استقرار عوامل هوش مصنوعی در کف تولید بدون دستکاری سیستم‌های MES، SCADA یا کنترل خط

ادغام مستقیم فناوری‌های نوپای عامل هوش مصنوعی در سیستم‌های اجرایی تولید (MES)، سیستم‌های کنترل سرپرستی و جمع‌آوری داده‌ها (SCADA) یا سیستم‌های کنترل خط، خطرات عملیاتی و یکپارچگی قابل توجهی را به همراه دارد که اغلب منجر به چرخه‌های استقرار طولانی و بی‌ثباتی سیستم می‌شود. این سیستم‌های قدیمی برای کنترل قطعی و بلادرنگ و گزارش‌دهی داده‌ها طراحی شده‌اند، نه برای خروجی‌های تفسیری و احتمالی هوش مصنوعی یا بازنویسی‌های مستقیم که می‌توانند فرآیندهای حیاتی را به خطر بیاندازند.

رویکردی بسیار پایدارتر و استراتژیک‌تر شامل استقرار عوامل هوش مصنوعی به عنوان یک لایه جانبی مستقل و غیرتهاجمی است که بینش‌های عملیاتی را بدون اصلاح مستقیم یا تداخل با زیرساخت‌های اصلی فناوری عملیاتی (OT) استخراج می‌کند.

Cognite (Cognite Data Fusion)

Cognite Data Fusion (CDF) به عنوان یک پلتفرم DataOps صنعتی فعالیت می‌کند و در زمینه‌سازی داده‌های فناوری عملیاتی (OT) و فناوری اطلاعات (IT) تخصص دارد. این پلتفرم داده‌ها را از منابع مختلف، از جمله تاریخ‌نگارها، سرورهای OPC-UA و سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) دریافت می‌کند و آن‌ها را در یک گراف دانش صنعتی واحد و یکپارچه جمع‌آوری می‌کند. وظیفه اصلی این پلتفرم ایجاد یک نمایش دیجیتال از دارایی‌ها و فرآیندهای فیزیکی است که امکان تحلیل‌های پیشرفته و کاربردهای یادگیری ماشین را فراهم می‌کند.

نکته کلیدی در استراتژی استقرار غیرتهاجمی Cognite، معماری فقط خواندنی آن در مورد سیستم‌های کنترل است. CDF از طریق پروتکل‌های صنعتی استاندارد به منابع داده موجود متصل می‌شود و هرگز به کنترل‌کننده‌های منطقی قابل برنامه‌ریزی (PLC) یا سیستم‌های کنترل خط مستقیم بازنویسی نمی‌کند. این امر یکپارچگی و ایمنی زیرساخت‌های تولید حیاتی را که یک نگرانی اساسی در محیط‌های تولیدی است، حفظ می‌کند.

CDF به عنوان یک لایه داده بنیادی برای توسعه و استقرار مدل‌های AI/ML بعدی عمل می‌کند. این پلتفرم داده‌های ساختاریافته و زمینه‌سازی شده‌ای را فراهم می‌کند که دانشمندان داده و مهندسان می‌توانند برای نگهداری پیش‌بینانه، بهینه‌سازی فرآیند و تشخیص ناهنجاری از آن استفاده کنند. مخاطبان هدف آن معمولاً شامل شرکت‌های صنعتی بزرگ با چشم‌اندازهای داده‌ای پیچیده هستند که به دنبال بهره‌برداری از ارزش سرمایه‌گذاری‌های داده‌ای موجود خود می‌باشند.

با انتزاع جمع‌آوری و زمینه‌سازی داده‌ها، Cognite امکان ساخت و استقرار برنامه‌های کاربردی هوش مصنوعی را بدون دخالت مستقیم در عملکردهای حیاتی MES یا SCADA فراهم می‌کند. این پلتفرم مجموعه‌های داده‌ای متنوع را یکپارچه می‌کند و آن‌ها را برای ابزارهای تحلیلی سطح بالاتر و کاربردهای عامل‌گرا قابل دسترس و قابل فهم می‌سازد. این رویکرد خطرات یکپارچگی مرتبط با تغییرات مستقیم سیستم OT را کاهش می‌دهد.

با این حال، Cognite Data Fusion، در حالی که یک پایه داده قدرتمند را فراهم می‌کند، اساساً یک پلتفرم یکپارچه‌سازی و زمینه‌سازی داده‌ها است. این پلتفرم ذاتاً عوامل هوش مصنوعی خودمختار را مستقر نمی‌کند یا یک لایه هماهنگ‌سازی گردش کار عامل‌گرا را ارائه نمی‌دهد. کاربرد آن در توانمندسازی دیگران برای ساخت و استقرار چنین عواملی بر روی خروجی داده‌های ساختاریافته آن است، نه ارائه خود عوامل.

Tulip Interfaces

Tulip Interfaces یک پلتفرم عملیات خط مقدم ارائه می‌دهد که برای توانمندسازی مهندسان و اپراتورها برای ساخت برنامه‌های کاربردی بدون کد طراحی شده است. این پلتفرم بر دیجیتالی کردن فرآیندهای دستی، جمع‌آوری داده‌های تولید بلادرنگ و ارائه دستورالعمل‌های کاری تعاملی به اپراتورها تمرکز دارد. هدف این پلتفرم بهبود کارایی عملیاتی و کیفیت با آوردن ابزارهای دیجیتال مستقیماً به کف کارخانه است.

استراتژی یکپارچه‌سازی Tulip ذاتاً غیرمخرب است و به عنوان یک سیستم پوششی عمل می‌کند که زیرساخت‌های موجود MES و SCADA را تکمیل می‌کند. این پلتفرم معمولاً از طریق APIهای استاندارد، سرورهای OPC یا یکپارچه‌سازی مستقیم حسگرها به منابع داده متصل می‌شود، اما عملکردهای اصلی این سیستم‌ها را جایگزین یا مستقیماً کنترل نمی‌کند. در عوض، یک رابط کاربری آسان برای ورود داده‌ها، تجسم و مدیریت گردش کار فراهم می‌کند.

این پلتفرم در امکان توسعه سریع برنامه‌های کاربردی سفارشی که چالش‌های عملیاتی خاصی مانند ردیابی نقص، نظارت بر تولید و کنترل کیفیت را برطرف می‌کنند، عالی عمل می‌کند. این برنامه‌ها می‌توانند داده‌ها را از سیستم‌های موجود دریافت کنند و داده‌های وارد شده توسط اپراتور را برای تحلیل‌های بعدی ارسال کنند، همه این‌ها بدون تغییر منطق کنترل زیربنایی یا مکانیسم‌های ذخیره‌سازی داده‌های سیستم‌های اصلی OT.

تولیدکنندگان از Tulip برای پر کردن شکاف بین سیستم‌های سازمانی و اپراتورهای خط مقدم استفاده می‌کنند و بینش‌های عملیاتی و ابزارهای دیجیتالی را ارائه می‌دهند که بهره‌وری را بهبود می‌بخشند و خطاها را کاهش می‌دهند. این پلتفرم به ویژه مورد علاقه شرکت‌هایی است که به دنبال دیجیتالی کردن سریع فرآیندهای دستی و توانمندسازی تیم‌های عملیاتی خود با نرم‌افزارهای قابل پیکربندی توسط کاربر هستند. این پلتفرم طیف وسیعی از صنایع، از تولید گسسته تا داروسازی را پوشش می‌دهد.

این رویکرد تضمین می‌کند که فرآیندهای تولید حیاتی تحت کنترل سیستم‌های معتبر MES و SCADA باقی می‌مانند، در حالی که Tulip لایه انعطاف‌پذیر و پاسخگو را برای تعامل انسانی و جمع‌آوری داده‌ها فراهم می‌کند. این رویکرد از پیچیدگی‌ها و خطرات مرتبط با اصلاح یا رابط مستقیم با معماری کنترل اصلی جلوگیری می‌کند و استقرار چابک بهبودهای عملیاتی را تسهیل می‌کند.

در حالی که Tulip در دیجیتالی کردن رابط‌های انسان-ماشین و جمع‌آوری داده‌های عملیاتی بلادرنگ عالی عمل می‌کند، یک پلتفرم استقرار عامل هوش مصنوعی نیست. این پلتفرم ابزارهای رابط کاربری و مکانیسم‌های جمع‌آوری داده را فراهم می‌کند که می‌توانند مدل‌های هوش مصنوعی را تغذیه کنند یا توسط هوش مصنوعی تقویت شوند، اما ذاتاً عوامل هوش مصنوعی خودمختاری را که اقدامات تفسیری انجام می‌دهند یا رفتارهای سیستم را هماهنگ می‌کنند، مستقر یا مدیریت نمی‌کند.

Augury

Augury راه‌حل‌های هوش مصنوعی برای سلامت و عملکرد ماشین‌آلات را ارائه می‌دهد که عمدتاً بر نگهداری پیش‌بینانه متمرکز است. پیشنهاد اصلی آن‌ها شامل استقرار حسگرهای اختصاصی اینترنت اشیاء (IoT) است که به ماشین‌آلات صنعتی حیاتی متصل می‌شوند و داده‌های ارتعاش، دما و شار مغناطیسی با فرکانس بالا را جمع‌آوری می‌کنند. سپس این داده‌ها برای تجزیه و تحلیل به پلتفرم هوش مصنوعی مبتنی بر ابر آن‌ها منتقل می‌شوند.

جنبه اساسی روش‌شناسی غیرتهاجمی Augury، رویکرد متمرکز بر حسگر آن است. حسگرها دستگاه‌های خارجی هستند که سلامت ماشین را بدون اتصال مستقیم به سیستم کنترل ماشین، PLC یا شبکه SCADA نظارت می‌کنند. آن‌ها به عنوان واحدهای مشاهده‌ای مستقل عمل می‌کنند که داده‌ها را به صورت بی‌سیم یا از طریق شبکه‌های اختصاصی که از لایه کنترل عملیاتی جدا شده‌اند، ارسال می‌کنند.

الگوریتم‌های هوش مصنوعی Augury داده‌های جمع‌آوری شده را برای ناهنجاری‌ها و الگوهایی که نشان‌دهنده خرابی‌های قریب‌الوقوع ماشین هستند، تجزیه و تحلیل می‌کنند. خروجی آن هوش عملیاتی است، مانند هشدارهای اولیه خرابی تجهیزات، که سپس از طریق یک رابط کاربری اختصاصی به تیم‌های نگهداری ارائه می‌شود. این اطلاعات اقدامات نگهداری پیشگیرانه را تحریک می‌کند و از خرابی‌های غیرمنتظره جلوگیری می‌کند.

شرکت‌هایی که در Augury سرمایه‌گذاری می‌کنند، معمولاً با تمایل به کاهش خرابی‌های برنامه‌ریزی نشده، بهینه‌سازی برنامه‌های نگهداری و افزایش عمر دارایی‌ها انگیزه می‌یابند. مشتریان آن‌ها شامل صنایع سنگین مختلفی از جمله مواد غذایی و آشامیدنی، خمیر و کاغذ و مواد شیمیایی است که در آن‌ها عملیات مداوم و قابلیت اطمینان دارایی‌ها برای سودآوری حیاتی است. این سیستم برای ادغام در گردش کارهای نگهداری طراحی شده است، نه سیستم‌های کنترل.

با عمل کردن به عنوان یک سیستم نظارتی مستقل، Augury به طور کامل از پیچیدگی‌ها و خطرات ادغام با سیستم‌های موجود MES، SCADA یا کنترل خط عبور می‌کند. این پلتفرم به عنوان یک لایه تشخیصی جانبی عمل می‌کند و بینش‌های پیش‌بینانه را بدون نیاز به هیچ گونه تغییر در منطق کنترل عملیاتی ماشین‌ها یا جریان داده در زیرساخت اصلی OT فراهم می‌کند.

با این حال، Augury یک راه‌حل تخصصی نگهداری پیش‌بینانه است. این پلتفرم بینش‌های هوش مصنوعی هدفمند را برای سلامت ماشین فراهم می‌کند، اما یک پلتفرم عمومی برای استقرار عوامل هوش مصنوعی arbitrary برای بهینه‌سازی گسترده‌تر تولید یا تصمیم‌گیری خودمختار ارائه نمی‌دهد. دامنه آن محدود به نظارت بر وضعیت دارایی است، نه هماهنگ‌سازی گردش کارهای عملیاتی یا دخالت مستقیم در سیستم‌های کنترل.

TFSF Ventures

TFSF Ventures زیرساخت تولیدی را مستقر می‌کند که عوامل هوش مصنوعی خودمختار را در کف تولید، بدون دستکاری سیستم‌های MES، SCADA یا کنترل خط موجود، فعال می‌سازد. رویکرد اصلی ما یک معماری جانبی غیرتهاجمی است که از داده‌های تاریک موجود از PLCها، تاریخ‌نگارها و جریان‌های داده HMI/SCADA بدون قابلیت بازنویسی استفاده می‌کند. ما بر استقرار مبتنی بر نتیجه تمرکز داریم که کارایی عملیاتی را افزایش داده و تنگناهای خاص تولید را کاهش می‌دهد.

استقرارهای ما از ده‌ها هزار شروع می‌شود و از روش استقرار 30 روزه ما استفاده می‌کند که در 21 صنعت مختلف به کار گرفته شده است. عبور زیرساخت AI، عمدتاً از Pulse AI، با هزینه تأمین می‌شود، معمولاً 400 تا 500 دلار در ماه، که تضمین می‌کند مشتریان فقط برای منابع محاسباتی بدون هیچ گونه افزایشی پرداخت می‌کنند. نکته مهم این است که مشتریان مالک تمام کدهای مستقر هستند و قیمت‌گذاری ما شفاف و لایه‌بندی شده است که از طریق RAKEZ License 47013955 قابل تأیید است. این ساختار موانع رایج اتخاذ هوش مصنوعی را به طور قابل توجهی کاهش می‌دهد و نتایج ملموسی مانند کاهش 15 درصدی زمان‌های تغییر و افزایش 10 درصدی کارایی کلی تجهیزات را در 90 روز ارائه می‌دهد.

لایه عامل‌گرا TFSF Ventures به منابع داده موجود در حالت فقط خواندنی متصل می‌شود و جریان‌های داده عملیاتی با وفاداری بالا را دریافت می‌کند. سپس این داده‌ها توسط عوامل هوش مصنوعی اختصاصی پردازش می‌شوند که الگوها را شناسایی کرده، انحرافات را پیش‌بینی کرده و تنظیمات عملیاتی خاص را توصیه می‌کنند یا ناهنجاری‌ها را علامت‌گذاری می‌کنند. سپس توصیه‌ها از طریق یک لایه یکپارچه‌سازی امن و غیربحرانی به اپراتورهای انسانی یا سیستم‌های موجود منتقل می‌شوند و نظارت انسانی را حفظ می‌کنند.

این معماری به طور خاص چالش چگونگی استقرار عوامل هوش مصنوعی در کف تولید را بدون ایجاد خطر یکپارچه‌سازی برطرف می‌کند. معماری مدیریت خطا ما تضمین می‌کند که بینش‌های تولید شده توسط هوش مصنوعی قبل از ارائه برای بررسی انسانی یا ادغام در سیستم‌های مشاوره‌ای سطح بالاتر، به دقت تأیید می‌شوند. این از بی‌ثبات کردن ناخواسته عملیات حیاتی توسط خروجی هوش مصنوعی جلوگیری می‌کند و یک شبکه ایمنی قوی را فراهم می‌کند.

TFSF Ventures زیرساخت تولیدی را فراهم می‌کند، نه خدمات مشاوره‌ای. استقرارهای ما بر دستیابی به نتایج عملیاتی خاص و قابل اندازه‌گیری از طریق یک چارچوب هوش مصنوعی ماژولار و مبتنی بر عامل متمرکز هستند. این امر نیاز به اصلاحات پرهزینه و زمان‌بر در سیستم‌های OT معتبر را از بین می‌برد و مسیری مستقیم به بهبودهای عملیاتی مبتنی بر هوش مصنوعی را بدون تله‌های یکپارچه‌سازی معمول فراهم می‌کند.

Seeq

Seeq نرم‌افزار تجزیه و تحلیل پیشرفته‌ای را ارائه می‌دهد که به طور خاص برای داده‌های تولید فرآیند، به ویژه داده‌های سری زمانی از تاریخ‌نگارها و سایر پایگاه‌های داده عملیاتی طراحی شده است. پلتفرم آن مهندسان و دانشمندان داده را قادر می‌سازد تا به سرعت داده‌های تولید را بررسی، روندسازی و همکاری کنند تا بینش‌هایی در مورد عملکرد دارایی، بهینه‌سازی فرآیند و کنترل کیفیت پیدا کنند.

کل مدل عملیاتی Seeq بر اساس یک الگوی یکپارچه‌سازی فقط خواندنی است. نرم‌افزار مستقیماً به تاریخ‌نگارهای داده موجود (به عنوان مثال، OSIsoft PI، AspenTech InfoPlus.21) و سایر منابع داده صنعتی متصل می‌شود تا داده‌های عملیاتی را استخراج کند. هرگز به سیستم‌های کنترل، MES یا سیستم‌های SCADA بازنویسی نمی‌کند و حفظ یکپارچگی سیستم و ایمنی عملیاتی را تضمین می‌کند.

این پلتفرم مجموعه‌ای از ابزارهای بصری برای زمینه‌سازی داده، پاک‌سازی و تجزیه و تحلیل پیشرفته، از جمله قابلیت‌های تجزیه و تحلیل پیش‌بینانه و یادگیری ماشین را فراهم می‌کند. کاربران می‌توانند مدل‌های پیچیده بسازند و با همبستگی پارامترهای عملیاتی مختلف در طول زمان، تحلیل ریشه و علت را انجام دهند و هوش عملیاتی را بدون تغییر منابع داده زیربنایی به دست آورند.

Seeq عمدتاً توسط شرکت‌های شیمیایی، داروسازی، نفت و گاز و معدن که سرمایه‌گذاری‌های قابل توجهی در تاریخ‌نگارهای صنعتی دارند و نیاز به استخراج ارزش بیشتری از داده‌های عملیاتی بسیار پویا خود دارند، مورد استفاده قرار می‌گیرد. این پلتفرم مهندسان فرآیند و کارشناسان عملیاتی را قادر می‌سازد تا تجزیه و تحلیل داده‌های خود را انجام دهند و میزان وابستگی به دانشمندان داده متخصص را برای بررسی‌های روتین کاهش می‌دهد.

با عمل کردن به عنوان یک لایه تحلیلی، Seeq به شرکت‌ها اجازه می‌دهد تا از آرشیوهای گسترده داده‌های عملیاتی خود برای پشتیبانی تصمیم‌گیری و بهبود فرآیند استفاده کنند. این امر چالش‌های معمول ادغام قابلیت‌های تحلیلی جدید را مستقیماً در سیستم‌های کنترل حیاتی دور می‌زند و مسیری امن و کم خطر را برای بهره‌برداری پیشرفته از داده‌ها ارائه می‌دهد.

با این حال، Seeq اساساً یک ابزار تجزیه و تحلیل و تجسم پیشرفته است که از تصمیم‌گیری انسانی پشتیبانی می‌کند. در حالی که توسعه بینش‌هایی را که می‌توانند مدل‌های هوش مصنوعی را اطلاع‌رسانی کنند، تسهیل می‌کند، اما عوامل هوش مصنوعی خودمختار را مستقر یا مدیریت نمی‌کند. قدرت آن در اکتشاف داده‌ها و استخراج هوش عملیاتی برای اپراتورهای انسانی است، نه هماهنگ‌سازی اقدامات خودکار یا گردش کارهای عامل‌گرا.

Falkonry

Falkonry در هوش مصنوعی عملیاتی برای فرآیندهای پیوسته تخصص دارد و پلتفرمی را برای تشخیص ناهنجاری خودکار و هوش عملیاتی پیش‌بینانه از داده‌های سری زمانی فراهم می‌کند. فناوری اصلی از الگوریتم‌های یادگیری ماشین ثبت‌شده برای یادگیری رفتار عادی عملکرد تجهیزات و فرآیندها استفاده می‌کند، سپس انحرافاتی را شناسایی می‌کند که نشان‌دهنده مشکلات یا خرابی‌های قریب‌الوقوع عملکرد هستند.

مشابه سایر راه‌حل‌های غیرتهاجمی، Falkonry با دریافت داده‌ها از منابع داده عملیاتی موجود، مانند تاریخ‌نگارها، سیستم‌های SCADA و پلتفرم‌های IIoT، عمدتاً به صورت فقط خواندنی، ادغام می‌شود. در حالی که می‌تواند هشدارها و بینش‌های ناهنجاری را به سایر سیستم‌ها (به عنوان مثال، CMMS) ارسال کند، جدایی دقیق از عملیات سیستم کنترل مستقیم یا عملکردهای بازنویسی به PLCها را حفظ می‌کند.

این پلتفرم به طور مداوم داده‌های حسگر، پارامترهای فرآیند و رویدادهای عملیاتی را نظارت می‌کند تا یک مدل رفتاری بلادرنگ از دارایی‌های صنعتی ایجاد کند. هنگامی که شرایط عملیاتی از الگوهای عادی یاد گرفته شده منحرف می‌شوند، Falkonry این ناهنجاری‌ها را شناسایی کرده و به اپراتورها هشدار می‌دهد و زمینه و علل ریشه‌ای احتمالی را ارائه می‌دهد. این شناسایی پیشگیرانه به جلوگیری از خرابی و بهینه‌سازی عملکرد فرآیند کمک می‌کند.

تولیدکنندگان در پالایش، تولید برق، فلزات و سایر صنایع فرآیندی سنگین از Falkonry برای بهبود زمان کارکرد دارایی، بهینه‌سازی بازده تولید و افزایش کارایی عملیاتی استفاده می‌کنند. این پلتفرم یک سیستم هشدار اولیه را فراهم می‌کند که زیرساخت‌های SCADA و تاریخ‌نگار موجود را با افزودن یک لایه هوشمند برای نظارت بر سلامت عملیاتی بلادرنگ تکمیل می‌کند.

این جدایی واضح از نگرانی‌ها—دریافت داده و تشخیص ناهنجاری در مقابل کنترل فرآیند—در استراتژی استقرار Falkonry مرکزی است. این امر به تیم‌های عملیاتی اجازه می‌دهد تا بینش‌های هوش مصنوعی پیشرفته را بدون خطرات ذاتی اصلاح یا تعامل مستقیم با منطق کنترل معتبر سیستم‌های تولید به دست آورند. این پلتفرم به صورت موازی عمل می‌کند و نه در مکانیسم‌های کنترل اصلی.

با وجود قابلیت‌های قدرتمند تشخیص ناهنجاری، Falkonry یک برنامه هوش مصنوعی تخصصی است که بر شناسایی انحرافات از الگوهای عادی تمرکز دارد. این پلتفرم چارچوبی عمومی برای استقرار عوامل هوش مصنوعی چند منظوره که می‌توانند وظایف arbitrary را انجام دهند، در تصمیم‌گیری‌های پیچیده شرکت کنند یا چندین گردش کار عملیاتی را هماهنگ کنند، فراهم نمی‌کند. دامنه آن عمدتاً تجزیه و تحلیل تشخیصی و پیش‌بینانه برای رویدادهای عملیاتی است.

Litmus Edge

Litmus Edge یک پلتفرم داده لبه صنعتی است که برای اتصال، جمع‌آوری، نرمال‌سازی و زمینه‌سازی داده‌ها از هر دارایی یا سیستم صنعتی طراحی شده است. این پلتفرم بر ارائه یک راه‌حل مستقل از فروشنده برای جمع‌آوری و مدیریت داده‌های Internet of Things (IIoT) صنعتی در لبه تمرکز دارد و این داده‌ها را برای دریافت در پلتفرم‌های ابری، سیستم‌های سازمانی یا برنامه‌های محلی آماده می‌کند.

Litmus Edge با عمل کردن به عنوان یک واسطه داده در لبه شبکه فناوری عملیاتی، به اصل عدم تهاجم پایبند است. این پلتفرم با استفاده از درایورها و پروتکل‌های بومی (مانند OPC-UA، Modbus، Ethernet/IP) به PLCها، حسگرها و دستگاه‌های صنعتی متصل می‌شود تا داده‌ها را استخراج کند. وظیفه اصلی این پلتفرم جمع‌آوری و آماده‌سازی داده‌ها برای مصرف بالادستی است، نه صدور دستورات یا کنترل فرآیندهای عملیاتی.

این پلتفرم قابلیت‌های قوی نرمال‌سازی داده، جمع‌آوری و فیلتر کردن را مستقیماً در لبه فراهم می‌کند، که نیازهای پهنای باند را کاهش داده و کیفیت داده‌ها را قبل از انتقال افزایش می‌دهد. این پلتفرم از مدل‌های مختلف داده پشتیبانی می‌کند و امکان پردازش و تجزیه و تحلیل محلی را فراهم می‌کند، که می‌تواند برای برنامه‌های حساس به زمان بدون تأثیر بر یکپارچگی سیستم‌های کنترل اصلی حیاتی باشد.

شرکت‌ها Litmus Edge را برای غلبه بر چالش‌های ادغام دستگاه‌ها و پروتکل‌های صنعتی متنوع، استفاده می‌کنند و یک استراتژی داده یکپارچه را برای ابتکارات IIoT خود فعال می‌سازند. این پلتفرم به ویژه برای سازمان‌هایی ارزشمند است که به دنبال ارائه داده‌های OT با کیفیت و زمینه‌سازی شده به پلتفرم‌های AI/ML مبتنی بر ابر، سیستم‌های گزارش‌دهی سازمانی، یا برای برنامه‌های تحلیلی مبتنی بر لبه هستند.

با جمع‌آوری و استانداردسازی داده‌های OT در منبع، Litmus Edge به عنوان یک لایه میان‌افزار حیاتی عمل می‌کند و برنامه‌های هوش مصنوعی را قادر می‌سازد تا داده‌های تمیز و نرمال‌سازی شده را بدون نیاز به یکپارچه‌سازی مستقیم و پیچیده با هر سیستم کنترل جداگانه مصرف کنند. این امر به طور موثر جمع‌آوری داده‌ها را از پردازش هوش مصنوعی جدا می‌کند و یکپارچگی عملیاتی اصلی کف تولید را حفظ می‌کند.

در حالی که Litmus Edge در جمع‌آوری، پردازش و واسطه‌گری داده‌های صنعتی برای مصرف هوش مصنوعی عالی عمل می‌کند، اساساً یک پلتفرم داده لبه است. این پلتفرم داده‌ها را برای برنامه‌های هوش مصنوعی آماده و تحویل می‌دهد، اما ذاتاً عوامل هوش مصنوعی خودمختار را مستقر، مدیریت یا هماهنگ نمی‌کند. سهم آن در ارائه خط لوله داده بنیادی لازم برای عملکرد موثر چنین عواملی است، نه اینکه خود لایه عامل‌گرا باشد.

نحوه استقرار عوامل هوش مصنوعی در کف تولید بدون خطر یکپارچه‌سازی

استقرار عوامل هوش مصنوعی در کف تولید بدون ایجاد خطر یکپارچه‌سازی، متکی بر انتخاب استراتژیک معماری است: یک مدل جانبی غیرتهاجمی. این الگو تضمین می‌کند که سیستم‌های فناوری عملیاتی (OT) حیاتی—MES، SCADA، PLCها—دست‌نخورده و بدون خطر باقی می‌مانند. عوامل جانبی در یک ظرفیت مشاهده‌ای عمل می‌کنند، داده‌ها را از جریان‌های موجود دریافت می‌کنند بدون تلاش برای بازنویسی یا مداخلات کنترل مستقیم. این امر سطح در معرض خطر برای بی‌ثباتی سیستم بالقوه را به حداقل می‌رساند و یکپارچگی گردش کارهای عملیاتی معتبر را حفظ می‌کند.

چالش فنی در انتزاع موثر داده‌های لازم از این منابع متنوع OT و ارائه آن در قالبی ساختاریافته مناسب برای مصرف هوش مصنوعی نهفته است. راه‌حل‌هایی مانند پلتفرم‌های داده صنعتی یا دروازه‌های لبه در اینجا نقش حیاتی ایفا می‌کنند و به عنوان واسطه‌های داده هوشمند عمل می‌کنند. آن‌ها پروتکل‌ها و فرمت‌های داده پراکنده را نرمال‌سازی می‌کنند و یک چشم‌انداز داده یکپارچه برای عوامل هوش مصنوعی ایجاد می‌کنند بدون اینکه مستقیماً با منطق کنترل سیستم‌های منبع ادغام شوند. این رویکرد لایه‌ای تضمین می‌کند که عوامل هوش مصنوعی می‌توانند از داده‌های عملیاتی بلادرنگ بینش کسب کنند بدون اینکه مکانیزم‌های کنترل موجود را مختل یا جایگزین کنند.

علاوه بر این، یک عنصر طراحی "انسان در حلقه" اغلب برای استقرارهای اولیه حیاتی است. عوامل هوش مصنوعی می‌توانند تحلیل، پیش‌بینی و توصیه کنند، اما خروجی‌های آن‌ها در ابتدا برای تأیید انسانی قبل از هرگونه اقدام بالقوه مسیریابی می‌شوند. این مکانیسم اعتمادسازی پیشرونده به اپراتورها اجازه می‌دهد تا بینش‌های تولید شده توسط هوش مصنوعی را درک کرده و تأیید کنند و به تدریج اعتماد به سیستم را افزایش دهند. با اثبات قابلیت اطمینان عملکرد عامل، سطح نظارت انسانی می‌تواند تنظیم شود و به سمت توصیه یا اجرای خودمختارتر، همیشه در پارامترهای ایمنی از پیش تعریف شده، حرکت کند.

چه چیزی استقرارهای جانبی را از راه‌حل‌های "برداشتن و جایگزینی" جدا می‌کند؟

استقرارهای جانبی اساساً با حفظ زیرساخت‌های موجود و تداوم عملیاتی از استراتژی‌های "برداشتن و جایگزینی" متفاوت هستند. رویکرد "برداشتن و جایگزینی" شامل از کار انداختن کامل سیستم‌های MES، SCADA یا PLC موجود و جایگزینی آن‌ها با پلتفرم‌های جدید و یکپارچه با هوش مصنوعی است. این کار فوق‌العاده پرهزینه، زمان‌بر است، اختلال عملیاتی قابل توجهی ایجاد می‌کند و نیاز به اعتبارسنجی مجدد گسترده فرآیندهای حیاتی دارد که اغلب سال‌ها به طول می‌انجامد. خطر ذاتی چنین تغییر کامل و جامعی اغلب از مزایای درک شده برای عملیات تولید بالغ بیشتر است.

در مقابل، یک استقرار جانبی، قابلیت‌های جدیدی را در کنار سیستم‌های موجود معرفی می‌کند و از داده‌های آن‌ها بدون تغییر عملکرد اصلی‌شان بهره می‌برد. این به عنوان یک لایه مستقل عمل می‌کند، داده‌ها را از زیرساخت OT فعلی دریافت می‌کند و بینش‌ها یا توصیه‌هایی را ارائه می‌دهد. این استراتژی افزایشی، به جای کاهشی، به طور قابل توجهی هزینه‌های سرمایه‌ای را کاهش می‌دهد، زمان خرابی را به حداقل می‌رساند و از موانع قانونی پیچیده‌ای که با اصلاح سیستم‌های کنترل معتبر مرتبط است، جلوگیری می‌کند. این امکان یک رویکرد چابک و تدریجی برای اتخاذ هوش مصنوعی را فراهم می‌کند.

مدل جانبی تضمین می‌کند که پایداری و قابلیت اطمینان کف تولید حفظ می‌شود. سیستم‌های موجود به انجام وظایف تعیین‌شده خود بدون وقفه ادامه می‌دهند، در حالی که عوامل هوش مصنوعی یک لایه تقویت‌کننده برای هوش و بهینه‌سازی فراهم می‌کنند. این جدایی معماری از نقطه ضعف تک جلوگیری می‌کند و امکان تکرار و استقرار مستقل قابلیت‌های هوش مصنوعی را فراهم می‌کند، که سرعت نوآوری را از سختی به‌روزرسانی سیستم‌های قدیمی جدا می‌کند. هدف اصلی، تقویت است، نه تسلط بر دارایی‌های عملیاتی فعلی.

مسیر پیش رو برای هوش مصنوعی در عملیات تولید

استقرار استراتژیک هوش مصنوعی در عملیات تولید باید اولویت‌بندی یکپارچگی عملیاتی و مقیاس‌پذیری عملی را در نظر بگیرد. اتکا گسترده به الگوهای معماری جانبی و غیرتهاجمی، معتبرترین مسیر برای موفقیت بلندمدت هوش مصنوعی در کف تولید است. این رویکرد، محافظه‌کاری ذاتی و ماهیت حیاتی محیط‌های کارخانه را به رسمیت می‌شناسد، جایی که پایداری و ایمنی بر نوآوری سریع و تأیید نشده ارجحیت دارد.

با تمرکز بر دریافت داده‌های فقط خواندنی و انتزاع استنباط هوش مصنوعی به یک لایه جداگانه، تولیدکنندگان می‌توانند به تدریج عوامل هوشمند را بدون به خطر انداختن سرمایه‌گذاری‌های موجود یا اعتبارسنجی سیستم کنترل ادغام کنند. این روش امکان تخصیص منابع متمرکزتر را فراهم می‌کند و سرمایه‌گذاری را به سمت تجزیه و تحلیل پیشرفته و توسعه عامل هدایت می‌کند، به جای تغییرات پرهزینه و مختل‌کننده سیستم اصلی. مزیت بلندمدت یک اکوسیستم تولیدی انعطاف‌پذیرتر، انطباق‌پذیرتر و هوشمندتر است که به صورت تکراری تکامل می‌یابد.

آینده هوش مصنوعی در عملیات تولید شامل عوامل increasingly پیچیده‌ای خواهد بود که در این چارچوب‌های جانبی فعالیت می‌کنند و تحلیل‌های پیش‌بینانه را انجام می‌دهند، برنامه‌های نگهداری را هماهنگ می‌کنند و پارامترهای فرآیند را بهینه‌سازی می‌کنند. با بلوغ این عوامل و اثبات ارزش ثابت و قابل اندازه‌گیری، نظارت "انسان در حلقه" ممکن است از تأیید مستقیم به مدیریت استراتژیک سطح بالاتر منتقل شود. این تکامل به تولیدکنندگان امکان می‌دهد تا به تدریج پتانسیل کامل هوش مصنوعی را باز کنند و کارایی و تعالی عملیاتی را بدون به خطر انداختن پایداری بنیادی محیط‌های تولید خود به دست آورند.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را از طریق سه ستون یکپارچه: زیرساخت عامل‌گرا، ریل‌های پرداخت غیرسنتی و یک موتور سرمایه‌گذاری کامل، در کسب‌وکارها مستقر می‌کند. با 27 سال سابقه در پرداخت و نرم‌افزار، TFSF به صورت جهانی فعالیت می‌کند و به 21 صنعت با روش استقرار 30 روزه خدمات می‌دهد. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی رایگان هوش عملیاتی را انجام دهید

ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال کوتاه در مورد کسب‌وکار خود پاسخ دهید. در عرض 24 تا 48 ساعت یک طرح اولیه استقرار هوش مصنوعی سفارشی شامل توصیه‌های عامل، معماری و یک نقشه راه خاص برای عملیات شما دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. شروع کنید در https://tfsfventures.com/assessment

Original published at https://tfsfventures.com/blog/deploying-ai-agents-on-a-production-floor-without-touching-mes-scada-or-line-control

نوشته شده توسط تیم تحقیقاتی TFSF Ventures