From Industrial AI Pilots to Real Business Value: How ABB Is Connecting Predictive AI and IoT

Az ipari mesterségesintelligencia-pilotoktól a valódi üzleti értékig: hogyan kapcsolja össze az ABB a prediktív mesterséges intelligenciát és az IoT-t

Az ipari mesterséges intelligencia túllép a kísérleti alkalmazásokon, és a mindennapi gyártási és folyamatüzemeltetési tevékenységek részévé válik. A mérhető megtérülés eléréséhez azonban nem elég csupán összekapcsolt szenzorokat telepíteni vagy prediktív algoritmusokat bevezetni. Ehhez az üzemi adatok, a mérnöki ismeretek, az automatizálási rendszerek és az emberi döntéshozatal összehangolt digitális infrastruktúrába való integrálása szükséges.

Rajesh Ramachandran, az ABB automatizálási üzletágának globális digitális igazgatója szerint az ipari dolgok internete (IIoT) technológiáinak és a prediktív MI-nek az ötvözése segíthet a gyártóknak növelni az eszközök megbízhatóságát, optimalizálni az energiafogyasztást, és egyre inkább az autonóm működés felé haladni.

Az általa képviselt szemlélet rávilágít az ipari vállalatok előtt álló fontos kihívásra: hogyan alakítsák a nagy mennyiségű üzemi adatot mérhető javulást eredményező döntésekké.

1. Ipari MI és IoT: túl az adatgyűjtésen

Az ipari dolgok internete a digitális átalakulás egyik fő hajtóerejévé vált. Az összekapcsolt szenzorok, intelligens műszerek és hálózatba kapcsolt vezérlőrendszerek lehetővé teszik a gyártók számára az üzemi információk folyamatos gyűjtését. A prediktív MI pedig biztosítja a mintázatok azonosításához, a rendellenes állapotok észleléséhez és a lehetséges berendezéshibák előrejelzéséhez szükséges elemzési képességeket.

Ezek a technológiák eltérő, de egymást kiegészítő célokat szolgálnak. Az IoT láthatóvá teszi a fizikai berendezések és folyamatok állapotát, míg az MI értelmezi az összegyűjtött információkat, és azonosítja a lehetséges működési kockázatokat.

A több adat gyűjtése azonban nem javítja automatikusan az ipari teljesítményt. Egy rezgésértéknek vagy hőmérsékletmérésnek korlátozott a gyakorlati értéke, ha nem ismerjük a berendezés üzemi körülményeit, karbantartási előzményeit és mérnöki határértékeit.

Véleményem szerint az ipari digitalizáció következő szakaszának nem az összegyűjtött adatok mennyiségének növelésére, hanem a mérnöki szempontból való relevanciájuk javítására kell összpontosítania. Kevesebb, megfelelő kontextusba helyezett információ jobb karbantartási döntéseket tehet lehetővé, mint több millió, egymással össze nem kapcsolt szenzoradat.

2. Az adatminőség és a mérnöki kontextus határozza meg az MI teljesítményét

Ramachandran szerint a sikeres prediktív MI-stratégiának egy világosan meghatározott üzleti problémából kell kiindulnia.

Az ipari vállalatoknak meg kell határozniuk, mit szeretnének előre jelezni, mennyivel korábban van szükségük figyelmeztetésre, és melyik működési döntés profitálhat az előrejelzésből.

Ez a megközelítés a technológia kiválasztása elé helyezi a mérnöki követelményeket.

Ahhoz, hogy a prediktív modellek hasznos eredményeket adjanak, több forrásból származó információkat kell összekapcsolni, többek között:

  • Műszaki technológia (OT): Szenzoroktól, PLC-ktől, DCS-platformoktól és más vezérlőrendszerektől származó valós idejű mérések.
  • Informatikai technológia (IT): Vállalati információk, termelési nyilvántartások és az üzletmenethez kapcsolódó működési adatok.
  • Mérnöki technológia (ET): A berendezések műszaki specifikációi, a folyamatokkal kapcsolatos ismeretek, az üzemi korlátok és a mérnöki dokumentáció.
  • Karbantartási nyilvántartások: A berendezések szervizelőzményei, az ellenőrzések eredményei, a meghibásodási jelentések és a korábbi javító intézkedések.

Az OT, IT és ET integrációja átfogóbb képet ad a berendezések viselkedéséről.

Például a motorrezgés hirtelen növekedése egy kialakuló mechanikai problémára utalhat. Az értelmezés azonban a motor fordulatszámától, terhelési viszonyaitól, a csapágyak előzményeitől és a közelmúltbeli karbantartási munkáktól függően változik.

Ezért az ipari AI-hoz az adattudománynál többre van szükség. A mérnöki szaktudás biztosítja azt a kontextust, amelynek révén az analitikai eredmények értelmezhető üzemi információvá válnak.

3. Prediktív AI integrálása a meglévő ipari rendszerekbe

Az ipari AI bevezetésének egyik legnagyobb akadálya nem feltétlenül a modellfejlesztés. Hanem az AI által létrehozott felismerések beépítése a meglévő üzemi munkafolyamatokba.

Egy prediktív modell nagy pontossággal azonosíthat egy rendellenes állapotot, de az értéke korlátozott marad, ha a karbantartó csapat nem kapja meg időben az információt, vagy nem tudja eldönteni, milyen intézkedést tegyen.

Ramachandran hangsúlyozza, hogy az AI-megoldásokat biztonságosan kell integrálni a meglévő rendszerekbe, és egyértelműen meg kell határozni az ajánlásaik alapján történő intézkedésekért felelős személyeket.

Az ipari létesítmények esetében ehhez több gyakorlati szempontot is figyelembe kell venni:

  • Integráció a meglévő automatizálási és felügyeleti infrastruktúrával.
  • Biztonságos kommunikáció az üzemi és a vállalati rendszerek között.
  • Megfelelő hozzáférés a berendezések valós idejű és korábbi adataihoz.
  • Az alarmok egyértelmű rangsorolása és a karbantartási értesítések kezelésére szolgáló eljárások.
  • Az AI-ajánlások felülvizsgálatáért és jóváhagyásáért felelős személyek kijelölése.
  • A modell teljesítményének és az üzemi eredményeknek a folyamatos értékelése.

Az automatizálástechnikai tervezés szempontjából az AI-nak ki kell egészítenie a meglévő vezérlési és védelmi architektúrákat, nem pedig szükségtelenül bonyolultabbá tennie azokat.

A prediktív analitika támogathatja a karbantartás tervezését és a működés optimalizálását, de a biztonsággal kapcsolatos vezérlési funkcióknak és a kritikus védelmi mechanizmusoknak meg kell őrizniük a kialakult mérnöki határaikat.

4. ABB Genix: ipari AIoT-platform építése

Az ABB az ABB Genix Industrial IoT and AI platformmal kezeli ezeket az integrációs kihívásokat.

A platform célja, hogy összekapcsolja az ipari adatokat, kontextusba helyezze az információkat, és elemzéseket alkalmazzon a különböző működési szinteken. Segítségével a szervezetek az ipari információk összehangoltabb felhasználásával javíthatják a hatékonyságot, az eszközök megbízhatóságát és a fenntarthatóságot.

A platformalapú megközelítés különösen fontos a nagy ipari létesítményekben, ahol a berendezések, a vezérlőrendszerek és a karbantartási alkalmazások gyakran elkülönült informatikai környezetekben működnek.

Ahelyett, hogy egyedi gépekhez különálló MI-alkalmazásokat vezetnének be, a gyártók egy integráltabb architektúra kialakítására törekedhetnek, amely támogatja az adatok betöltését, integrációját, elemzését és az optimalizálást.

Ez lehetőséget teremt a sikeres alkalmazások több gyártósorra és létesítményre való kiterjesztésére is.

A platform bevezetése azonban önmagában nem garantálja a működés javulását. Az adatirányítás, a rendszerintegráció, a mérnöki validálás és a munkaerő általi elfogadás továbbra is a bevezetési folyamat elengedhetetlen része.

5. Kilépés a kísérleti projektek csapdájából: az MI kiterjesztése az ipari működés egészére

Számos gyártó sikeresen mutatott be MI-alkalmazásokat egyedi gépeken vagy gyártási folyamatokban. Az eredmények egész üzemre vagy vállalatra történő kiterjesztése nehezebb feladat.

Ezt a helyzetet gyakran kísérleti projektek csapdájának nevezik: az ígéretes digitális projektek elszigetelt bemutatók maradnak ahelyett, hogy a működés szerves részévé váló képességekké fejlődnének.

Ramachandran a szervezeti vezetést fontos tényezőnek tartja e probléma leküzdésében. A vállalatoknak világos üzleti célokra, megfelelő digitális infrastruktúrára, valamint a technológiai csapatok és az operatív munkatársak közötti együttműködésre van szükségük.

A gyakorlatban az ipari MI kiterjesztéséhez a szervezeteknek számos kihívást kell kezelniük:

  • Adatsilók: Az információknak hozzáférhetőnek kell lenniük a megfelelő működési és üzleti rendszerekben.
  • Örökölt infrastruktúra: A meglévő PLC-, DCS-, SCADA- és eszközgazdálkodási környezetek integrációja körültekintő tervezést igényelhet.
  • Munkaerő általi elfogadás: A mérnököknek és a karbantartó személyzetnek meg kell érteniük, hogyan befolyásolják az MI által adott javaslatok a munkájukat.
  • Működési felelősség: Minden MI-alkalmazás esetében egyértelműen meg kell határozni, ki felel a kimenetek ellenőrzéséért és az intézkedések kezdeményezéséért.
  • Bevezetési stratégia: A sikeres alkalmazásokat a bizonyított működési értékük alapján kell kiterjeszteni, nem pusztán azért, mert elérhetővé váltak a technológiák.

Úgy vélem, a gyártóknak nem szabad úgy tekinteniük az MI bevezetésére, mintha versenyt futnának minden folyamat automatizálásáért. Ésszerűbb stratégia a visszatérő működési problémák azonosítása, a megoldások ellenőrzött környezetben történő validálása, majd az alkalmazások kiterjesztése, de csak akkor, ha előnyeik bizonyíthatók.

6. Az ipari MI megtérülésének mérése a működési teljesítmény alapján

Ipari alkalmazások esetén a mesterséges intelligencia teljesítményét nem szabad kizárólag a modellek pontossága alapján értékelni.

Egy technikailag lenyűgöző algoritmus nem feltétlenül teremt üzleti értéket. Hozzájárulásának olyan mérhető javulásokban kell megmutatkoznia, mint a berendezések rendelkezésre állása, a termelési kihozatal, a karbantartási költségek, az energiafogyasztás és az üzembiztonság.

Hasznos kiindulópont egy üzemeltetési alapállapot meghatározása a prediktív AI bevezetése előtt.

Például ha egy prediktív karbantartási rendszer kellő időben figyelmeztet egy váratlan berendezésleállás megelőzéséhez, a pénzügyi előny az elkerült termelési veszteségek, a sürgősségi karbantartási költségek és a berendezések esetleges másodlagos károsodásának figyelembevételével értékelhető.

Az ABB bemutatott egy alkalmazást, amely a Genix Asset Performance Management megoldásán belül többváltozós anomáliadetektálást alkalmaz.

Ramachandran szerint az ügyfeleknél végzett közelmúltbeli bevezetések során hat-tíz nappal bekövetkezésük előtt sikerült azonosítani a lehetséges berendezéshibákat. Ez az előrejelzési idő további időt adhat a karbantartó csapatoknak a rendellenes körülmények kivizsgálására és a korrekciós intézkedések megszervezésére.

A predikciók minőségét azonban gondosan kell értékelni.

A téves riasztások szükségtelen ellenőrzésekhez és karbantartási tevékenységekhez vezethetnek, míg az elmaradt figyelmeztetések jelentős üzemi kockázatoknak tehetik ki a termelőberendezéseket.

Ezért az ipari AI teljesítményét műszaki mutatók és a tényleges karbantartási eredmények alapján egyaránt értékelni kell.

7. Prediktív analitika, preskriptív intelligencia és digitális ikrek

Az ipari AI fokozatosan túllép annak azonosításán, hogy mi történhet, és afelé halad, hogy megmagyarázza, miért következhet be egy esemény, és javaslatot tegyen a következő teendőkre.

A prediktív analitika azonosítja a lehetséges jövőbeli állapotokat. A preskriptív analitika kiértékeli a lehetséges válaszlépéseket, az oksági elemzés pedig segíthet feltárni a rendellenes viselkedéshez hozzájáruló alapvető tényezőket.

A digitális ikrek kibővítik ezeket a képességeket azáltal, hogy fizikai eszközök, folyamatok vagy rendszerek virtuális reprezentációit hozzák létre. Valós idejű üzemeltetési adatokkal összekapcsolva a szimulációs modellek segíthetnek a mérnököknek a különböző üzemeltetési forgatókönyvek kiértékelésében, mielőtt módosítanák a fizikai berendezéseket.

Ez a kombináció számos lehetséges előnnyel jár:

  • A rendellenes üzemi körülmények korábbi felismerése.
  • A berendezések meghibásodásának lehetséges mechanizmusai jobban megérthetők.
  • Alternatív karbantartási vagy üzemeltetési stratégiák értékelése.
  • A javasolt folyamatmódosítások értékelésekor csökkenő bizonytalanság.
  • Jobban megalapozott döntések az üzemeltetési forgatókönyvek alapján.

Véleményem szerint a prediktív analitika és a digitális ikrek kombinációja különösen értékes lehet az összetett ipari folyamatokban. A jövő rendszereinek nem csupán azt kell jelezniük a mérnököknek, hogy egy paraméter túllépte a normál tartományát, hanem egyre inkább segíteniük kell a lehetséges okok feltárását és a különböző korrekciós intézkedések következményeinek felmérését is.

8. Agentikus AI és az autonóm ipari műveletek jövője

A jövőre tekintve Ramachandran arra számít, hogy az előrejelző, előíró és generatív AI képességei egyre szorosabban fognak együttműködni, az ágensalapú AI pedig segít majd az elemzésekből származó felismeréseket összekapcsolni a működési munkafolyamatokkal.

Az előrejelző AI felismerheti a felmerülő kockázatokat. A generatív AI segíthet a mérnököknek értelmezni a műszaki információkat, míg az ágensalapú AI támogathatja a munkafolyamatok végrehajtását és a feladatok összehangolását a meghatározott működési kereteken belül.

Ez a fejlemény megváltoztathatja, ahogyan az ipari dolgozók az automatizálási rendszerekkel kapcsolatba lépnek.

A több irányítópult, karbantartási nyilvántartás és mérnöki dokumentum kézi áttekintése helyett a dolgozók egyre gyakrabban használhatnak AI-val támogatott rendszereket a berendezések állapotának vizsgálatára, a releváns információk azonosítására és a javasolt intézkedések előkészítésére.

A nagyobb fokú automatizálás azonban nem jelenti az emberi felelősség megszüntetését.

Ipari környezetben a biztonságot, a berendezések épségét és a termelés folytonosságát érintő döntéseknek megfelelő mérnöki felügyelet alatt kell maradniuk. Az AI által generált javaslatokat ellenőrizni kell, az automatizált műveleteknek pedig világosan meghatározott jogosultságok és rendszerkorlátok között kell működniük.

Nem pusztán az a cél, hogy több AI-t alkalmazó gyárakat hozzunk létre. Olyan ipari működést kell kialakítani, amely jobb döntéseket hoz, hatékonyabban reagál a változó körülményekre, és megőrzi az emberi felelősségvállalás megfelelő szintjét.

9. Mérnöki szempont: az ipari AI sikere a működési fegyelemmel kezdődik

Az ABB megközelítése a gyártók számára egy tágabb tanulsággal szolgál: az ipari AI nem elszigetelt szoftverberuházás. A meglévő automatizálási, informatikai és mérnöki infrastruktúra továbbfejlesztését jelenti.

A legnagyobb lehetőségek valószínűleg ott nyílnak meg, ahol a vállalatok már azonosították a működési problémákat, elegendő múltbeli és valós idejű adattal rendelkeznek, és vannak olyan csapataik, amelyek képesek az elemzések eredményeit gyakorlati lépésekké alakítani.

Az automatizálási mérnökök számára ez azt jelenti, hogy az AI-val támogatott működés fejlesztése egyre inkább együttműködést igényel az irányítástechnika, a műszerezés, az IT-infrastruktúra, a karbantartás és az adattudomány területei között.

Ez azt is jelenti, hogy a meglévő ipari eszközöket sem szabad figyelmen kívül hagyni. Sok, régóta működő létesítmény már most is értékes működési információkat tárol PLC-kben, DCS-platformokon, állapotfelügyeleti rendszerekben és karbantartási adatbázisokban. Ezen erőforrások összekapcsolása és kontextusba helyezése gyakorlatiasabb kiindulópontot jelenthet, mint a meglévő infrastruktúra lecserélése.

Végső soron az intelligens ipari működésre való átállás azon múlik, hogy a vállalatok mennyire hatékonyan ötvözik a digitális technológiákat a mérnöki tapasztalattal. Az AI javíthatja az átláthatóságot és a döntéshozatalt, de a mérhető ipari érték továbbra is valós működési problémák megoldásából fakad.

Az ipari mesterségesintelligencia-kísérletektől a valódi üzleti értékig: hogyan kapcsolja össze az ABB az előrejelző AI-t és az IoT-t
Előző bejegyzés