AMNYTT har alliert seg med landets fremste eksperter på temaet, nemlig forskerne hos SINTEF Digital. De er involvert i flere europeiske forskningsprosjekter på temaet, blant annet DAT4.ZERO hvor også bildelsprodusenten Benteler på Raufoss deltar. Grunnet temaets omfang har vi valgt å dele artikkelen i to deler. Få med deg andre del i AMNYTT 2 som kommer i mars.

SINTEF (S): KI-integrasjon i alarmsystemer for PLS, SCADA og DCS fortsetter å utvikle seg, og legger vekt på forbedret operatørrespons og operasjonell effektivitet. Dynamisk alarmadministrasjon gjør det nå mulig for systemene å forutse og undertrykke redundante alarmer under spesifikke driftsforhold, for eksempel oppstart eller nedstengning. Det reduserer effektivt alarmer. Denne funksjonen lar operatørene fokusere på kritiske problemer uten unødvendige distraksjoner.

I tillegg forbedrer KI vedlikeholdspraksisen betydelig ved å analysere alarmmønstre og forutse potensielle utstyrsfeil før de eskalerer. Denne prediktive evnen optimerer systemets oppetid og minimerer vedlikeholdskostnadene. Avansert alarmrasjonalisering, støttet av KI, sikrer at bare relevante og aktiverbare alarmer er konfigurert, i samsvar med operasjonelle prioriteringer.

Selv om disse fremskrittene er lovende, står den utbredte bruken av KI overfor utfordringer. Eldre systemer mangler ofte kompatibilitet med KI-løsninger, noe som gjør integrasjonen kompleks. Videre kan den første investeringen i KI-baserte oppgraderinger og behovet for omfattende operatøropplæring bremse fremgangen. Industrien må også adressere potensialet for overavhengighet av KI, og sikre at robuste reservemekanismer er på plass for å håndtere uforutsette scenarier. Disse betraktningene fremhever viktigheten av strategisk planlegging og trinnvis implementering for vellykket KI-adopsjon i alarmsystemer.

S: Standardiseringsinnsatsen for KI i alarmsystemer går raskt fremover, med fokus på å forbedre interoperabilitet, sikkerhet og konsistens på tvers av bransjer. Etablerte standarder som ed.2 av IEC 62682:2022 "Administrasjon av alarmsystemer for prosessindustrien" gir retningslinjer for alarmhåndteringspraksis, spesielt dynamisk alarmering. Det er avgjørende for å redusere utmattelse hos operatører og forbedre systemets pålitelighet. EUs AI Act inneholder også krav knyttet til menneskelig tilsyn, som innebærer at mennesker skal ha kontroll eller tilsyn over KI-systemer, spesielt i kritiske situasjoner.

Nye KI-spesifikke standarder forbedrer dette økosystemet ytterligere. ISO/IEC TR 5469:2024 "Kunstig intelligens - Funksjonell sikkerhet og KI-systemer" tar for seg KI-sikkerhetskrav, og gir et grunnlag for robust KI-systemdesign. I tillegg fokuserer ISO/IEC TS 22440 "KI og funksjonell sikkerhet", som forventes publisert i 2025, på å integrere funksjonell sikkerhet med KI. Dette dokumentet vil bli publisert i tre deler: 

1: Krav 

2: Retningslinjer

3: Eksempler

Ulike standarder og utviklingen fra teknisk kravspesifikasjon (TR) til en standard er forklart i «open accessbook AI Act» og «The Agile Safety Plan» (https://link.springer.com/book/9783031805035).

Disse standardene bidrar til å sikre at KI-drevne alarmsystemer oppfyller de høyeste standardene for ytelse, tilpasningsevne og samsvar.

Betydelige fremskritt er i gang, men det gjenstår likevel utfordringer, spesielt med å harmonisere varierende regionale standarder og å løse kompleksiteten med KI-baserte beslutninger. Samarbeid på tvers av bransjer og reguleringsorganer vil være avgjørende for å oppnå utbredt bruk og pålitelighet, for å sikre at systemene fungerer effektivt i ulike globale sammenhenger

S: Alarmer er et problem i de fleste industrielle systemer (prosessindustri, vindturbiner, boring og brønn) samt i sykehus, transport og andre sammenhenger. Det er for mange falske alarmer, unødvendig alarmer og et for stort antall alarmer under unormal situasjon

S: Bransjer med store investeringer i anleggsmidler og sikkerhetskritiske operasjoner vil sannsynligvis tjene mest på integrering av KI-baserte alarmsystemer.

Prosessindustrier, som aluminium, kjemikalier og olje og gass, vil ha betydelige fordeler. Disse industriene er avhengige av dyrt utstyr som ovner eller kontinuerlige prosesseringsmaskiner. En forsinket eller falsk alarm kan føre til katastrofale feil, langvarig nedetid og betydelig økonomiske tap. For eksempel, i smelteverk, kan overoppheting av en ovn resultere i strukturell skade eller til og med et fullstendig sammenbrudd, som pådrar seg millioner i reparasjonskostnader. Å utnytte de prediktive egenskapene til KI-systemer som de som er basert på tidsseriebaserte KI-alarmsystemer, kan overvåke kritiske prosessparametere og oppdage uregelmessigheter før de oppstår. De sikrer rettidig og nøyaktig responser, forhindrer skader og optimaliserer oppetiden.

Menneskelig interaksjonsintensive bransjer, for eksempel produksjon med menneske-robot-samarbeid kan ha stor nytte av KI-baserte alarmsystemer. Industry 5.0 legger vekt på menneske-robot-samarbeid, der mennesker og roboter jobber side ved side, og fører til at tradisjonelle alarmsystemer designet for isolerte miljøer (som robotceller) ikke lenger er tilstrekkelig. «Vision»/synsbaserte KI-systemer kan analysere dynamiske miljøer for å oppdage og reagere på potensielle menneskelige sikkerhetsrisikoer autonomt og uten unødvendige avbrudd. Komplekse menneskelige robotinteraksjoner kan utgjøre betydelige utfordringer. «Vision»-systemer kan gi en løsning på disse utfordringene ved å overvåke komplekse samhandlinger mellom operatør og robot, identifisere usikre bevegelser og forebygge skader. Dette er kritisk for miljøer der mennesker håndterer presisjonsoppgaver sammen med roboter.

Videre kan mobile roboter utstyrt med KI patruljere og overvåke områder og infrastruktur, samt gi nøyaktige alarmer i sanntid. Dette reduserer behovet for eksponering for mennesker i farlige situasjoner. KI-drevne systemer kan også bidra til å oppdage gasslekkasjer, strukturelle svakheter eller maskinerifeil og varsle operatører før større hendelser inntreffer.

Integreringen av KI-alarmsystemer er transformerende i bransjer med betydelige kapitalinvesteringer, høy sikkerhetsrisiko og økt samarbeid mellom mennesker og roboter. Ved å sikre nøyaktige og kontekstbevisste varsler til rett tid kan disse systemene forbedre operasjonell effektivitet, sikkerhet og pålitelighet.

S: Industrien kan begynne å integrere kunstig intelligens i alarmsystemer ved å evaluere sine eksisterende systemer mot anerkjente standarder som IEC 62682:2022. Et grunnleggende skritt er å lage et alarmkonseptdokument som tydelig definerer målene for alarmsystemet, dets operasjonelle omfang og rollen KI vil spille for å forbedre sikkerhet og effektivitet, sammen med at evaluering som KI er et assistentsystem i den første utgivelsen.

Start med å identifisere områder som krever kontinuerlig overvåking på grunn av de høye kostnadene forbundet med feil eller sammenbrudd. Fokuser på områder der data allerede er tilgjengelige eller hvor det er enkelt å installere sensorer for å samle inn nødvendig informasjon.

Å starte med småskala pilotprosjekter på mindre kritiske områder lar organisasjonen teste KI-evner, avgrense funksjonaliteter og vurdere hvordan operatører samhandler med systemet før bredere implementering. Denne trinnvise tilnærmingen minimerer risiko og bygger tillit til KI-drevne løsninger.

Vanlige utfordringer inkluderer overdreven avhengighet av KI uten tilstrekkelig operatøropplæring, noe som kan føre til mistillit eller upassende reaksjoner i kritiske situasjoner.

I tillegg kan dårlige systemkonfigurasjoner eller kompatibilitetsproblemer med eldre systemer føre til alarmras eller driftsforsinkelser. Å holde seg oppdatert med nye standarder, som ISO/IEC 5469 og den kommende ISO/IEC 22440, bidrar til å sikre samsvar og robust systemytelse.

Samarbeid med bransjeeksperter, forskere og nøye planlegging er avgjørende for å redusere risiko. Utnyttelse av KI for prediktivt vedlikehold, feilanalyse og livssyklusoptimalisering styrker systemets pålitelighet samtidig som det adresserer potensielle fallgruver knyttet til avanserte teknologier.

S: Bruken av KI i alarmsystemer for stykkproduksjon og prosessindustri har viktige forskjeller på grunn ulike operasjoner, så vel som kompleksiteten i miljøene deres.

I stykkproduksjon er det vanligvis mer produkt- og prosessvariasjon, samt større involvering av mennesker som jobber sammen med maskiner og roboter.

Maskiner i dette miljøet har ofte lavere kapitalinvesteringer sammenlignet med prosessindustrien, men det er mange maskiner og systemer som opererer samtidig. En stor utfordring ligger i lavvolum, høyblandingsproduksjon, typisk i land som Norge, hvor det er betydelig variasjon i prosesser og produkter. Mangelen på store, ensartede datasett og sjeldenheten av visse hendelser gjør det vanskelig å trene KI-systemer til å håndtere alle mulige scenarier effektivt. KI-baserte alarmsystemer i disse miljøene må fokusere på tilpasningsevne og kontekstbevissthet for å håndtere det store utvalget av situasjoner mens du unngår unødvendige varsler som kan forstyrre operasjoner eller kompromittere systemets robusthet.

Prosessindustrien, for eksempel olje og gass eller kjemi, har færre produktvariasjoner, men har kontinuerlige og svært kapitalkrevende prosesser. Alarmer er ofte fokusert på å opprettholde stabilitet og sikkerhet i disse systemene, der forsinkelser eller falske varsler kan føre til betydelige økonomiske tap eller til og med katastrofale feil. Dataene som er tilgjengelige for prosessautomatisering er vanligvis mer konsistent og strukturert, noe som gjør det lettere å trene KI-systemer til å oppdage anomalier og forutsi feil med høy presisjon.

• Ed.2 av IEC 62682:2022 "Administrasjon av alarmsystemer for prosessindustrien"
• ISO/IEC TR 5469:2024 "Kunstig intelligens - Funksjonell sikkerhet og KI-systemer"
• ISO/IEC TS 22440 "KI og funksjonell sikkerhet"
• IEC 62682:2022 “Prinsipper og prosesser for alarmadministrasjon”
• ISO/IEC 5469 “Funksjonell sikkerhet og KI-systemer”
• ISO/IEC 22440 “Funksjonell sikkerhet og KI-systemer”

Følgende SINTEF-forskere har bidratt til utforming av artikkelen: