نوآوری‌های 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

در این مقاله سعی می‌کنیم به صورت قدم به قدم کاربرد هوش مصنوعی در plc زیمنس را با استفاده از ماژول NPU و کنترلر s7-1500 توضیح دهیم.

شرکت زیمنس برای تحقق هوشمندسازی صنعتی در لایه فیلد(field) و لایه کنترل، از ماژول NPU و کنترلر s7-1500 استفاده می کند.

ویژگی های NPU :

•           استفاده از چیپ هوش مصنوعی با قدرت پردازش بالا

•           امکان پردازش اطلاعات ورودی من جمله:صدا و تصویر

•           امکان اتصال سنسوری به صورت usbیا Ethernet

•           امکان انجام پروژه با استفاده از پلتفرم های هوش مصنوعی و نرم افزار TIA

کاربرد:

•           امکان استفاده در رباتیک برای جابجایی قطعات ناشناخته و دلخواه با استفاده از تصاویر گرفته شده

•           بررسی کیفیت محصولات یا فرآیندها با استفاده از تحلیل تصاویر

•           امکان شناسایی عیوب سیستم و مانیتورینگ وضعیت آن  مثلا بررسی لرزش در شفت موتور

هدف پروژه:

سورتینگ یا دسته بندی محصولات بر اساس تصاویر بر خط دوربین .

توضیح تجهیزات به کار گرفته شده:

الف:دو عدد مموری کارت برای NPU و S7-1500

ب:دوربین Basler ace classic با رزولوشن 2MP و نرخ فریم 25FPS با رابط کاربری GIgE.توضیح اینکه دوربین باید USB3.1 یا ETHERNET را پشتیبانی کند.

ج:نرم افزار تیا پورتال (TIA portal) , wincc

د:یک عدد HMI(رابط کاربری انسان و ماشین)

ه:AI Model Deployer-یک نرم افزار تحت ویندوز که در حقیقت رابط کاربری برای اعمال مدل هوش مصنوعی بر روی سخت افزارNPU ایجاد می نماید.

کلیات نحوه عملکرد سیستم :

کنترلر سیستم یعنی plc s7-1500 یک پیغام (trigger message) برای واحد پردازش عصبی(NPU) ارسال می نماید تا دوربین متصل به سیستم شروع به عکس برداری نماید.سپس NPU پیش پردازش عکس را بر اساس الگوریتم های تعبیه شده در آن انجام می دهد و نتیجه استنتاج  و تحلیل را به plc سیستم بر می گرداند.

طریقه اتصال فیزیکی  NPU به plc به سه صورت امکان پذیر است :

الف:روش متمرکز- یعنی اتصال مستقیم NPU به plc از طریق اتصال bus.

ب:روش غیرمتمرکز-یعنی اتصال غیر مستقیم از طریق ماژول رابط (ET200MP).

می توان در این پروژه مستقیم NPU را به کنترلر و همجنین دوربین متصل نمود.

برای اجرای نرم افزاری پروژه کاربرد هوش مصنوعی در plc می بایست برنامه کاربردی و الگوریتم هوش مصنوعی بر روی کارت SD آپلود شود که این کارت بر روی NPU قرار خواهد گرفت.

عکس توسط دوربین گرفته می شود و توسط NPU آماده می شود و به قسمت پردازنده هوش مصنوعی شرکت اینتل که بر روی NPU تعبیه شده فرستاده شده و در آن جا پردازش می گردد.نتیجه پردازش به PLC فرستاده می شود و PLC  بر اساس توابع بلوکی (FUNCTION BLOCK) نتایج را ارزیابی و دستور مورد نیاز را به عملگرها ارسال می نماید.

همچنین امکان ارسال اطلاعات سنسورها و درایوها و ...از PLC  به NPU و پردازش هوش مصنوعی و بازگشت به PLC برای ارزیابی نهایی نیز وجود دارد.

جزییات اجرای پروژه سورتینگ به کمک هوش مصنوعی:

1.جمع آوری عکس شامل لیبل گزاری و گروه بندی

به عنوان مثال در این پروژه از هر محصول عکس هایی با  زوایا ،چرخش ، نور و پشت زمینه متفاوت گرفته می شود تا دیتا غنی باشد و خطا کاهش و دقت سیستم افزایش یابد.همچنین می توان از داده های آماده در نت به عنوان نمونه استفاده نمود.

2.تعریف مدل الگوریتم ماشینی بر اساس نوع پروژه 

در این قسمت می توان از الگوریتم های پیش آموزش یافته (pretrained algorithms) زیمنس که با فرمت سازگار با AI MODEL DEPLOYER ساخته شده اند با توجه به نوع و ساختار مساله استفاده نمود.این الگوریتم ها با عناوین شناسایی اشیا (OBJECT DETECTION) و دسته بندی محصولات(CLASSIFICATION) ارائه شده اند.    

اگردرحوزه الگوریتم های هوش مصنوعی که در حوزه پردازش تصویر و صوت  استفاده می شوند مانندKeras  و TensorFlow وPyTorch استفاده کرده‌اید یا با این حوزه آشنایی دارد میتوانید از الگوریتم های ساخته شده و تست شما خودتان استفاده نمایید.

3.تبدیل مدل هوش مصنوعی به فرمت قابل بررسی توسط npu

فرمت مدل هوش مصنوعی ایجاد شده باید با نرم افزار AI Model deployer سازگار باشد تا این نرم افزار بتواند این مدل را به فرمت قابل قبول پردازنده  intel Myriad X تبدیل نماید.

در واقع یک خروجی نرم اقرار AI MODEL DEPLOYER شامل مدل هوش مصنوعی تبدیل شده است که بر روی کارت SD  ذخیره می گردد و به NPU متصل می گردد. خروجی دیگر شامل فایل Scl ,text list  است که بر روی نرم افزار TIA و برای توابع بلوک و HMI مورد استفاده قرار می گیرد.

4.آماده سازی سخت افزاری و نرم افزاری

شامل تنظیمات سخت افزاری و نرم افزاری می شود که باید انجام گیرد.

الف-نصب HSP در نرم افزار TIA PORTAL

ب-بازیابی پرژه از پیش تعریف شده در تیا

ج-آپدیت فریم ورک npu به آخرین نسخه

د-پیکربندی سخت افزاری در نرم افزار TIA

ه-کامپایل و دانلود پروژه TIA

5.بارگذاری الگوریتم نهایی بر روی NPU به کمکSD card

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی