Framework for Secure Industrial Process Automation Using Local AI Agents : A Case Study on Hitachi’s RTU Configuration Process

Industrial process automation has developed immensely, and the current Artificial Intelligence (AI) boom brings in new possibilities for companies. However, integrating cloud-based AI solutions is challenging for companies operating with critical infrastructure, due to data security and privacy requirements of customer systems. Therefore, this thesis explores the feasibility of local and secure AI agent automation for industrial workflows, while specifically focusing on a case study of Remote Terminal Unit (RTU) configuration process at Hitachi Energy. The main research objective is to develop a framework for connecting industrial process analysis to local AI automation, thus, evaluating if an on-premises agent performs in RTU configuration tasks securely and effectively compared to traditional manual engineering. Using a Design Science research methodology, this study employs a mixed-methods approach with Process Mining and Value Stream Mapping to identify automation candidates, which are then developed into a local AI agent artifact. This artifact is based on the Qwen2.5-coder:1.5B Small Language Model (SLM), which is fine-tuned and tested against manual workflows. Three subprocesses are tested: file management, credential management and backup generation. Quantitative findings show statistically significant performance improvement in the backup subprocess due to configuring parallelization, while file management shows reliable but comparable speed against the manual method. However, the agent fails in completion of the credential management subprocess, for limitations in its autonomous terminal operation. Results of the thesis imply that local edge AI is viable and secure for industrial configuring applications. Additionally, the findings prove SLMs to be a more sustainable step towards Industry 5.0, by only consuming 0.037 Wh per query, than cloud-based LLMs, while keeping sensitive data safe locally. Despite these benefits, limitations regarding the agent’s ability to handle multi-step workflows are acknowledged. Hence, future research directions are suggested to improve the interactive capabilities within the agent’s tools, and to add additional agents with different roles and responsibilities to uncover the improvements which agentic AI could pose for industrial processes.

Teollisuusprosessien automaatio on kehittynyt valtavasti, ja nykyinen tekoälyn (AI) nousukausi tuo yrityksille uusia mahdollisuuksia. Pilvipohjaisten tekoälyratkaisujen integrointi on kuitenkin haastavaa kriittisen infrastruktuurin parissa toimiville yrityksille asiakasjärjestelmien tietoturva- ja tietosuojavaatimusten vuoksi. Siksi tässä tutkielmassa tarkastellaan paikallisen ja turvallisen tekoälyagenttiautomaation soveltuvuutta teollisiin työnkulkuihin, keskittyen erityisesti tapaustutkimukseen etäpääteyksikköjen (RTU) konfigurointiprosessista Hitachi Energyllä. Tutkimuksen päätavoitteena on kehittää viitekehys teollisuusprosessien analyysin yhdistämiseksi paikalliseen tekoälyautomaatioon ja siten arvioida, suoriutuuko paikallinen agentti RTU-konfigurointitehtävistä turvallisesti ja tehokkaasti verrattuna perinteiseen manuaaliseen työhön. Tutkimuksessa sovelletaan suunnittelutieteen metodologiaa ja käytetään monimenetelmällistä lähestymistapaa, jossa hyödynnetään prosessilouhintaa ja arvovirtakuvausta automaatiokohteiden tunnistamiseksi. Näiden pohjalta kehitetään paikallinen tekoälyagenttiartefakti. Artefakti perustuu pieneen kielimalliin (SLM) Qwen2.5-coder:1.5B, joka on hienosäädetty ja testattu manuaalisia työnkulkuja vastaan. Työssä testataan kolmea aliprosessia: tiedostojen hallintaa, tunnistetietojen hallintaa ja varmuuskopioiden luontia. Kvantitatiiviset tulokset osoittavat tilastollisesti merkitsevää suorituskyvyn paranemista varmuuskopiointiprosessissa rinnakkaisajon konfiguroinnin ansiosta, kun taas tiedostojen hallinta on luotettavaa, mutta nopeudeltaan verrattavissa manuaaliseen menetelmään. Agentti ei kuitenkaan onnistu suorittamaan tunnistetietojen hallinnan aliprosessia loppuun sen autonomisessa terminaalitoiminnassa ilmenevien rajoitteiden vuoksi. Tutkielman tulokset viittaavat siihen, että paikallinen reunatekoäly on toimiva ja turvallinen ratkaisu teollisiin konfigurointisovelluksiin. Lisäksi löydökset osoittavat SLM-mallien olevan kestävämpi askel kohti Teollisuus 5.0:aa: ne kuluttavat vain 0,037 Wh kyselyä kohden verrattuna pilvipohjaisiin suuriin kielimalleihin (LLM) ja pitävät samalla arkaluontoiset tiedot turvassa paikallisesti. Näistä eduista huolimatta tutkimuksessa tunnustetaan agentin rajoitteet monivaiheisten työnkulkujen käsittelyssä. Jatkotutkimuskohteiksi ehdotetaan agentin työkalujen vuorovaikutteisten kykyjen parantamista sekä uusien, eri rooleilla ja vastuilla varustettujen agenttien lisäämistä, jotta voidaan kartoittaa parannukset, joita agenttipohjainen tekoäly voisi tuoda teollisuusprosesseihin.