Bạn có thể thích
Bất chấp những bức tranh biếm họa tương lai, Trí tuệ nhân tạo không phải là mới. Các nhà nghiên cứu đã phát triển các mô hình ban đầu của các thuật toán ngày nay vào những năm 1950. Điều thay đổi trong những năm gần đây là AI đã bùng nổ từ các phòng thí nghiệm của trường đại học sang vô số ứng dụng thương mại.
Trong lĩnh vực sản xuất – nhà máy , có vô số sự cường điệu, nhưng rất ít lời giải thích về AI là gì hoặc cách nó hoạt động. May mắn thay, giống như nhiều thứ, mặc dù các chi tiết có thể phức tạp đến khó tin, nhưng các khái niệm cốt lõi có thể được giải thích cho bất kỳ ai.
Để hiểu AI và tại sao nó hiện có các trường hợp sử dụng thực tế, chúng ta phải khám phá một khả năng tương đối mới của AI: học sâu.
Về cơ bản, học sâu là một thuật toán AI sử dụng lượng lớn dữ liệu từ một miền cụ thể để đưa ra quyết định tối ưu hóa cho kết quả mong muốn. Nó thực hiện điều này bằng cách tự đào tạo để nhận ra các mô hình và mối tương quan bị chôn vùi sâu sắc – nhiều trong số đó là vô hình hoặc không liên quan đối với người quan sát – để đưa ra quyết định tốt hơn con người có thể.
Bí quyết là điều này đòi hỏi một lượng lớn dữ liệu có liên quan, một thuật toán mạnh, một miền hẹp và một mục tiêu cụ thể. Nếu bạn thiếu bất kỳ một trong số này, mọi thứ sẽ sụp đổ. Quá ít dữ liệu? Thuật toán không có đủ ví dụ để khám phá các mối tương quan có ý nghĩa. Mục tiêu quá rộng? Thuật toán thiếu các tiêu chuẩn rõ ràng để chụp.
Vì vậy, trong ví dụ về hoạt động xây dựng, chúng ta hiện có một lượng lớn dữ liệu thiết bị trong phạm vi hẹp của sản xuất – nhà máy thương mại. Chúng ta có thể chọn mục tiêu cụ thể nào để xác định các mô hình ẩn để cuối cùng tăng NOI?
1) Giờ sửa chữa breakdown
Thời gian sửa chữa , hoặc thời gian cần thiết để người điều hành hoặc nhà cung cấp bên thứ ba hoàn thành nhiệm vụ, tạo nên tỷ trọng lớn của chi phí bảo trì và sửa chữa trong sản xuất – nhà máy thương mại. Số Thời gian sửa chữa cần thiết để hoàn thành công việc càng ít, số lượng nhân viên bạn cần thấp hơn hoặc càng có nhiều hoạt động gia tăng giá trị mà cùng một số lượng nhân viên có thể thực hiện.
Có vẻ như sự thiếu hiệu quả nhỏ có thể gây ra lãng phí đáng kể. Những việc như thực hiện nhiều chuyến đi để tìm công cụ phù hợp, tìm kiếm thông tin như hướng dẫn sử dụng O&M hoặc nhật ký bảo trì và nhập dữ liệu có thể chiếm phần lớn thời gian của người vận hành cho bất kỳ nhiệm vụ nào.
Với số lượng lớn dữ liệu về thứ tự công việc và hiệu suất thiết bị, cũng như mục tiêu rõ ràng là giảm thời gian vặn, AI đã đưa ra một số thông tin chi tiết có thể áp dụng.
Ví dụ, dữ liệu cảm biến của thiết bị cho thấy các dấu hiệu xuống cấp gần như không thể nhận thấy như thời gian chạy giữa các giá bảo trì. AI có thể cân bằng ngưỡng tối đa có thể chấp nhận được của sự xuống cấp này với thời gian và chi phí cử kỹ thuật viên để xác định lịch trình tối ưu. Điều này có thể được thực hiện một bước xa hơn bằng cách nhóm thiết bị để công việc có thể được nhóm lại và tiết kiệm thời gian tối đa.
Ngoài ra, việc đưa ra quyết định bằng AI có thể được kết hợp với các phần mềm khác, vì vậy các nhà khai thác được cho biết chính xác công cụ nào cần đưa vào ngay từ đầu. Các chỉ báo ban đầu cho thấy những thông tin chi tiết do AI điều khiển này có thể giảm số Thời gian sửa chữa xuống 75%!
2) Thời gian trung bình giữa 2 lần máy hỏng
Hầu hết các chủ sở hữu và người vận hành đều hiểu rằng việc bảo trì đúng cách làm giảm khả năng hỏng hóc của thiết bị. Nhưng loại và nhịp độ hoạt động có thể ảnh hưởng đáng kể đến mức độ tạo ra sự khác biệt khi bảo trì phòng ngừa .
Ví dụ, một lịch trình bảo trì có thể nêu rõ rằng các đơn vị xử lý không khí (AHU) phải được kiểm tra trực quan để hoạt động tốt hàng ngày, kiểm tra độ căng dây đai thích hợp hàng tuần, thay băng đai hàng tháng và tra dầu động cơ hàng quý.
Rõ ràng, thế giới thực không hoạt động như vậy. Các trường hợp khẩn cấp được ưu tiên hơn so với bảo trì định kỳ và lịch trình được thay đổi. Bằng cách so sánh các kịch bản trong thế giới thực trên hàng trăm thuộc tính, AI có thể được triển khai để giải quyết việc tăng thời gian trung bình giữa các lần hỏng hóc (MTBF).
Mục tiêu ở đây là duy trì thời gian cờ lê thấp trong khi tối đa hóa hiệu quả của việc bảo trì được thực hiện. AI thậm chí còn xác định được các mẫu cho thấy việc bảo trì đang được thực hiện quá thường xuyên, dẫn đến chi phí cho Thời gian sửa chữa mà không ảnh hưởng gì đến MTBF. Việc trì hoãn sửa chữa thiết bị chuyển trực tiếp đến thời gian sử dụng hữu ích kéo dài và có thể đại diện cho giá trị hiện tại ròng hàng nghìn đô la cho chủ sở hữu.
3) Thời gian trung bình để sửa chữa
Tăng MTBF là một mục tiêu có giá trị, nhưng ngay cả AI tốt nhất cũng không thể ngăn chặn mọi lỗi thiết bị. Sửa chữa ngoài kế hoạch chỉ là một thực tế của cuộc sống trong hoạt động của nhà máy . Đây là mặt khác của tuổi thọ thiết bị, thời gian sửa chữa thiết bị hư hỏng càng lâu thì việc thay thế càng sớm càng cần thiết.
AI có thể được tận dụng để xác định cấu trúc hoạt động dẫn đến thời gian sửa chữa trung bình (MTTR) thấp nhất. Chủ sở hữu có nhiều lựa chọn về cách quản lý nhà máy của họ. Một số danh mục đầu tư được quản lý hoàn toàn bởi quản lý cơ sở thuê ngoài, một số được quản lý bởi sự kết hợp của nhân viên nội bộ và nhà cung cấp bảo trì, và một số được quản lý hoàn toàn bởi nhân viên nội bộ. Ngay cả trong những cấu trúc đó, có hàng trăm nhà cung cấp tiềm năng và các nguồn lực nội bộ có thể được triển khai theo nhiều cách.
Tận dụng dữ liệu cảm biến của thiết bị có thể phát hiện khi thiết bị gặp sự cố và khi thiết bị trực tuyến trở lại, AI có thể xác định rõ cấu trúc nào dẫn đến MTTR nhanh nhất và nhóm nào trong cấu trúc đó đang hoạt động tốt nhất. Điều này trực tiếp dẫn đến việc củng cố các phương pháp hay nhất xoay quanh mô hình dựa trên dữ liệu, cải thiện sự thoải mái của người thuê và giảm chi phí bảo trì.
4) Hiệu quả sử dụng năng lượng
Để đáp ứng nhu cầu của nhà đầu tư, ngày càng nhiều danh mục đầu tư sản xuất – nhà máy thương mại áp đặt các mục tiêu bền vững của doanh nghiệp vượt ra ngoài các yêu cầu pháp lý.
Vấn đề là hiệu quả năng lượng trong các nhà máy được nhìn nhận (đôi khi chính xác) là chi phí trực tiếp cho sự thoải mái của người thuê. Với lựa chọn tiết kiệm 50.000 đô la bằng cách hạ thấp điểm đặt trên một nhà máy làm lạnh hoặc rủi ro khiến người thuê quá nóng, các nhà điều hành và quản lý tài sản sẽ luôn chọn người thuê. Về mặt kinh tế, điều này có ý nghĩa, việc giữ nguyên nhà máy sẽ mang lại nhiều tiền hơn là tiết kiệm được vào hóa đơn điện nước.
May mắn thay, đây là một vấn đề được thiết kế riêng cho AI. Bằng cách nhập lượng lớn năng lượng sử dụng thiết bị, nhiệt độ trong nhà và ngoài trời và dữ liệu vé, AI có thể rất chính xác trong việc xác định các điểm đặt và lịch trình lý tưởng cho HVAC và thiết bị chiếu sáng. Bằng cách loại bỏ sự lựa chọn sai lầm giữa sự thoải mái và hiệu quả của người thuê, chủ sở hữu có thể tự tin rằng họ đang bỏ túi NOI tăng lên từ hiệu quả năng lượng mà không gặp rủi ro về vị trí trống.
5) Mua sắm thiết bị
Khi đến lúc phải thay thế thiết bị, quy trình để làm như vậy chủ yếu dựa vào mối quan hệ; các quyết định thường được đưa ra bởi vì một kỹ sư đã làm việc với một đại diện của nhà sản xuất nhất định trong nhiều thập kỷ.
Nhưng đây là những khoản đầu tư vốn lớn cần được xem xét kỹ lưỡng dựa trên chi phí trả trước và chi phí trọn đời đã bao gồm các tiện ích và bảo trì. Lý tưởng nhất là quyết định có tính đến các nguồn lực bảo trì dự kiến tại chỗ.
Sẽ không tuyệt vời nếu cung cấp cho AI với dữ liệu hoạt động lịch sử như MTTR của tài sản? Có lẽ người ta đã biết rằng một cơ sở kinh doanh sẽ không có đủ tài nguyên bảo trì và do đó sẽ có ý nghĩa hơn nếu trả trước nhiều hơn để có được một cỗ máy linh hoạt hơn. Bất kỳ con người nào cũng không thể phân tích được, nhưng với đủ dữ liệu, AI sẽ có thể đưa ra câu trả lời quyết định.
Kết luận
Điều đáng kinh ngạc về AI là nó cho chúng ta cơ hội đánh giá lại những niềm tin, giả định và quy tắc ngón tay cái. Một hạn chế là quá trình đưa ra quyết định mà con người không thể tiếp cận được. Chúng ta biết các yếu tố đầu vào và nhận được kết quả đầu ra, nhưng chúng ta sẽ mù quáng trong quá trình suy nghĩ. Tuy nhiên, những người tận dụng lợi thế của công nghệ này sẽ có thể vượt qua việc ra quyết định của con người mọi lúc.
Đó là, miễn là có đủ dữ liệu. Mạng càng tiếp xúc nhiều ví dụ về một hiện tượng nhất định, mạng càng có thể chọn ra các mẫu và xác định các sự vật trong thế giới thực một cách chính xác hơn.
Mọi công ty công nghệ sẽ có quyền truy cập vào sức mạnh tính toán và tài năng kỹ thuật phần mềm. Khi chúng đã đạt đến một ngưỡng nhất định, số lượng dữ liệu sẽ trở nên quyết định trong việc xác định sức mạnh và độ chính xác tổng thể của một thuật toán.
Quá trình tìm kiếm mẫu này dễ dàng hơn khi dữ liệu được gắn nhãn với kết quả mong muốn. Các nhà điều hành nhà máy sẽ tiếp tục cần thiết để thực hiện công việc và cung cấp phản hồi trong thế giới thực. Trớ trêu thay, trong khi AI có thể thực hiện các phép tính mà nhà toán học thông minh nhất chưa bao giờ có thể thực hiện các nhiệm vụ mà một đứa trẻ cảm thấy dễ dàng.
