نوآوری‌های اتوماسیون صنعتی

در چشم انداز به سرعت در حال تکامل اتوماسیون صنعتی، رابط های انسان و ماشین یا تاچ پنل‌های صنعتی (HMIs) در حال تغییر و تحول قابل توجهی هستند که به دلیل پیشرفت در هوش مصنوعی (AI) صورت می‌گیرد. این رابط‌ها که به عنوان نقاط تماس حیاتی بین اپراتورهای انسانی و سیستم‌های صنعتی عمل می‌کنند، به لطف فناوری‌های هوش مصنوعی، شهودی، شخصی‌سازی و کارآمدتر می‌شوند.

افزایش تجربه کاربری با هوش مصنوعی

HMI های سنتی برای ارائه ورودی های ماشین، اطلاعات وضعیت، هشدارهای بلادرنگ و گزارش‌ها به شدت به کنترل‌های فیزیکی و صفحه‌های لمسی متکی بودند. با این حال، ادغام هوش مصنوعی با معرفی راه‌های انعطاف‌پذیرتر تعامل کارگران با این رابط‌ها را متحول می‌کند. تکنیک‌هایی مانند پردازش زبان طبیعی (NLP) و هوش مصنوعی مولد در خط مقدم این تحول هستند و تجربه کاربری، بهره‌وری و دسترسی را افزایش می‌دهند.

پردازش زبان طبیعی (NLP): NLP ماشین‌ها را قادر می سازد تا زبان انسان را درک و تفسیر کنند و تعامل با HMI‌ها را طبیعی تر و شهودی تر می کند. در تنظیمات صنعتی، NLP می‌تواند برای توسعه کنترل‌های فعال صوتی مورد استفاده قرار گیرد که به اپراتورها اجازه می‌دهد دستورات را صادر کنند و بازخورد را به صورت شفاهی دریافت کنند. این امر نیاز به تعامل فیزیکی با رابط را کاهش می‌دهد، که می‌تواند به ویژه در محیط‌هایی که عملکرد هندزفری ضروری است مفید باشد. علاوه بر این، NLP می‌تواند مقادیر زیادی از داده‌های بدون ساختار، مانند گزارش‌های نگهداری و یادداشت‌های اپراتور را تجزیه و تحلیل کند تا بینش‌های عملی و توصیه‌های تعمیر و نگهداری پیش‌بینی‌کننده ارائه دهد. با درک زمینه و هدف زبان انسان، NLP تجربه کلی کاربر را بهبود می بخشد و عملیات را ساده می کند.

هوش مصنوعی مولد: هوش مصنوعی مولد به جای تجزیه و تحلیل صرفا داده های موجود، بر ایجاد راه حل‌ها یا طرح‌های جدید تمرکز دارد. در زمینه HMI‌های صنعتی، هوش مصنوعی مولد می تواند مراحل مختلف توسعه محصول، مانند فرآیند طراحی، نمونه سازی اولیه و آزمایش را خودکار و بهینه کند. این اتوماسیون امکان تکرارها و بهبودهای سریعتر را فراهم می کند و در نهایت زمان لازم برای راه اندازی یک محصول جدید را تسریع می بخشد. علاوه بر این، هوش مصنوعی مولد می‌تواند دستورالعمل‌های کاری پویا و راهنماهای عیب‌یابی هم‌زمان ایجاد کند و انجام کارهای پیچیده با حداقل خطا را برای اپراتورها آسان‌تر کند. با استفاده از الگوریتم‌های مولد هوش مصنوعی، تولیدکنندگان می‌توانند سطوح جدیدی از بهره‌وری و کارایی را بیابند و راه را برای سیستم‌های صنعتی نوآورانه‌تر و سازگارتر هموار کنند.

رابط‌های بصری و شخصی سازی شده:

یکی از مهم ترین تأثیرات هوش مصنوعی بر HMI‌ها تغییر به سمت رابط‌های بصری‌تر است که شبیه به فناوری مصرف کننده است. کارگران اکنون از سیستم‌های صنعتی همان سطح راحتی و شخصی‌سازی را انتظار دارند که از گوشی‌های هوشمند و تبلت‌های خود انتظار دارند. هوش مصنوعی ایجاد رابط‌هایی را امکان‌پذیر می‌سازد که نیازها و ترجیحات فردی را برآورده می‌کنند، گردش کار را ساده می‌کند، خطاها را کاهش می‌دهد و تعامل را افزایش می‌دهد. این شخصی سازی نه تنها بهره وری را افزایش می دهد، بلکه ناامیدی را کاهش می دهد و کارایی کلی را افزایش می دهد.

راهنمایی و آموزش هوشمند:

HMI‌های مبتنی بر هوش مصنوعی نیز با ارائه راهنمایی و آموزش هوشمند به چالش‌های کمبود کارگر و شکاف مهارتی می پردازند. این سیستم‌ها وظایف پیچیده را ساده می کنند و دستورالعمل‌های گام به گام، عیب یابی بلادرنگ و محتوای یادگیری تعاملی را ارائه می دهند. این قابلیت به ویژه در صنایعی که دانش تخصصی مورد نیاز است بسیار ارزشمند است، زیرا به کاهش تأثیر جابجایی نیروی کار کمک می کند و تضمین می کند که کارگران می توانند به سرعت با نقش‌ها و مسئولیت‌های جدید سازگار شوند.

دسترسی و فراگیری:

یکی دیگر از زمینه‌های حیاتی که هوش مصنوعی در آن تفاوت ایجاد می کند، دسترسی به HMI‌ها است. فناوری‌های هوش مصنوعی مانند تشخیص تصویر و تشخیص لب‌خوانی برای ایجاد رابط‌هایی استفاده می‌شوند که کارگران دارای ناتوانی‌های جسمی و رشدی را در خود جای دهند. با پشتیبانی از الزامات دسترسی فردی، این HMI‌های مبتنی بر هوش مصنوعی اطمینان حاصل می کنند که همه کارگران می توانند به طور موثر با سیستم‌های صنعتی تعامل داشته باشند، و فراگیر بودن و تنوع را در محل کار ترویج کنند.

آینده HMI‌های مبتنی بر هوش مصنوعی:

با ادامه پیشرفت هوش مصنوعی، پتانسیل برای نوآوری بیشتر در HMI‌های صنعتی بسیار زیاد است. پیشرفت‌های آینده ممکن است شامل واسط‌های پیچیده‌تری باشد که از هوش مصنوعی برای پیش‌بینی نیازهای کاربر، ارائه کمک‌های فعال و یادگیری مداوم از تعاملات کاربر برای بهبود عملکرد استفاده می‌کنند. ادغام هوش مصنوعی در HMI‌ها فقط به منظور بالا بردن سطح فناوری نیست. این در مورد توانمندسازی کارگران و ایجاد یک محیط صنعتی کارآمدتر، فراگیرتر و مولدتر است.

در نتیجه، هوش مصنوعی، HMIهای صنعتی را بصری تر، شخصی سازی و در دسترس تر کردن آنها را تغییر می دهد. این پیشرفت‌ها نه تنها تجربه و بهره‌وری کاربر را بهبود می‌بخشد، بلکه چالش‌های حیاتی مانند کمبود کارگر و دسترسی را نیز برطرف می‌کند. با ادامه تکامل این فناوری، آینده HMI های صنعتی امیدوارکننده به نظر می رسد و هوش مصنوعی نقشی محوری در شکل دادن به نسل بعدی تعاملات انسان و ماشین بازی می کند.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی

با توجه به تحریم ها ونیاز صنایع گوناگون به سرمایه گذاری‌های کلان بر روی نوسازی و استفاده از تکنولوژی‌های لبه دانش، اهمیت فناوری‌های نوین دو چندان می‌شود. با جستجو درمحتوای فارسی با مقالات متنوعی در خصوص کاربردهای هوش مصنوعی در صنایع مختلف روبرو می شویم.به نظر می رسد برای بکارگیری روش‌های جدید در صنایع بالادستی مانند نفت و گاز،فولاد یا برخی از صنایع غذایی به صورت موردی و پایلوت تلاش‌هایی آغاز شده است.به عنوان نمونه می توان به برگزاری کنفرانس‌ها، جلسات و نشست‌ها درصنایع مختلف با عنوان تحول دیجیتال اشاره نمود. این بدان معنا است که درسطح مدیران دغدغه و توجه به این مساله ایجاد شده است. 

مساله ای که در این جا مطرح می شود این است که، یک فارغ التحصیل دانشگاهی یا نیروی کار اتوماسیون صنعتی در محیط کاری که مبتنی بر هوش مصنوعی و حوزه دیجیتال خواهد بود چه مطالبی را باید بیاموزد و چگونه خود را آماده نماید.

به همین جهت،سئوالاتی که در فضای وب به عنوان سئوالات پر تکرار در دنیا مطرح می شوند را جستجو کرده تا با خواندن این سئوالات و یافتن پاسخ با فضای فکری در سطح دنیا آشنا شویم .

در این متن به بررسی پرسش " چه مهارت‌هایی برای نیروی کار در محیط صنعتی مبتنی بر هوش مصنوعی مورد نیاز است؟" و یافتن پاسخ مناسب می پردازیم.

برای پاسخ به سئوال فوق در ابتدا لازم است راه حل های مبتنی برهوش مصنوعی را برشمرد تا با ویژگی های این محیط آشنا شد و سپس مهارت های مورد نیاز در این حوزه را بررسی نماییم.

راه حل‌های کلیدی مبتنی بر هوش مصنوعی در صنعت :

1.  تعمیر و نگهداری پیش بین :

 هوش مصنوعی خرابی تجهیزات را پیش بینی می کند و امکان نگهداری به موقع و کاهش زمان خرابی را فراهم می کند.

 مثال: تجزیه و تحلیل ارتعاش، نظارت بر دما و تشخیص ناهنجاری.

برای درک بهتر مفهوم تعمیر و نگهداری پیش‌بین می توانید مقالات "هوش مصنوعی در سرو درایو" و "هوش مصنوعی در کنتاکتور" را مطالعه نمایید.

2. کنترل و تضمین کیفیت:

هوش مصنوعی کیفیت محصول را در طول ساخت نظارت و تضمین می کند.

 مثال: بازرسی بصری با استفاده از بینایی کامپیوتر، تشخیص نقص و نظارت بر کیفیت در زمان واقعی.

 مقاله "هوش مصنوعی در صنایع غذایی" را مطالعه کنید تا با نمونه‌های واقعی بررسی و تضمین کیفیت در محصولات غذایی آشنا شوید.

3. بهینه سازی فرآیند:

 هوش مصنوعی فرآیندهای تولید را برای کارایی و مقرون به صرفه بودن بهینه می کند.

 مثال: بهینه سازی مصرف انرژی، برنامه ریزی تولید و بهینه سازی زنجیره تامین.

4. روباتیک و اتوماسیون:

 هوش مصنوعی با رباتیک ادغام می شود تا کارهای تکراری را خودکار کند و دقت را بهبود بخشد.

 مثال: بازوهای رباتیک برای مونتاژ، وسایل نقلیه هدایت شونده خودکار (AGV) و روبات های مشارکتی (cobots).

5. مدیریت زنجیره تامین:

 هوش مصنوعی زنجیره تامین را از خرید تا تحویل مدیریت و بهینه می کند.

 مثال: پیش بینی تقاضا، مدیریت موجودی، و بهینه سازی لجستیک.

6.همکاری انسان و ماشین:

 هوش مصنوعی همکاری بین کارکنان انسانی و سیستم های هوش مصنوعی را برای بهبود بهره وری و ایمنی افزایش می دهد.

 مثال:به کارگیری واقعیت افزوده (AR) برای آموزش، سیستم های پشتیبان تصمیم گیری مبتنی بر هوش مصنوعی وانواع فناوری پوشیدنی مانند متاورس صنعتی.

مهارت های مورد نیاز برای نیروی کار درسطح میدانی و متخصص به دو دسته مهارت های نرم و مهارت های فنی تقسیم بندی می شوند.

مهارت های مورد نیاز کارگران در صنعت(سطح میدانی)

مهارت های نرم:

هر چند اهمیت مهارت های نرم در اتوماسیون سنتی نیز چشم گیر تلقی می شود ولی باید دقت کرد که درمحیط جدید با توجه به وابستگی زیاد به تکنولوژی های جدید، فراگیری این مهارت ها دوصد چندان خواهد بود.

1. سازگاری و یادگیری مستمر:

 - تمایل به یادگیری و سازگاری با فناوری های جدید.

2. ارتباطات و همکاری:

 - مهارت های ارتباطی موثر برای کار با اعضای تیم و سرپرستان.

 - امکان همکاری با سیستم های هوش مصنوعی و همکاران انسانی.

3. حل مسئله:

 - امکان شناسایی و حل مشکلات با استفاده از ابزارهای هوش مصنوعی.

 - مهارت های تفکر انتقادی برای تجزیه و تحلیل موقعیت ها و تصمیم گیری آگاهانه.

4.ایمنی:

 - درک پروتکل های ایمنی در محیط های تقویت شده با هوش مصنوعی.

 - امکان کار ایمن در اطراف ماشین آلات و ربات های مستقل.

5.سواد هوش مصنوعی :

کارگران کارخانه باید درک اساسی از مفاهیم هوش مصنوعی و نحوه استفاده از هوش مصنوعی در تولید داشته باشند. این شامل دانستن توانایی‌ها و محدودیت‌های سیستم‌های هوش مصنوعی است که روزانه با آن‌ها تعامل دارند. لازم نیست کارگران متخصص هوش مصنوعی باشند، اما باید با هوش مصنوعی به عنوان ابزاری که کارشان را بهبود می بخشد، راحت باشند.

 مهارت های فنی

1. برنامه نویسی پایه(مبانی برنامه نویسی):

 - آشنایی با زبان های برنامه نویسی مانند پایتون.

 - توانایی انجام وظایف کدگذاری اولیه و درک الگوریتم های هوش مصنوعی.

2. تفسیر داده ها:

  توانایی خواندن و تفسیر داده های تولید شده توسط سیستم های هوش مصنوعی.

  درک معیارهای کلیدی و نحوه استفاده از داده ها برای تصمیم گیری.

3. تعمیر و نگهداری تجهیزات:

 - آشنایی با ابزارها و تکنیک های نگهداری پیش بین.

 - امکان استفاده از سیستم های تعمیر و نگهداری مبتنی بر هوش مصنوعی برای جلوگیری از خرابی تجهیزات.

4. کنترل کیفیت:

 - آشنایی با سیستم های کنترل کیفیت مبتنی بر هوش مصنوعی.

 - قابلیت کالیبراسیون و کار با ابزارهای بازرسی مبتنی بر هوش مصنوعی.

مهارت‌های مورد نیاز برای متخصصان اتوماسیون صنعتی

 مهارت‌های نرم

1. تفکر انتقادی و حل مسئله:

 - مهارت های تحلیلی و استدلال منطقی قوی.

 توانایی توسعه راه حل های نوآورانه برای مشکلات پیچیده.

2. ارتباطات و همکاری:

 - مهارت های ارتباطی موثر برای انتقال اطلاعات فنی به ذینفعان غیر فنی.

 - توانایی کار مشترک در تیم های چند رشته ای.

3. مدیریت پروژه:

 - توانایی مدیریت پروژه ها، تعیین اهداف و رعایت ضرب الاجل ها.

 - درک متدولوژی های مدیریت پروژه مانند Agile و Scrum.

4. اخلاق و مسئولیت:

 - آگاهی از ملاحظات اخلاقی در هوش مصنوعی و اتوماسیون.

 - تعهد بکارگیری شیوه های هوش مصنوعی اخلاق گرایانه و حفظ حریم خصوصی داده ها.

 مهارت‌های فنی

1. یادگیری ماشین پیشرفته و هوش مصنوعی:

 - درک عمیق الگوریتم ها و مدل های یادگیری ماشین.

 - تسلط بر چارچوب های یادگیری عمیق مانند TensorFlow، Keras و PyTorch.

2. تخصص برنامه نویسی:

 - تسلط به زبان های برنامه نویسی مانند پایتون، سی پلاس پلاس و جاوا.

 - تجربه کاربا کتابخانه ها و ابزارهایی مانند OpenCV برای بینایی کامپیوتر و Scikit-learn برای یادگیری ماشین.

3. تحلیل و تفسیر داده ها:

 - توانایی تجزیه و تحلیل و تفسیر مجموعه داده‌های بزرگ.

 - مهارت دربکارگیری ابزارهای تجسم داده مانند Matplotlib، Seaborn و Tableau.

4. سیستم های کنترل و PLC:

 - آشنایی با کنترلرهای منطقی قابل برنامه ریزی (PLC) و برنامه نویسی آنها.

 - آشنایی با سیستم های کنترل و پروتکل های اتوماسیون مانند SCADA و DCS.

5. رایانش ابری و اینترنت اشیا صنعتی:

 - آشنایی با پلتفرم های ابری مانند AWS، Azure و Google Cloud.

 - آشنایی با اینترنت اشیا  صنعتی(IIoT) و ادغام آن با هوش مصنوعی برای کاربردهای صنعتی.

6.مهارت نوشتن prompt در مدل های زبانی مانند ChatGPT.

برای آشنایی با نحوه نوشتن prompt در ChatGPT می توانید مقاله"ChatGPT در اتوماسیون صنعتی" را مطالعه نمایید.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی

اجازه دهید ابتدا نگاهی به تکامل رویکرد تعمیر و نگهداری داشته باشیم. از همان ابتدا، ما چیزی را داشتیم که می‌توانیم آن را رویکرد واکنشی بنامیم، به عبارت دیگر، زمانی که ماشینی کار نمی‌کند، می‌فهمیم که خراب شده است. نتیجه کلی این رویکرد به جهت اینکه ما تولید کننده همه تجهیزات نیستیم این خواهد بود که یا باید یک انبار بزرگ با تمام قطعات جایگزین داشته باشیم یا در نهایت با زمان طولانی تر منتظر تحویل جایگزین شویم.

 به عنوان نمونه، من یک ماشین قدیمی دارم که در آن هیچ سنسوری وجود ندارد. هیچ عملکرد اضافی وجود ندارد، بنابراین وقتی چیزی خراب شد، ما فقط در حین رانندگی متوجه آن می شویم و در صنعت چنین مثالی می تواند  قطعات مکانیکی خراب باشد که باید تعویض گردند. 

سطح دوم توسعه، یک رویکرد پیشگیرانه برای جایگزینی اجزای مهم ماشین است. به عبارت دیگر ما هر چند وقت یک بار خط تولید یک کارخانه یا ماشین را خاموش  و هر چیزی را که ممکن است خراب شود جایگزین می کنیم. به عنوان مثال به هواپیمایی فکر کنیم که برای ایمنی ما قبل از هر پرواز، یک بازرسی کوچک از هواپیما و هر چند وقت یکبار بازرسی اصلی دوره ای دارد.این شیوه درصنعت را بیشتر با تعویض قطعاتی که حتی ممکن است هنوز کاملا خراب نشده باشند، می شناسیم.این رویکرد را می توان در تعطیلات شرکت های تولیدی دید که در آن اپراتورها در تعطیلات هستند و خدمات تعمیر و نگهداری شامل بازرسی وتعویض قطعات از خسارت های بعدی جلوگیری می کند. 

ایده رویکرد پیشگیرانه چیز جدیدی نیست. در نهایت ما اکنون به اوج تکامل رویکرد تعمیر و نگهداری رسیده‌ایم که بیش از هر چیز به ایده صنعت4(Industry 4) یا اینترنت اشیاء مرتبط است، به این معنی که ماشین‌ها روز به روز حساس‌تر می‌شوند و ما بیشتر در مورد آنچه در داخل آنها می‌گذرد می‌دانیم. . علاوه بر این، همیشه علاوه بر پارامترهای معمولی که اندازه گیری می کنیم در حال اندازه گیری پارامترهای دیگر نیستیم.منظوراین است که ،در بسیاری از موارد می توانیم از پدیده های فیزیکی اضافی برای یافتن غیرمستقیم وضعیت تحهیزات استفاده کنیم.به عنوان مثال تجزیه و تحلیل ارتعاش یا حتی نوسان در رابطه با بلبرینگ ها یا تجزیه و تحلیل تغییرات جریان در یک موتور یا مقاومت یا افزایش دمای اجزا. بنابراین اکنون می‌توانیم قطعات فرسوده را قبل از پایان عمر مفید آنها جایگزین کنیم و در عین حال درهزینه و همچنین مراقبت از محیط زیست و کاهش ردپای کربن صرفه‌جویی کنیم.

از نظر تئوری فوق العاده جالب به نظر می رسد، اما وقتی به آن فکر می کنیم می بینم که به صدها و صدها حسگر نیاز خواهیم داشت و می بایست حجم عظیمی از داده ها را پردازش کنیم و این پروژه ها عظیم خواهند بود.این پروژه ها شامل تجزیه و تحلیل داده ها و سیستم برنامه ریزی و نصب سخت افزار، پیکربندی این سخت افزار و در نهایت پیاده سازی نرم افزار می باشند. اما این پایان ماجرا نیست زیرا بهینه سازی تست ها و در نهایت بحث استقرار در مقیاس بزرگتر و سپس نظارت وجود دارد. بنابراین نیازمند مراحل زیادی برای انجام است و متأسفانه این همیشه بهترین راه حل نیست زیرا پیاده سازی این نوع برنامه ها گران هستند و به کارکنان متخصص برای ایجاد کد نیاز دارند و نوشتن این کد به دلیل تجزیه و تحلیل داده ها زمان زیادی را می طلبد. بدترین قسمت احتمالاً این واقعیت است که حتی بعد از تمام آن کاری که ممکن است چندین ماه طول بکشد همانطور که می توانید تصور کنید دقت پیش بینی می تواند بسیار کم باشد مانند 50٪ و حتی در بهترین شرایط 70 یا 80 درصد. 

بنابراین می توان گفت پیاده سازی دارای ریسک بالایی است.

 آیا با وجود اجرای دشوار تعمیر و نگهداری پیش بین،این رویکرد از نظر اقتصادی توجیه پذیر هست؟ نظر بازار در این مورد چیست، روند بازار نسبت به این موضوع چگونه است؟

به عنوان مثال در گزارش iot analytis ، ارزش بازار جهانی تعمیر و نگهداری پیش بین در سال 2022 در حدود  5.5 میلیارد دلار بود،این مقدار بسیار زیاد توسط شرکت های بسیار بزرگ با چند صد یا چند هزار کارمند که می توانند استطاعت ریسک سرمایه گذاری زیادی را داشته باشند جبران می شود. اما روند صعودی غیر قابل انکار در نمودار قابل مشاهده است.

همچنین اگر تعداد پرس‌و‌جوها در Google را بررسی نمود می‌توان مشاهده کرد که تعداد عبارت‌های کلیدی برای تعمیر و نگهداری پیش‌بین از تعداد پرس‌و‌جوهای مربوط به تشخیص مبتنی بر شرایط بیشتر است.

یکی از روندها در تعمیر و نگهداری پیش بین علاقه به ارائه راه حل کامل از طریق مدل های از پیش آموزش دیده(pretrained models) توسط سازندگان است که در دستگاه های خاصی گنجانده شده اند و دارای دقت پیش بینی بالا و پیاده سازی بسیار آسان هستند و نیازی به متخصص ندارد.

کدام ویژگی Servo Drive به ما امکان می دهد که از آن در پیش بینی استفاده کنیم؟

به سرو می توان مانند یک سنسور نگاه کرد که دارای انکودر است و می تواند مانند یک حسگر پیشرفته اطلاعات مفید زیادی را استخراج نماید. اما برای این که این امر امکان پذیر باشد، سروو باید ویژگی های خاصی را برآورده کند. برای مثال پاسخ فرکانس با سرعت بالا و وضوح رمزگذاری بسیار بزرگ داشته باشد.

جدیدترین سری سرو درایو j5 شرکت میتسوبیشی مجهز به الگوریتم Al با نام MAISART هست که می توان از آن برای پیش بینی(predictive)  استفاده کرد.این سرو علاوه بر قابلیت پیش بینی از الگوریتم های پیشگیرانه(preventive)نیز استفاده می نماید.

این الگوریتم می تواند تغیرات پارامترهای دینامیکی مقاومت در برابر حرکت مانند خرابی مکانیکی یا روغن کاری از راه دور را از طریق ارتباط با درایو بررسی نماید. ثانیاً مقدار مقاومت استاتیکی در برابر حرکت درایو را جهت بررسی تغییرات کشش تسمه تایم و شل شدن تسمه تایم تشخیص دهد و ثالثاً برای بررسی مقدار بکلش (backlash) در گیربکس مکانیکی استفاده شود.

سیستم سروو سری MELSERVO-J5 انواع مختلفی از عملکردهای تعمیر و نگهداری را ارائه می دهد که مشکلات پیش بینی نشده را پیش بینی و از آن جلوگیری می کند و در صورت بروز مشکل، بازیابی سریع را امکان پذیر می کند.این عملکردها به کاهش زمان خرابی و افزایش بهره وری کمک می کنند و در عین حال از کیفیت محصولات شما محافظت می کنند.

سروو آمپلی فایرها و سروو موتورهای سری MELSERVO-J5 به انواع تعمیر و نگهداری پیش بینی و پیشگیرانه مجهز هستند.

تعمیر و نگهداری پیش‌بینی‌کننده که به عنوان نگهداری مبتنی بر شرایط (CBM) نیز شناخته می‌شود، عملی برای تشخیص تغییرات در ماشین از جمله لرزش و اصطکاک است به طوری که می توان قطعات را قبل از خرابی متناسب با آن تعویض کرد.انجام تعمیرات پیش بینی شده منجر به افزایش ظرفیت دستگاه می شود و به جلوگیری از خرابی سیستم، کاهش زمان تعمیر و نگهداری کمک می کند و هم بهره وری و هم کیفیت محصول را بهبود می بخشد.

تشخیص تغییرات در ارتعاش و اصطکاک برای پیش بینی عمر سرویس اجزای مکانیکی درایو :

عملکرد تشخیصی به این صورت عمل می کند که استهلاک مرتبط با طول عمر را بر اساس اصطکاک و ارتعاشات اجزای محرک مکانیکی مانند توپ پیچ(BALL SCREWS)، تسمه‌ها و چرخ دنده‌ها تشخیص می‌دهد. این تابع به طور خودکار یک هشدار خرابی ایجاد می کند، خطاها را شناسایی می کند و در صورت بروز علائم خرابی یک هشدار خروجی می دهد. نتایج خرابی از طریق CC-Link IE TSN به ماژول Motion و سیستم IT منتقل می شود و می تواند برای تعمیر و نگهداری و تشخیص کلی ماشین استفاده شود.

سه کاربرد اصلی الگوریتم پیش بین مورد استفاده در سرو میسوبیشی را می توان به صورت خلاصه در زیر آورد:

1.توپ پیچ و راهنمای خطی(ball screws and linear guides):

 نگهداری پیش بین بر اساس تخمین اصطکاک و ارتعاشات اجزای مکانیکی در قطعاتی مانند بال اسکرو و راهنماهای خطی عمل می کند.

2.تسمه 

این عملکرد فرسودگی تسمه تایم ها را بر اساس پیش بینی خطای اصطکاک استاتیک و استهلاک کشش شناسایی می نماید.

3.چرخ دنده ها

با استفاده از این عملکرد، پیش بینی خرابی دنده صورت گرفته و سروو دستوراتی را به طور خودکار تولید می کند و عملیات موقعیت یابی به عقب را برای تخمین میزان عکس العمل دنده اجرا می کند.

کنترل پیشگیرانه:(preventive)

 اجزای مکانیکی سرو:این تابع زمان خرابی ماشین را بر اساس مسافت کل طی شده نشان خواهد داد و زمان فرا رسیدن آن را اعلام می کند.

تشخیص عمر تقویت کننده سروو:این تابع بر اساس تعداد دفعات روشن/خاموش رله، طول عمر فن ،  زمان سرویس قطعات را به عنوان یک راهنمای تقریبی نشان می دهد.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی