کاربرد هوش مصنوعی در کنترل و بهینه سازی خط تولید

صنعت تولید در حال ورود به مرحله ای است که در آن هوش مصنوعی دیگر صرفا یک فناوری جدید نیست، بلکه به یکی از عوامل تاثیر گذار در سیستم مدیریت و بهره برداری از کارخانه تبدیل شده است. امروزه سیستم های مانیتورینگ، سنسورها و تجهیزات صنعتی به طور مداوم حجم بسیار عظیمی از داده تولید می کنند که اطلاعات ارزشمندی درباره وضعیت و روند خط تولید در اختیار ما قرار می دهد.

 اما با افزایش تعداد تجهیزات و حجم داده ها یک چالش اساسی شکل می گیرد؛ اینکه چگونه بتوانیم از میان میلیون ها داده ثبت شده، الگویی را پیدا کنیم که به کاهش خطای انسانی و بهینه سازی فرآیند تولید کمک کند.

اینجا یک سوال مهم مطرح می شود: آیا می توان از هوش مصنوعی و الگوریتم های تحلیل داده برای کاهش هزینه های تولید استفاده کرد؟ آیا می توان پیش از آنکه یک تجهیز از کار بیفتد نشانه های اولیه خرابی آن را شناسایی کرد و احتمال توقف خط تولید را کاهش داد؟

البته پاسخ به این سوال از نظر اقتصادی نیز اهمیت قابل توجهی دارد. برآوردها نشان می دهد که استفاده از هوش مصنوعی در حوزه مدیریت زنجیره تامین و فرآیندهای تولید می تواند سالانه ظرفیتی معادل 1.2 تا 2 تریلیون دلار ارزش اقتصادی در سطح کسب و کارهای جهانی ایجاد کند.

تحول در رویکرد اتوماسیون صنعتی با هوش مصنوعی

برای اینکه بفهمیم هوش مصنوعی چه تغییری در اتوماسیون صنعتی ایجاد کرده است، بهتر است ابتدا بررسی کنیم که یک سیستم اتوماسیون معمولی چگونه اطلاعات دریافت شده از تجهیزات را تحلیل کرده و بر اساس آنها عمل می کند. در یک خط تولید، سنسورهای نصب شده روی تجهیزات به صورت مداوم پارامترهایی مانند فشار، دما، سرعت، موقعیت، جریان برق و سایر متغیرهای عملیاتی را اندازه گیری می کنند. این اطلاعات به سیستم کنترل ارسال می شود و کنترلر بر اساس منطق و دستوراتی که از قبل برای آن تعریف شده است، درباره نحوه عملکرد تجهیز تصمیم می گیرد.
برای مثال فرض کنید یک موتور در یک خط تولید در حال کار است و سنسور دمای آن به صورت مداوم دما را اندازه گیری می کند. در برنامه نویسی کنترلر تعریف شده است که اگر دمای موتور از 80 درجه سانتی گراد بیشتر شود، موتور متوقف شود و هشدار دهد. تا زمانی که این شرط برقرار نشده باشد، سیستم دلیلی برای توقف موتور ندارد.

حالا فرض کنید دمای موتور طی چند روز به تدریج از 60 به 75 درجه سانتی گراد افزایش یابد. در چنین شرایطی با توجه به نحوه دیتا در کنترلر هنوز هیچ خطایی رخ نداده است زیرا دمای موتور همچنان پایین تر از حد تعیین شده قرار دارد. اما می دانیم که افزایش تدریجی و مداوم دمای موتور در کنار تغییرات سایر پارامترها، می تواند نشانه ای از تغییر وضعیت موتور باشد و این شرایط برای سیستم مجهز به هوش مصنوعی طور دیگری تعبیر می شود.

اینجاست که تفاوت میان یک سیستم اتوماسیون معمولی و یک سیستم مجهز به هوش مصنوعی مشخص می شود. سیستم هوشمند می‌ تواند با استفاده از داده‌ های گذشته، رفتار و الگوهای عملکرد تجهیزات را یاد بگیرد و از این یادگیری برای تحلیل وضعیت فعلی استفاده کند.

هوش مصنوعی چه چیزی به این سیستم اضافه می کند؟

هوش مصنوعی می تواند قابلیت های تحلیل، پیش بینی و بهینه سازی را به لایه سیستم اتوماسیون اضافه کند. تصور کنید علاوه بر دمای موتور اطلاعات دیگری مانند میزان لرزش، جریان مصرفی، صدای موتور، سرعت موتور، سابقه تعمیرات و خرابی های قبلی در اختیار سیستم باشد. ممکن است هر کدام از این پارامترها به تنهایی در محدوده مجاز قرار داشته باشند، اما تغییر هم‌ زمان چند پارامتر می‌ تواند نشان دهد که عملکرد موتور نسبت به حالت عادی تغییر کرده است. برای مثال، افزایش تدریجی دما همراه با افزایش جریان مصرفی می تواند شبیه الگویی باشد که قبلا پیش از خرابی موتور ثبت شده است. سیستم هوشمند چنین ارتباطی را در حجم زیادی از داده ها شناسایی کرده و احتمال وجود یک مشکل را زودتر تشخیص می دهد. در این حالت، سیستم می‌ تواند قبل از خراب شدن کامل تجهیز، به تیم نگهداری هشدار دهد تا اقداماتی مانند سرویس، تعمیر یا تعویض قطعه در زمان مناسب انجام شود. به این ترتیب، می‌توان از خرابی ناگهانی تجهیزات، توقف خط تولید، هزینه‌ های سنگین تعمیرات اضطراری و کاهش تولید جلوگیری کرد.

هوش مصنوعی در کدام مراحل فرآیند تولید بیشترین اثر را دارد؟

ورود هوش مصنوعی به اتوماسیون صنعتی به این معنی نیست که کارخانه باید زیرساخت های صنعتی موجود را جایگزین کند؛ بلکه به معنای اضافه شدن یک لایه هوشمند به زیرساخت سیستم است. این قابلیت می تواند در تمامی مراحل چرخه تولید به کار گرفته شود:

• طراحی خط تولید: پیش از راه اندازی خط تولید، می توان با استفاده از راه اندازی مجازی عملکرد ماشین آلات، ربات ها و سیستم کنترل را در محیطی شبیه سازی شده آزمایش کرد. این کار امکان شناسایی مشکلات و بررسی سناریوهای مختلف را فراهم کرده و زمان و هزینه اصلاحات را به شدت کاهش می دهد.
• هماهنگی ماشین آلات: در خط تولید شرایط همیشه مطابق برنامه پیش نمی رود. برای مثال تغییر سرعت نوار نقاله می تواند باعث اختلال در هماهنگی تجهیزات شود. در چنین شرایطی سیستم هوشمند این تغییرات را شناسایی کرده و به ماشین آلات کمک می کند واکنش مناسب تری نشان دهد.
• کنترل کیفیت: دوربین های صنعتی از قطعات در حال تولید تصویربرداری می کنند و هوش مصنوعی با تحلیل لحظه ای تصاویر، ایرادات محصول را شناسایی کرده و در صورت نیاز قطعه معیوب را از خط تولید خارج می کند.
• پیش بینی مشکل: سیستم هوشمند نشانه های اولیه خرابی تجهیزات را بر اساس داده های سنسور، قبل از توقف دستگاه تشخیص داده و از توقف ناخواسته خط تولید جلوگیری می کند.
• جا به جایی هوشمند: اگر موجودی یک قطعه در ایستگاه تولید رو به اتمام باشد، سیستم هوشمند این نیاز را شناسایی کرده و در صورت فراهم بودن شرایط، یک ربات خودمختار برای انتقال قطعات مورد نیاز به آن ایستگاه اعزام می کند.

تاثیر سیستم هوشمند بر عملکرد کارخانه

تاثیر اتوماسیون هوشمند زمانی بهتر قابل درک است که ببینیم این فناوری در یک خط تولید واقعی چه تغییراتی ایجاد می کند. بر اساس گزارش های موجود در یکی از پروژه های اتوماسیون برای یک ماشین دوخت صنعتی، سیستم کنترل دستگاه بر پایه PLC فتک و سرووهای حرکتی طراحی و اجرا شده است. در این سیستم، PLC علاوه بر کنترل حرکت موتور و هماهنگی اجزای دستگاه، اطلاعات مربوط به سرعت، موقعیت سوزن و وضعیت موتور را دریافت و پایش می کند. با اضافه شدن یک لایه هوش مصنوعی به این زیرساخت از این داده ها برای بهینه سازی عملکرد دستگاه استفاده می شود. برای مثال، تغییرات جریان و گشتاور موتور می تواند نشان دهنده تغییر ضخامت یا تراکم پارچه باشد. سیستم هوشمند با تحلیل این تغییرات می تواند شرایط کاری دستگاه را با وضعیت پارچه تطبیق دهد و احتمال بروز مشکلاتی مانند گیر کردن سوزن، پارگی نخ یا افت کیفیت دوخت را کاهش دهد. مهم‌ ترین نتایج این پروژه در جدول زیر ارائه شده است:

چگونه هوش مصنوعی به یک خط تولید اضافه می شود؟

برای درک بهتر نحوه اضافه شدن هوش مصنوعی به یک سیستم اتوماسیون صنعتی، فرض کنید یک کارخانه دارای خط تولیدی است که در آن چند دستگاه به صورت خودکار کار می کنند و محصولات پس از تولید روی یک نوار نقاله حرکت می کنند. حالا کارخانه تصمیم می گیرد بدون تغییر اساسی در تجهیزات موجود، یک لایه هوش مصنوعی به خط تولید اضافه کند تا بتواند کیفیت محصولات را بهتر کند و خرابی تجهیزات را زودتر تشخیص دهد.

در قدم اول چند سنسور جدید روی تجهیزات نصب می شود. برای مثال روی موتور اصلی نوار نقاله یک سنسور لرزش و یک سنسور دما قرار می گیرد و اطلاعات جریان مصرفی موتور نیز از سیستم برق دستگاه دریافت می کند. در مرحله بعد، اطلاعات این سنسورها به PLC می رسد. سیستم کنترل همچنان وظیفه اصلی خود را انجام میدهد اما برای تحلیل هوشمند این اطلاعات، یک کامپیوتر صنعتی در کنار PLC داخل تابلو برق قرار می گیرد و از طریق شبکه صنعتی اطلاعات مورد نیاز را از PLC دریافت می کند. حالا مدل هوش مصنوعی وارد عمل می شود و داده های بدست آمده را تحلیل می کند و دستورات لازم را صادر می کند. هم‌زمان، در بخش کنترل کیفیت نیز می‌توان یک دوربین صنعتی بالای نوار نقاله قرار داد. دوربین از محصولات در حال عبور تصویر می‌ گیرد و تصاویر را بررسی می‌ کند. برای مثال، اگر محصولی دارای خط و خش، تغییر شکل یا مونتاژ ناقص باشد، سیستم می‌ تواند آن را شناسایی کند و فرمان خروج آن محصول را از خط تولید صادر کند.

در نهایت، تمام اطلاعات بدست آمده از این روند هوشمند در سرور مرکزی یا فضای ابری ذخیره می شود تا سیستم با تحلیل الگوهای گذشته، عملکرد خط تولید را به طور مستمر بهینه سازی کند.

آیا هوش مصنوعی می تواند جایگزین مهندس اتوماسیون شود؟

با ورود هوش مصنوعی به سیستم اتوماسیون صنعتی، این سوال مطرح می شود که آیا در آینده سیستم های هوشمند می توانند جای مهندسان اتوماسیون را بگیرند؟ پاسخ را نمی توان صرفا بله یا خیر دانست اما می توان گفت هوش مصنوعی بیشتر از آنکه جایگزین مهندس اتوماسیون شود، نحوه کار او را تغییر می دهد. نقش مهندس اتوماسیون به تدریج از انجام کارهای تکراری و تنظیمات دستی به سمت طراحی، نظارت، تحلیل و مدیریت سیستم های هوشمند تغییر می کند. در گذشته بخش قابل توجهی از زمان مهندس صرف برنامه نویسی PLC، تنظیم پارامترها، بررسی آلارم ها و عیب یابی سیستم اتوماسیون می شد اما امروزه بسیاری از این فعالیت ها را می توان به هوش مصنوعی واگذار کرد با توجه به این نکته که همچنان نیاز به دانش و نظارت مهندس اتوماسیون وجود دارد. برای مثال فرض کنید هوش مصنوعی در یک خط تولید افزایش غیر عادی لرزش موتور نوار نقاله را تشخیص دهد و به مهندس هشدار دهد که احتمال وجود مشکل در موتور یا بلبرینگ وجود دارد. در این مرحله، هوش مصنوعی فقط نشانه مشکل را شناسایی کرده و هنوز علت اصلی مشخص نیست.
مهندس اتوماسیون با بررسی وضعیت دستگاه و اطلاعات ثبت شده در PLC و سیستم مانیتورینگ، متوجه می شود که فاصله ریل های کنار نوار نقاله به اندازه مناسب تنظیم نشده و کمتر از اندازه محصول است. در نتیجه، محصول هنگام حرکت روی نوار نقاله با ریل ها برخورد می کند و فشار بیشتری به نوار نقاله و موتور وارد می شود. همین فشار اضافی باعث افزایش لرزش موتور و در ادامه آسیب دیدن بلبرینگ می شود. در چنین شرایطی مشکل فقط با تعویض قطعه حل نمی شود زیرا اگر ریل های راهنما همچنان به درستی تنظیم نشده باشد، بلبرینگ جدید هم دوباره تحت فشار قرار می گیرد و ممکن است پس از مدتی خراب شود. بنابراین مهندس اتوماسیون باید علت ایجاد خرابی را پیدا و شرایط خط تولید را اصلاح کند. این همان جایی است که دانش و تجربه مهندس اتوماسیون در کنار قابلیت تحلیل هوش مصنوعی اهمیت پیدا می کند.

5 مهارت مورد نیاز مهندسان اتوماسیون در آینده

مهندس اتوماسیون در سیستم های صنعتی هوشمند باید بتواند با داده های صنعتی، هوش مصنوعی، ربات ها و زیرساخت های دیجیتال نیز کار کند. مهم ترین مهارت های مورد نیاز در این مسیر عبارتند از:

1. رایانش لبه ای و اینترنت اشیای صنعتی

در یک خط تولید سنسورها به صورت مداوم اطلاعاتی مانند فشار، جریان و گشتاور را اندازه گیری می کنند که این اطلاعات می توانند از طریق PLC و شبکه های صنعتی به سیستم های پردازشی منتقل شوند. در این میان رایانش لبه ای به این معناست که بخشی از پردازش داده ها نزدیک به خط تولید انجام شود، نه اینکه تمام اطلاعات برای تحلیل به یک سرور مرکزی ارسال شوند. این ساختار باعث می شود سیستم بتواند تغییرات غیرعادی را با سرعت بیشتری شناسایی کند. بنابراین مهندس اتوماسیون باید بتواند ارتباط بین سنسورها، PLC، شبکه صنعتی، تجهیزات پردازش لبه ای و مدل های هوش مصنوعی را طراحی و مدیریت کند.

1. کار با دوقلوهای دیجیتال و راه اندازی مجازی

در این روش، می توان یک مدل دیجیتالی از خط تولید، ماشین آلات، ربات ها و سیستم کنترل آنها ایجاد کرد و قبل از ساخت فیزیکی سیستم اتوماسیون عملکرد سیستم را در محیط شبیه سازی بررسی کرد. در این محیط مشخص می شود که آیا تجهیزات با زمان بندی درست کار می کنند؟ آیا حرکت بازوهای ربات با سایر ماشین آلات تداخل دارد؟ آیا منطق برنامه نویسی کنترلر بدون خطا اجرا می شود؟ در نتیجه، بسیاری از خطاهایی که ممکن است در زمان راه اندازی واقعی باعث توقف خط تولید شوند پیش از اجرای فیزیکی شناسایی و اصلاح می شوند. به این ترتیب، مهندس اتوماسیون می تواند با ریسک کمتر و زمان کوتاه تر، سیستم را برای راه اندازی واقعی آماده کند.

1. راهبری سیستم های خودمختار و ربات های همکار

مهندس اتوماسیون باید بتواند نحوه همکاری انسان و ربات را در محیط صنعتی مدیریت و طراحی کند. همچنین باید بتواند سیستم های بینایی ماشین و سنسورهای محیطی ربات های همکار را تنظیم کند تا ربات بتواند موقعیت افراد، تجهیزات و موانع اطراف خود را تشخیص دهد و در صورت وجود خطر، سرعت خود را کاهش دهد یا متوقف شود. در مورد ربات های خودمختار نیز مهندس اتوماسیون باید بتواند مسیر حرکت و نحوه ارتباط ربات با تجهیزات و سایر بخش های خط تولید را مدیریت کند تا ربات بتواند بدون ایجاد اختلال یا برخورد با افراد و ماشین آلات، به صورت ایمن در محیط کارخانه حرکت کند.

1. امنیت سایبری شبکه های کنترل صنعتی

در محیط صنعتی حمله سایبری فقط به معنی سرقت اطلاعات نیست بلکه در صورت نفوذ به شبکه کنترل، مهاجم ممکن است بتواند در عملکرد تجهیزات و فرآیند تولید نیز اختلال ایجاد کند. به همین دلیل مهندس اتوماسیون باید بتواند ارتباط بین شبکه عملیاتی و شبکه های فناوری اطلاعاتی را به گونه ای طراحی کند که دسترسی غیر ضروری به تجهیزات کنترلی ایجاد نشود. برای مثال می توان شبکه سیستم های کنترل را از شبکه های عمومی تر کارخانه جدا کرد و برای هر کاربر یا تجهیز، فقط دسترسی های مورد نیاز را تعریف کرد.

1. مدیریت پایداری و بهینه سازی انرژی

نقش مهندسان اتوماسیون در این فرآیند این است که سیستم را طوری طراحی و تنظیم کنند که انرژی و منابع فقط به اندازه نیاز واقعی مصرف شود. برای مثال، درایو فرکانس متغیر یا VFD می تواند سرعت موتور را بر اساس میزان بار و نیاز خط تولید به صورت پویا تغییر دهد؛ بنابراین موتور زمانی که به توان کامل نیاز نیست با ظرفیت پایین تری کار می کند و انرژی کمتر مصرف می شود. همچنین می توان عملکرد ماشین آلات را در ساعات مختلف بررسی کرد و در زمان هایی که حجم تولید کمتر است، بار تجهیزات را کاهش داد. بنابراین هوش مصنوعی الگوی مصرف را شناسایی می کند اما مهندس اتوماسیون بر اساس این اطلاعات تعیین می کند که چه تغییری در خط تولید باید ایجاد شود.

الزامات استفاده ایمن از هوش مصنوعی در صنعت

یکی از مهم ترین الزامات برای استفاده از هوش مصنوعی در صنعت، برخورداری از داده های درست و قابل اعتماد است؛ زیرا این اطلاعات مبنای تصمیم گیری سیستم هستند. همچنین اطلاعات مربوط به سوابق تعمیرات، خرابی‌ های قبلی و شرایط کاری دستگاه نیز باید تا حد امکان کامل و دقیق باشند. هرچه اطلاعات ورودی دقیق‌ تر و کامل‌ تر باشند، امکان تحلیل درست و تصمیم‌گیری قابل اعتماد توسط سیستم هوشمند بیشتر خواهد بود.

موضوع مهم دیگر، حفظ امنیت سیستم هنگام اتصال هوش مصنوعی به زیرساخت صنعتی است. استفاده از هوش مصنوعی در کارخانه معمولا به معنی اتصال آن به منابع مختلف اطلاعاتی، شبکه صنعتی و گاهی سیستم‌ های کنترل است. به همین دلیل، امنیت سایبری باید از ابتدا در طراحی سیستم در نظر گرفته شود. در نهایت، یک سیستم هوشمند صنعتی فقط زمانی می تواند قابل اعتماد باشد که هم درست تحلیل کند و هم از اطلاعات آن در برابر تهدیدات امنیتی محافظت شوند.

نتیجه گیری

هوش مصنوعی می تواند حجم زیادی از دیتا را به اطلاعات ارزشمندی تبدیل کند که باعث افزایش بهره وری خطوط تولید شود. پیش بینی خرابی تجهیزات، کاهش توقف های ناخواسته، کنترل کیفیت، بهینه سازی عملکرد ماشین آلات و مدیریت بهتر منابع از مهم ترین راه هایی هستند که هوش مصنوعی از طریق آنها می تواند به بهبود عملکرد کارخانه کمک کند. در واقع، هدف اصلی استفاده از هوش مصنوعی در سیستم های اتوماسیون صنعتی تولید بیشتر و با کیفیت تر در زمان کمتر و با هزینه اتلاف پایین تر است. با این حال، دستیابی به چنین بهره وری به عملکرد قابل اعتماد سیستم های هوشمند وابسته است و برای جلوگیری از خطاهای احتمالی، باید از ابتدا به عواملی مانند دقت داده ها، امنیت شبکه صنعتی و نظارت انسان بر روند تولید توجه شود.