Industriële kunsmatige intelligensie beweeg verby eksperimentele toepassings en word deel van alledaagse vervaardigings- en prosesbedrywighede. Om meetbare opbrengste te behaal, verg egter meer as die installering van gekoppelde sensors of die implementering van voorspellende algoritmes. Dit hang daarvan af dat operasionele data, ingenieurskennis, outomatiseringstelsels en menslike besluitneming in ’n gekoördineerde digitale infrastruktuur geïntegreer word.
Rajesh Ramachandran, wêreldwye digitale hoofbeampte vir ABB se outomatiseringsbesigheidsarea, glo dat die kombinasie van Industriële Internet van Dinge (IIoT)-tegnologieë met voorspellende KI vervaardigers kan help om batebetroubaarheid te verbeter, energieverbruik te optimaliseer en na toenemend outonome bedrywighede te beweeg.
Sy perspektief beklemtoon ’n belangrike uitdaging vir industriële maatskappye: om groot volumes operasionele data om te skakel in besluite wat meetbare verbeterings oplewer.
1. Industriële KI en IoT: Verby data-insameling
Die Industriële Internet van Dinge het ’n belangrike dryfveer van digitale transformasie geword. Gekoppelde sensors, intelligente instrumente en netwerkbeheerstelsels stel vervaardigers in staat om operasionele inligting deurlopend in te samel. Intussen bied voorspellende KI die analitiese vermoëns wat nodig is om patrone te identifiseer, abnormale toestande op te spoor en moontlike toerustingfoute te voorsien.
Hierdie tegnologieë dien verskillende maar aanvullende doeleindes. IoT bied insig in fisiese toerusting en prosesse, terwyl KI die ingesamelde inligting vertolk en potensiële operasionele risiko’s identifiseer.
Die insameling van meer data verbeter egter nie vanself industriële prestasie nie. ’n Vibrasielesing of temperatuurmeting het beperkte praktiese waarde sonder begrip van die toerusting se bedryfstoestande, instandhoudingsgeskiedenis en ingenieursgrense.
Na my mening behoort die volgende fase van industriële digitalisering minder op die verhoging van die volume data wat ingesamel word te fokus en meer op die verbetering van die ingenieursrelevansie daarvan. ’n Kleiner hoeveelheid goed gekontekstualiseerde inligting kan beter instandhoudingsbesluite ondersteun as miljoene ongekoppelde sensorlesings.
2. Datakwaliteit en ingenieurskonteks bepaal KI-prestasie
Volgens Ramachandran behoort ’n suksesvolle voorspellende KI-strategie met ’n duidelik omskrewe sakeprobleem te begin.
Industriële maatskappye moet bepaal wat hulle wil voorspel, hoe vroeg ’n waarskuwing nodig is en watter operasionele besluit by daardie voorspelling sal baat.
Hierdie benadering stel ingenieursvereistes voor tegnologiekeuse.
Om nuttige resultate te lewer, moet inligting uit verskeie bronne aan mekaar gekoppel word, insluitend:
- Operasionele Tegnologie (OT): Intydse metings van sensors, PLC’s, DCS-platforms en ander beheerstelsels.
- Inligtingstegnologie (IT): Ondernemingsinligting, produksierekords en operasionele data wat met die sakebedryf verband hou.
- Ingenieurstegnologie (ET): Toerustingspesifikasies, proseskennis, bedryfsperke en ingenieursdokumentasie.
- Instandhoudingsrekords: Toerustingdiensgeskiedenisse, inspeksieresultate, mislukkingsverslae en vorige regstellende aksies.
Die integrasie van OT, IT en ET bied ’n breër begrip van toerustinggedrag.
’n Skielike toename in motorvibrasie kan byvoorbeeld op ’n ontwikkelende meganiese probleem dui. Die interpretasie verander egter na gelang van motorspoed, laaitoestande, laergeskiedenis en onlangse instandhoudingsaktiwiteite.
Daarom vereis industriële KI meer as datawetenskap. Ingenieurskennis verskaf die konteks wat ontledingsresultate in betekenisvolle operasionele inligting omskep.
3. Integrasie van voorspellende KI in bestaande industriële stelsels
Een van die grootste struikelblokke vir die aanvaarding van industriële KI is nie noodwendig modelontwikkeling nie. Dit is om KI-gegenereerde insigte by bestaande operasionele werkvloeie te integreer.
’n Voorspellende model kan ’n abnormale toestand met hoë akkuraatheid identifiseer, maar die waarde daarvan bly beperk as die instandhoudingspan nie betyds die inligting ontvang nie of nie kan bepaal watter stappe om te doen nie.
Ramachandran beklemtoon dat KI-oplossings veilig met bestaande stelsels moet integreer en dat daar duidelike verantwoordelikhede moet wees vir optrede op grond van hul aanbevelings.
Vir industriële fasiliteite verg dit aandag aan verskeie praktiese oorwegings:
- Integrasie met bestaande outomatiserings- en moniteringsinfrastruktuur.
- Veilige kommunikasie tussen operasionele en ondernemingstelsels.
- Geskikte toegang tot intydse en historiese toerustingdata.
- Duidelike prosedures vir alarmprioritisering en instandhoudingskennisgewings.
- Duidelik omskrewe verantwoordelikhede vir die hersiening en goedkeuring van KI-aanbevelings.
- Deurlopende evaluering van modelwerkverrigting en operasionele resultate.
Vanuit ’n outomatiseringsingenieursperspektief behoort KI bestaande beheer- en beskermingsargitekture aan te vul eerder as om onnodige kompleksiteit daaraan toe te voeg.
Voorspellende ontledings kan instandhoudingsbeplanning en operasionele optimalisering ondersteun, maar veiligheidsverwante beheerfunksies en kritieke beskermingsmeganismes moet binne hul gevestigde ingenieursgrense bly.
4. ABB Genix: Bou van ’n industriële AIoT-platform
ABB pak hierdie integrasie-uitdagings aan met sy ABB Genix Industrial IoT and AI-platform.
Die platform is ontwerp om industriële data te koppel, inligting in konteks te plaas en ontledings oor verskillende operasionele vlakke heen toe te pas. Die doel daarvan is om organisasies te help om doeltreffendheid, betroubaarheid van bates en volhoubaarheid te verbeter deur industriële inligting beter gekoördineerd te benut.
’n Platformgebaseerde benadering is veral relevant vir groot industriële fasiliteite waar toerusting, beheerstelsels en instandhoudingstoepassings dikwels in afsonderlike inligtingsomgewings funksioneer.
In plaas daarvan om afgesonderde KI-toepassings vir individuele masjiene te ontplooi, kan vervaardigers na ’n meer geïntegreerde argitektuur toewerk wat data-inname, integrasie, ontleding en optimalisering ondersteun.
Dit skep ook geleenthede om suksesvolle toepassings oor verskeie produksielyne en fasiliteite heen uit te brei.
Die ontplooiing van ’n platform waarborg egter nie op sigself operasionele verbetering nie. Databestuur, stelselintegrasie, ingenieursvalidering en werksmagaanvaarding bly noodsaaklike dele van die implementeringsproses.
5. Ontsnap aan proefnemingslimbo: skaal KI oor industriële bedrywighede heen op
Baie vervaardigers het KI-toepassings op individuele masjiene of produksieprosesse suksesvol gedemonstreer. Die moeiliker taak is om dié resultate oor ’n hele aanleg of onderneming heen uit te brei.
Hierdie situasie word dikwels as proefnemingslimbo beskryf: belowende digitale projekte bly afgesonderde demonstrasies pleks daarvan om gevestigde operasionele vermoëns te word.
Ramachandran beskou organisatoriese leierskap as ’n belangrike faktor om hierdie probleem te oorkom. Maatskappye het duidelike besigheidsdoelwitte, geskikte digitale infrastruktuur en samewerking tussen tegnologiespanne en operasionele personeel nodig.
In die praktyk vereis die opskaling van industriële KI dat organisasies verskeie uitdagings die hoof bied:
- Datasilo’s: Inligting moet oor toepaslike operasionele en besigheidstelsels heen toeganklik wees.
- Verouderde infrastruktuur: Bestaande PLC-, DCS-, SCADA- en batebestuursomgewings kan sorgvuldig beplande integrasie vereis.
- Werksmagaanvaarding: Ingenieurs en instandhoudingspersoneel moet verstaan hoe KI-aanbevelings hul werk behoort te beïnvloed.
- Operasionele aanspreeklikheid: Vir elke KI-toepassing moet daar duidelik omskrewe verantwoordelikheid wees om die uitsette daarvan te beoordeel en aksie te inisieer.
- Ontplooiingstrategie: Suksesvolle toepassings moet uitgebrei word op grond van bewese operasionele waarde, nie bloot tegnologiebeskikbaarheid nie.
Ek glo vervaardigers moet vermy om KI-aanvaarding as ’n wedloop te beskou om elke proses te outomatiseer. ’n Meer praktiese strategie is om herhalende operasionele probleme te identifiseer, oplossings in beheerde omgewings te bekragtig en toepassings slegs uit te brei wanneer die voordele daarvan bewys kan word.
6. Meet die opbrengs op belegging van industriële KI aan operasionele prestasie
Vir industriële toepassings moet KI-prestasie nie net aan modelakkuraatheid gemeet word nie.
’n Tegnies indrukwekkende algoritme skep nie noodwendig sakewaarde nie. Die bydrae daarvan moet weerspieël word in meetbare verbeterings soos toerustingbeskikbaarheid, produksie-opbrengs, instandhoudingskoste, energieverbruik en bedryfsveiligheid.
’n Nuttige beginpunt is om ’n bedryfsbasislyn vas te stel voordat voorspellende KI ingestel word.
As ’n voorspellende instandhoudingstelsel byvoorbeeld genoeg waarskuwing gee om ’n onverwagte afskakeling van toerusting te voorkom, kan die finansiële voordeel beoordeel word aan die hand van vermyde produksieverliese, noodinstandhoudingskoste en moontlike sekondêre skade aan toerusting.
ABB het ’n toepassing uitgelig wat meerveranderlike anomalie-opsporing in sy Genix Asset Performance Management-oplossing gebruik.
Volgens Ramachandran het onlangse kliëntontplooiings moontlike toerustingfoute ses tot tien dae voordat dit plaasvind, geïdentifiseer. Hierdie waarskuwingstydperk kan instandhoudingspanne ekstra tyd gee om abnormale toestande te ondersoek en regstellende ingrypings te reël.
Die gehalte van voorspellings moet nietemin noukeurig beoordeel word.
Vals positiewe kan tot onnodige inspeksies en instandhoudingsaktiwiteite lei, terwyl waarskuwings wat gemis word produksietoerusting aan aansienlike bedryfsrisiko’s kan blootstel.
Om hierdie rede moet die prestasie van industriële KI aan die hand van sowel tegniese aanwysers as werklike instandhoudingsuitkomste beoordeel word.
7. Voorspellende analise, voorskrywende intelligensie en digitale tweelinge
Industriële KI beweeg geleidelik verder as om bloot te identifiseer wat kan gebeur, en begin verduidelik waarom ’n gebeurtenis waarskynlik sal plaasvind en aanbeveel wat volgende gedoen moet word.
Voorspellende analise identifiseer moontlike toekomstige toestande. Voorskrywende analise evalueer moontlike reaksies, terwyl oorsaaklike ontleding kan help om die onderliggende faktore te ondersoek wat tot abnormale gedrag bydra.
Digitale tweelinge brei hierdie vermoëns uit deur virtuele voorstellings van fisiese bates, prosesse of stelsels te skep. Wanneer dit aan intydse bedryfsdata gekoppel word, kan simulasiemodelle ingenieurs help om verskillende bedryfscenario’s te evalueer voordat hulle veranderinge aan fisiese toerusting aanbring.
Hierdie kombinasie bied verskeie moontlike voordele:
- Vroeër identifisering van abnormale bedryfstoestande.
- Beter begrip van moontlike meganismes wat toerusting kan laat faal.
- Evaluering van alternatiewe instandhoudings- of bedryfstrategieë.
- Minder onsekerheid wanneer voorgestelde prosesveranderings beoordeel word.
- Beter ingeligte besluite gegrond op bedryfscenario’s.
Na my mening kan die kombinasie van voorspellende analise en digitale tweelinge besonder waardevol word vir komplekse industriële prosesse. Pleks daarvan om ingenieurs bloot in kennis te stel dat ’n parameter sy normale omvang oorskry het, behoort toekomstige stelsels toenemend te help om moontlike oorsake te verduidelik en die gevolge van verskillende regstellende stappe te evalueer.
8. Agentiese KI en die toekoms van outonome industriële bedrywighede
Ramachandran verwag dat voorspellende, voorskriftelike en generatiewe KI-vermoëns vorentoe toenemend nou sal saamwerk, met agentiese KI wat help om analitiese insigte met bedryfswerkvloeie te verbind.
Voorspellende KI kan opkomende risiko’s identifiseer. Generatiewe KI kan ingenieurs help om tegniese inligting te vertolk, terwyl agentiese KI werkvloeie en gekoördineerde take binne vasgestelde bedryfsgrense kan ondersteun.
Hierdie ontwikkeling kan verander hoe industriële personeel met outomatiseringstelsels omgaan.
In plaas daarvan om verskeie kontroleskerms, instandhoudingsrekords en ingenieursdokumente met die hand deur te gaan, kan personeel toenemend KI-ondersteunde stelsels gebruik om toerustingtoestande te ondersoek, relevante inligting te identifiseer en aanbevole aksies voor te berei.
Groter outomatisering beteken egter nie dat menslike verantwoordelikheid weggeneem word nie.
In industriële omgewings moet besluite oor veiligheid, toerustingintegriteit en produksiekontinuïteit onder toepaslike ingenieurstoesig bly. KI-gegenereerde aanbevelings moet bekragtig word, en geoutomatiseerde aksies moet binne duidelik vasgestelde toestemmings en stelselbeperkings plaasvind.
Die doel moet nie bloot wees om fabrieke te skep wat meer KI gebruik nie. Dit moet wees om industriële bedrywighede te ontwikkel wat beter besluite neem, doeltreffender op veranderende omstandighede reageer en gepaste vlakke van menslike aanspreeklikheid handhaaf.
9. Ingenieursperspektief: Sukses met industriële KI begin by bedryfsdissipline
ABB se benadering beklemtoon ’n breër les vir vervaardigers: industriële KI is nie ’n losstaande sagtewarebelegging nie. Dit is ’n uitbreiding van die bestaande outomatiserings-, inligtings- en ingenieursinfrastruktuur.
Die grootste geleenthede sal waarskynlik ontstaan waar maatskappye reeds duidelik omskrewe bedryfsprobleme, voldoende historiese en intydse data, en spanne het wat analitiese bevindings in praktiese aksies kan omsit.
Vir outomatiseringsingenieurs beteken dit dat die ontwikkeling van KI-geaktiveerde bedrywighede toenemend samewerking tussen beheer-ingenieurswese, instrumentasie, IT-infrastruktuur, instandhouding en datawetenskap sal behels.
Dit beteken ook dat bestaande industriële bates nie oor die hoof gesien moet word nie. Baie gevestigde fasiliteite bevat reeds waardevolle bedryfsinligting in PLC’s, DCS-platforms, toestandmoniteringstelsels en instandhoudingsdatabasisse. Die koppeling en kontekstualisering van hierdie hulpbronne kan ’n praktieser beginpunt bied as die vervanging van bestaande infrastruktuur.
Uiteindelik sal die oorgang na intelligente industriële bedrywighede afhang van hoe doeltreffend maatskappye digitale tegnologieë met ingenieurservaring kombineer. KI kan sigbaarheid en besluitneming verbeter, maar meetbare industriële waarde kom steeds daaruit om werklike bedryfsprobleme op te los.
