Kunstig Intelligens i Styring og Regulering af Automatiske Anlæg: Erfaringer og Begrænsninger

Bogmærke

Kunstig Intelligens i Styring og Regulering af Automatiske Anlæg: Erfaringer og Begrænsninger

I en tid, hvor digitalisering og automatisering præger industrien, bliver kunstig intelligens (AI) ofte fremhævet som en game-changer inden for procesteknologi.

I den nye bekendtgørelse fra 2025 til procesoperatørerne er der kommet 2 nye tiltag med fokus på kunstig intelligens:

15) Lærlingen kan udføre proaktiv overvågning af produktion og procesflow via tilgængelige teknologier, herunder generativ kunstig intelligens, til styring, regulering og overvågning ud fra faglig viden i relation til SRO komponenter, enheder og systemer.

18) Lærlingen kan udføre kompliceret fejlfinding, fejlretning, reparation og vedligehold af proces- og produktionsanlæg i samarbejde med interne og eksterne reparatører og teknikere fysisk og ved brug af tilgængelige teknologier, herunder generativ kunstig intelligens.

Videnscenter for Procesteknologi har haft mulighed for at undersøge, hvordan AI kan anvendes til arbejdsopgaver med automatiske anlæg. Vores center arbejder dagligt med at formidle viden om procesteknologi, og i denne artikel deler vi vores praktiske erfaringer med at integrere AI i analyse, fejlfinding og arbejde med tekniske systemer, herunder el-tegninger og dokumentation for automatiske anlæg. Målet er at give et nuanceret billede af teknologiens potentiale og dens nuværende begrænsninger.

Vigtigt: Generativ AI som Værktøj, Ikke Styresystem

Det er afgørende at understrege, at generativ kunstig intelligens primært genererer tekst, analyser og forslag baseret på indgivet data, og ikke kan overtage direkte styring eller regulering af automatiske anlæg. En almindelig misforståelse er, at AI’ens evne til at simulere scenarier eller forklare processer betyder, at den kan implementeres som et reel-time styresystem. I virkeligheden er generativ AI designet til at støtte menneskelig beslutningstagning ved at producere kladder, ideer og inspirerende forslag – f.eks. optimering af PID-parametre eller alternative reguleringsstrategier. Den faktiske styring og regulering af anlæg forbliver en traditionel PLC-opgave (Programmable Logic Controller), der kræver hardware-specifikke, deterministiske og sikkerhedskritiske systemer. PLC’er håndterer realtidsrespons, sensorintegration og fejlhåndtering med høj pålidelighed, hvilket generativ AI ikke er bygget til.

AI’s Potentiale i Procesteknologi

Automatiske anlæg, som ofte involverer komplekse systemer inden for produktion, energistyring eller proceskontrol, kræver præcis styring og regulering for at sikre effektivitet, sikkerhed og pålidelighed. Traditionelt har ingeniører og teknikere brugt manuel analyse af eltegninger, flowdiagrammer og dokumentation for at forstå et anlægs funktion. Her kommer AI ind i billedet som et værktøj, der potentielt kan accelerere denne proces.

AI-systemer som er baseret på maskinlæring, kan behandle store mængder data hurtigt. De kan identificere mønstre, forklare komponenter og simulere scenarier. I min praksis har jeg eksperimenteret med at fodre AI med fulde sæt af eltegninger og tilhørende dokumentation for et automatisk anlæg. Resultatet var ofte imponerende på overfladen: AI’en kunne give en overordnet forklaring på, hvad anlægget gør – f.eks. hvordan det regulerer flow, temperatur eller tryk – og hvordan det virker i store træk. Dette peger på et stort potentiale for AI i at støtte ingeniører ved at generere hurtige oversigter eller hypoteser om systemets adfærd.

Praktiske Erfaringer: Succeser og Fejl

For at teste AI’ens evner mere konkret uploadede vi alle relevante eltegninger og dokumentation til en kundespecifik AI-platform. Jeg bad systemet om at forstå anlæggets overordnede funktion og mekanismer. AI’en håndterede dette rimeligt godt, idet den kunne beskrive hovedkomponenter som sensorer, aktuatorer og styreenheder. Dog var outputtet fejlbehæftet: Nogle forklaringer var unøjagtige, og AI’en sprang over kritiske detaljer, som kunne føre til misforståelser i en reel implementering.

For at forfine processen indsnævrede jeg opgaven til kun at fokusere på eltegningerne. Her viste AI’en bedre resultater. Den kunne forklare symboler, kredsløb og interaktioner mellem komponenter på en struktureret måde. Dette understreger, at AI er særligt stærk, når opgaven er afgrænset og dataene er specifikke. Alligevel opstod problemer: AI’en overså visse elementer, som var tydelige for et menneskeligt øje. For eksempel, når vi bad om en fuld liste over alle symboler og komponenter på tegningen, manglede den flere komponenter – selv når jeg pegede dem ud og bad om en revideret analyse.

Dette fører til en central observation: AI mangler et koncept om holistisk overblik. Den forsøger at løse opgaven uden først at kortlægge alle komponenter systematisk. Resultatet er, at den kan forklare anlæggets funktion på et højt abstraktionsniveau, men uden at have en solid forståelse af de underliggende detaljer. I procesteknologi, hvor små fejl kan have store konsekvenser, er dette en kritisk begrænsning.

Analyse af Begrænsningerne

Min vurdering er, at vi er tæt på at have AI som et pålideligt værktøj i styring og regulering af automatiske anlæg, men teknologien er ikke helt i mål endnu. Her er nogle nøgleudfordringer baseret på vores erfaringer:

Sortering af Information: AI kan ikke altid skelne mellem væsentlig information og “fyld”. I komplekse eltegninger findes der ofte støj som noter, referencer eller sekundære elementer. AI’en prioriterer ikke altid korrekt, hvilket fører til ufuldstændige analyser. Den mangler evnen til at skabe et overblik over, hvad der er grundlæggende (f.eks. alle komponenter), hvad der er implicit forstået (f.eks. standardkonventioner i tegninger) og hvad der er nødvendigt for at gå videre til højere abstraktioner.
Overblik over Komponenter: Uden en systematisk metode til at kortlægge alle elementer risikerer AI at udtale sig om emner, den ikke fuldt ud behersker. For eksempel kan den beskrive et anlægs reguleringssystem uden at have identificeret alle sensorer, der indgår. Dette kan give falsk sikkerhed i beslutningsprocesser.
Fejl i Detaljer: Selv med præcis vejledning overser AI ofte specifikke komponenter. Dette tyder på begrænsninger i dens visuelle og kontekstuelle forståelse, især når dataene er grafiske som eltegninger. Dette er klart et område som vil se drastisk forbedring de næste måneder og år, men som systemerne er nu, er der en åbenlys begrænsning i deres evne til at ”se og forstå”.

Disse begrænsninger stammer sandsynligvis fra AI’ens træningsdata og algoritmer, der er optimeret til generel viden snarere end specialiseret procesteknologi. Videnscenter for Procesteknologi anbefaler derfor, at AI bruges som et supplement til menneskelig ekspertise, ikke som en erstatning.

Fremtidsudsigter og Anbefalinger

Selvom AI ikke er perfekt, er vi tæt på gennembrud. Med videreudvikling kunne AI blive uvurderlig til arbejde med arbejde på procesanlæg og optimering af automatiske anlæg. Indtil da bør virksomheder og skoler fokusere på hybride løsninger: Brug AI til indledende analyser, men valider altid med menneskelig gennemgang.

Hos Videnscenter for Procesteknologi fortsætter vi med at udforske disse teknologier for at hjælpe skoler og virksomheder med at navigere i den digitale transformation.