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. Fikk du med deg første del i AMNYTT 1/2025?

SINTEF (S): KI har fungert bra for å håndtere alarmer, med mange eksempler på å redusere overdreven og unødvendig alarmer, samt å forstå avvik før problemer eskalerer (det er mange dokumenter på dette).

Modenheten til KI varierer på tvers av bransjer, praksis og erfaringer. Medisin har for eksempel omfattende positiv erfaring. Vindturbiner har hatt godt av dette, med redusert menneskelig inngrep og vedlikehold som ofte er komplekst og potensielt farlig. Boring og brønnoperasjoner har også blitt bedre, spesielt når det gjelder å redusere alarmer fra «brønnspark».

S: Nytten av signaler fra feltutstyr for KI i alarmsystemer avhenger i stor grad av applikasjonen eller prosessen som alarmene overvåker. To hovedtyper av signaler kan identifiseres.

Den første kategorien er hendelsesbaserte signaler som kommer punktlig, potensielt basert på operasjonell input og ofte knyttet til den pågående operasjonens status. Slike signaler kan blant annet indikere vedlikeholdsaktiviteter som rengjøring av tanker eller trykkavlastning i rørsystemer, og endrer alarmen slik at ikke utløses unødvendig.

Den andre typen signaler, og muligens den viktigste, er sanntidsdata om tilstanden til kritisk utstyr på anlegget. Disse inkluderer sensorer for vibrasjon, temperatur, fuktighet og trykk, som er avgjørende for å overvåke helsen og ytelsen til maskiner. Dataene bidrar til tidlig oppdagelse av potensielle feil eller problemer for alarmutløsning og kan integreres i digitale tvillinger for forutsigbart vedlikehold.

For eksempel er DAT4.ᴢᴇʀᴏ et prosjekt støttet av EU. SINTEF er koordinator av prosjektet. Prosjektet har 20 europeiske partnere som jobber for å forbedre kvaliteten i europeiske fabrikker. Innovative teknologier, som IoT og maskindata, vil samle inn og analysere data fra produksjonsprosesser (digitale tvillinger) og gi virksomheter større kontroll og bedre beslutningsgrunnlag under produksjonen.

I tillegg er LIDAR- og KI-synssystemer for roboter verdifulle informasjonskilder. Disse teknologiene kan hjelpe til med å overvåke miljøet og oppdage eventuelle farlige situasjoner eller avvik fra normal drift.

A: Hva med integrasjon med andre systemer, operasjonelle og/eller administrative?

S: Integrering av alarmsystemer med andre KI-systemer, både operasjonelle og administrative, har et stort potensial. Hovedutfordringen er å rense og filtrere store mengder data. Med store mengder data som kommer fra ulike kilder, kreves ofte betydelige menneskelige ressurser til sortering og identifikasjon av hva som virkelig er verdifullt for beslutningstaking.

KI-alarmsystemer kan jobbe med maskinlæring for å analysere sanntidsdata, forutsi feil og utløse alarmer ved behov. KI kan også integreres med forretningssystemer (ERP) eller vedlikeholdssystemer, automatisere arbeidsflyt og forbedre beslutningstaking og risikostyring.

Et godt eksempel er TRICK-prosjektet, finansiert av EU, der SINTEF var involvert. Dette prosjektet bruker blockchain for å forbedre sikkerheten i tekstilindustrien. KI-systemer og alarmer brukes til å oppdage forfalskning og sikre at leverandører overholder regelverket

S: Pålitelig KI er en tilnærming til KI-utvikling som prioriterer sikkerhet og åpenhet for folk som samhandler med det. Pålitelighet er knyttet til fire mulige bekymringer:

• Åpenhet, dvs. åpenheten til systemets funksjon, formål og begrensninger.
• Forklarbarhet, dvs. hvordan og hvorfor systemet gir spesifikke utfall.
• Ansvarlighet, dvs. ansvaret for systemets handlinger og resultater.
• Menneskelig autonomi, dvs. bevaring av individers frihet til å ta valg og kontroll av resultater.

De fire begrepene henger sammen. Åpenhet er nødvendig for forklaring, ansvarlighet er avhengig av åpenhet og forklarbarhet, og menneskelig autonomi støttes av åpenhet og forklarbarhet. Dermed ser vi at åpenhet og forklarbarhet er sentralt for en KI som forbedrer de menneskelige aktivitetene.

Forklarbarhet, også kalt XAI, er et komplekst område. De mange XAI-tilnærmingene er fortsatt teknologisentrerte og klarer ikke å imøtekomme bekymringene til menneskelige brukere og mangfoldige interessenter knyttet til KI-systemene. Forklaringsmetoder trenger forbedringer som gjør dem forståelige, pålitelige og verdifulle for interessentene. Ulike roller og mål påvirker behov for forklaring. For eksempel, mens utviklere av KI-løsninger må forstå interne mekanismer for å spore feil og forbedre KI-modeller, må sluttbrukere kjenne til usikkerheten i prediksjonene og kontrollere tilhørende logikk. Andre interessenter som reguleringsorganer, industriledere (og beslutningstakere), og påvirkningsgrupper (f.eks. innbyggere) har andre behov. XAI metoder må skreddersys for de ulike gruppene.

S: Å utvide målinger og sensorer i produksjonsprosessen gir flere fordeler og kan håndtere sentrale utfordringer, spesielt med eldre maskineri. Mange selskaper har fortsatt maskiner som er over 20 år, og det kan være vanskelig å få tak i relevante data fra dem. Eldre maskiner mangler ofte tilkobling eller bruker utdaterte kommunikasjonsprotokoller som er vanskelige å integrere med moderne systemer. I tillegg kan det hende at disse maskinene ikke gir direkte tilgang til verdifulle data, eller dataene kan være vanskelig å tolke på grunn av kompatibilitetsproblemer.

I slike tilfeller er det ofte en mer effektiv løsning å legge til nye sensorer. Sensorer, spesielt de som tilbyr IoT-funksjoner, kommer med gatewayer som er enkle å installere og som gir rask tilgang til sanntidsdata.

I stedet for å investere betydelig tid i å prøve å hente og forberede data fra eldre utstyr, kan bedriftene kjøpe og installere moderne sensorer i nøkkelområder i produksjonsprosessen. Disse sensorene kan plasseres på nyttige steder for å samle informasjon fra eksisterende utstyr som elektriske motorer, drives, instrumenter, ventiler og andre maskinkomponenter.

De primære fordelene med å utvide målinger med nye sensorer inkluderer muligheten til å oppdage defekter tidlig, redusere vrak og forhindre sen oppdagelse av feil som kan føre til ytelsestap. Videre kan sensordata brukes til å forutsi vedlikeholdsbehov og planlegge reparasjoner på optimalt tidspunkt, forbedre effektiviteten og levetiden til utstyret.

S: Implementeringen av KI-baserte systemer innebærer vanligvis å inkludere ytterligere datakilder og å øke datasamplingsfrekvensen og lagringen. Standardene og ytelsene i kommunikasjonssystemer kan variere betydelig på tvers av ulike fabrikker og sektorer. Heldigvis kan moderne IIoT (Industrial IoT) lagringsløsninger og kommunikasjonsstandarder, som OPC-UA og MQTT, støtte de økte datavolumene og -strømmene.

Mange kontrollsystemer er bygget for å behandle store mengder data, men siden de fleste ikke var designet med KI-drevne applikasjoner i tankene, kan potensielle flaskehalser oppstå. Disse inkluderer begrensninger i båndbredde og datalagring, tilkoblingsproblemer og cybersikkerhetsproblemer. Nøye planlegging og trinnvise oppgraderinger av infrastruktur og arkitektur er derfor avgjørende for å utnytte fordelene med KI i industrielle applikasjoner.

Mens noen aspekter av datainfrastrukturen er fabrikkspesifikke og krever planlagte oppgraderinger og investeringer, utnytter moderne datainfrastrukturparadigmer skyløsninger for å unngå flaskehalser.

Ved å delegere lagring og/eller behandling av data til skytjenester kan disse løsningene redusere noen av utfordringene og investeringene som trengs for å skalere og oppdatere dagens infrastruktur.

S: Når det gjelder industrielle styringssystemer og sikkerhetskritiske applikasjoner er det viktig å sikre validitet og pålitelighet, og viktigst av alt, å unngå å gå glipp av viktige/kritiske alarmer.

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 “Prinsipler 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: