نوآوری‌های اتوماسیون صنعتی

آقای آپادحیای (Upadhyay) نویسنده کتاب "هوش مصنوعی برای مدیران" در ابتدای کتاب آن را به کسانی تقدیم می کند که :

ترجیح می دهند برای آینده آماده شوند، تا اینکه منتظر وقوع آن باشند.

باید برای آینده آماده بود و اتفاقات و رویدادهای دنیای تکنولوژی را دنبال نمود.

اتوماسیون صنعتی به سرعت توسط هوش مصنوعی در حال تحول است و به قول آقای  Andrew Ng :

همانطور که برق تقریباً همه چیز را 100 سال پیش تغییر داد، امروز واقعاً به سختی به صنعتی فکر می کنم که توسط هوش مصنوعی در چند سال آینده متحول نشود.

اشنایدر الکتریک یک شرکت برجسته با رویکرد نوآورانه درمدیریت انرژی و اتوماسیون است و الگوریتم های تعمیر و نگهداری پیش بین مبتنی بر هوش مصنوعی را در تجهیزات الکتریکی خود تعبیه کرده است.

چالش نگهداری سنتی

به‌طور سنتی، نگهداری تجهیزات الکتریکی، به‌ویژه کنتاکتورها(دستگاه هایی که جریان الکتریکی را قطع و وصل می کنند)، شامل فرآیندی زمان‌بر برای پیش‌بینی زمانی بود که این دستگاه‌ها ممکن است از کار بیفتند یا خراب شوند.به همین علت تکنسین ها برای بازرسی بصری نقاط تماس، به دنبال تغییر رنگ یا حفره، که نشان دهنده تخریب کنتاکتور است، عملیات خود را متوقف می کردند. این توقف عملیات دربسیاری از موارد می تواند مجموعه را دچار هزینه نماید به عنوان نمونه یک کارخانه صنایع غذایی را در نظر بگیرید که به دلیل خرابی ناگهانی کنتاکتور با مساله فاسد شدن مواد غذایی روبرو است.

 طول عمرکنتاکتورها بسته به شرایط عملیاتی می تواند به طور قابل توجهی بیش از 10 سال باشد. با این حال، فشارهای محیط می تواند طول عمر دستگاه ها را کاهش دهد و مداخله فعالانه می تواند آن را طولانی تر کند.

قدرت هوش مصنوعی در نگهداری پیشگویانه

در نظر گرفتن یک عدد به عنوان طول عمر باقیمانده کنتاکتورها نیاز به آزمایش فشرده و چند ماهه دارد. اما با افزایش دسترسی به ابزارهای هوش مصنوعی برای مهندسی، مهندسان اشنایدر الکتریک نه تنها این زمان آزمایش را کاهش دادند، بلکه زمان توسعه کنتاکتور جدید را از سه سال به شش ماه کاهش دادند.یعنی این شرکت نه تنها به مشتریان این امکان را می دهد تا باقیمانده عمرمفید دستگاه را مد نظر قرار دهند بلکه خود شرکت نیزاز این فناوری برای کوتاه نمودن فرآیند توسعه کنتاکتور جدید بهره می برد.

با آغاز تولید نسل جدیدی از کنتاکتورها، تیم اشنایدر الکتریک قصد داشت به مشتریان این قدرت را بدهد که به جای واکنش‌پذیری فعال باشند. با هوش مصنوعی، این تیم به دنبال تعبیه یک الگوریتم تعمیر و نگهداری پیش‌بینی‌کننده در یک کنتاکتور بود که تنش بین نظارت بر طول عمر کنتاکتور و حفظ عملیات را از بین می‌برد. 

اشنایدر الکتریک این فرآیند را با ترکیب هوش مصنوعی (AI) و طراحی مبتنی بر مدل برای تعبیه یک الگوریتم تعمیر و نگهداری پیش‌بین به طور مستقیم در کنتاکتورها متحول کرده است. این رویکرد نوآورانه، آزمون تعمیر و نگهداری چند ماهه را به اندازه زمان استراحت ناهار تبدیل کرده است.

طراحی مبتنی بر مدل و هوش مصنوعی: ترکیبی قدرتمند

پروژه اشنایدر الکتریک نمونه بارز قدرت ترکیب طراحی مبتنی بر مدل با هوش مصنوعی است. طراحی مبتنی بر مدل یک روش ریاضی و بصری برای رسیدگی به مشکلات مرتبط با طراحی کنترل پیچیده، پردازش سیگنال و سیستم های ارتباطی است. این فرآیندی است که توسعه سریع‌تر و مقرون‌به‌صرفه‌تر سیستم‌های پویا، از جمله سیستم‌های کنترل، سیستم‌های پردازش سیگنال و سیستم‌های ارتباطی را امکان‌پذیر می‌سازد.

نقش نرم افزار متلب در پروژه

MATLAB، یک زبان سطح بالا و محیط تعاملی توسعه یافته توسط MathWorks، نقش مهمی در این پروژه ایفا کرد. MATLAB برای توسعه الگوریتم تعمیر و نگهداری پیشگویانه مبتنی بر هوش مصنوعی استفاده شد. این به مهندسان اشنایدر الکتریک یک پلت فرم انعطاف پذیر برای توسعه و آزمایش الگوریتم قبل از تعبیه آن در کنتاکتورها ارائه کرد. جعبه ابزار Predictive Maintenance MATLAB توابع و برنامه هایی را برای طراحی نظارت بر وضعیت و الگوریتم های نگهداری پیش بینی ارائه می دهد. این به مهندسان اجازه می دهد تا شاخص های وضعیت را طراحی کنند، خطاها و ناهنجاری ها را شناسایی کنند و عمر مفید باقیمانده (RUL) را تخمین بزنند. جعبه ابزار در توسعه الگوریتم نگهداری پیش‌بینی‌کننده برای پروژه اشنایدر الکتریک بسیار مفید بود.

محصول نهایی

محصول نهایی این پروژه، نسل جدیدی از کنتاکتورها با الگوریتم‌های تعمیر و نگهداری پیش‌بین مبتنی بر هوش مصنوعی است. این کنتاکتورهای هوشمند قادر به نظارت بر خود و پیش‌بینی عمر مفید باقیمانده خود (RUL) هستند و امکان تعمیر و نگهداری پیشگیرانه و کاهش قابل توجه زمان خرابی را فراهم می‌کنند.

مشتریان از سال 2021 از کنتاکتورهای TeSys Giga Schneider Electric مجهز به تابع تخمین RUL استفاده می‌کنند. آنها می‌توانند تعمیر و نگهداری این محصول را برنامه‌ریزی کنند و از آن به طور مؤثرتری استفاده کنند. آنها دیگر نیازی به توقف عملیات برای بازرسی کنتاکتورها ندارند و می توانند تعمیرات یا جایگزینی را به صورت استراتژیک برنامه ریزی کنند.

اشنایدر الکتریک اکنون در حال کار بر روی ارتقاء تعمیر و نگهداری پیش بینی کنتاکتور با توسعه یک کنتاکتور جدید است. این کنتاکتور شامل یک عملکرد عیب یابی داخلی است که نشان می دهد علاوه بر تخمین RUL چه خرابی هایی ممکن است در عملیات بعدی رخ دهد.

به طور خلاصه، پروژه «الگوریتم‌های نگهداری پیش‌بینی‌کننده مبتنی بر هوش مصنوعی تعبیه‌شده» توسط اشنایدر الکتریک، پتانسیل هوش مصنوعی را برای بهبود کارایی و قابلیت اطمینان در بخش انرژی، به‌ویژه در زمینه تعمیر و نگهداری پیش‌بینی‌کننده نشان می‌دهد. ترکیب طراحی مبتنی بر مدل و هوش مصنوعی، استفاده از MATLAB و جعبه ابزار نگهداری پیش‌بینی‌کننده آن، و چشم‌انداز پیشرفت‌های آینده، همگی به موفقیت پروژه اشنایدر الکتریک کمک می‌کنند. این پروژه نه تنها نشان دهنده یک پیشرفت قابل توجه در اتوماسیون صنعتی و تعمیر و نگهداری پیش بین است، بلکه پتانسیل هوش مصنوعی را در بهبود کارایی و قابلیت اطمینان در بخش انرژی نشان می دهد.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در اتوماسیون صنعتی

منبع مقاله:https://www.mathworks.com

هوش مصنوعی (AI) پیشرفت های چشمگیری در صنایع مختلف داشته است و بخش نفت و گاز نیز از این قاعده مستثنی نیست. کاربردهای هوش مصنوعی در این صنعت متعدد و متنوع هستند و طیف وسیعی از چالش ها را برطرف می کنند و کارایی و بهره وری را بهبود می بخشند. این مقاله مسائل حل شده در این حوزه را دسته بندی می کند و شرکت ها و پروژه های خاصی که راه حل های هوش مصنوعی را با موفقیت پیاده سازی کرده اند برجسته می کند.

1. اکتشاف: تجزیه و تحلیل سطح و ارزیابی زمین شناسی

هوش مصنوعی مانند یک معدن طلا برای اکتشاف نفت و گاز است و برای تجزیه و تحلیل داده‌های زمین‌شناسی، ژئوفیزیک و لرزه‌ای برای پیش‌بینی مخازن بالقوه ، بهینه‌سازی مکان‌های حفاری، و بهبود فرآیندهای تصمیم‌گیری در طول فازهای اکتشاف و حفاری استفاده می‌شود. اکتشاف به تحقیق و کشف مکان های بالقوه حفاری و استخراج و ذخایر نفت خام اشاره دارد. این کار با انجام بررسی‌ها، تحلیل‌ها و آزمایش‌های متعدد در زمینه‌های مورد علاقه انجام می‌شود. هدف این است که میزان ذخایر را قبل از حفاری تخمین بزنید.

ExxonMobil یکی از این شرکت‌هاست که قصد دارد از ربات‌های هوش مصنوعی در اعماق دریا برای افزایش قابلیت‌های تشخیص تراوش طبیعی استفاده کند. این روبات‌های مجهز به هوش مصنوعی قادر به تشخیص تراوش نفت، کاهش خطر اکتشاف و آسیب کمتر به حیات دریایی هستند. ExxonMobil در ایروینگ، تگزاس، ایالات متحده آمریکا واقع شده است.

2. تعمیر و نگهداری: کاهش زمان خرابی چاه/تجهیزات

هوش مصنوعی برای پیش‌بینی خرابی تجهیزات استفاده می‌شود و در نتیجه زمان خرابی و هزینه‌های نگهداری را کاهش می‌دهد. تعمیر و نگهداری در صنعت نفت و گاز شامل فرآیندهای آماده سازی، نگهداری و بازیابی تجهیزات قبل، حین و پس از ایجاد میدان نفتی است. هر مرحله از وظایف به دقت انجام می شود تا تجهیزات، سازه ها و مناطق اطراف آن در شرایط کاملاً ایمن نگهداری شوند. فناوری‌های نگهداری پیش‌بین‌ از داده‌های حسگری از منابع مختلف برای شناسایی الگوها، از جمله برنامه‌ریزی منابع سازمانی (ERP) و سیستم‌های اجرایی تولید (MES) استفاده می‌کنند. اینترنت اشیا و هوش مصنوعی با خودکارسازی فرآیند به جمع‌آوری و نظارت بر داده‌های بلادرنگ کمک می‌کنند.

CHEVRON نمونه بارز شرکتی است که از هوشمندسازی برای تجزیه و تحلیل مجموعه داده های عظیم، پیش بینی و محافظت از کارگران استفاده می کند. دفتر مرکزی شورون در سن رامون، کالیفرنیا، ایالات متحده آمریکا است.

3. تولید: بهینه سازی تولید و زمان بندی

الگوریتم‌های هوشمند برای بهینه‌سازی تولید و زمان‌بندی در صنعت نفت و گاز استفاده می‌شود. تولید یک فرآیند کامل چند مرحله ای برای کشف یک منبع، انتقال آن به یک پالایشگاه و تبدیل آن به یک محصول نهایی آماده برای فروش است. یا در اصطلاح صنعت، بخش های بالادستی، میانی و پایین دستی.

BP یکی از پیشروان هوش مصنوعی در صنعت است. آنها هوش مصنوعی را در کل زنجیره تامین نفت و گاز خود با بیش از 160 پروژه فعال هوش مصنوعی مستقر کرده اند. BP در لندن، مستقر است.

4. شبیه سازی: ردیابی و نگهداری دارایی/دوقلوهای دیجیتال

هوش مصنوعی برای ردیابی و نگهداری دارایی ها، اغلب از طریق استفاده از دوقلوهای دیجیتال استفاده می شود. شبیه سازی شامل ایجاد نمایش های واقع بینانه از مخازن، استفاده از تجهیزات و مقاومت و همچنین اثرات زیست محیطی است. این نوع نرم‌افزار به شرکت‌ها کمک می‌کند تا نتایج اکتشاف یا تولید را پیش‌بینی کنند و خطراتی را که ممکن است بر ایمنی و سودآوری تأثیر بگذارد، ارزیابی کنند.

SHELL در کل زنجیره تامین نفت و گاز خود بیش از 160 پروژه فعال هوش مصنوعی مستقر کرده است. شل در لاهه، هلند مستقر است.

5. کنترل کیفیت: تشخیص نقص

هوش مصنوعی برای تشخیص عیب در صنعت استفاده می شود.

آرامکوی عربستان دستیار هوشمند برای بهبود پردازش داده های لرزه ای ساخته است. عربستان سعودی آرامکو در ظهران، عربستان سعودی مستقر است.

6. حفاظت: امنیت سایبری مبتنی بر هوش مصنوعی

از الگوریتم ‌های هوشمند برای امنیت سایبری نیز استفاده می شود. حفاظت شامل استفاده از تجهیزات حفاظت فردی (PPE) برای محافظت از جان افرادی است که در این صنعت پرخطر کار می کنند. حفاظت شامل انواع مختلفی از تجهیزات ایمنی است که کارگران نفت و گاز باید از آنها آگاه باشند: ماسک‌های تنفسی، محافظ شنوایی، محافظ چشم، و لباس‌های مقاوم در برابر شعله.

Petrobras و NVIDIA برای تسریع حل کننده های خطی در مخازن از طریق NVIDIA Grace CPU با یکدیگر همکاری کرده اند. پتروبراس در ریودوژانیرو، برزیل مستقر است.

7. پیشگیری: ایمنی در محل کار

هوش مصنوعی برای افزایش ایمنی محل کار استفاده می شود. پیشگیری در صنعت نفت و گاز مستلزم اجرای یک برنامه ایمنی جامع است که شامل آموزش، بازرسی های منظم، شناسایی خطرات و برنامه ریزی مناسب واکنش اضطراری می باشد. این امر در کاهش خطرات  بسیار مهم است.

Dragon Oil مستقر در دبی، امارات متحده عربی، از هوش مصنوعی برای توسعه میدان نفتی در مصر استفاده می کند.

8. بینش: تصمیم گیری مبتنی بر تجزیه و تحلیل

برای تصمیم گیری مبتنی بر تحلیل ‌می‌توان از تحلیل داده استفاده نمود. بینش شامل استفاده از داده ها و تجزیه و تحلیل برای هدایت فرآیندهای تصمیم گیری  است. این بینش به شرکت@ها کمک می کند تا روندهای بازار را درک کنند، عملیات را بهینه کنند و تصمیمات استراتژیک بگیرند.

Schlumberger یکی از پیشروان ثبت اختراعات در اکتشاف نفت به کمک  AIاست. شلمبرگر در هیوستون، تگزاس، ایالات متحده آمریکا مستقر است.

9. پایداری:

هوش مصنوعی برای ردیابی انتشار در صنعت نفت و گاز استفاده می شود. پایداری را می‌توان به عنوان عملکرد مدیریت منابع، سرمایه‌گذاری‌ها و فناوری‌های موجود برای حفظ و بهینه‌سازی عملیات با تأکید بر ایمنی، قابلیت اطمینان، کارایی، آگاهی محیطی و اجتماعی تعریف کرد.

Equinor مستقر در استاوانگر، نروژ، یک مبتکر پیشرو در هوش مصنوعی اکتشاف نفت برای صنعت نفت و گاز است.

10. کارایی: بهینه سازی شبکه لجستیک

الگوریتم‌های هوشمند برای بهینه سازی شبکه لجستیک و لجستیک استفاده می شود. بهره وری در صنعت نفت و گاز یک ارزش اصلی و یک تمرین روزانه است. بهره وری انرژی به شرکت ها کمک می کند تا هزینه ها را مدیریت کنند، رقابت پذیری خود را تقویت کنند و محصولات انرژی مقرون به صرفه تر را برای مصرف کنندگان عرضه کنند.

BAKER HUGHES، مستقر در هیوستون، تگزاس، ایالات متحده، یک مبتکر پیشرو در اکتشاف نفت به کمک هوش مصنوعی است.

11. بهینه سازی: مدیریت موجودی به رهبری هوش مصنوعی

هوشمندسازی برای مدیریت موجودی نیز استفاده می شود. بهینه‌سازی در صنعت نفت و گاز به فعالیت‌های مختلف اندازه‌گیری، تحلیل، مدل‌سازی، اولویت‌بندی و اجرای اقدامات برای افزایش بهره‌وری یک میدان اشاره دارد: مخزن/چاه/سطح بهینه سازی تولید یک روش اساسی برای اطمینان از بازیابی ذخایر توسعه یافته و در عین حال به حداکثر رساندن بازده است

ConocoPhillips، مستقر در هیوستون، تگزاس، ایالات متحده، یک مبتکر پیشرو در اکتشاف نفت است.

12.کاهش انتشار

یکی از چالش های مهم صنعت نفت و گاز کاهش انتشار گازهای گلخانه ای است. هوشمندسازی در کمک به شرکت‌ها در کشف مؤثرترین مسیر برای کاهش این انتشارات نقش داشته است.

شرکت شل یکی از پیشروان هوش مصنوعی در صنعت نفت و گاز بوده است. این شرکت هوش مصنوعی را در کل زنجیره تامین خود با بیش از 160 پروژه فعال هوش مصنوعی مستقر کرده است. یکی از این پروژه ها استفاده از یادگیری تقویتی در برنامه اکتشاف و حفاری آن برای کاهش هزینه های استخراج گاز است.

 با بررسی انواع پروژه های تعریف شده می توان نتیجه گرفت که، هوش مصنوعی صنعت نفت و گاز را متحول می کند، راه حل هایی برای طیف گسترده ای از مشکلات ارائه می دهد و کارایی و بهره وری را افزایش می دهد. شرکت‌هایی که در بالا ذکر شد تنها چند نمونه از شرکت‌هایی هستند که از قدرت هوش مصنوعی برای نوآوری و برتری در این بخش استفاده می‌کنند.

مطالعه بیشتر در راهنمای جامع هوش مصنوعی در 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