Rzeczywistość przemysłowa – dlaczego liderzy branży nie tylko wprowadzają innowacje, ale także skutecznie je wdrażają

Większość obiektów – znacznie ponad dwie trzecie na całym świecie – to nadal obiekty typu „brownfield”, , charakteryzujące się niejednolitymi systemami sterowania i niestabilnymi integracjami, które były stopniowo rozbudowywane na przestrzeni dziesięcioleci.

W takich warunkach nie ma praktycznie żadnego miejsca na dłuższe przerwy w działaniu ani na zakrojone na szeroką skalę projekty polegające na całkowitej wymianie sprzętu – i właśnie w tym miejscu wiele strategii transformacji cyfrowej po cichu kończy się niepowodzeniem. Jednocześnie istnieje wiele dowodów na to, że sprawdza się w rzeczywistych warunkach produkcyjnych, a nie tylko na slajdach i w pilotażowych projektach laboratoryjnych.

Przedsiębiorczy producenci kierują swoje inwestycje na technologie, takie jak systemy zasilania z rezerwą ( ) oraz modułowe, podłączane komponenty, które mogą funkcjonować równolegle z istniejącym sprzętem bez konieczności przeprowadzania zakrojonych prac związanych z wymianą okablowania lub długotrwałych przestojów. Stawiając na pierwszym miejscu wyniki biznesowe, projektując rozwiązania z myślą o interoperacyjności od samego początku oraz preferując systemy, które można skalować małymi krokami o niskim ryzyku, przekształcają one chroniczne problemy w trwałe atuty.

W obecnej sytuacji przywództwo nie zależy już od tego, kto przedstawia najbardziej ambitny plan działania w ramach Przemysłu 4.0, ale od tego, kto potrafi osiągnąć wymierne zmiany, wykorzystując istniejące już zaplecze produkcyjne.

Wiele zakładów przemysłowych nadal funkcjonuje w budynkach, które powstały jeszcze przed erą internetu, opierając się na połączeniu zastrzeżonych systemów sterowania, starzejących się sterowników PLC oraz samodzielnych wysp produkcyjnych, które nigdy nie miały ze sobą współpracować. Oczekuje się, że elektrownie te będą działać niemal przez całą dobę, co oznacza, że zasada „ ”, występująca w wielu planach rozwoju cyfrowego, nie ma szans na realizację.

Obecnie znaczna część zakładów boryka się z problemem „ ”, gdzie każda integracja wymaga indywidualnego rozwiązania, a zapewnienie ujednoliconego dostępu do danych stanowi codzienne wyzwanie dla zespołów inżynierów i konserwatorów. Jednym z głównych czynników jest tak zwany „ ” (złudzenie czystej karty): założenie, że transformacja może rozpocząć się od czystej karty, wyposażonej w liczne czujniki, z jednolitą łącznością i ustandaryzowanymi potokami danych.

W rzeczywistości liderzy skupiający się na realizacji projektów zdają sobie sprawę, że prawdziwe projekty typu „greenfield” są rzadkością, dlatego opracowują programy oparte na stopniowych, kompatybilnych modernizacjach, które bezpośrednio wspierają konkretne cele, takie jak określona procentowa redukcja nieplanowanych przestojów lub wymierny wzrost wydajności linii produkcyjnej.

W tym kontekście realizacja polega na stopniowym zwiększaniu przejrzystości, niezawodności i elastyczności, a nie na stawianiu wszystkiego na jedną kartę w nadziei na ewentualną całkowitą przebudowę, na którą być może nigdy nie zostaną przeznaczone środki lub która może nigdy nie zostać zrealizowana. Działając w ramach istniejących ograniczeń, zamiast czekać, aż znikną, producenci ci pokazują, że praktyczny postęp przeważa nad hipotetyczną doskonałością.

Wprowadzenie robotyki, platform automatyki lub analiz opartych na sztucznej inteligencji do tych istniejących środowisk . Nowe roboty, systemy wizyjne lub kontrolery brzegowe często nie są w stanie komunikować się bezpośrednio ze starszymi sterownikami PLC, magistralami polowymi lub zastrzeżonymi sieciami czujników, co powoduje powstawanie „martwych stref” integracyjnych, które spowalniają lub wstrzymują wdrożenia.

Nie jest zaskakujące, że zdecydowana większość producentów wskazuje łączność i interoperacyjność jako główne przeszkody we wdrażaniu sztucznej inteligencji na wielu liniach produkcyjnych i w wielu zakładach, często uciekając się do kosztownego oprogramowania pośredniczącego lub całkowitej wymiany sprzętu, aby wypełnić tę lukę. Kwestia dojrzałości danych stanowi dodatkową przeszkodę – w jako główne wyzwanie uniemożliwiające skalowalne wdrożenie sztucznej inteligencji wskazano jakość i dostępność danych.

Zakłady przemysłowe generują ogromne ilości danych operacyjnych, jednak dane te są często rozproszone w różnych systemach, przechowywane w niekompatybilnych formatach lub zablokowane na platformach specyficznych dla poszczególnych dostawców, co utrudnia ich wykorzystanie w systemach sztucznej inteligencji lub zaawansowanej analityce bez konieczności przeprowadzenia szeroko zakrojonych prac przygotowawczych. Pozyskiwanie spójnych i wiarygodnych strumieni danych bez zakłócania harmonogramów produkcji stanowi powracające wyzwanie, a liderzy często wskazują na rozproszone dane jako główną przeszkodę w zapewnieniu przejrzystości w całym przedsiębiorstwie.

W rezultacie pojawia się dobrze znany problem typu „garbage in, garbage out”: modele, które wydają się obiecujące w kontrolowanych testach, nie dostarczają wiarygodnych wniosków w obliczu hałaśliwych, niekompletnych lub tendencyjnych danych wejściowych pochodzących ze świata rzeczywistego. Wreszcie to właśnie kwestie kulturowe i związane z kompetencjami często decydują o tym, czy projekty z zakresu automatyzacji i sztucznej inteligencji utkną w martwym punkcie, czy też zostaną wdrożone na większą skalę. Zespoły ds. eksploatacji i utrzymania ruchu są motywowane do zapewniania ciągłości działania i często postrzegają technologie eksperymentalne jako źródło ryzyka, podczas gdy zespoły IT mogą opowiadać się za podejściem opartym na chmurze, które nie jest zgodne z wymaganiami dotyczącymi opóźnień, bezpieczeństwa lub odporności na zakłócenia obowiązującymi na hali produkcyjnej.

Bez wspólnej odpowiedzialności kierownictwa działów OT, IT i produkcji inicjatywy mogą utknąć w niekończącej się pętli weryfikacji koncepcji. Jednocześnie rozwój kadr często nie nadąża za postępem technologicznym, co powoduje braki w umiejętnościach niezbędnych do usuwania usterek w systemach hybrydowych, interpretowania zaleceń sztucznej inteligencji czy konserwacji sprzętu w coraz większym stopniu opartego na oprogramowaniu. Te czynniki związane z dynamiką relacji międzyludzkich stanowią główną przyczynę, dla której znaczna część przemysłowych projektów w dziedzinie sztucznej inteligencji nigdy nie wykracza poza fazę pilotażową.

Producenci, którzy przełamują ograniczenia związane z modernizacją istniejących obiektów, zazwyczaj koncentrują się na technologiach, które zapewniają wymierną wartość bez konieczności całkowitej wymiany systemów. Doskonałym przykładem są cyfrowe bliźniaki łańcuchów dostaw, linii produkcyjnych lub kluczowych aktywów, które umożliwiają zespołom testowanie zmian, optymalizację przepływów oraz przewidywanie awarii w środowisku wirtualnym przed wprowadzeniem zmian w rzeczywistym procesie produkcyjnym.

Te oraz osiągnięty wzrost wydajności mogą posłużyć jako podstawa do podejmowania decyzji dotyczących harmonogramowania, konserwacji i wykorzystania mocy produkcyjnych. Równie ważne jest przejście na infrastrukturę typu „plug-and-play”. Modułowa, znormalizowana łączność – od inteligentnych złączy po elastyczne okablowanie i systemy wejść/wyjść – pozwala inżynierom na włączanie nowych robotów, czujników lub urządzeń brzegowych do istniejących architektur przy minimalnym nakładzie prac dostosowawczych.

Zamiast przeprowadzać gruntowną modernizację całej infrastruktury elektrycznej i sieciowej, zespoły mogą rozbudować istniejące rozwiązania, skracając w ten sposób czas uruchomienia i ograniczając ryzyko. Podejście to w naturalny sposób wpisuje się w filozofię „wartość przede wszystkim”, w ramach której automatyzacja i sztuczna inteligencja są wdrażane w celu rozwiązania jasno określonych problemów, takich jak przyspieszenie przezbrojeń, zmniejszenie ilości odpadów lub usprawnienie zarządzania energią.

Z strategicznego punktu widzenia liderzy wykorzystują również otwarte standardy i architektury zapewniające interoperacyjność jako wytyczne przy każdym nowym wdrożeniu. Stawiając na komponenty i oprogramowanie, które można zintegrować niezależnie od dostawcy, unikają Państwo ryzyka uzależnienia od jednego dostawcy w przyszłości i zapewniają większą przewidywalność nakładów inwestycyjnych w perspektywie wieloletniej.

Aby zapewnić zrównoważone funkcjonowanie tych systemów, inwestują Państwo w zasoby ludzkie: zapewniają zespołom zakładowym terminowy dostęp do danych, na podstawie których można podejmować konkretne działania, a także organizują ukierunkowane szkolenia z zakresu nowych narzędzi i platform współpracy, które ułatwiają koordynację działań w obszarach OT, IT oraz inżynierii. W wielu przypadkach modernizacja polega nie tyle na wycofaniu przestarzałego sprzętu, co raczej na .

Strategiczne plany działania dotyczące inteligentnej produkcji i produkcji opartej na sztucznej inteligencji są obecnie powszechne, jednak często zderzają się one z rzeczywistą sytuacją na niższych szczeblach organizacji, charakteryzującą się starzejącym się sprzętem, nieuporządkowanymi systemami danych oraz kulturą organizacyjną, która nie toleruje długotrwałych przestojów.

To, co naprawdę wyróżnia daną organizację, to nie stopień zaawansowania prezentacji, lecz dyscyplina, z jaką realizuje ona swoje działania: wczesne zajęcie się kwestią interoperacyjności, stworzenie solidnych podstaw danych oraz wdrażanie technologii, które mają wyraźny i wymierny wpływ na dostępność systemów oraz wydajność.

Dla producentów działających na rynkach, na których dominuje robotyka i automatyzacja, droga do przodu nie będzie polegała na jednym skoku w kierunku idealnego stanu przyszłego. Będzie to natomiast seria przemyślanych, powiązanych ze sobą działań, z których każde przyczyni się do stworzenia bardziej elastycznego, opartego na danych i odpornego systemu operacyjnego.