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

От пилотных проектов промышленного ИИ к реальной пользе для бизнеса: как ABB объединяет предиктивный ИИ и Интернет вещей (IoT)

Промышленный искусственный интеллект выходит за рамки экспериментального применения и становится частью повседневных производственных и технологических процессов. Однако для получения измеримой отдачи недостаточно установить подключённые датчики или внедрить прогностические алгоритмы. Необходимо объединить операционные данные, инженерные знания, системы автоматизации и принятие решений человеком в единую цифровую инфраструктуру.

Раджеш Рамачандран, глобальный директор по цифровым технологиям направления автоматизации компании ABB, считает, что сочетание технологий промышленного интернета вещей (IIoT) с прогностическим ИИ может помочь производителям повысить надёжность активов, оптимизировать энергопотребление и перейти к всё более автономным операциям.

Его точка зрения подчёркивает важную задачу, стоящую перед промышленными компаниями: превращать большие объёмы операционных данных в решения, которые обеспечивают измеримые улучшения.

1. Промышленный ИИ и интернет вещей: за пределами сбора данных

Промышленный интернет вещей стал важным двигателем цифровой трансформации. Подключённые датчики, интеллектуальные приборы и сетевые системы управления позволяют производителям непрерывно собирать операционные данные. Прогностический ИИ, в свою очередь, предоставляет аналитические возможности для выявления закономерностей, обнаружения отклонений и прогнозирования возможных отказов оборудования.

Эти технологии служат разным, но взаимодополняющим целям. Интернет вещей обеспечивает видимость физических активов и процессов, а ИИ интерпретирует собранную информацию и выявляет потенциальные операционные риски.

Однако сбор большего объёма данных не приводит автоматически к повышению эффективности производства. Показания вибрации или температуры имеют ограниченную практическую ценность без понимания условий эксплуатации оборудования, истории его обслуживания и инженерных ограничений.

На мой взгляд, на следующем этапе цифровизации промышленности следует сосредоточиться не столько на увеличении объёма собираемых данных, сколько на повышении их инженерной значимости. Меньший объём информации с хорошо проработанным контекстом может помочь принимать более эффективные решения по техническому обслуживанию, чем миллионы разрозненных показаний датчиков.

2. Качество данных и инженерный контекст определяют эффективность ИИ

По словам Рамачандрана, успешная стратегия применения прогностического ИИ должна начинаться с чётко сформулированной бизнес-задачи.

Промышленным компаниям необходимо определить, что именно они хотят прогнозировать, насколько заблаговременно должно поступить предупреждение и какое оперативное решение поможет принять такой прогноз.

Этот подход ставит инженерные требования выше выбора технологий.

Чтобы прогностические модели давали полезные результаты, необходимо объединить информацию из нескольких источников, в том числе:

  • Операционные технологии (OT): измерения в реальном времени с датчиков, программируемых логических контроллеров (PLC), платформ распределённых систем управления (DCS) и других систем управления.
  • Информационные технологии (IT): корпоративная информация, производственные записи и связанные с бизнесом эксплуатационные данные.
  • Инженерные технологии (ET): спецификации оборудования, знания о производственных процессах, эксплуатационные ограничения и инженерная документация.
  • Записи о техническом обслуживании: история обслуживания оборудования, результаты проверок, отчеты о неисправностях и ранее принятые корректирующие меры.

Интеграция операционных, информационных и инженерных технологий позволяет лучше понимать поведение оборудования.

Например, резкое усиление вибрации двигателя может указывать на развивающуюся механическую неисправность. Однако трактовка зависит от скорости двигателя, условий нагрузки, истории обслуживания подшипников и недавних ремонтных работ.

Именно поэтому для промышленного ИИ недостаточно одной лишь науки о данных. Инженерные знания дают необходимый контекст, превращающий результаты аналитики в значимую для производства информацию.

3. Интеграция предиктивного ИИ в существующие промышленные системы

Одно из главных препятствий для внедрения ИИ в промышленности — не обязательно разработка моделей. Проблема в интеграции аналитических выводов ИИ в существующие производственные процессы.

Прогностическая модель может с высокой точностью выявить нештатное состояние, однако ее ценность будет ограниченной, если техническая служба не получит информацию вовремя или не сможет определить необходимые действия.

Рамачандран подчеркивает, что решения на основе ИИ должны безопасно интегрироваться с существующими системами, а ответственность за выполнение рекомендаций должна быть четко распределена.

Для промышленных предприятий это требует учета ряда практических аспектов:

  • Интеграция с существующей инфраструктурой автоматизации и мониторинга.
  • Защищенная связь между системами управления производственными процессами и корпоративными системами.
  • Надлежащий доступ к данным оборудования в реальном времени и за прошлые периоды.
  • Понятные процедуры приоритизации аварийных сигналов и уведомления о необходимости технического обслуживания.
  • Четко определенные обязанности по проверке и утверждению рекомендаций ИИ.
  • Постоянная оценка эффективности моделей и результатов эксплуатации.

С точки зрения инженерии автоматизации ИИ должен дополнять существующие системы управления и защиты, а не создавать в них ненужную сложность.

Предиктивная аналитика помогает планировать техническое обслуживание и оптимизировать эксплуатацию, однако связанные с безопасностью функции управления и критически важные механизмы защиты должны сохранять установленные инженерные границы.

4. ABB Genix: создание промышленной платформы AIoT

ABB решает эти задачи интеграции с помощью своей платформы ABB Genix Industrial IoT and AI.

Платформа предназначена для объединения промышленных данных, контекстуализации информации и применения аналитики на различных уровнях эксплуатации. Она помогает организациям повышать эффективность, надежность оборудования и устойчивость за счет более скоординированного использования промышленной информации.

Подход на основе платформ особенно актуален для крупных промышленных предприятий, где оборудование, системы управления и приложения для обслуживания часто работают в отдельных информационных средах.

Вместо внедрения отдельных решений на основе ИИ для конкретных машин производители могут создавать более интегрированную архитектуру, обеспечивающую получение, интеграцию и анализ данных, а также оптимизацию.

Это также позволяет распространять успешные решения на несколько производственных линий и предприятий.

Однако само по себе внедрение платформы не гарантирует улучшения операционной деятельности. Управление данными, интеграция систем, инженерная проверка и внедрение среди сотрудников остаются необходимыми этапами реализации.

5. Как выйти из «застревания на пилотном этапе»: масштабирование ИИ в промышленности

Многие производители успешно продемонстрировали применение ИИ на отдельных машинах или производственных процессах. Гораздо сложнее распространить эти результаты на весь завод или предприятие.

Эту ситуацию часто называют «застреванием на пилотном этапе»: перспективные цифровые проекты остаются изолированными демонстрациями и не превращаются в полноценные операционные возможности.

Рамачандран считает, что руководство организации играет важную роль в решении этой проблемы. Компаниям необходимы чёткие бизнес-цели, подходящая цифровая инфраструктура и взаимодействие между технологическими командами и операционным персоналом.

На практике для масштабирования промышленного ИИ организациям необходимо решить несколько задач:

  • Разрозненные данные: Информация должна быть доступна в соответствующих операционных и бизнес-системах.
  • Устаревшая инфраструктура: Интеграция с существующими средами PLC, DCS, SCADA и системами управления активами может потребовать тщательного планирования.
  • Внедрение среди сотрудников: Инженерам и специалистам по обслуживанию необходимо понимать, как учитывать рекомендации ИИ в своей работе.
  • Ответственность за эксплуатацию: Для каждого решения на основе ИИ необходимо чётко определить, кто отвечает за проверку его результатов и запуск необходимых действий.
  • Стратегия внедрения: Успешные решения следует масштабировать, исходя из подтверждённой операционной ценности, а не только из доступности технологий.

Я считаю, что производителям не стоит превращать внедрение ИИ в гонку за автоматизацией каждого процесса. Более практичная стратегия — выявлять повторяющиеся операционные проблемы, проверять решения в контролируемых условиях и расширять сферу их применения только тогда, когда их преимущества можно наглядно подтвердить.

6. Оценка окупаемости промышленного ИИ по операционной эффективности

Эффективность ИИ в промышленности не следует оценивать только по точности моделей.

Технически впечатляющий алгоритм не обязательно приносит бизнес-ценность. Его вклад должен выражаться в измеримых улучшениях, таких как доступность оборудования, выход продукции, затраты на техническое обслуживание, энергопотребление и безопасность эксплуатации.

Полезно начать с определения исходных рабочих показателей до внедрения прогнозного ИИ.

Например, если система предиктивного обслуживания заблаговременно предупреждает о проблеме и тем самым предотвращает незапланированную остановку оборудования, финансовую выгоду можно оценить с учётом предотвращённых потерь производства, расходов на аварийное обслуживание и возможного вторичного повреждения оборудования.

ABB рассказала о применении многомерного выявления аномалий в решении Genix Asset Performance Management.

По словам Рамачандрана, недавние внедрения у заказчиков позволили выявлять возможные отказы оборудования за шесть-десять дней до их возникновения. Такой запас времени даёт ремонтным бригадам возможность исследовать отклонения от нормы и организовать корректирующие мероприятия.

Тем не менее качество прогнозов необходимо тщательно оценивать.

Ложные срабатывания могут приводить к ненужным проверкам и работам по техническому обслуживанию, тогда как пропущенные предупреждения могут подвергать производственное оборудование серьёзным эксплуатационным рискам.

Поэтому эффективность промышленного ИИ следует оценивать как по техническим показателям, так и по фактическим результатам технического обслуживания.

7. Прогнозная аналитика, предписывающие рекомендации и цифровые двойники

Промышленный ИИ постепенно выходит за рамки определения того, что может произойти, и учится объяснять, почему событие, вероятно, произойдёт, а также рекомендовать дальнейшие действия.

Прогнозная аналитика выявляет возможные будущие условия. Предписывающая аналитика оценивает возможные меры реагирования, а причинный анализ помогает исследовать глубинные факторы, способствующие отклонениям от нормы.

Цифровые двойники расширяют эти возможности, создавая виртуальные представления физических активов, процессов или систем. При подключении к данным о работе в реальном времени модели симуляции помогают инженерам оценивать различные рабочие сценарии до внесения изменений в физическое оборудование.

Такое сочетание даёт ряд потенциальных преимуществ:

  • Более раннее выявление отклонений от нормальных условий эксплуатации.
  • Улучшение понимания возможных механизмов отказа оборудования.
  • Оценка альтернативных стратегий технического обслуживания или эксплуатации.
  • Снижение неопределённости при оценке предлагаемых изменений процесса.
  • Более обоснованные решения на основе рабочих сценариев.

На мой взгляд, сочетание прогнозной аналитики и цифровых двойников может оказаться особенно ценным для сложных промышленных процессов. Вместо того чтобы просто сообщать инженерам о выходе параметра за пределы нормы, системы будущего должны всё чаще помогать выяснять возможные причины и оценивать последствия различных корректирующих действий.

8. Агентный ИИ и будущее автономных промышленных операций

По мнению Рамачандрана, в перспективе возможности предиктивного, предписывающего и генеративного ИИ будут всё теснее взаимодействовать, а агентный ИИ поможет связывать аналитические выводы с операционными рабочими процессами.

Предиктивный ИИ может выявлять возникающие риски. Генеративный ИИ помогает инженерам интерпретировать техническую информацию, а агентный ИИ — выполнять рабочие процессы и координировать задачи в установленных операционных границах.

Это развитие может изменить взаимодействие персонала промышленных предприятий с системами автоматизации.

Вместо того чтобы вручную просматривать несколько панелей мониторинга, записи об обслуживании и инженерную документацию, персонал всё чаще может использовать системы с поддержкой ИИ для анализа состояния оборудования, поиска нужной информации и подготовки рекомендуемых действий.

Однако более высокая степень автоматизации не означает снятия ответственности с человека.

В промышленной среде решения, связанные с безопасностью, целостностью оборудования и непрерывностью производства, должны приниматься под надлежащим инженерным контролем. Рекомендации, сгенерированные ИИ, требуют проверки, а автоматизированные действия должны выполняться в чётко установленных пределах разрешений и системных ограничений.

Цель не должна сводиться к созданию заводов, которые используют больше ИИ. Нужно развивать промышленное производство, которое принимает более обоснованные решения, эффективнее реагирует на меняющиеся условия и сохраняет надлежащий уровень ответственности человека.

9. Взгляд инженера: успех промышленного ИИ начинается с операционной дисциплины

Подход ABB показывает более общий урок для производителей: промышленный ИИ — это не отдельное вложение в программное обеспечение. Это развитие существующей инфраструктуры автоматизации, информационных систем и инженерных решений.

Наиболее перспективные возможности, вероятно, появятся там, где у компаний уже есть чётко определённые операционные проблемы, достаточно исторических данных и данных в реальном времени, а также команды, способные превращать результаты аналитики в практические действия.

Для инженеров по автоматизации это означает, что развитие операций с поддержкой ИИ всё чаще будет требовать сотрудничества специалистов по системам управления, контрольно-измерительным приборам, ИТ-инфраструктуре, техническому обслуживанию и науке о данных.

Это также означает, что не следует упускать из виду существующие промышленные активы. На многих давно работающих предприятиях уже есть ценная операционная информация в ПЛК, системах DCS, системах мониторинга состояния и базах данных по обслуживанию. Подключение этих ресурсов и придание им контекста может стать более практичным началом, чем замена существующей инфраструктуры.

В конечном счёте переход к интеллектуальному промышленному производству будет зависеть от того, насколько эффективно компании сочетают цифровые технологии с инженерным опытом. ИИ помогает лучше понимать ситуацию и принимать решения, но измеримая промышленная ценность по-прежнему создаётся за счёт решения реальных операционных задач.

От пилотных проектов промышленного ИИ к реальной бизнес-ценности: как ABB объединяет предиктивный ИИ и IoT
Предыдущий пост