نقش هوش مصنوعی در کارخانه های صنعتی

نسخه چاپگر پسند

شماره 4 2023 صنعتی (صنعتی)

همگرایی بهبود یافته داده های OT/IT/ET به معنای گرد هم آوردن عناصر قبلی جداگانه است که اکنون ساده و یکپارچه شده اند. برای دستیابی به این هدف، تمام داده های OT، IT و ET در یک دریاچه داده انباشته می شوند. سپس، داده‌های مرتبط در یک مدل داده خاص صنعت، مانند ساخت کاغذ یا اکسترود کردن پلاستیک، زمینه‌سازی و ذخیره می‌شوند. سپس تحلیل‌های پیشرفته و الگوریتم‌های هوش مصنوعی صنعتی (AI) برای شناسایی همبستگی‌هایی که قبلاً قابل مشاهده نبودند استفاده می‌شوند.

“اما اینطور نیست. شما می توانید با گام های کوچک شروع کنید،” Blackbeard اشاره می کند. دلایل دیگر ممکن است عدم همکاری بین افراد OT، IT و ET، و به طور کلی پذیرش کند ابزارهای دیجیتال جدید در بسیاری از بخش‌های صنعتی باشد. واقعیت این است که پیوستن به این سفر بلوغ دیجیتال، مهم نیست که کجا هستید، با استفاده از داده‌ها و سیگنال‌هایی که از قبل در سیستم‌های کنترل فرآیند، تجارت و مهندسی شما موجود است، آسان است.»

منبع: https://www.securitysa.com/19593R

ما از AI/ML برای ارائه درجه بالاتری از دقت پیش‌بینی و بهینه‌سازی عملیات، فرآیندها و دارایی‌ها استفاده کرده‌ایم. ترکیب هوش مصنوعی با تخصص عمیق در حوزه صنعتی، اپراتورها را قادر می‌سازد تا فرآیندهای صنعتی خود را ایمن، مؤثرتر و پایدارتر اجرا کنند.»

به عنوان مثال، یک موتور را در نظر بگیرید، یک دارایی ضروری و همه جا در هر کارخانه. موتور داده های عملیاتی زیادی مانند داده های دما، فشار و سرعت جریان را از مراحل مختلف فرآیند تولید تولید می کند. برای به دست آوردن یک نمای کلی از موتور، ما اطلاعات همه این سیستم ها را یکپارچه می کنیم و قطعات مربوطه را در یک مدل داده های متنی ذخیره می کنیم. Blackbeard توضیح می‌دهد: «این به ما امکان می‌دهد تا عملیات بهینه تجهیزات را برای بهترین نتایج فرآیند کلی تجسم و فعال کنیم.

بلک‌بیارد می‌گوید: «هوش مصنوعی صنعتی می‌تواند نقش مهمی در شناسایی این الگوها و پیش‌بینی فرآیند ایفا کند. اصطلاحات هوش مصنوعی و ML (یادگیری ماشینی) اغلب به جای یکدیگر استفاده می شوند که گاهی اوقات ممکن است گیج کننده باشد. هوش مصنوعی علم فراگیر هوشمند کردن ماشین‌ها و سیستم‌های فیزیکی با تعبیه «هوش مصنوعی» در آنهاست. ML زیرمجموعه‌ای از هوش مصنوعی است که شامل سیستم‌هایی است که در طول زمان از طریق «خودآموزی» دانش کسب می‌کنند تا بدون دخالت انسان، هوشمندتر و قابل پیش‌بینی‌تر شوند.

حجم زیادی از دیگر داده‌های عملکردی ارزشمند در تجارت عمومی یا سیستم‌های فناوری اطلاعات یک شرکت و بیشتر در سیستم‌های مهندسی (ET) وجود دارد که اطلاعات طراحی خاص برای دارایی‌های مختلف را پوشش می‌دهد. علاوه بر اینکه به ندرت مورد استفاده قرار می‌گیرد، همه این داده‌ها معمولاً در سیلوها و شبکه‌های جداگانه‌ای پراکنده می‌شوند که از ارجاع متقابل کم یا بدون پشتیبانی می‌کنند.

به گفته کارشناسان صنعت در گروه مشاوره ARC، بوستون، متوسط کارخانه صنعتی مدرن کمتر از 27 درصد از داده های تولید شده را استفاده می کند. به طور معمول، 73 درصد باقی مانده از داده ها، که بیشتر آنها توسط سیستم های کنترل فرآیند کارخانه به عنوان داده های کنترل عملیاتی فرکانس بالا (OT) تولید می شوند، به ندرت مورد استفاده قرار می گیرند.

چارلز بلک‌بیارد، مدیر توسعه کسب‌وکار ABB Ability Digital می‌گوید: «این جایی است که فرصت طلایی نهفته است، که اکنون می‌توانیم آن را با پلت‌فرم‌های نرم‌افزاری جدید که هم‌گرایی و تجزیه و تحلیل بهتر داده‌های OT/IT/ET را ساده می‌کند، باز کنیم». مزایا می تواند چشمگیر باشد، مانند نرخ تولید بالاتر از دارایی های موجود، خرابی کمتر به دلیل شیوه های پیش بینی تعمیر و نگهداری، عملیات ایمن تر، کاهش انرژی و سایر ورودی های مواد خام، و اثرات زیست محیطی کمتر.

در یک کارخانه بزرگ، صدها مورد از این قبیل دارایی ها می توانند وجود داشته باشند که عملکردهای زیادی را انجام می دهند و تحت شرایط عملیاتی مختلف با پارامترهای طراحی متنوع کار می کنند، همه با داده های ذخیره شده در سیستم های مختلف. بنابراین، یکپارچه‌سازی و زمینه‌سازی گسترده OT/IT/ET برای به دست آوردن دید کاملی از کارخانه و انجام وظایف تحلیلی ارزشمندی که عملکردها، یکپارچگی دارایی و مدیریت عملکرد، ایمنی، پایداری و عملکردهای زنجیره تامین را بهبود می‌بخشد، حیاتی است. آنچه ظاهر می شود، الگوهایی است که به دقت رفتار آینده را پیش بینی می کند و امکان بهبود عملکرد فرآیند را فراهم می کند.

او می افزاید که موانع متعددی وجود دارد، چه درک شده و چه در غیر این صورت، که مانع اجرای تحلیل های پیشرفته می شود. رایج ترین دلیل تردید، پیچیدگی درک شده است. مردم به اشتباه فکر می کنند رسیدن به آن بسیار دشوارتر از آنچه هست است. توضیح دیگر این باور نادرست است که برای استفاده از کلان داده، باید هزینه های سرمایه ای هنگفتی انجام دهید، زیرا این یک تعهد «همه یا هیچ» است.