پردازش تجهیزات: فناوری پیشرفته؟

اینترنت اشیاء صنعتی (IIoT) و پایش زنده تجهیزات

چگونه IIoT جمع‌آوری داده‌های زنده را در پردازش تجهیزات فراهم می‌کند

اینترنت صنعتی اشیا، یا به اختصار IIoT، نحوه‌ی برخورد کارخانه‌ها با تجهیزاتشان را با قرار دادن حسگرهای هوشمند درون خود دستگاه‌ها تغییر داده است. این دستگاه‌های کوچک مراقبت می‌کنند که چه اتفاقی می‌افتد، مانند ارتعاشات، سطح گرما و مصرف برق، و سپس تمام این اطلاعات را به کامپیوترهای مرکزی ارسال می‌کنند تا تحلیل شوند. به عنوان مثال، یک کارخانه با فشرده‌کننده‌های متصل به سیستم‌های IIoT. وقتی این فشرده‌کننده‌ها شروع به نشان دادن تغییرات غیرعادی فشار می‌کنند، کارگران هشدار دریافت می‌کنند تا بتوانند مشکل را قبل از خرابی کامل برطرف کنند. تفاوت در این است که به جای اینکه صبر کنیم چیزی بشکند و سپس آن را تعمیر کنیم، اقدام پیشگیرانه انجام شود. کارخانه‌ها گزارش می‌دهند که حدود 25 تا 35 درصد کمتر از توقف‌های غیرمنتظره وقتی به این روش نگهداری تغییر می‌کنند. این یعنی پول کمتر هدر رفته و خطوط تولیدی که مدت بیشتری آنلاین باقی می‌مانند.

شبکه‌های حسگر بی‌سیم و محاسبات لبه‌ای برای تصمیم‌گیری سریع‌تر صنعتی

راه‌اندازی‌های امروزی اینترنت اشیاء صنعتی (IIoT)، سنسورهای بی‌سیم و قدرت محاسباتی لبه را با هم ترکیب می‌کنند تا زمان تصمیم‌گیری را کاهش دهند. به جای ارسال حجم زیادی داده خام به سرورهای دور دست در ابر، این دستگاه‌های لبه، داده‌ها را دقیقاً جایی که اتفاق می‌افتد پردازش می‌کنند. به عنوان مثال، خط تولید توربین. با این راه‌اندازی، سیستم به طور خودپرداز وضعیت سایش یاتاقان‌ها را در محل بررسی کرده و تقریباً بلافاصله فرآیند نگهداری را آغاز می‌کند. تفاوت در سرعت واقعاً قابل توجه است. ما صحبت می‌کنیم درباره کاهش ۸۰ درصدی زمان سفر داده نسبت به رویکردهای قدیمی مبتنی بر ابر. البته هنوز برخی چالش‌ها مانند هزینه‌های پیاده‌سازی و مشکلات سازگاری وجود دارد، اما بهبود عملکرد خود را به خوبی نشان می‌دهد.

پذیرش گسترده IIoT در تولید و صنایع سنگین

اکنون بیش از 67٪ از تولیدکنندگان از راهکارهای IIoT استفاده می‌کنند و نرخ این استفاده از سال 2021 دو برابر شده است. کارخانه‌های فرآوری، نتایج قابل‌سنجشی را به دست آورده‌اند:

اپراتورهای تجهیزات سنگین گزارش می‌دهند که با ترکیب IIoT و ابزارهای تحلیل ارتعاشی مبتنی بر هوش مصنوعی، شناسایی ناهنجاری‌ها 40٪ سریع‌تر شده است.

یکپارچه‌سازی IIoT با تجهیزات قدیمی برای جریان‌های کاری هوشمندانه‌تر

نصب مجدد قابلیت‌های IIoT روی ماشین‌آلات قدیمی چالش‌هایی ایجاد می‌کند اما بازگشت سرمایه قابل‌سنجشی دارد. یک پروژه نصب مجدد در سال 2022 برای دستگاه‌های CNC به دست آورد:

• نرخ 90٪ یکپارچه‌سازی موفق با استفاده از آداپتورهای سنسور جهانی
• کاهش 50٪ خطا در کالیبراسیون از طریق اندازه‌گیری هوشمند
• $120 هزار دلار صرفه‌جویی در هزینه‌های نگهداری پیشگویانه در سال

دروازه‌های داده سیگنال‌های آنالوگ از سیستم‌های قدیمی را به فرمت‌های سازگار با IIoT تبدیل می‌کنند و فاصله بین دستگاه‌های قدیمی و داشبوردهای تحلیلی مدرن را پُر می‌کنند.

Робوتیک و خودکارسازی پیشرفته در فرآیند تجهیزات مدرن

ادغام رباتیک در تجهیزات سنگین و سیستم‌های تولید

امروزه واحدهای صنعتی به طور فزاینده‌ای به ربات‌ها روی می‌آورند تا کارهایی که دقت بسیار بالایی در فرآیند تجهیزات می‌طلبد را انجام دهند. ما این موضوع را در همه جا از ایستگاه‌های جوشکاری کشتی‌های بزرگ گرفته تا دستگاه‌های CNC پیشرفته‌ای که در ساخت قطعات هواپیما استفاده می‌شوند شاهد هستیم. به عنوان مثال، کارخانه‌های خودرو سازی. برخی از آنها اکنون بازوی رباتیک دارند که می‌توانند بلوک‌های موتوری به وزن 1.5 تن را بلند کنند و در عین حال تنها 0.02 میلی‌متر خطا در حرکت داشته باشند. این موضوع واقعاً شگفت‌انگیز است، چرا که چنین دقتی باعث کاهش 60 درصدی اشکالات مونتاژ نسبت به کار انجام شده به صورت دستی توسط انسان می‌شود. خود ربات‌ها نیز با سنسورهای خاصی که نیرو را تشخیص می‌دهند و دوربین‌هایی که امکان تنظیم خودکار در هنگام کار با مواد مختلف را فراهم می‌کنند، تجهیز شده‌اند. این موضوع خصوصاً وقتی اهمیت پیدا می‌کند که با فلزات سخت یا مواد مرکبی کار می‌شود که همیشه رفتار قابل پیش‌بینی در حین فرآیندهای تولید ندارند.

تجهیزات کنترل از راه دور و خودمختار در کارخانه‌های فرآوری

صنعت معدن کار به کارگیری کامیون‌های باری خودران که بر اساس مسیرهای برنامه‌ریزی شده با هوش مصنوعی حرکت می‌کنند را آغاز کرده است، این کامیون‌ها بارهای 320 تنی عظیمی را جابجا می‌کنند و همچنین 12 درصد سوخت کمتری نسبت به زمانی که راننده‌ها مصرف می‌کردند، می‌سوزانند. در همین حال، نانوایی‌ها و کارخانه‌های مواد غذایی از همکاران جدید رباتیکی که Cobots نامیده می‌شوند، کمک می‌گیرند. این ماشین‌ها می‌توانند در حین بسته‌بندی شیرینی‌ها و کیک‌های ظریف، نیروی گرفتن خود را به صورت پویا تنظیم کنند، که این امر به معنای دستکاری دو برابری اقلام در هر ساعت بدون شکستن آنهاست. گرایش به اتوماسیون از سوی شرکت‌هایی که با کمبود نیروی کار مواجه‌اند و به نتایج یکنواخت در محیط‌های کاری خطرناک نیاز دارند، جای منطقی دارد، محیط‌هایی که در آن اشتباهات ممکن است هزینه‌های مالی و گاهی اوقات جانی داشته باشند.

مطالعه موردی: خطوط مونتاژ کاملاً اتوماتیک در فرآوری تجهیزات

یکی از شرکت‌های بزرگ فولاد در اروپا اخیراً خط تولیدی کاملاً اتوماتیک راه‌اندازی کرده است. این سیستم شامل ربات‌هایی برای دستکاری مواد، سیستم‌های اسکن هوشمند مبتنی بر هوش مصنوعی و عریضه‌های کوچک بدون راننده به نام AGV است که با هماهنگی دقیقی با یکدیگر کار می‌کنند. چیزی که قابل توجه است این است که این سیستم می‌تواند بیش از ۸,۰۰۰ کویل فولادی را در روز فرآوری کند، در حالی که میزان معایب تنها ۰٫۰۰۴٪ است. همچنین صورت‌های انرژی حدود ۴۰٪ کاهش یافته است، این امر بخاطر الگوریتم‌های خردمندی است که پیش‌بینی می‌کنند چه زمانی ماشین‌ها به انرژی نیاز دارند و چه زمانی می‌توانند در حالت بی‌کاری باقی بمانند. این دست از بهبودها دقیقاً دلیل آن را نشان می‌دهد که چرا امروزه بسیاری از کارخانه‌ها به استفاده از ربات‌ها روی آورده‌اند. به جای انجام دادن کارهای منفرد یکی پس از دیگری، تولید کنونی بیشتر شبیه سیستم‌های متصل به یکدیگر است که در آن همه چیز به صورت خودکار با هم کار می‌کنند، تقریباً مانند یک موجود زنده.

هوش مصنوعی و نگهداری پیش‌بینانه در پردازش تجهیزات

بهینه‌سازی مبتنی بر هوش مصنوعی از عمر مفید و عملکرد تجهیزات

امروزه، پیکربندی‌های موجود در پردازش تجهیزات به خوبی از هوش مصنوعی استفاده می‌کنند تا ماشین‌ها را برای مدت طولانی‌تری در حال کار نگه دارند و در عین حال حداکثر تولید را از آن‌ها بگیرند. مبحث یادگیری ماشینی در این زمینه اساساً به سراغ سابقه‌های قدیمی عملکرد می‌رود و با توجه به اطلاعاتی که سنسورها در حال حاضر ارائه می‌دهند، روندهایی را شناسایی می‌کند که نشان‌دهنده فرسودگی قطعات با گذشت زمان است. به عنوان مثال تحلیل ارتعاشات. وقتی هوش مصنوعی الگوهای غیرعادی در ارتعاشات بلبرینگ‌های ماشین‌های CNC را تشخیص می‌دهد، می‌تواند مشکلات احتمالی را ماه‌ها قبل از اینکه چیزی واقعاً دچار خرابی شود، شناسایی کند. ما شاهد بودیم که برخی از کارخانه‌ها این مشکلات را 3 تا 6 هفته قبل از زمان برنامه‌ریزی شده شناسایی کرده‌اند. چیزی که واقعاً جالب است این است که این سیستم‌های هوشمند چگونه به صورت پویا تنظیمات را تغییر می‌دهند. آن‌ها می‌توانند تنظیمات گشتاور را تغییر دهند یا سرعت دورانی (RPM) را به میزان کافی تعدیل کنند تا سطح تولید حفظ شود و در عین حال فشار اضافی روی ماشین‌آلات وارد نشود. بیشتر مدیران کارخانه‌ها این تعادل بین حفظ سطح تولید و جلوگیری از خرابی‌های غیرمنتظره را سرمایه‌گذاری بسیار ارزشمندی در فناوری هوش مصنوعی می‌دانند.

مدل‌های یادگیری ماشینی برای هشدارهای نگهداری پیش‌بینانه

پردازنده‌های تجهیزات از سه نوع اصلی مدل هوش مصنوعی استفاده می‌کنند:

• مدل‌های رگرسیونی پیش‌بینی آستانه‌های زمانی خرابی
• شبکه‌های عصبی شناسایی وابستگی‌های خرابی بین سیستم‌ها
• الگوریتم‌های تشخیص ناهنجاری مشخص کردن انحرافات ظریف عملیاتی

یک مطالعه مبنایی در سال 2023 نشان داد که این مدل‌ها نسبت به سیستم‌های مبتنی بر قواعد سنتی، هشدارهای اشتباه را تا 62٪ کاهش می‌دهند. محاسبات لبه‌ای (Edge Computing) امکان پردازش زنده داده‌های ارتعاش، گرمایی و مصرف انرژی را مستقیماً در سطح کارخانه‌ها فراهم می‌کند و زمان تأخیر تصمیم‌گیری را به کمتر از 50 میلی‌ثانیه می‌رساند.

تحلیل پیش‌بینانه: کاهش تا 40٪ در زمان توقف تجهیزات

تولیدکنندگانی که از این سیستم‌ها استفاده می‌کنند، از طریق موارد زیر گزارش 35 تا 40 درصد کمتر توقف‌های غیر برنامه‌ریزی شده دارند:

1. برنامه‌ریزی تعمیر و نگهداری ارشادی هماهنگی تعمیرات با دوره‌های کم تقاضا
2. بهینه‌سازی موجودی قطعات یدکی استفاده از پیش‌بینی‌های احتمال خرابی
3. تنظیمات بهره‌وری انرژی افزایش طول عمر موتورها

سازمان‌هایی که از تحلیل‌های پیش‌بینی‌کننده همراه با سنسورهای IIoT استفاده می‌کنند، نسبت به رویکردهای واکنشی در تعمیر و نگهداری، به امتیاز 19 درصدی افزایش یافته در کارایی کل تجهیزات (OEE) دست می‌یابند.

تعادل میان اتکا به هوش مصنوعی و نظارت انسانی در تعمیر و نگهداری

امروزه هوش مصنوعی تمام انواع داده‌های تجهیزات را پردازش می‌کند، اما مهندسان با تجربه همچنان باید این هشدارهای مهم را بررسی کنند و بفهمند که سیستم واقعاً چه پیامی می‌خواهد منتقل کند. بر اساس یک نظرسنجی اخیر در سال 2024 از چندین واحد صنعتی، تیم‌های کارخانه‌ای که گزینه‌های کنترل دستی را حفظ کرده بودند، توانستند حدود 28 درصد از مشکلاتی را که هوش مصنوعی در مورد تأثیر رطوبت بر سیستم‌های پنوماتیک سردرگم شده بود، برطرف کنند. آنچه در اینجا مشاهده می‌کنیم، ترکیبی از دانش سنتی و فناوری جدید است که در کنار هم کار می‌کنند. به جای اینکه ماشین‌ها کاملاً کنترل را به دست بگیرند، شرکت‌ها راه‌هایی یافته‌اند که در آن فناوری به کارکنان کمک کند تا بتوانند در تشخیص مشکلات تجهیزات، نقش بهتری ایفا کنند، نه اینکه به کنار گذاشته شوند.

بهینه‌سازی مبتنی بر داده از گردش کارهای پردازش تجهیزات

نظارت پیشرفته بر وضعیت تجهیزات از طریق یکپارچگی هوش مصنوعی و IIoT

سیستم‌های پردازش امروزی از ترکیب هوش مصنوعی با سنسورهای اینترنت اشیاء صنعتی استفاده می‌کنند تا از سلامت ماشین‌ها به‌صورت لحظه‌ای مطلع شوند. این سیستم‌های هوشمند به‌صورت هم‌زمان به بیش از پانزده عامل مختلف نگاه می‌کنند که شامل ارتعاشات ماشین‌ها و الگوهای گرمایی آن‌ها می‌شود و این امکان را فراهم می‌کند تا بلبرینگ‌های فرسوده را حدود ۳۵ درصد زودتر از روش‌های سنتی تشخیص داده شوند. واحدهایی که این رویکرد نگهداری پیش‌بینانه را پذیرفته‌اند، گزارش داده‌اند که میزان خاموشی‌های غیرمنتظره را تقریباً ۲۰ درصد کاهش داده‌اند. علاوه‌براین، نسبت به روش‌های قدیمی‌تر، حدود ۹۲ دلار در هر تن در هزینه‌های نگهداری صرفه‌جویی می‌کنند. این اعداد و ارقام داستانی است که مدیران کارخانه‌ها به تدریج به آن توجه جدی پیدا می‌کنند.

کاربردهای عملی تحلیل داده‌های پیش‌بینانه در کارخانه‌ها

بخش معدنکاری اکنون قادر است به کمک تکنیک‌های تحلیل تغییر گشتاور، مشکلات احتمالی در قطعات دستگاه‌های خردکننده را حدود سه روز قبل از وقوع خرابی تشخیص دهد. این سیستم هشدار زودهنگام ماهانه حدوداً ۷۴۰ هزار دلار هزینه متوقف شدن تولید را برای شرکت‌ها جلوگیری می‌کند. در همین حال، در واحدهای تولیدی، سیستم‌های تصویربرداری گرمایی هوشمند به تنظیم دقیق‌تر دمای کوره‌ها در طول فرآیندهای پردازش فلز کمک می‌کنند. این ابزارهای مبتنی بر هوش مصنوعی، هدررفت انرژی را حدود ۲۲ درصد کاهش می‌دهند در حالی که کیفیت محصول حفظ می‌شود. برای بازیگران بزرگ صنعت سنگین که به دنبال مدرن کردن تجهیزات خود هستند، نتایج قابل توجهی نیز حاصل شده است. زمانی که دستگاه‌های قدیمی پرس و ماشین‌های CNC از طریق کیت‌های اینترنت اشیاء (IoT) به صورت بازسازی شده به هم متصل می‌شوند، مدیران کارخانه شاهد این هستند که تصمیم‌گیری‌ها نسبت به قبل از به‌روزرسانی تقریباً نصف زمان را می‌برد. افزایش سرعت تأثیر زیادی در عملیات روزانه در کارخانه‌های فولاد، ریخته‌گری و سایر محیط‌های صنعتی دارد.

روند آینده: تکنولوژی‌های متحد در پردازش تجهیزات نسل جدید

اتحاد هوش مصنوعی، اینترنت صنعتی اشیاء و رباتیک در سیستم‌های تجهیزات هوشمند

امروزه، واحدهای تولیدی به طور فزاینده‌ای به ترکیبات هوشمند فناوری مانند هوش مصنوعی، حسگرهای صنعتی IIoT که زیاد از آنها شنیده‌ایم، و رباتیک پیشرفته برای ساخت کارخانه‌های هوشمندتر متکی هستند. کل سیستم با بررسی داده‌های لحظه‌ای از خط تولید از طریق این دستگاه‌های محاسبات لبه‌ای کار می‌کند، که این امکان را به ماشین‌ها می‌دهد تا زمانی که چیزی در خط تولید نیاز به تنظیم دارد به صورت خودکار خود را تطبیق دهند. به عنوان مثال، کارگاه‌های ساخت فلزی. برخی از شرکت‌ها سیستم‌های بینایی مصنوعی را نصب کرده‌اند که واقعاً به ربات‌ها می‌گویند دقیقاً در کجا و در حین عملیات خم‌کاری، قطعات را قرار دهند، با دقتی برابر با ۰٫۰۳ میلی‌متر. در همین حال، دروازه‌های IIoT به مدیریت مصرف برق در سراسر سایت‌های تولیدی کمک می‌کنند. واحدهایی که این رویکرد یکپارچه را پذیرفته‌اند، شاهد کاهش ۱۸ درصدی نرخ ضایعات و افزایش تقریبی ۲۲ درصدی تولید نسبت به سیستم‌های اتوماتیک قدیمی بوده‌اند که به صورت مجزا از یکدیگر کار می‌کنند.

ظهور ماشین‌های صنعتی خودمختار و خودبهینه‌کننده

تجهیزات امروزی شروع به ادغام سیستم‌های یادگیری حلقه بسته کرده‌اند که به ماشین‌ها اجازه می‌دهند خود را با توجه به عملکردشان تنظیم کنند. به عنوان مثال می‌توان به دستگاه‌های تراش خودکار CNC اشاره کرد. این دستگاه‌ها قادر به جبران فرسایش ابزارها هستند، تنها با تحلیل ارتعاشات و اندازه‌گیری نیروهای برش در زمان وقوع اتفاقات. پیش‌بینی می‌شود این نوع بهینه‌سازی خودکار در عملیات‌های صنعتی بزرگ، منجر به کاهش ۴۰ درصدی متوقف شدن‌های غیرمنتظره ماشین‌آلات شود. اما یک مشکل وجود دارد. راه‌اندازی این سیستم‌ها به معنای تغییر کامل رویکرد ما به نگهداری و تعمیرات معمول است. بر اساس نظرسنجی‌های اخیر، تقریباً ۶ از هر ۱۰ تولیدکننده معتقدند که تیم‌های آن‌ها به آموزش‌های جدیدی نیاز دارند تا بتوانند به درستی با این ماشین‌های هوشمند کار کنند.

پر کردن شکاف: استفاده از فناوری‌های پیشرفته در برابر آمادگی نیروی کار

حدود ۸۳ درصد از شرکت‌های تولیدی قصد دارند تا سال ۲۰۲۵ سیستم‌های پردازش مبتنی بر هوش مصنوعی را اجرا کنند، اما تنها حدود ۳۴ درصد از آنها برنامه‌های آموزشی مناسبی برای کارکنان فنی خود دارند. به نظر روشن است که مشکلی در این میان وجود دارد. بسیاری از کارخانه‌ها شروع به فهمیدن این کرده‌اند که راه‌های بهتری برای آموزش کارکنان خود نیاز دارند، بنابراین برخی از عملیات هوشمندانه شروع به ایجاد محیط‌های آموزشی واقعیت ترکیبی کرده‌اند که راهنمایی‌های واقعیت افزوده شده را با کارهای تشخیصی اینترنت اشیاء در دنیای واقعی ترکیب می‌کنند. پیشرفته‌ترین واحدها اکنون از محیط‌های دوگانه دیجیتالی استفاده می‌کنند که در آن کارکنان می‌توانند مشکلات را در نسخه‌های شبیه‌سازی شده از پرس‌های کارخانه و ربات‌های جوشکاری قبل از کار با تجهیزات واقعی کارخانه، برطرف کنند. این رویکرد به پوشش شکاف میان آنچه در آینده رخ خواهد داد و دانش کنونی کارگران کمک می‌کند.

‫سوالات متداول‬

نقش IIoT در نظارت زنده بر تجهیزات چیست؟

IIoT با جاسازی سنسورهای هوشمند درون ماشین‌آلات و جمع‌آوری داده‌های حیاتی مانند ارتعاشات و سطح گرما به منظور تحلیل، نظارت بر وسایل نقلیه را در زمان واقعی تسهیل می‌کند و این امر منجر به نگهداری پیش‌بینی‌کننده و کاهش توقف‌های غیرمنتظره می‌شود.

محاسبات لبه (Edge computing) چگونه پیکربندی‌های IIoT صنعتی را بهبود می‌بخشد؟

محاسبات لبه (Edge computing) پیکربندی‌های IIoT صنعتی را با این امکان بهتر می‌کند که داده‌ها در محل تولید به جای ارسال شدن به سرورهای ابری دوردست، پردازش شوند. این امر زمان سفر داده‌ها را به‌طور قابل توجهی کاهش می‌دهد و تصمیم‌گیری سریع‌تر صنعتی را فراهم می‌کند.

مزایای یکپارچه‌سازی رباتیک در پردازش ماشین‌آلات سنگین چیست؟

یکپارچه‌سازی رباتیک در پردازش ماشین‌آلات سنگین دقت را افزایش می‌دهد و اشتباهات مونتاژ را کاهش می‌دهد. سیستم‌های رباتیک مجهز به سنسورها و دوربین‌ها می‌توانند وظایفی مانند بلند کردن بلوک‌های سنگین موتور را با دقت بسیار بالایی انجام دهند.

هوش مصنوعی چگونه به نگهداری پیش‌بینی‌کننده در پردازش تجهیزات کمک می‌کند؟

هوش مصنوعی با تحلیل داده‌های حسگرها به‌منظور شناسایی روندهایی که نشان‌دهنده فرسایش و خرابی هستند، به نگهداری پیش‌بینانه کمک می‌کند. الگوریتم‌های یادگیری ماشین قادرند خرابی‌ها را پیش از زمان وقوع پیش‌بینی کنند، به‌گونه‌ای که امکان انجام تنظیمات لازم برای افزایش طول عمر تجهیزات و به حداکثر رساندن زمان کارکرد فراهم شود.

چالش‌های استفاده از سیستم‌های پیشرفته‌ی فناوری در تولید چیست؟

این چالش‌ها شامل آمادگی نیروی کار و نیاز به برنامه‌های آموزشی مناسب می‌شود. بسیاری از شرکت‌ها برنامه‌های کافی برای آموزش کارکنان خود ندارند، در حالی که این آموزش‌ها برای مدیریت و استفاده مؤثر از سیستم‌های پیشرفته مانند ماشین‌های مجهز به هوش مصنوعی ضروری است.