סדרה זו מובילה את הקורא צעד אחר צעד לבניית יכולת מקומית לאיסוף ולניתוח נתונים מכלל מערכות המפעל, תהליכיו ומכונותיו. אפשר להתחיל בלי תלות בענן ובלי להקים מראש תשתיות ענק. הדגש הוא על יישומים מעשיים בתעשייה, אך העקרונות מתאימים גם לארגונים אחרים.
פרק 6: איך מחברים AI למערכות SCADA — בלי להפוך את הכול לעוד צ'אטבוט
במאמרים הקודמים דיברנו על חיזוי אורך חיים, מודלי הידרדרות וזיהוי אנומליות. אבל זיהוי אנומליה הוא רק השלב הראשון.
מערכת SCADA - Supervisory Control And Data Acquisition, מערכת לפיקוח, שליטה ואיסוף נתונים. זו מערכת תעשייתית שמנטרת בזמן אמת את כל מה שקורה במפעל, בתחנת כוח, במתקן מים, בקו ייצור או בכל תהליך הנדסי מורכב.
איש הבקרה לא צריך לקבל ציון חריגה של 0.87. הוא צריך להבין:
- אילו תגים השתנו
- באיזה מצב עבודה התרחשה החריגה
- אילו קשרים בין המשתנים השתנו
- מה כדאי לבדוק קודם
- האם נדרשת פעולה מיידית
כדי לחבר כלי GenAI כמו ChatGPT לתהליך תעשייתי, לא נכון פשוט להעביר אליו מאות אלפי מדידות גולמיות ממערכת ה־SCADA. מודל שפה אינו תחליף למנוע אנליטי.
למה אי אפשר לחבר את ה‑ SCADA ישירות ל‑AI?
מערכת SCADA מייצרת:
- אלפי תגים
- מדידות בתדירות גבוהה
- רעש חיישנים
- מצבי עבודה משתנים
- קשרים מורכבים בין משתנים
מודל שפה לא יודע:
- לבצע חישובים סטטיסטיים
- לזהות מגמות
- לנתח קורלציות
- להבדיל בין שינוי תקין לבין תקלה
- להבין עומס, ספיקה או מצב עבודה
הוא יודע לנסח, לא לחשב.
לכן, אם נזרים אליו נתונים גולמיים נקבל תשובה שנשמעת חכמה, אבל אינה מבוססת על חישוב אמיתי.
השלב הראשון: יצירת תמונה אנליטית מסוכמת
לפני שמחברים AI, צריך לתרגם את המידע הכמותי לתמונה סטטיסטית ברורה:
- רמת החריגה ומגמת השינוי
- המשתנים שתרמו לחריגה
- קשרים וקורלציות בין תגים
- שינוי בהתנהגות ביחס לעומס ולמצב העבודה
- חציית ספים ומגמות לקראת חצייתם
- השוואה לתקופות עבודה תקינות
זהו “דוח אנליטי” שמייצר מנוע החישוב לא מודל השפה.
למה Deep Learning לא תמיד מתאים למערכות בקרה?
מודלי Deep Learning יכולים לזהות דפוסים מורכבים, אבל הם פועלים כקופסה שחורה. במערכת בקרה זה בעייתי:
- קשה להבין מה גרם להתראה
- קשה להסביר אילו תגים השפיעו
- קשה לבדוק את ההחלטה
- קשה לבנות אמון אצל אנשי האחזקה
במפעל, אמון ועקיבות חשובים יותר ממודל חכם. לכן מודלים סטטיסטיים ומודלים קלאסיים של Machine Learning מתאימים יותר.
מה מודלים קלאסיים כן יודעים לעשות?
מודלים סטטיסטיים ומודלים קלאסיים מאפשרים לפרש את התוצאה:
- תרומת כל תג לחריגה
- שינוי בקשרים בין משתנים
- סטייה מהתנהגות תקינה במצב עבודה דומה
- מגמות שלא נראות בגרף של תג בודד
- קבוצת המשתנים שכדאי לבדוק
הם מייצרים ראיות אנליטיות חומר גלם שמודל השפה יכול להסביר.
השלב השני: שילוב GenAI להסבר תפעולי
רק לאחר שנוצר סיכום אנליטי כזה, אפשר להעביר אותו למודל GenAI יחד עם הידע התפעולי של המערכת.
מודל השפה יכול אז לתרגם את התוצאה להסבר ברור:
“באותו עומס ובאותה ספיקה נרשמה עלייה חריגה בזרם ובטמפרטורת המנוע. השינוי החל לפני שלוש שעות ומתחזק בהדרגה. מומלץ לבדוק עומס מכני, מצב מיסבים וזרימה בצד היניקה.”
חשוב לדייק: מודל השפה לא זיהה את האנומליה ולא ביצע את החישוב הסטטיסטי. המנוע האנליטי זיהה את השינוי והפיק את הראיות. כלי ה־GenAI תרגם אותן לשפה מקצועית והוסיף הקשר תפעולי.
כך נראה חיבור נכון בין SCADA ל‑AI
א. שכבת אנליטיקה
מנוע חישוב שמנתח את הנתונים:
- מגמות
- קשרים
- חריגות
- מצבי עבודה
- תרומת משתנים
ב. שכבת הסבר (GenAI)
מודל שפה שמתרגם את הממצאים:
- להסבר תפעולי
- להמלצות
- להקשר מקצועי
- לשפה טבעית
ג. שכבת תפעול
מערכת שמציגה:
- התראות
- דוחות
- לוחות בקרה
- פעולות מומלצות
זהו שילוב נכון בין אנליטיקה לבין AI.
תהליך עבודה מומלץ
- מיפוי תגים חשובים
- איסוף נתונים איכותיים לאורך זמן
- בניית מנוע אנליטי שמזהה מגמות וחריגות
- יצירת דוח אנליטי מסוכם
- שילוב מודל שפה להסבר תפעולי
- הצגת התוצאה במערכת בקרה או דשבורד
- הרחבה הדרגתית למשתנים נוספים
סיכום
חיבור AI למערכת SCADA אינו להזרים נתונים לצ'אטבוט . זהו תהליך דו שלבי:
- אנליטיקה אמיתית שמזהה את השינוי ומייצרת ראיות.
- GenAI שמתרגם את הראיות להסבר תפעולי ברור.
כך הופכים נתוני אמת מהשטח לערך אמיתי:
- מערכת שמנטרת את התהליך
- מזהה שינוי
- מסבירה אותו
- ומציעה מה לבדוק
לא עוד לצ'אטבוט ארגוני שמנגיש מסמכים אלא כלי תפעולי שמבין את המפעל.
בפוסט הבא נדבר על Data Twin: איך בונים תאום נתונים שמייצג את התהליך, ואילו מודלים מתאימים למשימות שונות חיזוי, זיהוי אנומליות, הסבר או אופטימיזציה.
המסר המרכזי נשאר עקבי לאורך כל הסדרה: לא המודל קובע אלא הנתונים. והדרך הנכונה היא להתחיל ממה שיש, לא ממה שחסר.
