将人工智能集成到传统制造工厂：实用、低风险的路线图
现在可以在不完全更换的情况下缩小传统控制系统和尖端人工智能之间的差距。了解如何将人工智能有效连接到旧工厂车间。
作者：哈姆扎·达布尔
概要
- 传统工厂可以采用人工智能，而无需放弃经过验证的自动化。
- 人工智能通过观察和解释植物行为而不是控制植物行为来增加价值。
- 如果有选择地使用现有数据，就足以支持有意义的改进。
- 进步来自于尊重传统工厂通常运行方式的经过验证的小步骤。
大多数制造工厂安装的控制系统是为了保持设备安全、一致地运行，但它们的设计并未考虑人工智能或在其生命周期的任何阶段支持高级分析。
尽管经过了数十年的升级和解决方法，这些工厂仍然在运行，但它们仍然与现代人工智能系统不兼容。这限制了人工智能目前可以执行的工作，并可能迫使某些任务低效运行。
大多数工厂很快意识到，将人工智能连接到现有工厂环境既实用又经济高效，而不是忽视人工智能趋势或完全更换系统以实现“现代化”。
对于那些还没有这样做的人，本路线图重点介绍如何将人工智能添加到遗留工厂而不是替换它们。
“地面上的人工智能”是什么意思
人工智能不是控制系统、PLC 逻辑、联锁装置或操作员，它不应该在大多数制造运营中做出实时决策。
相反，人工智能最好作为一个分析层，观察植物随时间的变化行为。它寻找传统警报和阈值无法检测到的模式和早期信号。
当以这种方式定位时，人工智能可以补充您现有的自动化系统，允许控制系统继续执行确定性逻辑，而人工智能则专注于解释和洞察。这种区别有助于避免运营和工程团队在将人工智能连接到旧工厂车间时遇到的阻力。
在添加任何新内容之前评估您已有的内容
传统工厂几乎总是低估自己的数据。在历史学家、控制器、驱动器、传感器、维护日志和质量记录之间，大多数设施已经生成足够的信息来支持有用的人工智能模型。
如果您拥有所有这些数据，真正的挑战通常是碎片和上下文，而不是数据量。通过回答一些基础问题来开始实际评估。一些例子：
- 哪些资产或流程在发生故障或偏离时会造成最大的运营难题？
- 操作员在哪些方面依靠经验而非仪器来发现问题？
- 哪些信号已经可信，即使它们组织得不完美？
- 重复出现的小问题在哪里悄悄地消耗时间而不会触发正式警报？
- 哪些设备需要经常进行人工检查，因为早期预警信号很容易被忽视？
- 班次交接在哪些方面严重依赖口头解释而不是记录的数据？
- 由于系统提供的上下文有限，哪些调整是“凭感觉”进行的？
- 停机分析通常从哪里开始，而不是从证据开始？
- 哪些变量仅在出现问题后才会进行审核？
- 哪里存在历史数据，但一旦问题出现却很少被重新访问？
回答这些问题可以缩小范围，这一点至关重要，因为当团队试图立即清理和标准化所有内容时，人工智能计划常常会停滞不前。
因此，工作要小而具体，而不是广泛和理论。
花时间评估您的遗留系统将帮助您发现人工智能集成可以解决的差距和机会。
关注适合传统现实的用例
并非所有人工智能应用程序都适合旧工厂车间。最有效的早期用例通常支持决策，而不是尝试自动化决策。
维护往往是第一个实际切入点。人工智能不是预测确切的故障日期，而是突出显示故障发生之前出现的异常行为，让您的维护团队有时间主动调查和计划。
工艺稳定性是另一个重要因素。许多吞吐量和质量问题随着条件的变化而缓慢发展。即使所有值都保持在可接受的限度内，人工智能也可以识别流程何时不再像以前那样运行。
质量监控遵循相同的模式。在检查之间，人工智能可以标记异常趋势，表明上游可能形成缺陷，从而缩短原因和检测之间的时间。
您不需要新的控制架构或侵入性更改即可让它们发挥作用，这就是它们既实用又非常有用的原因。
在不中断运营的情况下连接人工智能
- 早期部署应在观察模式下运行。
- 输出应该是建议性的。
- 提醒应该解释发生了什么变化，而不仅仅是出现问题。
- 操作员和工程师必须先根据现实验证见解，然后再信任他们。
这些注意事项可帮助您避免连接人工智能时出现中断。
工厂自动化团队和工业服务提供商应该抵制过早关闭循环的冲动。在建立信任之前自动触发行动会迅速削弱信任。信任是通过克制赢得的。
简而言之，将人工智能引入旧工厂的策略应该让人感觉是渐进式的，而不是变革性的。
在扩展之前解决人性化的问题
当系统行为不可预测时，操作员会产生怀疑。将人工智能引入运营时，您最不希望看到的是工程师因为无法解释模型而失业，或者维护团队忽略警报，因为这些警报通常来得太晚或太频繁。
优先考虑实用性而不是复杂性。准确性很重要，但相关性更重要。如果人工智能始终能够解决团队可能会错过的问题，它将很快赢得信誉。
注意反馈循环。当团队了解他们的行为如何影响人工智能输出时，他们会更加投入。如果人工智能感觉被强加而不是协作，则会发生相反的情况。
只有在您知道人工智能在较小的局部区域中很有价值之后才能进行扩展。
尊重遗留约束的路线图
- 首先，观察现有行为而不改变它。
- 接下来，在有限的、易于理解的领域证明价值。
- 然后，在模式重复且结果一致的地方进行扩展。
- 只有完成这些步骤后，您才应该考虑对其进行标准化。
常见问题
传统工厂在使用人工智能之前是否需要新的传感器或硬件？
在大多数情况下，不会。人工智能计划通常首先使用来自控制器、历史学家、传感器、驱动器等的现有信号。仅当存在明显的可见间隙时才会添加新传感器。
可以在不改变PLC逻辑或控制策略的情况下使用人工智能吗？
是的。人工智能在控制层之外运行。它可以观察过程行为并提供见解，而无需修改确定性控制逻辑或安全系统。
如果流程已配置警报，AI 有用吗？
是的。传统警报会捕获阈值违规行为，而人工智能则可识别处于限制范围内但仍表明新出现问题的异常模式。
内部需要哪些技能来支持遗留工厂中的人工智能？
一开始，强大的流程知识比数据科学专业知识更重要。了解正常行为的操作员和工程师提供了关键的背景信息。
人工智能仅对大规模运营有价值吗？
不会。较小的工厂通常会更快地看到结果，因为流程更容易隔离和验证，从而更容易实现早期成功。
什么时候在整个设施中扩展 AI 才有意义？
只有在本地化部署持续提供可行的见解并被您的运营和维护团队接受之后。
作者简介： Hamza Daboul 是一名自动化工程师，拥有超过 11 年的经验，在 EZ Automation 专门研究工业解决方案。他专注于设计控制系统和实施设备升级，以提高制造效率、可靠性和安全性。他的专业知识包括对复杂系统进行故障排除以及提供使现有运营现代化的统包解决方案。 Hamza 以解决问题的思维方式而闻名，他与客户密切合作，在提高生产力的同时保持高质量标准。
自动化控制系统