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

Od pilot-projekata industrijske veštačke inteligencije do stvarne poslovne vrednosti: kako ABB povezuje prediktivnu veštačku inteligenciju i IoT

Industrijska veštačka inteligencija izlazi iz okvira eksperimentalnih primena i postaje deo svakodnevne proizvodnje i procesnih operacija. Međutim, za ostvarivanje merljivih rezultata nije dovoljno instalirati povezane senzore ili uvesti prediktivne algoritme. Neophodno je povezati operativne podatke, inženjersko znanje, sisteme automatizacije i ljudsko odlučivanje u koordinisanu digitalnu infrastrukturu.

Radžeš Ramakantran, globalni direktor za digitalne tehnologije u ABB-ovoj poslovnoj oblasti automatizacije, smatra da kombinovanje tehnologija industrijskog interneta stvari (IIoT) sa prediktivnom veštačkom inteligencijom može da pomogne proizvođačima da povećaju pouzdanost sredstava, optimizuju potrošnju energije i pređu na sve autonomnije poslovanje.

Njegov stav ukazuje na važan izazov sa kojim se suočavaju industrijske kompanije: pretvaranje velikih količina operativnih podataka u odluke koje donose merljiva poboljšanja.

1. Industrijska veštačka inteligencija i IoT: korak dalje od prikupljanja podataka

Industrijski internet stvari postao je jedan od glavnih pokretača digitalne transformacije. Povezani senzori, pametni instrumenti i umreženi upravljački sistemi omogućavaju proizvođačima da neprekidno prikupljaju operativne informacije. Prediktivna veštačka inteligencija pruža analitičke mogućnosti potrebne za prepoznavanje obrazaca, otkrivanje neuobičajenih stanja i predviđanje mogućih kvarova opreme.

Ove tehnologije imaju različite, ali komplementarne namene. IoT omogućava uvid u fizičku opremu i procese, dok veštačka inteligencija tumači prikupljene informacije i prepoznaje potencijalne operativne rizike.

Međutim, prikupljanje više podataka ne poboljšava automatski industrijske rezultate. Očitavanje vibracija ili merenje temperature ima ograničenu praktičnu vrednost bez poznavanja radnih uslova opreme, istorije održavanja i inženjerskih ograničenja.

Po mom mišljenju, naredna faza digitalizacije industrije trebalo bi manje da se usmeri na povećanje količine prikupljenih podataka, a više na unapređenje njihove inženjerske relevantnosti. Manja količina informacija smeštenih u odgovarajući kontekst može da doprinese boljim odlukama o održavanju nego milioni nepovezanih očitavanja senzora.

2. Kvalitet podataka i inženjerski kontekst određuju učinak veštačke inteligencije

Prema Ramachandranu, uspešna strategija prediktivne veštačke inteligencije treba da počne jasno definisanim poslovnim problemom.

Industrijske kompanije treba da utvrde šta žele da predvide, koliko rano je potrebno upozorenje i koja operativna odluka će imati koristi od tog predviđanja.

Ovakav pristup daje prednost inženjerskim zahtevima u odnosu na izbor tehnologije.

Da bi prediktivni modeli davali korisne rezultate, potrebno je povezati informacije iz više izvora, uključujući:

  • Operativna tehnologija (OT): Merenja u realnom vremenu sa senzora, PLC-ova, DCS platformi i drugih upravljačkih sistema.
  • Informaciona tehnologija (IT): Informacije na nivou preduzeća, evidencija proizvodnje i poslovni operativni podaci.
  • Inženjerska tehnologija (ET): Specifikacije opreme, poznavanje procesa, radna ograničenja i inženjerska dokumentacija.
  • Evidencija održavanja: Istorija servisiranja opreme, rezultati pregleda, izveštaji o kvarovima i prethodno preduzete korektivne mere.

Integracija OT-a, IT-a i ET-a omogućava šire razumevanje ponašanja opreme.

Na primer, nagli porast vibracija motora može da ukaže na razvoj mehaničkog problema. Međutim, tumačenje zavisi od brzine motora, uslova opterećenja, istorije ležaja i nedavnih aktivnosti održavanja.

Zato je za industrijsku veštačku inteligenciju potrebno više od nauke o podacima. Inženjersko znanje pruža kontekst koji omogućava da analitički rezultati postanu značajne operativne informacije.

3. Integracija prediktivne veštačke inteligencije u postojeće industrijske sisteme

Jedna od najvećih prepreka usvajanju veštačke inteligencije u industriji nije nužno razvoj modela. Reč je o integraciji uvida dobijenih veštačkom inteligencijom u postojeće operativne procese.

Prediktivni model može sa velikom preciznošću da otkrije neuobičajeno stanje, ali njegova vrednost ostaje ograničena ako tim za održavanje ne dobije informacije na vreme ili ne može da odredi koje mere treba preduzeti.

Ramachandran naglašava da rešenja veštačke inteligencije moraju bezbedno da se integrišu sa postojećim sistemima i da odgovornosti za postupanje po njihovim preporukama moraju biti jasno određene.

U industrijskim postrojenjima to zahteva pažnju prema nekoliko praktičnih aspekata:

  • Integracija sa postojećom infrastrukturom za automatizaciju i nadzor.
  • Bezbedna komunikacija između operativnih i poslovnih sistema.
  • Odgovarajući pristup podacima o opremi u realnom vremenu i istorijskim podacima.
  • Jasne procedure za određivanje prioriteta alarma i slanje obaveštenja o održavanju.
  • Jasno utvrđene odgovornosti za pregled i odobravanje preporuka veštačke inteligencije.
  • Kontinuirana procena performansi modela i operativnih rezultata.

Sa stanovišta automatizacije, veštačka inteligencija treba da dopunjuje postojeće sisteme upravljanja i zaštite, a ne da unosi nepotrebnu složenost.

Prediktivna analitika može da podrži planiranje održavanja i optimizaciju rada, ali bezbednosne upravljačke funkcije i kritični zaštitni mehanizmi moraju da zadrže svoje utvrđene inženjerske granice.

4. ABB Genix: Razvoj platforme za industrijski AIoT

ABB odgovara na ove izazove integracije pomoću svoje platforme ABB Genix za industrijski IoT i veštačku inteligenciju.

Platforma je osmišljena da povezuje industrijske podatke, daje kontekst informacijama i primenjuje analitiku u različitim operativnim slojevima. Njen cilj je da pomogne organizacijama da poboljšaju efikasnost, pouzdanost opreme i održivost kroz koordinisaniju upotrebu industrijskih informacija.

Pristup zasnovan na platformi naročito je relevantan za velike industrijske pogone, gde oprema, upravljački sistemi i aplikacije za održavanje često rade u odvojenim informacionim okruženjima.

Umesto uvođenja izolovanih primena veštačke inteligencije za pojedinačne mašine, proizvođači mogu da rade na integrisanijoj arhitekturi koja podržava unos, integraciju, analizu i optimizaciju podataka.

To stvara i mogućnosti za proširenje uspešne primene na više proizvodnih linija i pogona.

Međutim, samo uvođenje platforme ne garantuje poboljšanje poslovanja. Upravljanje podacima, integracija sistema, inženjerska provera i prihvatanje među zaposlenima i dalje su neophodni delovi procesa uvođenja.

5. Izlazak iz pilot-faze: širenje primene veštačke inteligencije u industrijskim operacijama

Mnogi proizvođači su uspešno demonstrirali primenu veštačke inteligencije na pojedinačnim mašinama ili u proizvodnim procesima. Teži zadatak je proširiti te rezultate na čitav pogon ili preduzeće.

Ova situacija se često naziva zaglavljivanjem u pilot-fazi: obećavajući digitalni projekti ostaju izolovane demonstracije, umesto da postanu ustaljene operativne sposobnosti.

Ramachandran ističe rukovodstvo organizacije kao važan faktor u prevazilaženju ovog problema. Kompanijama su potrebni jasni poslovni ciljevi, odgovarajuća digitalna infrastruktura i saradnja tehnoloških timova sa operativnim osobljem.

U praksi, širenje primene veštačke inteligencije u industriji zahteva od organizacija da reše nekoliko izazova:

  • Izolovani izvori podataka: Informacije moraju biti dostupne u relevantnim operativnim i poslovnim sistemima.
  • Nasleđena infrastruktura: Postojeća okruženja PLC, DCS, SCADA i sistemi za upravljanje imovinom mogu zahtevati pažljivo planiranu integraciju.
  • Usvajanje među zaposlenima: Inženjeri i osoblje za održavanje treba da razumeju kako preporuke veštačke inteligencije treba da utiču na njihov rad.
  • Operativna odgovornost: Za svaku primenu veštačke inteligencije potrebno je jasno definisati ko je odgovoran za pregled njenih rezultata i pokretanje aktivnosti.
  • Strategija primene: Uspešnu primenu treba širiti na osnovu dokazane operativne vrednosti, a ne samo dostupnosti tehnologije.

Smatram da proizvođači treba da izbegavaju pristup usvajanju veštačke inteligencije kao trci u automatizaciji svakog procesa. Praktičnija strategija je da prepoznaju probleme koji se ponavljaju u poslovanju, provere rešenja u kontrolisanim uslovima i prošire primenu samo kada se mogu dokazati njene koristi.

6. Merenje povraćaja ulaganja u industrijsku veštačku inteligenciju kroz operativne performanse

U industrijskim primenama, učinak veštačke inteligencije ne treba procenjivati samo na osnovu tačnosti modela.

Tehnički impresivan algoritam ne mora nužno doneti poslovnu vrednost. Njegov doprinos mora se odraziti na merljivim poboljšanjima, kao što su raspoloživost opreme, proizvodni prinos, troškovi održavanja, potrošnja energije i bezbednost rada.

Korisno je početi utvrđivanjem operativne osnovne vrednosti pre uvođenja prediktivne veštačke inteligencije.

Na primer, ako sistem za prediktivno održavanje pruži dovoljno vremena za upozorenje da bi se sprečilo neočekivano zaustavljanje opreme, finansijska korist može se proceniti na osnovu izbegnutih gubitaka u proizvodnji, troškova hitnog održavanja i mogućih dodatnih oštećenja opreme.

ABB je istakao primenu višestruke detekcije anomalija u svom rešenju Genix Asset Performance Management.

Prema rečima Ramachandrana, nedavne implementacije kod klijenata omogućile su prepoznavanje mogućih kvarova opreme šest do deset dana pre nego što do njih dođe. Ovaj period upozorenja može timovima za održavanje dati dodatno vreme da istraže neuobičajene uslove i organizuju korektivne intervencije.

Ipak, kvalitet predviđanja mora se pažljivo proceniti.

Lažno pozitivni rezultati mogu dovesti do nepotrebnih pregleda i aktivnosti održavanja, dok neprepoznata upozorenja mogu izložiti proizvodnu opremu značajnim operativnim rizicima.

Iz tog razloga, učinak industrijske veštačke inteligencije treba procenjivati na osnovu tehničkih pokazatelja, ali i stvarnih rezultata održavanja.

7. Prediktivna analitika, preskriptivna inteligencija i digitalni blizanci

Industrijska veštačka inteligencija postepeno prevazilazi puko prepoznavanje onoga što bi moglo da se dogodi i počinje da objašnjava zašto je neki događaj verovatan i da preporučuje šta bi trebalo sledeće uraditi.

Prediktivna analitika prepoznaje moguće buduće uslove. Preskriptivna analitika procenjuje moguće odgovore, dok analiza uzroka može pomoći u istraživanju osnovnih faktora koji doprinose neuobičajenom ponašanju.

Digitalni blizanci proširuju ove mogućnosti stvaranjem virtuelnih prikaza fizičke imovine, procesa ili sistema. Kada su povezani sa operativnim podacima u realnom vremenu, simulacioni modeli mogu pomoći inženjerima da procene različite scenarije rada pre nego što izvrše izmene na fizičkoj opremi.

Ova kombinacija donosi nekoliko potencijalnih prednosti:

  • Ranije prepoznavanje neuobičajenih radnih uslova.
  • Bolje razumevanje mogućih mehanizama kvara opreme.
  • Procena alternativnih strategija održavanja ili rada.
  • Manja neizvesnost pri proceni predloženih promena procesa.
  • Bolje informisane odluke zasnovane na operativnim scenarijima.

Po mom mišljenju, kombinacija prediktivne analitike i digitalnih blizanaca mogla bi biti naročito korisna za složene industrijske procese. Umesto da samo obaveštavaju inženjere da je neki parametar premašio uobičajeni opseg, budući sistemi trebalo bi sve više da pomažu u objašnjavanju mogućih uzroka i proceni posledica različitih korektivnih mera.

8. Agentska veštačka inteligencija i budućnost autonomnih industrijskih operacija

Ramachandran očekuje da će prediktivne, preskriptivne i generativne mogućnosti AI-ja ubuduće sve тесније sarađivati, dok će agentni AI pomagati da se analitički uvidi povežu sa operativnim radnim tokovima.

Prediktivni AI može da prepozna rizike koji se javljaju. Generativni AI može da pomogne inženjerima u tumačenju tehničkih informacija, dok agentni AI može da podrži izvršavanje radnih tokova i koordinisane zadatke u okviru definisanih operativnih granica.

Ovaj razvoj mogao bi da promeni način na koji zaposleni u industriji komuniciraju sa sistemima za automatizaciju.

Umesto da ručno pregledaju više kontrolnih tabli, evidencija o održavanju i inženjerskih dokumenata, zaposleni bi sve češće mogli da koriste sisteme uz podršku AI-ja za istraživanje stanja opreme, pronalaženje relevantnih informacija i pripremu predloženih mera.

Međutim, veći stepen automatizacije ne znači i ukidanje ljudske odgovornosti.

U industrijskim okruženjima, odluke koje se tiču bezbednosti, integriteta opreme i kontinuiteta proizvodnje moraju ostati pod odgovarajućim inženjerskim nadzorom. Preporuke koje generiše AI moraju biti proverene, a automatizovane radnje moraju se odvijati u okviru jasno utvrđenih ovlašćenja i ograničenja sistema.

Cilj ne treba da bude samo stvaranje fabrika koje koriste više AI-ja. Potrebno je razvijati industrijske operacije koje donose bolje odluke, efikasnije reaguju na promenljive uslove i održavaju odgovarajući nivo ljudske odgovornosti.

9. Inženjerska perspektiva: uspeh industrijskog AI-ja počinje operativnom disciplinom

ABB-ov pristup ukazuje na širu pouku za proizvođače: industrijski AI nije izolovana investicija u softver. On predstavlja nadogradnju postojeće infrastrukture za automatizaciju, informacione tehnologije i inženjering.

Najbolje prilike verovatno će se pojaviti tamo gde kompanije već imaju jasno prepoznatljive operativne probleme, dovoljno istorijskih podataka i podataka u realnom vremenu, kao i timove sposobne da analitičke nalaze pretvore u praktične mere.

Za inženjere automatizacije to znači da će razvoj operacija koje koriste AI sve više podrazumevati saradnju između stručnjaka za upravljanje, instrumentaciju, IT infrastrukturu, održavanje i nauku o podacima.

To takođe znači da postojeća industrijska sredstva ne treba zanemariti. Mnogi postojeći pogoni već sadrže vredne operativne informacije u PLC-ovima, DCS platformama, sistemima za nadzor stanja i bazama podataka o održavanju. Povezivanje ovih resursa i davanje konteksta njihovim podacima može biti praktičniji početak od zamene postojeće infrastrukture.

U krajnjoj liniji, prelazak na inteligentne industrijske operacije zavisiće od toga koliko uspešno kompanije kombinuju digitalne tehnologije sa inženjerskim iskustvom. AI može da unapredi preglednost i donošenje odluka, ali merljiva industrijska vrednost i dalje se postiže rešavanjem stvarnih operativnih problema.

Od industrijskih AI pilot-projekata do stvarne poslovne vrednosti: kako ABB povezuje prediktivni AI i IoT
Prethodni post