яті техніка, який працює з тією самою машиною вже 25 років.
Коли досвідчені працівники виходять на пенсію, виникає серйозна проблема передавання знань.
Промисловий ШІ потенційно може об’єднувати дані машин із посібниками, стандартними робочими процедурами, історією технічного обслуговування, записами про аварійні сигнали та іншою документацією. Тоді менш досвідчений технік зможе отримати більше контексту під час дослідження нестандартної ситуації.
Це не позбавляє потреби в досвідчених інженерах. Натомість їхні знання стають доступнішими для різних змін і виробничих ділянок.
На мою думку, це один із найперспективніших найближчим часом напрямів застосування ШІ у виробництві: збереження та поширення виробничих знань замість спроб автоматизувати кожне рішення людини.
Найкращі проєкти із ШІ починаються з проблеми на виробництві
Типова помилка — починати з технології.
Компанія обирає платформу ШІ, розробляє пілотний проєкт, підключає кілька джерел даних і лише потім з’ясовує, який бізнес-результат має забезпечити система.
Інженерний підхід слід перевернути.
Почніть із проблеми, яку можна виміряти:
- Яке обладнання спричиняє найбільше незапланованих простоїв?
- Які відхилення технологічного процесу призводять до найбільших витрат на брак?
- На пошук яких несправностей техніки витрачають надмірно багато часу?
- Для яких повторюваних аварійних сигналів постійно потрібна допомога провідних інженерів?
- Які ручні операції з перевірки потребують значних трудових ресурсів?
- Де енергоспоживання вище за очікуване?
- Які параметри виробництва складно оптимізувати традиційними методами?
Щойно проблему визначено, ШІ стає одним із можливих інженерних рішень, а не самоціллю.
Зрештою, корисний проєкт має бути пов’язаний із такими виробничими показниками, як простої, продуктивність, вихід придатної продукції, брак, витрати на технічне обслуговування, якість, ефективність використання праці або енергоспоживання.
Пілотні проєкти — це не те саме, що цінність для виробництва
Виробники провели чимало експериментів із ШІ, але успішна демонстрація не гарантує, що система успішно працюватиме у виробничих умовах.
Під час пілотного проєкту система може правильно виявити аномалію обладнання, працюючи з обмеженим набором даних у контрольованих умовах. На виробництві все інакше. Датчики можуть виходити з ладу, прилади можуть перекалібровувати, логіка ПЛК може змінюватися, виробничі рецептури можуть оновлюватися, мережеві з’єднання можуть ставати недоступними, а персонал може діяти не так, як передбачалося під час розробки.
Саме тут багато ініціатив із ШІ стикаються з труднощами.
Справжня перевірка полягає не в тому, чи працює модель ШІ під час демонстрації. Важливо, чи продовжує вона надавати корисну інформацію після інтеграції у звичайні робочі процедури підприємства.
Не можна ігнорувати наявну інфраструктуру автоматизації
Виробничі підприємства рідко мають змогу почати з чистої архітектури.
Типове підприємство може мати кілька поколінь ПЛК, контролери DCS, HMI, системи SCADA, архіватори, віддалені модулі вводу-виводу, частотні перетворювачі, обладнання для моніторингу стану, промислові мережі Ethernet та застарілі пристрої з послідовним інтерфейсом.
Зазвичай недоцільно замінювати цю інфраструктуру лише заради впровадження ШІ.
Тому стратегія модернізації наявного обладнання реалістичніша. Дані можна збирати з наявних архіваторів, інтерфейсів OPC, ПЛК, систем моніторингу стану, баз даних та інших доступних джерел, зберігаючи основну архітектуру керування без змін.
Такий підхід також зменшує ризик внесення непотрібних змін у валідовані виробничі системи.
Мета має полягати в тому, щоб доповнити перевірену інфраструктуру автоматизації інтелектуальними функціями, а не перебудовувати весь завод через появу нової технології.
Якість даних визначає якість ШІ
ШІ не може компенсувати низьку якість промислових даних.
Якщо теги приладів визначено неправильно, часові мітки не узгоджуються, у показниках датчиків є пропуски, стани обладнання не задокументовано або в історичних даних бракує контексту, отримана модель може видавати технічно вражаючі, але оманливі з операційного погляду висновки.
Цю проблему часто недооцінюють, оскільки виробничі дані генеруються безперервно. Великий обсяг даних не обов’язково означає високу якість.
Перш ніж упроваджувати застосунок ШІ, інженери мають з’ясувати:
- Звідки надходять дані
- Як калібруються датчики та вимірювальні прилади
- Чи синхронізовані часові мітки
- Як визначаються стани обладнання
- Як обробляються пропущені значення
- Чи точно задокументовано минулі події технічного обслуговування
- Які працівники чи системи відповідають за дані
- Як зміни в конфігураціях PLC і DCS впливають на значення даних
Простий, добре задокументований набір даних може бути ціннішим за мільйони записів, позбавлених належного контексту.
Безпека має залишатися окремою від експериментів із ШІ
Наслідки хибної рекомендації ШІ значною мірою залежать від застосування.
Використання ШІ для узагальнення записів про технічне обслуговування докорінно відрізняється від надання ШІ-рішенню безпосереднього впливу на зупинку, пов’язану з безпекою.
У переробній промисловості, на хімічних підприємствах, нафтопереробних заводах, електростанціях та інших об’єктах із високими ризиками функції безпеки з детермінованою поведінкою мають і надалі працювати відповідно до встановлених інженерних принципів і чинних вимог безпеки.
ШІ може допомагати з моніторингом, діагностикою, виявленням аномалій і підтримкою ухвалення рішень, але це не означає, що йому слід автоматично надавати повноваження керувати функціями безпеки.
Практична архітектура має чітко визначати, за чим ШІ дозволено спостерігати, що йому дозволено рекомендувати та які дії мають залишатися під контролем звичайних систем керування або систем безпеки.
Керівникам підприємств не потрібно ставати фахівцями з аналізу даних
Ще одна хибна думка — що керівники підприємств мають раптово стати експертами з машинного навчання, великих мовних моделей і ШІ-агентів.
Їм потрібно розуміти, на що здатні ці технології, а на що — ні, але їхній найцінніший досвід залишається операційним.
Керівник підприємства розуміє обмеження виробництва, пріоритети технічного обслуговування, можливості персоналу, вимоги до якості, очікування щодо безпеки та фінансові наслідки простоїв.
Ці знання потрібні, щоб визначити, чи розв’язує застосунок ШІ важливу проблему.
Тому найсильніші команди впровадження поєднують фахівців із різних галузей: виробництва, технічного обслуговування, інженерії систем керування, мереж IT/OT, інженерії даних, кібербезпеки та штучного інтелекту.
Проєкти зі штучним інтелектом мають набагато більше шансів на успіх, коли люди, які створюють систему, розуміють, як насправді працює підприємство.
Перш ніж масштабувати, потрібно виміряти окупність інвестицій
До впровадження проєкту ШІ потрібно встановити базові показники.
Наприклад, якщо прогнозоване технічне обслуговування має скоротити простої, організації слід визначити базову частоту, тривалість і вартість відповідних відмов на основі історичних даних. Якщо ШІ використовують для контролю якості, потрібно задокументувати наявний рівень дефектів і обсяг робіт з інспектування.
Після впровадження ті самі показники можна порівняти з базовими.
Так ухвалювати інвестиційні рішення значно простіше.
Проєкт, який скорочує час пошуку причин несправностей на 30 хвилин у кожному випадку, може бути цінним для одного заводу й незначущим для іншого. Так само скорочення браку навіть на невеликий відсоток може суттєво поліпшити фінансові показники на виробничій лінії з великими обсягами випуску.
Важливо те, що окупність інвестицій у ШІ залежить від конкретного заводу й має визначатися за результатами роботи, а не за рівнем технологічної складності.
Людський контроль залишатиметься важливим
Виробничі процеси мають фізичні обмеження, які не завжди можна точно відобразити в історичних даних.
Досвідчений інженер може зрозуміти, що незвичне значення датчика спричинене несправністю приладу, а не проблемою технологічного процесу. Технік може знати, що певна машина працює інакше під час запуску. Оператор може розуміти виробничі умови, які належно не задокументовані в базі даних.
ШІ може виявляти закономірності, але виробничий контекст розуміють люди.
Тому я очікую, що найефективніші виробничі системи працюватимуть за моделлю «людина в контурі». ШІ виявляє аномалії, упорядковує інформацію, пропонує можливі причини або визначає пріоритетність дій, а кваліфіковані фахівці й надалі відповідають за рішення, що впливають на роботу підприємства.
Наступний етап — інтеграція, а не просто автоматизація
Дискусія про ШІ у виробництві поступово виходить за межі окремих пілотних проєктів.
Наступний виклик — інтеграція: поєднання можливостей ШІ з наявною автоматизацією, процесами технічного обслуговування, інженерною документацією, архівами даних, системами керування активами та виробничими процедурами.
Для такої інтеграції буде недостатньо придбати платформу ШІ. Заводам знадобляться чітко визначена відповідальність за дані, стандартизована інформація, засоби кібербезпеки, задокументовані робочі процеси та фахівці, які розуміються і на промислових системах, і на сучасному програмному забезпеченні.
Найбільшу користь від ШІ отримають не ті виробники, які впровадять найбільше моделей. Це будуть організації, які визначать конкретні операційні проблеми, пов’яжуть із ними надійні промислові дані, перевірять результати за участю досвідчених фахівців і масштабуватимуть рішення лише після підтвердження вимірюваної цінності.
