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