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

No rūpnieciskā MI pilotprojektiem līdz reālai biznesa vērtībai: kā ABB savieno paredzošo MI un lietu internetu (IoT)

Rūpnieciskais mākslīgais intelekts vairs nav tikai eksperimentāls risinājums, bet kļūst par ikdienas ražošanas un procesu darbību daļu. Tomēr, lai gūtu izmērāmus rezultātus, nepietiek tikai ar savienotu sensoru uzstādīšanu vai prognozējošu algoritmu ieviešanu. Tas ir atkarīgs no operacionālo datu, inženiertehnisko zināšanu, automatizācijas sistēmu un cilvēku lēmumu pieņemšanas integrēšanas vienotā digitālajā infrastruktūrā.

Rajesh Ramachandran, ABB automatizācijas biznesa jomas globālais digitālais vadītājs, uzskata, ka rūpnieciskā lietu interneta (IIoT) tehnoloģiju apvienošana ar prognozējošo mākslīgo intelektu var palīdzēt ražotājiem uzlabot aktīvu uzticamību, optimizēt enerģijas patēriņu un virzīties uz arvien autonomāku darbību.

Viņa skatījums izgaismo svarīgu izaicinājumu, ar ko saskaras rūpniecības uzņēmumi: kā lielus operacionālo datu apjomus pārvērst lēmumos, kas sniedz izmērāmus uzlabojumus.

1. Rūpnieciskais mākslīgais intelekts un IoT: tālāk par datu apkopošanu

Rūpnieciskais lietu internets ir kļuvis par nozīmīgu digitalizācijas virzītājspēku. Savienoti sensori, viedie mērinstrumenti un tīklotas vadības sistēmas ļauj ražotājiem nepārtraukti apkopot informāciju par darbību. Savukārt prognozējošais mākslīgais intelekts nodrošina analītiskās iespējas, kas vajadzīgas, lai identificētu likumsakarības, konstatētu novirzes un paredzētu iespējamus iekārtu bojājumus.

Šīs tehnoloģijas kalpo atšķirīgiem, bet savstarpēji papildinošiem mērķiem. IoT nodrošina pārskatāmību par fiziskajām iekārtām un procesiem, savukārt mākslīgais intelekts interpretē apkopoto informāciju un identificē iespējamos operacionālos riskus.

Tomēr lielāka datu apjoma apkopošana automātiski neuzlabo rūpniecisko veiktspēju. Vibrācijas rādījumam vai temperatūras mērījumam ir ierobežota praktiskā vērtība, ja nav izpratnes par iekārtas darbības apstākļiem, apkopes vēsturi un inženiertehniskajām robežvērtībām.

Manuprāt, rūpniecības digitalizācijas nākamajā posmā mazāk uzmanības vajadzētu pievērst savākto datu apjoma palielināšanai un vairāk — to inženiertehniskās nozīmības uzlabošanai. Mazāks daudzums labi kontekstualizētas informācijas var palīdzēt pieņemt labākus apkopes lēmumus nekā miljoniem savstarpēji nesaistītu sensoru rādījumu.

2. Datu kvalitāte un inženiertehniskais konteksts nosaka mākslīgā intelekta veiktspēju

Pēc Ramachandrana teiktā, veiksmīgai prognozējošā mākslīgā intelekta stratēģijai jāsākas ar skaidri definētu uzņēmējdarbības problēmu.

Rūpniecības uzņēmumiem jānosaka, ko tie vēlas prognozēt, cik savlaicīgs brīdinājums ir nepieciešams un kurš operatīvais lēmums iegūs no šīs prognozes.

Šī pieeja par prioritāti izvirza inženiertehniskās prasības, nevis tehnoloģiju izvēli.

Lai prognozējošie modeļi sniegtu noderīgus rezultātus, jāsavieno informācija no vairākiem avotiem, tostarp:

  • Operacionālās tehnoloģijas (OT): Sensoru, programmējamo loģisko kontrolleru (PLC), sadalīto vadības sistēmu (DCS) platformu un citu vadības sistēmu reāllaika mērījumi.
  • Informācijas tehnoloģijas (IT): Uzņēmuma informācija, ražošanas ieraksti un ar uzņēmējdarbību saistīti operatīvie dati.
  • Inženiertehnoloģijas (ET): Iekārtu specifikācijas, procesa pārzināšana, ekspluatācijas ierobežojumi un inženiertehniskā dokumentācija.
  • Apkopes ieraksti: Iekārtu apkopes vēsture, pārbaužu rezultāti, ziņojumi par kļūmēm un iepriekš veiktie korektīvie pasākumi.

OT, IT un ET integrācija sniedz plašāku izpratni par iekārtu darbību.

Piemēram, pēkšņs motora vibrācijas pieaugums var liecināt par mehānisku problēmu. Tomēr tā interpretācija mainās atkarībā no motora ātruma, slodzes apstākļiem, gultņu vēstures un nesen veiktajiem apkopes darbiem.

Tāpēc rūpniecībā izmantotajam mākslīgajam intelektam nepietiek tikai ar datu zinātni. Inženierzināšanu zināšanas nodrošina kontekstu, kas ļauj analītikas rezultātus pārvērst jēgpilnā operatīvajā informācijā.

3. Prognozējošā mākslīgā intelekta integrēšana esošajās rūpniecības sistēmās

Viens no lielākajiem šķēršļiem mākslīgā intelekta ieviešanai rūpniecībā ne vienmēr ir modeļa izstrāde. Tas ir mākslīgā intelekta ģenerētu atziņu integrēšana esošajās darbplūsmās.

Prognozēšanas modelis var ar augstu precizitāti konstatēt neparastu stāvokli, taču tā lietderība ir ierobežota, ja apkopes komanda informāciju nesaņem laikus vai nespēj noteikt, kā rīkoties.

Ramačandrana uzsver, ka mākslīgā intelekta risinājumiem jābūt droši integrētiem esošajās sistēmās un skaidri jānosaka atbildība par rīcību atbilstoši to ieteikumiem.

Rūpnieciskajām iekārtām tas nozīmē, ka jāpievērš uzmanība vairākiem praktiskiem aspektiem:

  • Integrācija ar esošo automatizācijas un uzraudzības infrastruktūru.
  • Droša saziņa starp operatīvajām un uzņēmuma sistēmām.
  • Atbilstoša piekļuve iekārtu reāllaika un vēsturiskajiem datiem.
  • Skaidra trauksmju prioritāšu noteikšana un apkopes paziņošanas kārtība.
  • Noteikta atbildība par mākslīgā intelekta ieteikumu izskatīšanu un apstiprināšanu.
  • Modeļa veiktspējas un darbības rezultātu nepārtraukta novērtēšana.

Raugoties no automatizācijas inženierijas perspektīvas, mākslīgajam intelektam jāpapildina esošās vadības un aizsardzības arhitektūras, nevis jāievieš tajās lieka sarežģītība.

Prognozējošā analītika var palīdzēt plānot apkopi un optimizēt darbību, taču drošībai paredzētajām vadības funkcijām un kritiski svarīgiem aizsardzības mehānismiem jāsaglabā noteiktās inženiertehniskās robežas.

4. ABB Genix: rūpnieciskā AIoT platformas izveide

ABB risina šīs integrācijas problēmas ar ABB Genix Industrial IoT un mākslīgā intelekta platformu.

Platforma ir izstrādāta, lai savienotu rūpnieciskos datus, sniegtu informācijai kontekstu un piemērotu analītiku dažādos darbības līmeņos. Tās mērķis ir palīdzēt organizācijām uzlabot efektivitāti, aktīvu uzticamību un ilgtspēju, koordinētāk izmantojot rūpniecisko informāciju.

Uz platformām balstīta pieeja ir īpaši piemērota lielām rūpniecības ražotnēm, kur iekārtas, vadības sistēmas un tehniskās apkopes lietojumprogrammas bieži darbojas atsevišķās informācijas vidēs.

Tā vietā, lai ieviestu atsevišķus mākslīgā intelekta risinājumus katrai iekārtai, ražotāji var virzīties uz integrētāku arhitektūru, kas atbalsta datu ieguvi, integrāciju, analīzi un optimizāciju.

Tas arī rada iespējas paplašināt veiksmīgus lietojumus vairākās ražošanas līnijās un ražotnēs.

Tomēr platformas ieviešana vien negarantē darbības uzlabojumus. Datu pārvaldība, sistēmu integrācija, inženiertehniskā validācija un darbinieku iesaiste joprojām ir nepieciešamas ieviešanas procesa daļas.

5. Kā izkļūt no pilotprojektu purva: mākslīgā intelekta mērogošana rūpnieciskajā darbībā

Daudzi ražotāji ir veiksmīgi demonstrējuši mākslīgā intelekta lietojumus atsevišķās iekārtās vai ražošanas procesos. Sarežģītākais uzdevums ir attiecināt šos rezultātus uz visu rūpnīcu vai uzņēmumu.

Šo situāciju bieži dēvē par pilotprojektu purvu: daudzsološi digitālie projekti paliek atsevišķu demonstrāciju līmenī, nevis kļūst par pastāvīgu darbības spēju.

Ramačandrāns norāda, ka organizācijas vadībai ir būtiska nozīme šīs problēmas pārvarēšanā. Uzņēmumiem ir vajadzīgi skaidri uzņēmējdarbības mērķi, piemērota digitālā infrastruktūra un tehnoloģiju komandu sadarbība ar darbības personālu.

Praksē rūpnieciskā mākslīgā intelekta mērogošanai organizācijām jārisina vairākas problēmas:

  • Datu silo: Informācijai jābūt pieejamai attiecīgajās darbības un uzņēmējdarbības sistēmās.
  • Mantojuma infrastruktūra: Esošajām PLC, DCS, SCADA un aktīvu pārvaldības sistēmām var būt nepieciešama rūpīgi plānota integrācija.
  • Darbinieku iesaiste: Inženieriem un tehniskās apkopes personālam ir jāsaprot, kā mākslīgā intelekta ieteikumiem būtu jāietekmē viņu darbs.
  • Atbildība par darbību: Katram mākslīgā intelekta lietojumam ir skaidri jānosaka atbildīgie par tā rezultātu pārskatīšanu un rīcības sākšanu.
  • Ieviešanas stratēģija: Veiksmīgi lietojumi jāpaplašina, ņemot vērā pierādīto darbības vērtību, nevis tikai tehnoloģiju pieejamību.

Uzskatu, ka ražotājiem nevajadzētu uztvert mākslīgā intelekta ieviešanu kā sacensību par visu procesu automatizēšanu. Praktiskāka stratēģija ir noteikt atkārtotas darbības problēmas, pārbaudīt risinājumus kontrolētos apstākļos un paplašināt to lietojumu tikai tad, kad ir iespējams pierādīt to sniegtos ieguvumus.

6. Rūpnieciskā mākslīgā intelekta ieguldījumu atdeves novērtēšana pēc darbības rezultātiem

Rūpnieciskos lietojumos mākslīgā intelekta veiktspēja nav jāvērtē tikai pēc modeļa precizitātes.

Tehniski iespaidīgs algoritms ne vienmēr rada uzņēmējdarbības vērtību. Tā ieguldījumam jāizpaužas izmērāmos uzlabojumos, piemēram, iekārtu pieejamībā, ražības iznākumā, apkopes izmaksās, enerģijas patēriņā un darba drošībā.

Noderīgs sākumpunkts ir noteikt darbības bāzes līmeni, pirms tiek ieviests prognozējošais MI.

Piemēram, ja prognozējošās apkopes sistēma sniedz pietiekami savlaicīgu brīdinājumu, lai novērstu negaidītu iekārtas apstāšanos, finansiālo ieguvumu var novērtēt, ņemot vērā novērstos ražošanas zaudējumus, ārkārtas apkopes izdevumus un iespējamos sekundāros iekārtu bojājumus.

ABB ir izcēlis lietojumu, kurā tā Genix Asset Performance Management risinājumā tiek izmantota daudzdimensiju anomāliju noteikšana.

Pēc Ramachandran teiktā, nesenās klientu ieviešanās ir ļāvušas konstatēt iespējamus iekārtu bojājumus sešas līdz desmit dienas pirms to rašanās. Šis brīdinājuma laiks apkopes komandām var dot papildu laiku, lai izmeklētu neparastus apstākļus un organizētu korektīvus pasākumus.

Tomēr prognožu kvalitāte ir rūpīgi jānovērtē.

Viltus pozitīvi brīdinājumi var izraisīt nevajadzīgas pārbaudes un apkopes darbus, savukārt nepamanīti brīdinājumi var pakļaut ražošanas iekārtas ievērojamiem operacionāliem riskiem.

Šī iemesla dēļ rūpnieciskā MI veiktspēja jāvērtē gan pēc tehniskajiem rādītājiem, gan pēc faktiskajiem apkopes rezultātiem.

7. Prognozējošā analītika, preskriptīvā inteliģence un digitālie dvīņi

Rūpnieciskais MI pakāpeniski pāriet no iespējamā notikuma prognozēšanas uz skaidrojumu, kāpēc tas varētu notikt, un ieteikumu, kā rīkoties tālāk.

Prognozējošā analītika nosaka iespējamus turpmākos apstākļus. Preskriptīvā analītika izvērtē iespējamos risinājumus, savukārt cēloņsakarību analīze var palīdzēt izpētīt pamatfaktorus, kas veicina neparastu uzvedību.

Digitālie dvīņi paplašina šīs iespējas, izveidojot fizisko aktīvu, procesu vai sistēmu virtuālus attēlojumus. Savienoti ar reāllaika operatīvajiem datiem, simulācijas modeļi var palīdzēt inženieriem izvērtēt dažādus ekspluatācijas scenārijus, pirms tiek veiktas izmaiņas fiziskajās iekārtās.

Šis apvienojums sniedz vairākas potenciālas priekšrocības:

  • Savlaicīgāka neparastu ekspluatācijas apstākļu noteikšana.
  • Labāka izpratne par iespējamiem iekārtu atteices mehānismiem.
  • Alternatīvu apkopes vai ekspluatācijas stratēģiju izvērtēšana.
  • Mazāka nenoteiktība, novērtējot ierosinātās procesu izmaiņas.
  • Labāk informēti lēmumi, kas balstīti uz operatīvajiem scenārijiem.

Manuprāt, prognozējošās analītikas un digitālo dvīņu apvienojums varētu kļūt īpaši vērtīgs sarežģītos rūpnieciskos procesos. Tā vietā, lai tikai paziņotu inženieriem, ka kāds parametrs ir pārsniedzis normas robežas, nākotnes sistēmām arvien biežāk būtu jāpalīdz izskaidrot iespējamos cēloņus un izvērtēt dažādu koriģējošu darbību sekas.

8. Aģentiskais MI un autonomu rūpniecisko operāciju nākotne

Raugoties nākotnē, Ramachandran sagaida, ka prognozējošā, preskriptīvā un ģeneratīvā mākslīgā intelekta iespējas arvien ciešāk sadarbosies, bet aģentiskais mākslīgais intelekts palīdzēs sasaistīt analītiskos ieskatus ar darbplūsmām.

Prognozējošais mākslīgais intelekts var identificēt potenciālos riskus. Ģeneratīvais mākslīgais intelekts var palīdzēt inženieriem interpretēt tehnisko informāciju, savukārt aģentiskais mākslīgais intelekts var atbalstīt darbplūsmu izpildi un koordinēt uzdevumus noteiktu darbības robežu ietvaros.

Šī attīstība varētu mainīt to, kā rūpniecības darbinieki mijiedarbojas ar automatizācijas sistēmām.

Tā vietā, lai manuāli pārskatītu vairākus informācijas paneļus, apkopes ierakstus un inženiertehniskos dokumentus, darbinieki arvien biežāk varēs izmantot sistēmas ar mākslīgā intelekta atbalstu, lai izpētītu iekārtu stāvokli, atrastu būtisko informāciju un sagatavotu ieteicamo rīcību.

Tomēr lielāka automatizācija nenozīmē cilvēku atbildības atcelšanu.

Rūpnieciskā vidē lēmumiem par drošību, iekārtu integritāti un ražošanas nepārtrauktību jābūt pakļautiem atbilstošai inženiertehniskajai uzraudzībai. Mākslīgā intelekta ģenerētie ieteikumi ir jāpārbauda, un automatizētām darbībām jānotiek skaidri noteiktu atļauju un sistēmas ierobežojumu ietvaros.

Mērķim nevajadzētu būt vienkārši izveidot rūpnīcas, kurās plašāk izmanto mākslīgo intelektu. Mērķis ir attīstīt rūpnieciskās darbības, kurās tiek pieņemti labāki lēmumi, efektīvāk reaģēts uz mainīgiem apstākļiem un saglabāts atbilstošs cilvēku atbildības līmenis.

9. Inženiertehniskais skatījums: rūpnieciskā mākslīgā intelekta panākumu pamatā ir darbības disciplīna

ABB pieeja uzsver plašāku mācību ražotājiem: rūpnieciskais mākslīgais intelekts nav atsevišķs ieguldījums programmatūrā. Tas papildina esošo automatizācijas, informācijas un inženiertehnisko infrastruktūru.

Labākās iespējas, visticamāk, radīsies uzņēmumos, kuros jau ir skaidri identificētas operatīvās problēmas, pieejams pietiekams vēsturisko un reāllaika datu apjoms un ir komandas, kas spēj analītiskos secinājumus pārvērst praktiskā rīcībā.

Automatizācijas inženieriem tas nozīmē, ka ar mākslīgo intelektu nodrošinātu darbību attīstībā arvien vairāk būs jāsadarbojas vadības sistēmu inženieriem, mērinstrumentu speciālistiem, IT infrastruktūras un apkopes speciālistiem, kā arī datu zinātniekiem.

Tas nozīmē arī to, ka nevajadzētu aizmirst par esošajiem rūpnieciskajiem aktīviem. Daudzās jau sen izveidotās rūpnīcās PLC, DCS platformās, stāvokļa uzraudzības sistēmās un apkopes datubāzēs jau ir vērtīga informācija par darbību. Šo resursu savienošana un kontekstualizēšana var būt praktiskāks sākumpunkts nekā esošās infrastruktūras nomaiņa.

Galu galā pāreja uz viedām rūpnieciskajām darbībām būs atkarīga no tā, cik efektīvi uzņēmumi apvienos digitālās tehnoloģijas ar inženiertehnisko pieredzi. Mākslīgais intelekts var uzlabot pārskatāmību un lēmumu pieņemšanu, taču izmērāmu vērtību rūpniecībā joprojām nodrošina reālu operatīvo problēmu risināšana.

No industriālā mākslīgā intelekta izmēģinājumiem līdz reālai uzņēmējdarbības vērtībai: kā ABB savieno prognozējošo mākslīgo intelektu un lietu internetu
Iepriekšējais ieraksts