Индустриалният изкуствен интелект излиза извън рамките на експерименталните приложения и става част от ежедневните производствени и процесни операции. Постигането на измерима възвръщаемост обаче изисква повече от инсталиране на свързани сензори или внедряване на прогнозни алгоритми. То зависи от интегрирането на оперативни данни, инженерни знания, системи за автоматизация и човешко вземане на решения в координирана цифрова инфраструктура.
Раджеш Рамачандран, глобален главен директор по дигиталните технологии в бизнес направлението „Автоматизация“ на ABB, смята, че съчетаването на технологиите на Индустриалния интернет на нещата (IIoT) с прогнозен ИИ може да помогне на производителите да подобрят надеждността на активите, да оптимизират потреблението на енергия и да преминат към все по-автономни операции.
Неговата гледна точка подчертава важно предизвикателство пред индустриалните компании: да превръщат големите обеми оперативни данни в решения, които водят до измерими подобрения.
1. Индустриален ИИ и IoT: отвъд събирането на данни
Индустриалният интернет на нещата се превърна във важен двигател на дигиталната трансформация. Свързаните сензори, интелигентните измервателни уреди и мрежовите системи за управление позволяват на производителите непрекъснато да събират оперативна информация. Междувременно прогнозният ИИ предоставя необходимите аналитични възможности за откриване на модели и отклонения и за предвиждане на потенциални повреди на оборудването.
Тези технологии имат различни, но взаимно допълващи се цели. IoT осигурява видимост на физическото оборудване и процесите, докато ИИ анализира събраната информация и идентифицира потенциални оперативни рискове.
Събирането на повече данни обаче не подобрява автоматично индустриалната ефективност. Измерването на вибрации или температура има ограничена практическа стойност, ако не са известни работните условия на оборудването, историята на поддръжката и инженерните ограничения.
Според мен следващият етап от индустриалната дигитализация трябва да се съсредоточи по-малко върху увеличаването на обема на събираните данни и повече върху подобряването на инженерната им приложимост. По-малък обем добре контекстуализирана информация може да подпомогне по-добри решения за поддръжка от милиони несвързани показания на сензори.
2. Качеството на данните и инженерният контекст определят ефективността на ИИ
Според Рамачандран успешната стратегия за прогнозен ИИ трябва да започва с ясно дефиниран бизнес проблем.
Индустриалните компании трябва да определят какво искат да прогнозират, колко рано е необходимо да получат предупреждение и кое оперативно решение ще се възползва от тази прогноза.
Този подход поставя инженерните изисквания преди избора на технология.
За да генерират полезни резултати прогнозните модели, трябва да се свърже информация от множество източници, включително:
- Операционни технологии (OT): Измервания в реално време от сензори, PLC, DCS платформи и други системи за управление.
- Информационни технологии (IT): Корпоративна информация, производствени записи и оперативни данни, свързани с бизнеса.
- Инженерни технологии (ET): Спецификации на оборудването, познания за процесите, експлоатационни ограничения и инженерна документация.
- Записи за поддръжката: История на обслужването на оборудването, резултати от проверки, доклади за неизправности и предишни коригиращи действия.
Интеграцията на OT, IT и ET осигурява по-цялостно разбиране на работата на оборудването.
Например внезапното увеличаване на вибрациите на двигател може да е признак за развиващ се механичен проблем. Тълкуването обаче се променя в зависимост от оборотите на двигателя, условията на натоварване, историята на лагерите и скорошните дейности по поддръжката.
Затова индустриалният ИИ изисква повече от наука за данните. Инженерните знания осигуряват контекста, който превръща аналитичните резултати в смислена оперативна информация.
3. Интегриране на прогнозен ИИ в съществуващите индустриални системи
Едно от най-големите препятствия пред внедряването на ИИ в индустрията не е непременно разработването на модели. То е интегрирането на изводите от ИИ в съществуващите оперативни работни процеси.
Прогнозен модел може с висока точност да открие необичайно състояние, но ползата от него остава ограничена, ако екипът по поддръжката не получи информацията навреме или не може да определи какви действия да предприеме.
Рамачандран подчертава, че решенията с ИИ трябва да се интегрират сигурно със съществуващите системи и да се определят ясни отговорности за предприемане на действия въз основа на препоръките им.
За индустриалните съоръжения това изисква внимание към няколко практически съображения:
- Интеграция със съществуващата инфраструктура за автоматизация и мониторинг.
- Сигурна комуникация между оперативните и корпоративните системи.
- Подходящ достъп до данни за оборудването в реално време и исторически данни.
- Ясно определени процедури за приоритизиране на алармите и уведомяване за поддръжка.
- Ясно определени отговорности за прегледа и одобряването на препоръките на ИИ.
- Непрекъснато оценяване на работата на моделите и оперативните резултати.
От гледна точка на инженерното проектиране на системи за автоматизация ИИ трябва да допълва съществуващите архитектури за управление и защита, а не да внася ненужна сложност в тях.
Прогнозният анализ може да подпомогне планирането на поддръжката и оптимизирането на операциите, но функциите за управление, свързани с безопасността, и критичните защитни механизми трябва да запазят установените си инженерни граници.
4. ABB Genix: изграждане на индустриална AIoT платформа
ABB се справя с тези предизвикателства при интеграцията чрез платформата си ABB Genix Industrial IoT and AI.
Платформата е проектирана да свързва индустриални данни, да осмисля информацията и да прилага анализи на различни оперативни нива. Целта ѝ е да помага на организациите да подобряват ефективността, надеждността на активите и устойчивостта чрез по-координирано използване на индустриална информация.
Подходът, основан на платформа, е особено подходящ за големи промишлени съоръжения, където оборудването, системите за управление и приложенията за поддръжка често работят в отделни информационни среди.
Вместо да внедряват изолирани приложения на ИИ за отделни машини, производителите могат да се стремят към по-интегрирана архитектура, която поддържа приемане на данни, интеграция, анализ и оптимизация.
Това също създава възможности за разширяване на успешните приложения към множество производствени линии и съоръжения.
Самото внедряване на платформа обаче не гарантира подобрение на оперативните резултати. Управлението на данните, системната интеграция, инженерната валидация и възприемането от персонала остават необходими части от процеса на внедряване.
5. Излизане от безизходицата на пилотните проекти: мащабиране на ИИ в промишлените операции
Много производители успешно са демонстрирали приложения на ИИ за отделни машини или производствени процеси. По-трудната задача е тези резултати да се разпространят в цял завод или предприятие.
Тази ситуация често се описва като безизходица на пилотните проекти: обещаващите цифрови проекти остават изолирани демонстрации, вместо да се превърнат в установени оперативни възможности.
Рамачандран посочва организационното ръководство като важен фактор за преодоляване на този проблем. Компаниите се нуждаят от ясни бизнес цели, подходяща цифрова инфраструктура и сътрудничество между технологичните екипи и оперативния персонал.
На практика мащабирането на индустриалния ИИ изисква от организациите да се справят с няколко предизвикателства:
- Изолирани хранилища на данни: Информацията трябва да е достъпна в съответните оперативни и бизнес системи.
- Наследена инфраструктура: Съществуващите среди с PLC, DCS, SCADA и системи за управление на активи може да изискват внимателно планирана интеграция.
- Възприемане от персонала: Инженерите и специалистите по поддръжка трябва да разбират как препоръките на ИИ следва да влияят на работата им.
- Оперативна отговорност: За всяко приложение на ИИ трябва ясно да е определено кой отговаря за прегледа на резултатите му и предприемането на действия.
- Стратегия за внедряване: Успешните приложения трябва да се разширяват според доказаната им оперативна стойност, а не само според наличността на технологиите.
Според мен производителите трябва да избягват подхода към внедряването на ИИ като надпревара за автоматизиране на всеки процес. По-практична стратегия е да се идентифицират повтарящи се оперативни проблеми, решенията да се валидират в контролирана среда и приложенията да се разширяват само когато ползите от тях могат да бъдат доказани.
6. Измерване на възвръщаемостта от ИИ в промишлеността чрез оперативните резултати
За промишлените приложения ефективността на ИИ не бива да се оценява само по точността на моделите.
Технически впечатляващ алгоритъм не създава непременно бизнес стойност. Приносът му трябва да се отразява в измерими подобрения, като наличност на оборудването, производствен добив, разходи за поддръжка, потребление на енергия и оперативна безопасност.
Добра отправна точка е да се установи оперативна базова линия, преди да се въведе прогнозен AI.
Например, ако система за прогнозна поддръжка предупреди достатъчно рано, за да предотврати неочаквано спиране на оборудването, финансовата полза може да се оцени спрямо избегнатите производствени загуби, разходите за аварийна поддръжка и потенциалните вторични щети по оборудването.
ABB посочи приложение за откриване на многомерни аномалии в решението си Genix Asset Performance Management.
Според Рамачандран, при скорошни внедрявания при клиенти са идентифицирани потенциални повреди на оборудването шест до десет дни преди настъпването им. Този период на предупреждение може да даде на екипите по поддръжка допълнително време да проучат необичайните условия и да организират коригиращи действия.
Въпреки това качеството на прогнозите трябва да се оценява внимателно.
Фалшивите положителни резултати могат да доведат до ненужни проверки и дейности по поддръжката, докато пропуснатите предупреждения могат да изложат производственото оборудване на значителни оперативни рискове.
Поради тази причина ефективността на индустриалния AI трябва да се оценява както чрез технически показатели, така и чрез реалните резултати от поддръжката.
7. Прогнозна аналитика, предписваща интелигентност и цифрови близнаци
Индустриалният AI постепенно преминава от идентифициране на това какво може да се случи към обясняване защо е вероятно да настъпи дадено събитие и препоръчване на следващите стъпки.
Прогнозната аналитика идентифицира потенциални бъдещи състояния. Препоръчващата аналитика оценява възможните реакции, докато причинно-следственият анализ може да помогне при проучването на основните фактори, допринасящи за необичайното поведение.
Цифровите близнаци разширяват тези възможности, като създават виртуални представяния на физически активи, процеси или системи. Когато са свързани с оперативни данни в реално време, симулационните модели могат да помогнат на инженерите да оценят различни работни сценарии, преди да правят промени във физическото оборудване.
Това съчетание предлага няколко потенциални ползи:
- По-ранно откриване на необичайни работни условия.
- По-добро разбиране на потенциалните механизми за повреда на оборудването.
- Оценка на алтернативни стратегии за поддръжка или експлоатация.
- Намалена несигурност при оценяването на предложени промени в процесите.
- По-добре обосновани решения въз основа на оперативни сценарии.
Според мен съчетанието на прогнозна аналитика и цифрови близнаци може да се окаже особено ценно при сложни индустриални процеси. Вместо просто да уведомяват инженерите, че даден параметър е надхвърлил нормалния си диапазон, бъдещите системи трябва все по-често да помагат за обясняването на възможните причини и оценяването на последиците от различните коригиращи действия.
8. Агентен AI и бъдещето на автономните индустриални операции
В перспектива Рамачандран очаква предиктивните, предписващите и генеративните възможности на изкуствения интелект да работят все по-тясно заедно, като агентният изкуствен интелект помага за свързването на аналитичните прозрения с оперативните работни процеси.
Предиктивният изкуствен интелект може да открива възникващи рискове. Генеративният изкуствен интелект може да помага на инженерите да тълкуват техническа информация, а агентният изкуствен интелект може да подпомага изпълнението на работни процеси и координираните задачи в рамките на определени оперативни граници.
Това развитие би могло да промени начина, по който служителите в индустрията взаимодействат със системите за автоматизация.
Вместо ръчно да преглеждат множество табла за управление, записи за поддръжка и инженерни документи, служителите все по-често могат да използват системи с помощта на изкуствен интелект, за да проучват състоянието на оборудването, да откриват подходяща информация и да подготвят препоръчителни действия.
По-високата степен на автоматизация обаче не означава премахване на човешката отговорност.
В индустриална среда решенията, свързани с безопасността, целостта на оборудването и непрекъснатостта на производството, трябва да останат подложени на подходящ инженерeн надзор. Препоръките, генерирани от изкуствен интелект, изискват валидиране, а автоматизираните действия трябва да се извършват в рамките на ясно установени разрешения и системни ограничения.
Целта не бива просто да бъде създаването на фабрики, които използват повече изкуствен интелект. Тя трябва да бъде изграждането на индустриални операции, които вземат по-добри решения, реагират по-ефективно на променящите се условия и поддържат подходящо ниво на човешка отговорност.
9. Инженерна гледна точка: успехът на индустриалния изкуствен интелект започва с оперативна дисциплина
Подходът на ABB изтъква по-общ извод за производителите: индустриалният изкуствен интелект не е самостоятелна инвестиция в софтуер. Той надгражда съществуващата инфраструктура за автоматизация, информационни технологии и инженерна дейност.
Най-големите възможности вероятно ще се появят там, където компаниите вече имат ясно установени оперативни проблеми, достатъчно исторически данни и данни в реално време, както и екипи, способни да превръщат аналитичните констатации в практически действия.
За инженерите по автоматизация това означава, че развитието на операции с изкуствен интелект все по-често ще включва сътрудничество между специалистите по управление, приборостроене, ИТ инфраструктура, поддръжка и наука за данните.
Това означава също, че съществуващите индустриални активи не бива да бъдат пренебрегвани. Много утвърдени производствени обекти вече разполагат с ценна оперативна информация в PLC системи, DCS платформи, системи за мониторинг на състоянието и бази данни за поддръжка. Свързването и контекстуализирането на тези ресурси може да осигури по-практична отправна точка от подмяната на съществуващата инфраструктура.
В крайна сметка преходът към интелигентни индустриални операции ще зависи от това колко ефективно компаниите съчетават цифровите технологии с инженерния опит. Изкуственият интелект може да подобри видимостта и вземането на решения, но измеримата индустриална стойност все още идва от решаването на реални оперативни проблеми.
