فناوری‌های جدید مانند محاسبات فضای ابری، داده‌های بزرگ، IIoT و هوش مصنوعی می‌توانند یاری دهنده باشند. آیا شما نیز در حال حاضر از این فناوری ها استفاده می کنید؟ این یک راز یا حقیقت محرمانه نیست: کارخانه ها و شرکت هایی که این فناوری ها را به بهترین نحو به کار می برند، احتمال دارد که در مسیر خود این چالش ها را طی کرده و موجودیت خود را حفظ نمایند. اگر در استفاده از این فناوری‌ها برای فرآیند های خود آهسته عمل کنید، ممکن است عقب بمانید.

عملیات خودکار چیست؟

فرآوری خودکار – آینده اتوماسیون ؟

سطوحی از استقلال که توسط کاربران نهایی به دست آمده است

امروزه ما در مورد عملکرد خودکار یا اتوماسیون صنعتی زیاد صحبت می کنیم . اما چرا عملیات خودکار اینقدر مهم هستند؟ هدف نهایی اتوماسیون عملیات مستقل و خودکار است. عملکرد مستقل به کارخانه هایی نیاز دارد که بدون دخالت انسان کار کنند. آنها به طور مداوم با تغییرات محیط خود سازگار می شوند. برخی از نیروگاه ها مانند واحدهای جداسازی هوا نسبت به کارخانه های پیچیده تر مانند پالایشگاه های نفت به این نزدیکتر هستند.

اولویت عملیات مستقل استفاده از آخرین فناوری های اطلاعاتی است. با اینها، آنها قادر به تولید سوخت و مواد شیمیایی بدون هیچ گونه حادثه به خطر افتادن ایمنی و انتشار صفر مواد به محیط هستند. به کارگیری آخرین فناوری نیز برای جذب بهترین مهندسان به صنعت حیاتی است. در عین حال، باید با چالش‌هایی که صنعت با آن مواجه است سازگار شوید و سودآوری خود را حفظ کنید.

تاریخچه اتوماسیون

از زمان معرفی سیستم های کنترل دیجیتال در دهه 1970، اتوماسیون به طور مداوم پیشرفت کرده است. با این حال، ماهیت صنعت محتاطانه است. صنعت فرآوری و فرآیند به عنوان یک صنعت مخرب است مشهور نیست. بنابراین در این صنایع پیشرفت کند بوده است. بسیاری از فن‌آوری‌های استاندارد اطلاعاتی که امروزه توسط صنعت استفاده می‌شود، در چند دهه اخیر به طور تدریجی بهبود یافته‌اند. برنامه های خطی، شبیه سازی فرآیند، کنترل پیش بینی چند متغیره و کنترل نظارتی پیشرفت کرده اند. اما راه‌حل‌های بهینه‌سازی یا اتوماسیون واقعاً تحول نوآورانه کمی وجود داشته است.

در چند سال گذشته، بسیاری از شرکت‌های نفت و گاز متوجه موفقیت شرکت‌های فناوری در توسعه و به کارگیری تکنولوژی برای استفاده ارزشمند از داده‌ها شده‌اند. شرکت‌های پیشرو فعالانه قصد دارند جدیدترین فناوری‌های ابری، داده‌های بزرگ و هوش مصنوعی را به تمام جنبه‌های کسب‌وکار خود از جمله بهینه‌سازی و خودکارسازی عملیات خود منتقل کنند. در بیشتر موارد، آنها با کار را با دریافت نتایج مثبت از پروژه های آزمایشی شروع می نمایند.

از دیدگاهی طراحانه استفاده کنید

یک رویکرد خوب برای به کارگیری این فناوری یا تکنولوژی ها، استفاده از طرز تفکری طراحانه با رویکردی کاربر محور است. این پروسه با درک چالش ها و فرصت های مرتبط با فرآیند کار موجود برای کاربر شروع می شود.

بسیاری از این چالش‌ها به برنامه‌های بهینه‌سازی و اتوماسیون سنتی مربوط می‌شوند که استفاده و نگهداری آنها دشوار است. علاوه بر این، آنها به گونه ای ضعیف ادغام شده اند و به صرف انرژی بسیار بیشتر از آنچه لازم است نیاز دارند. حال چگونه می توان این را بهبود بخشید؟ از جدیدترین فناوری‌های هوش مصنوعی برای بهبود این فناوری‌های سنتی با سبکی داده‌محور استفاده کنید.

کارخانه های مکانیزیه شده و خودکار

کارخانه های خودکار و اتوماتیک شده باید سریعتر به محیط خود از جمله بازار و زنجیره ارزش واکنش نشان دهند. تصمیم گیری، برنامه ریزی و زمان بندی در زمان واقعی می تواند ریسک و فاکتور عدم اطمینان را کاهش دهد. در نتیجه سودآوری را به طور چشمگیری افزایش می دهد.

فن‌آوری‌های وب معنایی یا صفحات وب ساختارمند برای استفاده ی کامپوترها مانند نمودارهای دانش، داده‌ها را برای ماشین قابل خواندن می‌سازند و سیلوهای داده را یکپارچه می‌کنند. گوگل از نمودارهای دانش برای مدیریت وب جهانی و بهبود برنامه های جستجوی خود استفاده می کند. این فناوری اکنون در مدیریت دانش سازمانی به کار می رود و کلید کاهش داده ها و سیلوهای سازمانی است. این تکنولوژی می تواند بصری سازی و بهینه سازی را در کل زنجیره ارزش گذاری فعال کند. می تواند داده های بدون ساختار در صفحات گسترده را ساختارمند نماید. معنی بخشی به داده ها یک موضوع کلیدی در استفاده از پردازش زبان طبیعی و هوش مصنوعی است.

یادگیری ماشین و عملکرد مستقل یا خودکار

مدل‌های یادگیری ماشین (Machine learning) و اصول اول را می‌توان برای تطبیق داده‌های کارخانه و مقایسه واقعی با عملیات برنامه‌ریزی‌شده استفاده کرد. در حال حاضر این کار معمولاً چند هفته پس از پایان هر ماه انجام می شود. این یک فرآیند دستی است و اغلب با دقت انجام نمی شود. با مقایسه داده‌ها بین امکانات و در یک دوره زمانی طولانی، می‌توان شناسایی و اولویت‌بندی فرصت‌های بهبود سود را خودکار کرد.

پردازش حجم عظیمی از زنجیره تامین و داده های کارخانه که هر دقیقه جمع آوری می شود برای انسان ممکن نیست. با این حال، مدل‌های یادگیری ماشینی می‌توانند برای شناسایی الگوها و ناهنجاری‌ها در داده‌ها و هشدار به کاربران ساخته شوند. سپس می توان از نمودارهای دانش برای پیشنهاد علل احتمالی ناهنجاری ها و توصیه اقدامات اصلاحی استفاده کرد.

عملیات خودکار مستلزم ترکیب جدید تعدادی از فناوری‌های کمال یافته و جدید از جمله:

• شبیه سازی دقیق (Rigorous simulation)
• کنترل پیش بینی چند متغیره (Multivariable predictive control)
• اتوماسیون رویه مدولار (Modular procedure automation)
• نمودارهای دانش (Knowledge graphs)
• یادگیری ماشینی و (Machine learning and)
• هوش مصنوعی نمادین (Symbolic AI)

در ابتدا، این فناوری‌ها مکمل تیم عملیات خواهند بود اما در آینده طور فزاینده ای عملیات مستقل و خودکار امکان پذیر خواهد گردید.

رایانش ابری و عملیات مستقل یا خودکار

برای دستیابی به این امر، به احتمال بسیار زیاد باید یک عملیات مستقل شناختی از طریق استفاده از محاسبات ابری برای پردازش مقادیر زیادی از داده ها در لحظه نیاز است. این داده‌ها از دستگاه‌های IIoT با استفاده از مدل‌های حاصل از اصول اولیه آنلاین و آخرین تکنولوژی هوش مصنوعی به دست می‌آیند. پایانه اطلاعتی ابری یا Cloud همچنین امکان تجمیع داده‌ها از چندین کارخانه را برای پشتیبانی و بهینه‌سازی زنجیره ارزشمند سازی فراهم می‌کند. این سیستم تجهیزات و عملکرد کارخانه را تجزیه و تحلیل می کند و تخصص های مناسب را برای عیب یابی مشکلات به مرتبط می کند.

چالش های بزرگ مربوط به اهداف توسعه پایدار و انتقال انرژی اکنون ما در زمانی مهیج در صنعت قرارداده است، اما در مقابل صنایع از فرصت های بزرگی از آخرین فناوری و تکنولوژی ها مانند محاسبات ابری، کلان داده، IIoT و فناوری های هوش مصنوعی بهرهمند می باشند.

منبع: وبلاگ سایت یوکوگاوا

ترجمه: عطاریان در شرکت احیاگران ابزاردقیق تاج

تصویر سربرگ از Photo by Digital Buggu