Çoğu fabrika hala yangınla mücadele etmek için çok zaman harcıyor: arızaları takip etmek, kılavuzlar için PDF'leri araştırmak, geçmiş düzeltmeler için e-postaları aramak ve MES, ERP, sensörler ve bakım günlüklerinden gelen verileri manuel olarak bir araya getirmek.

Aynı anda iki dalga birden üretimi vuruyor

Klasik Yapay Zeka / Endüstri 4.0: IIoT sensörleri, kestirimci bakım, dijital ikizler, bilgisayar görüşü, akıllı fabrikalar.

Yeni GenAI / LLM dalgası: Metin, kod, resim, tabloları anlayabilen ve araçlara bağlanabilen GPT sınıfı modeller (GPT-4V gibi çok modlu olanlar dahil).

Akıllı üretim ve LLM'ler üzerine yapılan son çalışmalar, bu iki dalganın birbirine yaklaştığını gösteriyor: geleneksel makine öğrenimi modelleri sinyalleri (titreşim, sıcaklık, görüntüler), LLM'ler ise yazılan her şey (prosedürler, günlükler, e-postalar, kılavuzlar, kod, teknik özellikler), artı orkestrasyon ve karar desteği.

Aşağıda, bu kombinasyonun çalışma süresini ve bakım operasyonlarını nasıl iyileştirebileceğine dair teknik / bakım yöneticilerine yönelik üst düzey bir görünüm yer almaktadır.

1. Klasik Yapay Zeka: Çalışma Süresinin Temeli

LLM'ler hakkında konuşmadan önce, “klasik” YZ'nin halihazırda bakıma ne getirdiğini tekrarlamakta fayda var:

Kestirimci bakım ve RUL tahmini

Modeller, kritik varlıklardan gelen titreşim, sıcaklık, akım, akustik ve diğer proses sinyallerini kullanarak “normal ”in nasıl göründüğünü öğrenir, anormallikleri erkenden işaretler, Kalan Faydalı Ömrü (RUL) tahmin eder ve bakım planlamasının sabit zaman tabanlı aralıklardan risk tabanlı müdahalelere geçmesine olanak tanır.

Hat düzeyinde anomali tespiti

Modeller sadece tek bir motoru izlemek yerine tüm hatları izler: döngü süreleri, enerji eğrileri, hurda, hat içi test sonuçları. Kalite veya duruş süresi sorunları yaratmadan önce ince sapmaları (örneğin, bir robotta yavaşça artan döngü süresi, hafif fırın profili kayması) tespit ederler.

Erken uyarı olarak kalite için bilgisayar görüşü

Derin öğrenme sistemleri ürünler, yüzeyler, levhalar vb. üzerindeki kusurları tespit eder. Kalite sapmaları genellikle görünür önce Doğrudan makine arızası - böylece kalite kontrol verileri güçlü bir bakım sinyali haline gelir.

Bu katmanı şöyle düşünebilirsiniz: “sensörler + modeller = erken uyarı ve daha iyi planlama”.

2. LLM'ler Bunun Üzerine Ne Ekliyor?

Son araştırmalar, birçok alanda (kalite, maliyet kontrolü, tedarik zinciri, tasarım, robotik, eğitim, patent/bilgi yönetimi) üretimde LLM'li çerçeveler çıkarmaktadır. Bakım ve çalışma süresi için en ilgili yetenekler şunlardır:

Olağanüstü metin ve bilgi işleme

Bakım, yapılandırılmamış metinlerle doludur: kılavuzlar, prosedürler, iş planları, e-postalar, olay raporları, NCR'ler, tedarikçi notları, garanti belgeleri ve standartlar.

LLM'ler şunları yapabilir okuyun, özetleyin, karşılaştırın, çapraz bağlantı kurun ve yapılandırılmış bilgi çıkarma Bu karmaşadan: arıza modları, ayarlar, tork değerleri, test limitleri, garanti koşulları vb.

Kod ve otomasyon oluşturma

Modern CAD/CAM/CAE araçları API'leri açığa çıkarır; robotlar, PLC'ler, test tezgahları ve veri boru hatlarının tümü programlanabilir. LLM'ler, sistemlerinizi birbirine yapıştıran komut dosyaları, sorgular, küçük uygulamalar, gösterge tabloları ve iş akışları oluşturabilir. Bunlar genellikle GPT-CAD / GPT-CAE / EDA-script üretimi gibidir - aynı fikir bakım araçları için de geçerlidir.

Orkestrasyon ve çok etmenli muhakeme

LLLM'ler bir bakım veya lojistik problemini adımlara ayırabilir ve birden fazla aracı (veri hizmetleri, optimize ediciler, simülatörler, ERP API'leri) koordine edebilir. Çoklu ajan modelleri: “Yönetici” ajan problemi parçalara ayırır, “mühendis” ajan kod veya plan yazar, “yürütücü” ise bunu çalıştırır. Bu, teknisyenler için çizelgeleme ve rota optimizasyonuna doğrudan uygulanabilir.

Çok modlu anlama (metin + resimler + sayılar)

GPT-4V tarzı modeller fotoğraflara (örneğin hasarlı parçalar, HMI alarmları, kalite çizelgeleri) ve metinlere bakabilir ve her ikisi hakkında birlikte mantık yürütebilir. Sensörlerden gelen zaman serileri ile birlikte bu, temel neden analizi ve karar desteği için daha fazla bağlam sağlar.

Eğitim, öğretim ve mühendislik asistanları

LLM tabanlı mühendislik asistanları ve “sohbet robotları” mühendisleri ve teknisyenleri gerçek zamanlı olarak destekleyebilir - standartları açıklayabilir, hesaplamaları kontrol edebilir, komut dosyalarına yardımcı olabilir ve prosedürler boyunca yürüyebilir - aynı zamanda bakım personeli için özel eğitim ve beceri kazandırma sağlayabilir, bu da gelişmiş üretimdeki yetenek açığı göz önüne alındığında kritik öneme sahiptir.

Bölünmeyi kabaca şu şekilde görebilirsiniz:

Signal AI: makineyi görür
Dil Yapay Zekası: Makine hakkında yazılan her şeyi anlar ve insanları + araçları koordine eder.

İkisine de ihtiyacınız var

3. Bakım ve Çalışma Süresi için Somut LLM Kullanım Örnekleri

Genel LLM uygulamalarını günlük bakım operasyonlarına bağlayalım.

3.1 Teknik bilgi ve geçmişe karşılıklı erişim

Bugünkü sorun

Günümüzde kritik bilgi birikimi insanların kafalarında, dağınık PDF'lerde, eski e-postalarda ve ERP/MES notlarında yaşıyor, bu nedenle yeni teknisyenlerin tesisi “tanıması” için yıllar geçmesi gerekiyor ve her kök neden araştırması birden fazla sistemde manuel bir ava dönüşüyor.

LLM'ler ne yapabilir?

Birleşik bir bakım bilgisi ön ucu olarak hareket edin: mühendislerin OEM kılavuzları ve çizimleri, bakım prosedürleri ve kontrol listeleri, iş emirleri ve arıza raporları, tedarikçi belgeleri ve e-postalarının yanı sıra kalite raporları ve NCR'ler arasında Geri Alımla Artırılmış Üretimi (RAG) kullanarak “Bana son 18 ayda iş mili motorunun aşırı ısındığı Hat 3”teki tüm müdahaleleri göster“, ”Bu dişli kutusu modeli için hangi tork değerleri ve gresler belirtilmiştir?“ veya ”Bu servoyu başka bir satıcıdan eşdeğer bir ürünle değiştirdik mi ve hangi koşullar altında?" gibi sorular sormasına izin verin.

İşte burası BİLGİ YÖNETİMİ ve mühendislik asistanı chatbot konular doğrudan bakım ile eşleşir: aynı mekanizma, sadece farklı alan içeriği.

3.2 Metinden Yürütülebilir Bakım İş Akışlarına

Çoğu fabrika zaten var bakım know-how'ı- sadece bir sistemin yürütebileceği bir biçimde değil:

Word veya PDF prosedürleri
“Her zaman böyle yaparız” kuralları
Özel durumlarla ilgili e-posta zincirleri
CMMS içindeki notlar

LLM'ler üzerine yapılan son araştırmalar, bu metni şu şekilde ele alabileceğinizi göstermektedir kaynak kodu süreçleriniz için:

İş akışını sade bir dille açıklayın
Örnek: “Hat 2'de bir iş mili sıcaklık alarmı oluştuğunda:

makineyi duraklatın
vardiya liderini bilgilendirin
yağlama durumunu ve soğutma sıvısı akışını kontrol edin
günlük sonuçları
eğer 15 dakika sonra hala eşiğin üzerindeyse, yüksek öncelikli bir iş emri oluşturun ve 8 saat içinde bir değişim planlayın

LLM bunu yapılandırılmış bir süreç modeline dönüştürür

Adımlar, karar noktaları, roller, zaman aşımları
Koşullar (if/else dalları, eskalasyonlar)
Doğru sistemlere bağlantılar (CMMS, MES, ERP, bildirim araçları)

Sistem bir iş akışı motoru için kod/konfigürasyon üretir

Eskiden “kabile bilgisi + Word belgeleri” olan şey sürümlendirilmiş, çalıştırılabilir oynatma kitabı.

Bir süreci güncellemek (“artık yeniden başlatmadan önce titreşim kontrolü yapmamız gerekiyor”), bir açıklamayı düzenlemek ve iş akışını yeniden oluşturmak kadar kolaydır.

Bakım ekipleri için bu şu anlama gelir daha az tahmin, daha fazla tutarlılık, ve iyileştirilmiş prosedürlerin tesisler arasında çok daha hızlı bir şekilde yaygınlaştırılması.

3.3 Denetim, Onarım ve Kurulum için LLM'ler + Robotik

Aynı zamanda, üretimde robotik, LLM'lerden destek alıyor:

Robotlar eskiden son derece yapılandırılmış komutlara ve uzman programlamaya ihtiyaç duyardı.
Şimdi, araştırmalar takip edebileceklerini gösteriyor üst düzey doğal dil talimatları, LLM bunları robot düzeyinde eylemlere veya kodlara ayrıştırır.

Bakım bağlamlarında bu mümkün olur:

Otomatik denetimler

Mobil veya statik robotlar, doğal dil talimatlarından türetilen rotalara veya kural setlerine göre görsel, termal, akustik veya titreşim kontrolleri gerçekleştirirken, LLM denetim dizilerini planlar (örneğin, “B Alanındaki 10 kW üzerindeki tüm motorları vardiya başına bir kez kontrol edin”), görüntüleri ve sensör çıktılarını yorumlar ve teşhis veya öneriler hazırlar (örneğin, “rulman aşınması muhtemel; Cuma gününden önce denetim planlayın”).

Servis görevleri için daha hızlı robot programlama

Teknisyenler doğal dilde ne istediklerini tanımlarlar (örneğin, “Cobot'a paneli açmasını, kontaktörlerin fotoğrafını çekmesini ve test düğmesine üç kez basmasını öğretin”) ve sistem daha sonra bir insanın gözden geçirip onaylaması için ilgili robot kodunu veya blok diyagramlarını önerir.

Daha güvenli işbirliği

LLM'ler sertifikalı güvenlik katmanlarının üzerinde yer alır, görevlerin planlanmasına, araçların seçilmesine, işlemlerin belgelenmesine ve robotun ne yaptığının açıklanmasına yardımcı olur - hiçbir zaman sabit gerçek zamanlı güvenlik mantığının yerini almaz.

Model şu: tekrarlayan ve riskli kısımları robotlar yapar, LLM'ler planlama ve açıklama için “beyinleri” sağlar ve insanlar denetler ve onaylar.

3.4 Bir Bakım Sinyali Olarak Kalite Kontrolde LLM'ler

Modern bilgisayar görüşü ve sensör tabanlı sistemler görüntü, termografi, akustik veya EM sinyallerindeki kusurları tespit etmede zaten iyi olsa da kalite ve bakım birbiriyle derinden bağlantılıdır ancak genellikle ayrı silolarda yönetilir; LLM'ler, kalıpları açıklamak (örneğin, “X tedarikçisindeki değişiklikten sonra kusurlar başladı”), tekrarlayan kusurları olası makine veya süreç nedenlerine bağlamak ve hedeflenen bakım eylemlerini önermek için kontrol çizelgelerini, kusur günlüklerini, süreç parametrelerini ve değişiklik geçmişlerini okuyarak üstüne bir muhakeme katmanı ekler.

Örnekler:

“Takım parametrelerini değiştirdikten sonra bu üç SKU için Hat 4”teki hurda miktarı arttı. Bana olası nedenleri ve önerilen kontrolleri gösterin."
“Bu haftanın kusur görüntülerini geçmiş vakalarla karşılaştırın ve benzer olayları ve düzeltmeleri listeleyin.”

Bu, kalite kontrolünü bakım için bir erken uyarı sistemine dönüştürür: yalnızca sert alarmlara veya doğrudan arızalara göre hareket etmek yerine, makine sağlığı sorunlarının erken göstergeleri olarak kalite sapmalarına göre hareket edersiniz.

3.5 Yedek Parçalar, Tedarik Zinciri ve Çalışma Süresi için Maliyet Kontrolü

İyi bakım sadece bilmekle ilgili değildir ne düzeltmek için değil, aynı zamanda parçalar, insanlar ve bütçe aynı hizada.

Tedarik zinciri ve finans alanındaki LLM'ler üzerine yapılan son çalışmalar, MRO ve yedek parçalara çok iyi uyum sağlamaktadır:

Yedek parça talep tahmini ve stoklama politikaları

Geçmiş arızaları ve iş emirlerini, OEM önerilerini ve planlanan üretim ve bakım programlarını birleştirin; LLM'ler daha sonra kalıpları analiz etmeye yardımcı olur (örneğin, “bu motor tipi bu ortamda X saat sonra arızalanma eğilimindedir”), stoklama seviyeleri ve yeniden sipariş kuralları önerir ve stok tükenme riski ve taşıma maliyeti gibi ödünleşimleri sade bir dille açıklar.

Alternatif parçalar ve ikame muhakemesi

Teknisyenler genellikle “braketi ve parametreleri değiştirirseniz bu diğer marka çalışır” diye bilirler, ancak bu bilgi nadiren tek bir yerde bulunur; LLM'ler uyumlu alternatifleri bulmak ve montaj, sürücü ayarları, korumalar ve onaylarda gerekli değişiklikleri vurgulamak için kılavuzları, ürün reçetelerini, geçmiş iş emirlerini ve tedarikçi belgelerini arayabilir.

Maliyet ve riske duyarlı planlama

LLM'ler sözleşmeleri, SLA'ları, garanti koşullarını, tedarikçi performansını ve lojistik verilerini okuyarak tedarik zincirinizin nerelerde kırılgan olduğunu (tek kaynak, uzun teslim süreleri) ve ekspres kargo, geçici satın almalar veya aşırı stoklama için nerelerde fazla harcama yaptığınızı özetleyebilir.

Amaç bağlantı kurmak çalışma süresi kararları (hangi işin ne zaman, hangi parçalarla yapılacağı) tedari̇k zi̇nci̇ri̇ ve mali̇yet gerçekleri̇, LLM, metin ve veri işlemlerinin çoğunu yapıyor.

3.6 Bakım İşgücünün Eğitilmesi ve Yetiştirilmesi

Beceriler konusunda da büyük bir fırsat var: modern tesisler emekli olan uzmanlarla, deneyimli teknisyenleri işe almakta zorluklarla ve karmaşık çoklu teknoloji hatlarıyla (mekanik, elektrik, BT, güvenlik, ağlar) mücadele ediyor ve son LLM tabanlı öğrenme ve özel ders sistemleri teknisyenler için kişisel bir koç görevi görerek yardımcı olabilir.

İş başında açıklamalar

Teknisyenler bir QR kodunu tarayabilir veya bir makine kimliği girebilir ve “Bu alarm tam olarak bu model için ne anlama geliyor?” veya “Bu panel için kilitleme-etiketleme adımlarını basit terimlerle açıklayın” gibi sorular sorabilir ve sistem yanıtlarını rol veya deneyim seviyesine göre uyarlayabilir - örneğin, kıdemli bir mühendis ile genç bir teknisyene farklı açıklamalar verebilir.

Simülasyon tabanlı eğitim

Basitleştirilmiş dijital ikizleri veya senaryo simülatörlerini LLM odaklı anlatılarla birleştirin - örneğin, “Hat 3”teki bir rulman arızasını simüle edin ve teşhis ve güvenli yeniden başlatma konusunda bana rehberlik edin" - böylece LLM seçimlerinizi değerlendirebilir, ipuçları sağlayabilir ve daha iyi seçenekleri açıklayabilir.

Kişiselleştirilmiş öğrenme yolları

Sistem, bir teknisyenin hangi varlıklar üzerinde çalıştığını, hangi hatalarla karşılaştığını ve nasıl performans gösterdiğini analiz ederek kısa, hedefe yönelik öğrenme modülleri önerebilir (örneğin, “Birçok VFD arızasını ele aldınız; işte harmonikler ve filtreleme hakkında 20 dakikalık bir modül”) ve tek bedene uyan eğitimi, atölyede gerçekleşen gerçek iş tarafından yönlendirilen sürekli, bağlamsal beceri geliştirmeye dönüştürür.

4. Sınırlar ve Riskler: LLM'ler Ne Yapmalı Değil Bakımda Yapın

Tüm potansiyeline rağmen bakım, yüksek riskli bir alandır. Yanlış yapılması güvenlik kazaları, çevresel hasar veya çok pahalı arıza süreleri anlamına gelebilir.

Birkaç temel kısıtlama esastır:

Güvenlik açısından kritik kararlar için kör güven yok

LLM'ler halüsinasyon görebilir, yanlış yorumlayabilir veya aşırı basitleştirebilirler, bu nedenle emniyet PLC mantığını asla doğrudan değiştirmemeli, koruma ayarlarını değiştirmemeli veya kilitlemeleri veya prosedürel emniyet adımlarını geçersiz kılmamalıdırlar; rolleri önermektir ve insanlar onaylar.

Etki alanı uyarlaması zorunludur

Kullanıma hazır modeller tesisinizin ekipman kodlarını ve takma adlarını, yerel dil karışımını, belirli standartları, ev kurallarını veya risk eşiklerini anlamaz, bu nedenle kılavuzlarınız, prosedürleriniz ve verilerinizle (RAG aracılığıyla) topraklandıklarında, istemler ve korkuluklar operasyonunuza göre uyarlandığında ve neleri değiştirmelerine izin verildiğini sıkı bir şekilde kısıtladığınızda çok daha iyi ve daha güvenli sonuçlar elde edersiniz.

Denetlenebilirlik ve yönetişim

Düzenlemeye tabi veya güvenlik açısından kritik ortamlarda, kimin ne sorduğunu, yapay zekanın ne yanıt verdiğini, hangi kaynakları kullandığını ve buna dayalı olarak hangi eylemlerin gerçekleştirildiğini bilmeniz gerekir; günlükler, onaylar ve açık sorumluluklar pazarlık konusu değildir.

Tasarım gereği döngü içinde insan

LLM'nin taslak hazırladığı, bir insanın incelediği ve ardından sistemin yürüttüğü iş akışları tasarlayın; insan geçitleme seviyesi risk seviyesiyle birlikte artar ve tam veya kısmi otomasyona geçmeden önce özetler, öneriler ve dokümantasyon gibi “yardımcı” kullanım durumlarıyla başlayın.

LLM'leri şu şekilde düşünün çok güçlü genç meslektaşlar: hızlı, geniş, yardımsever - ama yine de denetime ihtiyaçları var.

5. LLM'lerin Bakıma Dahil Edilmesi için Pratik Bir Yol Haritası

Kaos olmadan gerçekten değer elde etmek için aşamalı bir yaklaşım en iyi sonucu verir.

5.1 Temelleri temizleyin ve bilgiyi merkezileştirin

LLM araçları, sizin klasörleri karıştırmanız yerine kılavuzlarınızda, iş emirlerinizde ve kalite kontrol raporlarınızda arama yapabilir ve soruları yanıtlayabilir. Yönetim için kesinti nedenlerini doğal bir dille açıklayan net haftalık özetler oluşturabilirler. Bunun da ötesinde, mühendislerin boş bir sayfadan başlamaması için yeni kontrol listeleri, RCA belgeleri, eğitim materyalleri ve hatta yedek parça talep gerekçeleri hazırlamaya yardımcı olurlar.

5.2 Düşük riskli “asistan modu”

LLM'nin hiçbir şeyi bozamayacağı kullanım durumlarıyla başlayın. Kılavuzlarınız, iş emirleriniz ve kalite kontrol raporlarınız üzerinde arama ve Soru-Cevap işlemlerini gerçekleştirmesine, yönetim için doğal dilde haftalık arıza süresi özetleri oluşturmasına ve mühendislerin boş bir sayfadan başlamaması için yeni kontrol listeleri, RCA belgeleri, eğitim materyalleri ve yedek parça talep gerekçeleri hazırlamasına izin verin. Ardından yanıt süresi, dokümantasyon kalitesi ve mühendis/teknisyen zaman tasarrufu üzerindeki etkiyi ölçün.

5.3 Kılavuzlu iş akışları ve karar desteği

Metin prosedürlerinizi CMMS veya bakım platformunuz içinde kılavuzlu iş akışlarına dönüştürebilirsiniz. Bir LLM, teşhis sırasında sonraki adımları önerebilir, benzer geçmiş olayları ve orada neyin işe yaradığını önerebilir ve tahmin modeli çıktılarını sade bir dille açıklayabilir, böylece mühendisler bir önerinin neden yapıldığını gerçekten anlayabilir.

5.4 Robotik, çizelgeleme ve tedarik zinciri ile entegrasyon

Robotlar veya mobil cihazlar için denetim rotaları planlamak, basit tekrarlayan denetim veya taşıma görevleri için robot programları oluşturmak ve becerilere, konuma ve SLA'ya göre teknisyen planlamasını ve yönlendirmesini desteklemek için LLM'leri kullanın. Bu bakım kararlarını yedek parça tahminleri, tedarikçi verileri ve maliyet modelleriyle ilişkilendirin, böylece her müdahale yalnızca çalışma süresi için değil, aynı zamanda maliyet ve tedarik riski için de optimize edilir.

Yapay Zeka ve LLM'ler ile Üretimde Dönüşüm