تقليل وقت التعطل باستخدام أدوات الذكاء الاصطناعي

لأكثر من أربعة أشهراستقل ستة ركاب غير عاديين قطارات مترو أنفاق مدينة نيويورك. مهمتهم: منع كوارث مترو الأنفاق. فمنذ الصباح الباكر وحتى وقت متأخر من الليل، راقب هؤلاء الركاب كل رحلة بلا كلل أو ملل، والتقطوا بيانات الصوت والاهتزازات عبر شبكة السكك الحديدية الواسعة في المدينة.

لم يكن هؤلاء المفتشون المجتهدون من البشر، بل كانوا هواتف Google Pixel الذكية. وقد تم تركيبها على قطارات مترو الأنفاق من الفئة A، حيث قاموا بتغذية بيانات أجهزة الاستشعار الخاصة بهم في نماذج الذكاء الاصطناعي المصممة لاكتشاف عيوب السكك الحديدية بشكل استباقي. وقد أثبتت عمليات الفحص اليدوي التقليدية عبر شبكة السكك الحديدية التي يبلغ طولها 665 ميلاً أنها مكلفة وتستغرق وقتاً طويلاً وليست فعالة للغاية. ولكن في هذه التجربة التي تعتمد على الذكاء الاصطناعي، حددت أجهزة الاستشعار بشكل صحيح 92% من العيوب التي اكتشفها المفتشون البشريون يدوياً في وقت لاحق.

إن تجربة مترو الأنفاق حقق نجاحاً باهراً. فهو يقدم لمحة مقنعة عن كيف يمكن للصيانة التنبؤية القائمة على الذكاء الاصطناعي أن تحول مجموعة واسعة من الصناعات، والمرافق، والنقل، والتصنيع من بينها. يمكن أن يؤدي استخدام الذكاء الاصطناعي بحكمة إلى تحويل إدارة العمليات من مكافحة الحرائق التفاعلية إلى حل المشاكل الاستباقية. ومع ذلك، يجب على القادة التغلب على تحديات جودة البيانات والتكامل والثقافة لجني الفوائد.

حيث تخرج الصيانة التقليدية عن مسارها الصحيح

عادةً ما تقصر مناهج الصيانة التي تراقب مجموعة متنوعة من الأصول (مثل المعدات والبنية التحتية) في مختلف الصناعات لثلاثة أسباب رئيسية:

1. مصادر المعلومات غير الفعالة. غالبًا ما تفتقر الشركات إلى العمليات والأدوات والموظفين المدربين اللازمين للحصول على معلومات دقيقة وفي الوقت المناسب وذات صلة حول سلامة الأصول. تؤدي ممارسات الإدخال اليدوي للبيانات إلى معلومات غير مكتملة أو غير دقيقة أو غير موثوقة. وهذا يجعل من الصعب التنبؤ بأعطال الأصول، مما يؤدي إلى تعطل مكلف غير مخطط له.

2. الاعتماد على المعرفة القبلية. غالبًا ما تعتمد قرارات الصيانة بشكل كبير على الخبرة الفردية والحدس، مما يؤدي إلى نتائج غير متسقة. عندما يمر الفنيون المهرة بـ "أيام سيئة"، يتأثر أداء العمل بشكل كبير. بالإضافة إلى ذلك، فإن هذه الخبرة معرضة لخسارة الأجيال مع تقاعد جيل طفرة المواليد، آخذين معهم عقوداً من المعرفة التشغيلية الهامة.

3. التحديات التي تقود العمل مع المشغلين. حتى عندما تتوفر الرؤى، لا يتصرف الموظفون في الميدان دائمًا. ويرجع ذلك في كثير من الأحيان إلى عدم الثقة في موثوقية الإشارات، أو ضعف إدماج الرؤى في تدفقات العمل اليومية، مما قد يخلق عوائق كبيرة في إدارة التغيير. وبمرور الوقت، قد يفقد الموظفون الثقة في الأنظمة التنبؤية، مما يجعلهم مترددين في معالجة المشاكل التي تحددها التكنولوجيا بشكل استباقي.

لماذا يمكن للتكنولوجيا حل هذه المشكلة اليوم

لقد مهدت العديد من التطورات التكنولوجية الطريق لمساعدة القادة على مواجهة هذه التحديات وتمهيد الطريق لاعتماد الصيانة التنبؤية على نطاق واسع.

1. انفجار البيانات وأجهزة استشعار إنترنت الأشياء. أصبحت أجهزة الاستشعار المدمجة ذات الأسعار المعقولة والميسورة التكلفة الآن قياسية في العديد من الأصول، مثل وحدات التحكم في المحرك والمعدات عالية القيمة المزودة بأجهزة تعقب GPS. إلى جانب تدفقات البيانات المستمرة في الوقت الحقيقي عبر شبكة الجيل الخامس (5G) والاتصال السحابي، تتيح هذه المستشعرات إمكانية الوصول إلى مؤشرات صحية دقيقة وفي الوقت الحقيقي للأصول.

2. التقدم في الذكاء الاصطناعي والخوارزميات. يمكن لنماذج التعلم الآلي التنبؤ بالأعطال بشكل موثوق من خلال التعلم من البيانات التاريخية والتكيف مع الظروف البيئية المتغيرة. لا يقتصر الذكاء الاصطناعي على بيانات المستشعرات المهيكلة، فهو استثنائي أيضًا في معالجة البيانات غير المهيكلة، مثل الصور ومقاطع الفيديو والصوت. على سبيل المثال، يمكن أن توفر موجزات الفيديو من الكاميرات الموجودة على متن السيارات أو القطارات سياقًا ثريًا في العالم الحقيقي، مما يساعد الذكاء الاصطناعي انظر الأشياء، مما يحسن أداء الخوارزمية بشكل كبير.

3. الدمج في سير العمل. تتكامل الأجهزة والأدوات البرمجية الحديثة الآن بسهولة من خلال واجهات برمجة التطبيقات وخطوط أنابيب البيانات، مما يقلل من الحاجة إلى عمليات التسليم اليدوي. يمكن أن يضمن هذا التكامل أن الرؤى التنبؤية تؤدي مباشرةً إلى تشغيل تدفقات العمل التشغيلية اليومية. على سبيل المثال، يمكن أن تؤدي التنبؤات الدقيقة إلى تشغيل أوامر عمل الصيانة الآلية التي تتدفق عبر النظام لاتخاذ إجراء بشري. يؤدي استخدام الذكاء الاصطناعي لتقليل التنبيهات الخاطئة وشرح التنبؤات إلى بناء ثقة المشغل في الخوارزميات وتعزيز اعتمادها.

الصيانة التنبؤية القائمة على الذكاء الاصطناعي أثناء العمل

دعونا نلقي نظرة على مثالين من العالم الحقيقي يوضحان كيف أن الصيانة التنبؤية أصبحت حقيقة واقعة بالفعل.

بي إم دبليو تحافظ على استمرارية عمل سيور النقل

المشكلة: واجه مصنع BMW لتصنيع السيارات التابع لشركة BMW في ريغنسبورغ بألمانيا تحديات حرجة، حيث تسببت أعطال نظام النقل في توقفات متكررة ومكلفة في خط التجميع. وقد أثرت هذه الأعطال على الجداول الزمنية للإنتاج وزادت من التكاليف التشغيلية، مما أثر على الإنتاجية والربحية الإجمالية.

النهج: قامت شركة BMW بنشر نظام الصيانة التنبؤية القائم على الذكاء الاصطناعي الذي استخدم بيانات المستشعرات الموجودة من مكونات الناقل. قام هذا النظام بتحليل تدفقات البيانات في الوقت الحقيقي باستمرار بحثًا عن حالات شاذة خفية، مثل التقلبات غير المتوقعة في استهلاك الطاقة أو الحركات غير الطبيعية، والتي تشير إلى وجود أعطال محتملة.

الحل والفوائد: أنتج النظام التنبؤي تنبيهات في الوقت المناسب، مما مكّن الفرق من إدارة الأعطال المحتملة بشكل استباقي وتجنب الأعطال الكبيرة. وقد أدى هذا التدخل إلى منع أكثر من 500 دقيقة من التعطل السنوي، مما يضمن استمرارية الإنتاج بسلاسة وتسليم السيارات في الوقت المناسب. وقد أدت الفوائد القابلة للقياس التي حققها المشروع التجريبي إلى قيام BMW بتوحيد هذا النهج في جميع مصانعها العالمية، مما أدى إلى تحسين الموثوقية والكفاءة التشغيلية.

شل تعمل على تحسين عمليات التكرير

المشكلة: واجهت مصفاة بيرنيس التابعة لشركة شل، وهي واحدة من أكبر المصافي في أوروبا، مخاطر من التوقف غير المخطط له. لم تؤد هذه الأعطال في المنشأة التي يقع مقرها في هولندا إلى زيادة تكاليف الإصلاح والصيانة فحسب، بل عرّضت الربحية والاستمرارية التشغيلية للخطر.

النهج: تعاونت شل مع شركة C3 للذكاء الاصطناعي لتنفيذ منصة الصيانة التنبؤية الشاملة. قام هذا النظام المتطور بمراقبة أكثر من 10,000 من أصول المصفاة الحرجة بشكل مستمر، وتحليل ما يقرب من 20 مليار نقطة بيانات أسبوعيًا للتنبؤ بأعطال المعدات بدقة استثنائية.

الحل والفوائد: نجحت منصة الذكاء الاصطناعي في تحديد اثنين من الأعطال الوشيكة والحرجة في المعدات قبل وقت كافٍ، مما سمح لشركة شل باتخاذ إجراءات الصيانة الوقائية، وبالتالي تجنب وقت التعطل والإصلاحات المكلفة. وقد أدى هذا النهج الاستباقي إلى تحقيق وفورات تقدر بحوالي $2 مليون دولار أمريكي وتحسين الموثوقية التشغيلية بشكل كبير. وضعت شل استراتيجية قوية لإدارة الأصول على المدى الطويل تم اعتمادها في العديد من مصافيها في جميع أنحاء العالم.

ما الخطأ الذي يمكن أن يحدث: الأمر لا يتعلق فقط بالذكاء الاصطناعي

على الرغم من الوعود الواعدة باستخدام أدوات الذكاء الاصطناعي لإجراء الصيانة التنبؤية، إلا أن القادة الذين يرغبون في تطبيقها يواجهون العديد من العقبات المحتملة. هناك ثلاثة تحديات رئيسية تتطلب اهتماماً دقيقاً.

1. مشاكل جودة البيانات. البيانات عالية الجودة هي أساس الصيانة التنبؤية. رديئة جودة البيانات غالبًا ما تنبع من أخطاء الإدخال اليدوي وممارسات التقاط البيانات غير المتسقة وعمليات إدارة البيانات غير الملائمة. فبدون بيانات عالية الجودة، تفشل حتى أكثر نماذج الذكاء الاصطناعي تطوراً، مما يوضح بديهية "لا فائدة من البيانات ولا فائدة منها". تُعد جودة البيانات أحد أكبر التحديات التي تواجهها مشاريع الذكاء الاصطناعي في مختلف الصناعات وتحتاج إلى مزيد من الاهتمام من القادة.

التوصيات: أتمتة عمليات التقاط البيانات حيثما أمكن للحد من الأخطاء البشرية. مراجعة البيانات الملتقطة بانتظام للتأكد من دقتها وسهولة استخدامها. للتأكد من استخدام البيانات فعليًا من قبل البشر الذين يمكنهم الحكم على جودتها، وإدخالها في القرارات التشغيلية. يساعد ذلك في لفت الانتباه إلى مشكلات جودة البيانات المحتملة ويتيح اتخاذ إجراءات تصحيحية فورية في مرحلة جمع البيانات.

2. تحديات الاندماج. حتى تنبؤات الذكاء الاصطناعي الدقيقة يمكن أن تذهب هباءً إذا لم يتم دمجها بشكل جيد في تدفقات العمل الحالية. على سبيل المثال، لم يتم بعد إعادة تجهيز الكثير من البرامج القديمة مع واجهات تبادل البيانات الحديثة. علاوة على ذلك، غالبًا ما تدير المؤسسات عمليات تطبيق الذكاء الاصطناعي بشكل منعزل مع ضعف الملكية متعددة الوظائف. عندما يتم التعامل مع مثل هذه المبادرات على أنها مشاريع تكنولوجيا المعلومات، فإنها محكوم عليها بالفشل منذ البداية.

التوصيات: تصميم أنظمة تنبؤية للتواصل المباشر مع أنظمة الصيانة ودمجها في سير العمل التشغيلي اليومي. تحديث البرمجيات القديمة وتنفيذ واجهات برمجة التطبيقات وأدوات التشغيل الآلي القوية لسد الفجوات بين الرؤى والتنفيذ. التأكد من أن قادة العمليات يمتلكون المشاركة مع فريق تكنولوجيا المعلومات.

3. المقاومة الثقافية. غالبًا ما يخشى الموظفون من الذكاء الاصطناعي بسبب مخاوف بشأن الأمن الوظيفي أو عدم الثقة في قدرات التكنولوجيا الجديدة. وتؤدي هذه المقاومة إلى إبطاء اعتمادها، مما يحد من فعالية مبادرات الصيانة التنبؤية.

التوصيات: إشراك الموظفين في وقت مبكر لمعالجة الخوف من التكنولوجيا. إدراك أنه بينما ستتم أتمتة أنواع معينة من المهام، هناك العديد من الفرص للتعاون. على سبيل المثال، يمكن للذكاء الاصطناعي اكتشاف مشاكل المعدات في وقت مبكر ومساعدة الفنيين في تشخيص المشاكل - مع قيام البشر بالتحقق من صحة الإصلاحات وتنفيذها. إشراك القوى العاملة بنشاط في المشاريع التجريبية للذكاء الاصطناعي وإعطاء الأولوية للتدريب لتعزيز طلاقة الموظفين في استخدام التكنولوجيا ودفعهم إلى تبنيها.

الأتمتة الكاملة ليست الهدف المنشود

كيف يمكن للقادة البدء بالصيانة التنبؤية؟ يجب أن يبدأوا بتحديد المجالات الغنية بالبيانات ذات التأثير الكبير على الأعمال حيث يمكنهم تجربة مبادرات الصيانة التنبؤية. يؤدي البدء بمشاريع مستهدفة وقابلة للتنفيذ إلى تحقيق مكاسب سريعة وإظهار القيمة بشكل أوضح، مما يمهد الطريق لتنفيذ أوسع نطاقاً واعتمادها على المدى الطويل.

تذكر أن الهدف من الصيانة التنبؤية ليس الأتمتة الكاملة. بل يتعلق بتقليل وقت تعطل الأصول من خلال تحسين جهود المراقبة. إن تعزيز سير عمل الصيانة من خلال المراقبة الآلية في الوقت الفعلي، بمساعدة المراجعة البشرية واتخاذ الإجراءات في الوقت المناسب على أرض الواقع، يستدعي التعاون بين الآلات والبشر.

يجب أن يحتفل القادة بالمكاسب السريعة على طول الرحلة لبناء الثقة في فرق العمل وتعزيز وضوح المبادرات. يمكن للشركات التي تتبنى هذا النهج الاستباقي والتعاوني أن تقلل بشكل كبير من وقت التعطل وتخفض التكاليف التشغيلية وتكتسب ميزة تنافسية مستدامة.