نوآوری‌های اتوماسیون صنعتی

مقدمه :

در اخبار و مقالات احتمالا درباره همکاری شرکت زیمنس با شرکت های انویدیا و مایکروسافت شنیده اید.اما درباره چرایی و چگونگی این همکاری کمتر دیده و شنیده‌ایم.

برای پاسخ به این پرسش ها بهتر است کمی درباره شرکت های انویدیا و مایکروسافت و زمینه های کاری این شرکت ها بدانیم.

انویدیا (NVIDIA) پیشگام در فناوری پردازش گرافیکی، مدت‌هاست که در خط مقدم هوش مصنوعی (AI) و محاسبات با کارایی بالا (HPC) قرار دارد. NVIDIA در سال 1993 تأسیس شد و صنعت بازی را با پردازنده‌های گرافیکی خود متحول کرد و از آن زمان در زمینه‌های مختلفی از جمله هوش مصنوعی، علم داده و وسایل نقلیه خودمختار توسعه یافته است. 

مایکروسافت، یک غول فناوری جهانی که در سال 1975 تأسیس شد، نقش مهمی در شکل دادن به چشم انداز دیجیتال مدرن ایفا کرده است. مایکروسافت که به خاطر سیستم عامل ویندوز و مجموعه آفیس شناخته می‌شود، در رایانش ابری، هوش مصنوعی و راه‌حل‌های سازمانی با پلتفرم‌هایی مانند Azure توسعه یافته است.

همگرایی OT و IT: ایجاد ارتباط میان فناوری عملیاتی و فناوری اطلاعات

نکته دیگری که باید بدان توجه کنیم فناوری عملیاتی و فناوری اطلاعات است.شرکت های بزرگ اتوماسیون صنعتی علاقمندند تا همگرایی این دوفناوری را بیش از پیش رقم بزنند.

فناوری اطلاعات  (information technology=IT):

طبق تعریف، فناوری اطلاعات یعنی مدیریت سامانه‌های اطلاعاتی مبتنی بر رایانه، که بر پردازش داده ها، ذخیره سازی و سیستم های ارتباطی تمرکز دارد که معمولاً در محیط های اداری، برنامه های کاربردی نرم افزاری و رایانش ابری دیده می شوند.عملکردهای اصلی سازمان مانند ایمیل و امورمالی و منابع انسانی و سایر برنامه های کاربردی در دیتا سنتر و فضای ابری از این طریق عمل می کنند و دارای اجزایی مانند دیتا سنترها و شبکه و فضای ابری و امنیت شبکه و .. است.

 فناوری عملیاتی(operational technology=OT) :

 شامل سیستم هایی است که برای کنترل و نظارت بر عملیات صنعتی مانند فرآیندهای تولید، مدیریت انرژی و سیستم های حمل و نقل استفاده می شود. پی ال سی ها و DCS و شبکه های صنعتی،سنسورها و عملگرها در این دسته قرار می گیرند.

فناوری عملیاتی (OT) و فناوری اطلاعات (IT) به طور سنتی بدون همکاری یا ادغام و به طور جداگانه عمل می‌ کردند. سیستم های OT فرآیندهای فیزیکی را مدیریت می کردند، در حالی که سیستم های IT داده ها و ارتباطات را مدیریت می کردند. با این حال، ادغام OT و IT مزایای قابل توجهی را ارائه می دهد:

• تجزیه و تحلیل داده در زمان واقعی: ترکیب داده های OT با تجزیه و تحلیل IT امکان درک فوری عملیات را فراهم می کند.

• بهبود تصمیم گیری: دسترسی به داده های جامع باعث ایجاد تصمیمات بهتر و سریعتر می‌شود.

• افزایش بهره وری عملیاتی: فرآیندهای ساده و نگهداری پیش بینی شده زمان خرابی و هزینه ها را کاهش می دهد.

در زمینه صنعت4(Industry4)، همگرایی OT و IT برای ایجاد کارخانه‌های هوشمند، جایی که دستگاه‌ها و سیستم‌های متصل به هم به طور یکپارچه کار می‌کنند، حیاتی است. این ادغام امکان نگهداری پیش بین، فرآیندهای تولید بهینه و کاهش قابل توجه زمان خرابی را فراهم می کند.

کاتالیزور مشارکت:

محرک اصلی همکاری بین زیمنس، انویدیا و مایکروسافت، شتاب بخشیدن به تحول دیجیتال در بخش صنعتی است. هر شرکت نقاط قوت منحصر به فردی را به عرصه می آورد:

زیمنس: زیمنس تخصص گسترده ای در OT و اتوماسیون صنعتی  دارد. دانش عمیق صنعتی و مجموعه قوی راه حل های صنعتی آن، پایه محکمی برای این همکاری فراهم می کند.

انویدیا: انویدیا با فناوری‌های پیشرفته هوش مصنوعی و HPC خود، قدرت محاسباتی مورد نیاز برای پردازش حجم وسیعی از داده‌های صنعتی را ارائه می‌دهد. پردازنده‌های گرافیکی و چارچوب‌های هوش مصنوعی آن، برنامه‌های تحلیلی پیشرفته و یادگیری ماشینی را ایجاد می نماید.

مایکروسافت: پلتفرم ابری Azure مایکروسافت زیرساخت های مقیاس پذیر و ایمن را برای استقرار برنامه های کاربردی صنعتی فراهم می کند. قابلیت‌های هوش مصنوعی و IoT آن، پتانسیل نوآوری در بخش صنعتی را بیشتر می‌کند.

راه حل های ارائه شده دراین مشارکت: متاورس صنعتی(Industrial Metaverse) و کوپایلوت صنعتی(Industrial Copilot)

از متاورس صنعتی برای ایجاد یک نمایش مجازی از محیط های فیزیکی صنعتی استفاده می کنند.کوپایلوت صنعتی یک دستیار مبتنی برهوش مصنوعی است که بینش ها و توصیه هایی را در زمان واقعی ارائه می دهد. از Copilot صنعتی برای دریافت هشدارها و پیشنهادات بلادرنگ مانند پیش‌بینی خرابی تجهیزات و توصیه اقدامات پیشگیرانه استفاده می‌کنند .متاورس صنعتی و کوپایلوت صنعتی به شرکت ها این امکان را می دهد که عملیات صنعتی خود را در یک محیط مجازی تجسم کنند و با آنها تعامل داشته باشند.

برای ایجاد متاورس و کوپایلوت صنعتی تکنولوژی های زیر توسعه داده شده اند:

زیمنس Xcelerator:

چیستی: یک پلتفرم تجاری بازدیجیتال که اینترنت اشیا، هوش مصنوعی و فناوری دوقلو دیجیتال را ادغام می کند.

چگونه کار می‌کند: شرکت‌ها را قادر می‌سازد تا نسخه‌های مجازی (دوقلوهای دیجیتال) از دارایی‌های فیزیکی ساخته وسپس طراحی ، شبیه‌سازی، تحلیل و بهینه‌سازی را به صورت دیجیتالی ایجاد کنند.

NVIDIA Omniverse:

چیستی: یک پلتفرم توسعه بیدرنگ(real time) برای ساخت و راه اندازی دوقلوهای دیجیتال.

چگونه کار می کند: شبیه سازی های دقیق از محیط های صنعتی را ارائه می دهد که امکان تعامل و تجزیه و تحلیل در زمان واقعی را فراهم می کند.

Microsoft Azure Digital Twins:

چیستی: یک پلتفرم اینترنت اشیا برای ایجاد نمایش های دیجیتالی از سیستم های دنیای واقعی.

چگونه کار می کند: داده ها و تعاملات دوقلوهای دیجیتال را مدیریت می کند و زیرساختی مقیاس پذیر و ایمن را ارائه می دهد.

فرآیند گام به گام اجرای متاورس و کوپایلوت صنعتی:

زیمنس Xcelerator: ایجاد دوقلوهای دیجیتال

ایجاد به صورت آفلاین: زیمنس Xcelerator برای ایجاد دوقلوهای دیجیتالی دقیق از تجهیزات و فرآیندها استفاده می شود. این شامل مدل سازی دارایی های فیزیکی و تعاملات آنها در یک محیط مجازی است.

جمع‌آوری داده‌ها: در طول این مرحله، داده‌ها از سیستم‌ها و حسگرهای موجود جمع‌آوری می‌شوند تا به‌طور دقیق شرایط دنیای واقعی را در دوقلوهای دیجیتال نشان دهند.

شبیه سازی و آزمایش: این دوقلوهای دیجیتال سپس برای شبیه سازی سناریوها و فرآیندهای مختلف به صورت آفلاین استفاده می شوند. این به درک نحوه رفتار سیستم ها در شرایط مختلف بدون تأثیر بر عملیات واقعی کمک می کند.

NVIDIA Omniverse: تست و تحلیل بلادرنگ

ادغام با دوقلوی دیجیتال Digital Twins)): دوقلوهای دیجیتال ایجاد شده در Siemens Xcelerator برای تعامل و تجسم در زمان واقعی در NVIDIA Omniverse ادغام می شوند.

شبیه سازی آنلاین: Omniverse امکان شبیه سازی و تجزیه و تحلیل در زمان واقعی دوقلوهای دیجیتال را فراهم می کند. کاربران می توانند پیکربندی ها، گردش کارها و سناریوهای مختلف را به صورت تعاملی آزمایش کنند.

همکاری و تکرار: چندین ذینفع می توانند در محیط Omniverse همکاری کنند و بر اساس بازخورد و تجزیه و تحلیل آنی، تنظیمات و بهبودهایی را در دوقلوهای دیجیتال انجام دهند.

Microsoft Azure: استقرار و عملیات

Cloud Deployment: هنگامی که دوقلوهای دیجیتال به طور کامل آزمایش و بهینه شدند، در Microsoft Azure مستقر می شوند. Azure Digital Twins یک پلت فرم مقیاس پذیر، ایمن و یکپارچه برای مدیریت این دوقلوهای دیجیتال در فضای ابری فراهم می کند.

نظارت در زمان واقعی: Azure نظارت در زمان واقعی دوقلوهای دیجیتال را قادر می‌سازد، داده‌ها را از عملیات زنده جمع‌آوری می‌کند تا مدل‌های دیجیتالی را به‌طور مداوم به‌روزرسانی و اصلاح کند.

تجزیه و تحلیل و بینش: با تجزیه و تحلیل پیشرفته و قابلیت‌های هوش مصنوعی Azure، شرکت‌ها می‌توانند بینش‌های عملی را از دوقلوهای دیجیتال به دست آورند که باعث بهبود کارایی، نگهداری و عملکرد کلی می‌شود.

نمونه پیاده سازی برای یک شرکت تولیدی

ارزیابی و برنامه ریزی:

یک شرکت تولیدی می بایست به ارزیابی زیرساخت های OT و IT فعلی خود برای شناسایی زمینه های کلیدی برای بهبود بپردازد.

زیمنس Xcelerator:

این شرکت دوقلوهای دیجیتالی خط تولید و تجهیزات خود را با استفاده از زیمنس Xcelerator ایجاد می کند.

برای اطمینان از مدل سازی دقیق، داده ها را از سنسورها و سیستم های موجود جمع آوری می کند.

شبیه سازی های آفلاین برای شناسایی تنگناهای بالقوه و بهینه سازی گردش کار انجام می شود.

NVIDIA Omniverse:

دوقلوهای دیجیتال برای شبیه سازی بلادرنگ به NVIDIA Omniverse وارد می شوند.

مهندسان و اپراتورها سناریوها و پیکربندی های مختلف تولید را در محیط مجازی آزمایش می کنند.

تنظیمات بر اساس شبیه سازی ها برای بهبود کارایی و بهره وری انجام می شود.

Microsoft Azure:

دوقلوهای دیجیتال بهینه شده در Microsoft Azure مستقرمی‌شوند.

این شرکت برای به روز رسانی مداوم دوقلوهای دیجیتال، وردی داده بلادرنگ را از خط تولید فیزیکی تنظیم می کند.

ابزارهای تجزیه و تحلیل Azure بینشی در مورد عملکرد، پیش بینی نیازهای تعمیر و نگهداری و شناسایی مناطق برای بهینه سازی بیشتر ارائه می دهند.

فواید به کارگیری این سیستم:

کاهش زمان از کار افتادگی: تعمیر و نگهداری پیش بینی شده و نظارت در زمان واقعی به جلوگیری از خرابی غیرمنتظره تجهیزات کمک می کند.

تولید بهینه: تجزیه و تحلیل و شبیه سازی مستمر امکان بهبود مستمر در راندمان تولید را فراهم می کند.

صرفه جویی در هزینه: با بهینه سازی فرآیندها و کاهش زمان خرابی، شرکت در هزینه های عملیاتی صرفه جویی می کند.

مقیاس پذیری: پلتفرم Azure تضمین می کند که راه حل می تواند با رشد شرکت و نیازهای در حال تغییرگسترده شود.

 نتیجه:

همکاری زیمنس، انویدیا و مایکروسافت نشان دهنده پیشرفت قابل توجهی در فناوری صنعتی است. آنها با ادغام تخصص خود، راه حل های تحول آفرینی مانند Industrial Metaverse و Industrial Copilot ارائه می دهند که امکان عملیات هوشمندتر و کارآمدتر را فراهم می کند. برای شرکت هایی که به دنبال اجرای این راه حل ها هستند، رویکرد گام به گام ذکر شده در بالا مسیر روشنی را برای تحول دیجیتال و تعالی عملیاتی فراهم می کند.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی

مقدمه

در دل تمامی فرآیندها و ماشین آلات صنعتی ،تجهیزات اتوماسیون صنعتی جزء اساسی ترین قسمت هاست.(دل هر ذره که بشکافی آفتابیش در میان بینی).بررسی تجهیزات اتوماسیون از دیروز تا به امروز به روشنی نشان می دهد که روند توسعه به تدریج به پیش رفته تا رفته رفته با ارائه تجهیزات مدرن امروزی تقریبا از این حیث به بلوغ مثال زدنی رسیده است که البته وجود قطعات الکترونیکی پیشرقته و سیستم های تعبیه شده (embedded systems) نوین به سرعت این تکامل کمک شایانی نموده است.

امروزه با توجه به ظهور و بروز فناوری های نوین مانند بلاک چین ،اینترنت اشیا،دوقلوی دیجیتال و هوش مصنوعی به روشنی می توان دریافت که عصر امروز عصر نرم افزار است.زمان بهینه سازی فرآیندها و تجهیزات مبتنی بر نیاز مشتری،کیفیت بخشی محصولات و بهینه نمودن فرآیندها از طریق به کارگیری نرم افزارهوشمند است.

به عنوان نمونه اندازه بازار هوش مصنوعی در اتوماسیون صنعتی در سال 2020 درمقیاس جهانی به  12.18 میلیارد دلار رسید و پیش بینی می شود که با نرخ رشد مرکب سالانه(CAGR) 20.2 درصدی در طول دوره پیش بینی افزایش یافته و به ارزش 55.6 میلیلارد دلار تا سال 2030 برسد.

همچنین بر اساس تحقیق انجام شده بر روی 2947 شرکت فناور و استارت آپ در خصوص ده فناوری برتر نوظهور در اتوماسیون صنعتی مانند مانند بلاک چین،اینترنت اشیا صنعتی،روباتیک و 5G ، سهم بازارهوش مصنوعی به میزان 25 درصد است.

بر اساس گزارش مکنزی در سال 2020 در حدود 22 درصد ازشرکتهایی که از هوش مصنوعی استفاده می کنند رشد درآمدی بیش از 5 درصد را تجربه کرده اند.

درعین اینکه به دنبال بکارگیری صرف فناوری های نوین به هرقیمت نباید بود،می بایست مسائل را بازطراحی کرد و راه حل های ارائه گشته توسط شرکت های استارتآپ و بزرگ فناوری را بررسی و مورد استفاده قرار داد.

در این مقاله و مقالات بعدی سعی می کنم مسائل مختلف حل شده به کمک رویکرد هوش مصنوعی در صنایع مختلف را بازگو نمایم :

درصنایع غذایی و نوشیدنی هدف شرکت ها،تولید محصولات با کیفیت با حداقل هزینه است.

رویکردهای هوش مصنوعی درفرآیند تولید محصولات غذایی و نوشیدنی 

1.بهبود کیفیت محصولات:

حفظ کیفیت محصولات یک چالش مهم در تولید غذا و نوشیدنی محصوب می شود.این امکان از طریق بازرسی بصری و به کمک ابزارهای تشخیصی ویدئو و عکس و مقایسه با ورودی مطلوب امکان پذیر است.

بررسی کیفیت محصولات به کمک الگوریتم ها( image recognition) و تجهیزات هوشمند نیاز به تغییرات اساسی در فرآیندهای فعلی ندارد و به صورت محدود و با توجه به امکانات می تواند صورت گیرد.

سینی غذا :

از سال 1958 شرکت اپتیتو(apetito) در زمینه تهیه سینی غذای آماده برای مدارس و مهدکودک‌ها و بیمارستان‌ها فعالیت می کند .این شرکت متوجه شکایت مشتریان بابت کم شدن اقلام غذایی داخل سینی غذا شد و تصمیم گرفت تا سیستم بازرسی هوشمند را جایگزین شیوه های گذشته نماید.

در ابتدا بدین منظور سیستم توزین را به کار گرفت ولی این روش دارای خطا بود .چون ممکن بود وزن برخی از مواد غذایی کمی متفاوت باشد .همچنین شرکت می خواست از بابت بسته شدن درست درب ظروف مطمئن شود به همین منظور از سیستم بازررسی بصری با سیستم ( Raspberry Pi-based) بهره گرفت.به کمک این روش حدود 15000 یورو صرفه جویی در هزینه های  مرتبط با نیروی کار صورت گرفت.

ولی مشکل دیگری وجود داشت، این که تعداد زیادی عکس گرفته می شد عکس های گرفته شده توسط سیستم رزبری هر بار برای استفاده بر روی USB آپلود شده و به کامپیوتر منتقل می شد. مدل هوش مصنوعی بر روی کامپیوتر آموزش و تست می شد و این کار زمان بر بود مخصوصا زمانی که محصول جدیدی وارد چرخه می شد.

در نهایت برای حل مشکل از بازرسی بصری مبتنی بر هوش مصنوعی از شرکت نیورالا(Neurala) کمک گرفتند که راه حل این شرکت دارای دو قسمت نرم افزاری بود قسمت اول نرم افزار، فقط مواد غذایی را که کم می شد رصد می کرد و قسمت دوم نرم افزار ،سازنده مدل هوشمند بود .با این روش  مدت آموزش سیستم فقط 10 تا 20 دقیقه زمان می برد.

2.تعمیر و نگهداری کارآمد:

پیش بینی خرابی و مسائل مربوط به عملکرد ماشین آلات قبل از بروز. مثلا استفاده از داده های سنسوری ناظر بر عملکرد ماشین  وایجاد هشدار در هنگام تغییر دامنه ارتعاشات از مقدار مطلوب.

نستله:

راه حل تعمیر و نگهداری پیش بین توسط شرکت نستله به کار گرفته شده است. آنها از ترکیبی از حسگرهای اینترنت اشیا و هوش مصنوعی برای نظارت بر تجهیزات حیاتی مانند بویلرها، کمپرسورها و نوار نقاله ها استفاده می کنند. داده‌های جمع‌آوری‌شده در زمان واقعی تجزیه و تحلیل می‌شوند تا پیش‌بینی شود که چه زمانی تعمیر و نگهداری باید انجام شود.

 این رویکرد به نستله کمک کرده است تا زمان خرابی برنامه ریزی نشده را کاهش دهد، عمر تجهیزات را افزایش دهد و برنامه های تعمیر و نگهداری را بهینه کند. همچنین توانایی آنها را برای حفظ استانداردهای بالای بهداشت و کیفیت محصول افزایش داده است.

دراین شیوه داده های مانیتورینگ وضعیت به صورت بر خط به فضای ابری فرستاده می شود و در آنجا به کمک الگوریتم های هوشمند تحلیل شده و سیگنال مناسب صادر می شود.

3.به دست آوردن بینش عملیاتی از داده های سنسوری:

اگثر تجهیزات امروزی دارای قابلیت ثبت و ضبط داده ها هستند و آنچه این داده ها را ارزشمند می کند درک صحیح از آن هاست .ماندد داده های ثبت شده از دستگاه های مختلف در هنگام تولید یک محصول در زمان های گوناگون .

 به کمک ابزارهای هوش تجاری می توان با استفاده از این داده ها بینش جامع تری نسبت به معیارهای کیفیت محصول ،مصرف انرژی،کارایی خط تولید ،بازخورد مشتریان و..بدست آورد .

نانوایی:

مورد سوم شرکت نانوایی bimbo در ایالات متحده است که بزرگترین کمپانی نان در آن کشور محسوب می شود.با توجه به ماهیت فاسد شدنی این ماده غذایی و کیفیت محصول توزیع شده، انبارهای بزرگ و احتمالا عدم فروش محصولات، مدیریت این انبارها ازاهمیت ویژه ای برخوردار است.

 با توجه به هدف شرکت یعنی مشتری مداری تصمیم گرفتند تا از یک تکنولوژی داده محور هوشمند با نام یون (ion)استفاده کنند که باعث همکاری بهتر میان برنامه ریزان و اپراتورها برای پیش بینی دقیق تر و صحیح تر سفارشات می شد.

در حقیقت در این مدل از داده های ورودی مانند خرده فروشی ها ،آب و هوا ،مناسبت ها تعطیلی ها و ......برای ایجاد یک مدل هوشمند برای پیش بینی دقیق میزان سفارشات(80 درصد) استفاده کردند.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی

چگونه از ChatGPT در اتوماسیون صنعتی استفاده نماییم؟

جهت استفاده از تمام ظرفیت ChatGPT یا دیگرمدل های هوشمند مصنوعی مبتنی بر پردازش زبان طبیعی لازم است تا نحوه صحیح نوشتن دستورات (command یا prompt ) در این مدل ها را فرا بگیرید.این مساله تا حدی جدی و با اهمیت است که  مهندسی prompt engineering ایجاد شده و محتوای آموزشی متناسب  برای آن ارائه می گردد.

شاید همه ما فرصت گذراندن دروس یا محتوای آموزشی prompt enginnering را در حال حاضر نداشته باشیم ولی می توان با مطالعه و عمل به محتوای زیر تا حدود زیادی خروجی بهینه و مناسب را از مدل هوش مصنوعی دریافت نماییم.

معنی promptدر ChatGPT

پرامپت ها دستورالعمل‌ها یا پرسش‌هایی به شکل مکتوب هستند که برای دریافت پاسخ وارد رابط هوش مصنوعی (AI) می‌شوند. پرامپت می تواند شامل کلمات کلیدی و عبارات باشد  . شما به ChatGPT یک سؤال یا دستورالعمل را می‌دهید و  او به گونه‌ای پاسخ می‌دهد که گویی در یک مکالمه است. پرامپت ها  می‌توانند به یک خروجی کوتاه یا یک مقاله طولانی منجر شوند.

نکات مربوط به نوشتن prompt:

در ادامه مبانی نوشتن prompt  و تعدادی استراتژی مرتبط را که برای انجام هر پروژه اتوماسیون صنعتی بدان نیاز دارید فرا خواهید گرفت.برای توصیف بهتر نکات از مثال هایی در حوزه اتوماسیون صنعتی استفاده شده است.همچنین چون زبان اصلی مدل های هوش مصنوعی انگلیسی است و به دلیل این که عموما محتوایی بهتری به زبان انگلیسی تولید می کنند از زبان انگلیسی بدین منظور استفاده کرده ام :

1.توصیف پروژه: توصیف یک یا دو جمله ای پروژه که شامل اهداف پروژه،مصرف کننده نهایی ،خروجی مورد انتظار شما برای اتمام پروژه است.

مثال :

 Describe the steps to design a PLC-based automation system for a sorting plant, including selecting appropriate sensors, actuators, and controllers

2.در نظر گرفتن نقش برای  مدل هوش مصنوعی:مثلا اختصاص یک حرفه یا یک هویت .

مثال:

as an Automation Controls Engineer Describe the steps to design a PLC-based automation system for a sorting plant, including selecting appropriate sensors, actuators, and controller

3.زمینه پروژه: دادن اطلاعات زمینه ای در مورد پروژه،مثلا آمارها یا اینکه چرا در حال انجام این پروژه هستید.

مثال:

for a tech start-up in its early phases of growth on ai solution, as an Automation Controls Engineer Describe the steps to design a PLC-based automation system for a sorting plant, including selecting appropriate sensors, actuators, and controllers

4.مشخصات خروجی: چه چیزی و چگونه ایجاد شود؟طول و لحن و ساختار محتوا.

مثال:

for a tech start-up in its early phases of growth on ai solution, as an Automation Controls Engineer Describe the steps to design a PLC-based automation system for a sorting plant, including selecting appropriate sensors, actuators, and controllers .The content should use new technology and avoid jargon while still sounding professional so that all project stakeholders can easily understand it.

5.قیدها و قانون ها: مثلا چه نوع محتوا یا کلماتی می خواهید در خروجی نباشد.

مثال:

for a tech start-up in its early phases of growth on ai solution, as an Automation Controls Engineer Describe the steps to design a PLC-based automation system for a sorting plant, including selecting appropriate sensors, actuators, and controllers from siemens company only.The content should use new technology and avoid jargon while still sounding professional so that all project stakeholders can easily understand it

6.مثال خروجی:معرفی نمونه کارهای انجام شده به مدل که با لحن مناسب و ساختار مورد پسند شما ایجاد گشته اند .

استراتژی های نوشتن prompt:

1.ایجاد دستورالعمل های سفارشی 

2.از خودChatGPTبرای ایجاد promptکمک بگیرید.

3.ایجاد کتابخانه شخصی promptهای خودتان.

4.از chatgpt برای ایجاد خلاصه مقالات یا اطلاعات طولانی کمک بگیرید.

5.ایجاد خروجی با زوایای متفاوت برای نگاه به یک مساله.

6.بررسی و ارائه نظر برای ChatGPT به منظور بهینه سازی پاسخ ها.

انواع موارد استفاده از ChatGPT در اتوماسیون صنعتی:

1.طراحی و پیکربندی سیستم(System Design and Configuration)

:prompt

Describe the steps to design a PLC-based automation system for a packaging plant, including selecting appropriate sensors, actuators, and controllers

مراحل طراحی یک سیستم اتوماسیون مبتنی بر PLC برای یک کارخانه بسته بندی، از جمله انتخاب سنسورها، محرک ها و کنترل کننده های مناسب را شرح دهید.

موارد استفاده:

- انتخاب اجزا: کمک به مهندسان در انتخاب حسگرها، محرک ها و PLC ها بر اساس الزامات برنامه خاص.

- پیکربندی سیستم: ارائه مراحل پیکربندی برای ادغام اجزای مختلف در یک سیستم اتوماسیون منسجم.

- مستندات:کمک به ایجاد مستندات جامع برای طراحی و پیکربندی سیستم.

 2. برنامه نویسی و اسکریپت(Programming and Scripting)

:Prompt

Write a ladder logic program for controlling a conveyor belt system with start, stop, and emergency stop functions

یک برنامه منطقی نردبانی برای کنترل سیستم تسمه نقاله با عملکردهای شروع، توقف و توقف اضطراری بنویسید.

موارد استفاده:

-  برنامه نویسی منطق نردبانی: تولید نمودارهای منطق نردبان و قطعه کد برای کارهای معمول صنعتی.

- متن ساختار یافته و SFC: نوشتن متن ساختاریافته و برنامه های نمودار تابع ترتیبی (SFC).

- اشکال زدایی و بهینه سازی:کمک به شناسایی و رفع خطاهای کد اتوماسیون.

 3. تحلیل و پایش داده(Data Analysis and Monitoring)

:Prompt

Explain how to set up a data monitoring system for predictive maintenance in a manufacturing plant using SCADA and AI technologies

نحوه راه اندازی یک سیستم نظارت بر داده ها را برای نگهداری پیش بینی شده در یک کارخانه تولیدی با استفاده از فناوری های SCADA و AI توضیح دهید.

موارد استفاده:

- یکپارچه سازی SCADA: ارائه مراحل یکپارچه سازی سیستم های SCADA با PLC ها برای نظارت در زمان واقعی.

-  تعمیر و نگهداری پیش بینی کننده: ارائه روش هایی برای اجرای تعمیر و نگهداری پیش بینی با استفاده از هوش مصنوعی و یادگیری ماشین.

-  تجزیه و تحلیل داده ها: کمک به تجزیه و تحلیل داده های عملیاتی برای بهبود کارایی فرآیند و تصمیم گیری.

 4. عیب یابی و تعمیر و نگهداری(Troubleshooting and Maintenance)

:Prompt

Outline the troubleshooting steps for a PLC that is not responding to input signals in an automated assembly line

مراحل عیب‌یابی PLC که به سیگنال‌های ورودی در خط مونتاژ خودکار پاسخ نمی‌دهد را مشخص کنید.

موارد استفاده:

- روش های تشخیصی: ارائه مراحل تشخیصی دقیق برای مشکلات رایج PLC و سیستم اتوماسیون.

- برنامه های تعمیر و نگهداری: پیشنهاد برنامه های تعمیر و نگهداری و بهترین شیوه ها برای تجهیزات صنعتی مختلف.

- تحلیل خطا: کمک به تجزیه و تحلیل علت ریشه ای خرابی های سیستم و پیشنهاد اقدامات اصلاحی.

 5. آموزش (Training and Education)

:Prompt

Create a training module on the basics of industrial automation, including an overview of PLCs, sensors, and actuators

یک ماژول آموزشی در زمینه اصول اتوماسیون صنعتی، از جمله مروری بر PLC ها، حسگرها و محرک ها ایجاد کنید.

موارد استفاده:

- مواد آموزشی: توسعه مواد آموزشی جامع در مورد جنبه های مختلف اتوماسیون صنعتی.

- یادگیری تعاملی: ایجاد ماژول های یادگیری تعاملی و آزمون ها برای افزایش درک.

- پایگاه دانش: ایجاد پایگاه دانش با سوالات متداول و راهنماهای عیب یابی.

 6. نوآوری و بهینه سازی(Innovation and Optimization)

:Prompt

Propoe innovative solutions for optimizing energy consumption in an industrial manufacturing process using AI and automation technologies

راه حل های نوآورانه برای بهینه سازی مصرف انرژی در یک فرآیند تولید صنعتی با استفاده از فناوری های هوش مصنوعی و اتوماسیون پیشنهاد کنید.

موارد استفاده:

- بهینه سازی انرژی: راهکارهای پیشنهادی برای کاهش مصرف انرژی از طریق اتوماسیون و هوش مصنوعی.

- بهبود فرآیند: ارائه ایده هایی برای بهبود مستمر فرآیند و کارایی عملیاتی.

- پایداری:پیشنهاد شیوه ها و فناوری های پایدار برای عملیات صنعتی.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی