AI i gränslandet mellan IT och OT – så navigerar du framgångsrikt

– I stället för att vänta på en mirakelteknik som kan lösa allt, måste vi använda metoder som inkluderar en övergripande arkitektur, mål och plan för att identifiera vad processen kräver och vilka tekniker som ska användas.

Gernot Schäfer betonar att denna metod har visat sig vara praktiskt framgångsrik.

Lyckas med digital transformation

Utmaningen med att modernisera äldre system och processer, ofta kallade arv/legacy-system, uppstår på grund av dess komplexitet och en blandning av manuella och automatiserade processer. Dessa äldre system inkluderar programvaror och datalagring som inte längre är helt kompatibla med dagens tekniska framsteg. Utmaningen är hur företag framgångsrikt kan navigera den digitala transformationen trots dessa hinder.

– Det är den viktigaste utmaningen i all industriell digital transformation. Användningen av digitala tvillingar, AGV, AI och Cobotar börjar med att man tar itu med hur man kan föra in det i befintliga miljöer. Detta är relevant på alla nivåer i fabriken: äldre maskiner, data, åtkomstteknik, anslutningsmöjligheter, anpassade SAP- eller MES-applikationer.

Gernot Schäfer påpekar att industriföretag kan lösa denna utmaning genom att klargöra två allmänna frågor.

– För det första, hur ser målarkitekturen ut? Här ingår till exempel att ta reda på vad som kan och inte kan återanvändas från äldre lösningar. För det andra handlar det om att beskriva vägen för att uppnå dessa mål, inklusive stegvisa ersättningsstrategier, så att kontrollen över hela processen och den övergripande datamodellen inte går förlorad.

Framtida möjligheter med AI inom IT och OT

Gernot menar att användningen av AI, som omfattar både IT och OT, öppnar spännande möjligheter från realtidsövervakning i produktionen till avancerad optimering av produktionsprogram i en fjärde generation av AI-baserad planering och styrning.

– I båda världarna av IT och OT hittar vi olika utgångslägen och tillämpningsscenarier för användningen av AI. Som exempel i ett digitaliseringsprojekt inom livsmedelsindustrin, installerade vi en kamera i kundens anläggning som spårade förpackningsprocesser i hög upplösning online och i realtid. Vi kombinerade detta med en AI-motor som i slutändan utförde anomalidetektering. Med AI handlar det snart inte bara om att upptäcka avvikelser, utan även om att integrera data och signaler från tidigare processer i AI-systemet.

Gernot förklarar att vi fortfarande rör oss nära produktionsprocessen.

– I detta fall rör vi oss fortfarande nära produktionsprocessen, i produktionstekniken, och därmed närmare OT. Men om vi går en nivå längre till planering och schemaläggning, blir det spännande ur IT-synpunkt vad den fångade AI-informationen betyder för produktionsprogrammet. Går månads- eller veckoproduktionen ner till skiftplanering? Det handlar mindre om avvikelsedetektering och mer om optimeringsalgoritmer. I fjärde generationen av AI-baserad produktionsplanering och styrning kommer vi redan att vara helt inne i MES-, APS- eller kanske till och med ERP-världen.

Optimal datahantering för produktionsnätverk

I ljuset av de framtida möjligheter som finns inom AI blir datahantering en dubbel utmaning med behovet av att hantera både strukturerad och ostrukturerad data i realtid och etablera en enhetlig datamodell som sträcker sig över hela produktionsnätverket.

– Det finns två centrala uppgifter inom datahantering. För det första måste den strukturerade datavärlden hanteras, inklusive maskinsignaler, produktionsorderdata i MED, information om skador, avfall, kvantiteter och liknande. Dessutom finns det en ökad mängd ostrukturerade data som ändå är relevanta, till exempel maskinens vibrationer, temperatur- eller luftfuktighetsvärden - som faller inom området för tillståndsövervakning. Alla dessa data, som är relevanta för produktionsprocessen, bör helst vara tillgängliga för företagen i realtid och kunna analyseras i realtid.

Gernot understryker att data i molnet kan skalas upp, men att det krävs edge-teknik för att uppnå bättre realtidsprestanda.

– Data i molnet kan skalas upp, men för att uppnå bättre realtidsprestanda krävs edge-teknik. En annan underskattad aspekt är att säkerställa åtkomst och lagring av maskindata. Det kräver en snabbt skapad, semantiskt konsekvent fabriks- eller produktionsdatamodell, särskilt när data från flera fabriker ska kombineras. AI blir då viktigt för effektiva dataanalyser, och detta gäller inte bara för maskinnivån utan för hela produktionsnätverket.

Vill du lära dig mer?

Ny Teknik Education arrangerar konferensen Industriell AI - The Perfect Storm den 5 december 2023 på Blique by Nobis i Stockholm!

Förutom Gernot Schäfer, medverkar Tero Ojanperä, Chairman, SILO AI, Mats Agervi, CEO, Combient, Mikael Larsson, CDO, Volvo Group Trucks Operations, Fredrik Heintz, Professor, Linköpings Universitet, Maria Stranne, Director Digital Engineering & Innovation, SKF Technology Development, Jörgen Gustafsson, Research Director AI, Ericsson, Mikael Cato, CDO, Scania och många fler.

Säkra din plats idag!

Läs mer och anmäl dig här: Industriell AI – The Perfect Storm - Ny Teknik Education