کارخانه هوشمند چیست؟

کارخانه هوشمند محیطی صنعتی است که در آن تجهیزات و فرآیندهای تولید با استفاده از فناوری‌های دیجیتال، قابل اتصال، قابل مشاهده، قابل اندازه‌گیری و قابل تحلیل می‌شوند.

در چنین محیطی اطلاعات می‌تواند از سطح ماشین‌آلات و سنسورها دریافت شود، از طریق شبکه منتقل شود، در سامانه‌های داده ذخیره شود و سپس برای پایش، تحلیل و تصمیم‌گیری مورد استفاده قرار گیرد.

انقلاب صنعتی چهارم یا Industry 4.0 به مرحله‌ای از تحول صنعت اشاره دارد که در آن فناوری‌های دیجیتال، ارتباطی و هوشمند با سیستم‌های تولید و اتوماسیون ترکیب می‌شوند.

در این معماری فناوری‌هایی مانند IIoT، هوش مصنوعی، Big Data، Edge Computing، Machine Vision، Digital Twin و Cyber-Physical Systems در کنار زیرساخت اتوماسیون قرار می‌گیرند.

Industry 3.0 عمدتاً با ورود کامپیوتر، الکترونیک، PLC و سیستم‌های کنترل دیجیتال شناخته می‌شود و تمرکز اصلی آن روی اتوماسیون فرآیندهاست.

در Industry 4.0 علاوه بر اتوماسیون، تجهیزات به شبکه و سیستم‌های داده‌ای متصل می‌شوند و اطلاعات تولید برای تحلیل و تصمیم‌گیری مورد استفاده قرار می‌گیرد.

کارخانه هوشمند از چند لایه تشکیل می‌شود. در پایین‌ترین سطح، فرآیند فیزیکی و تجهیزات قرار دارند و در لایه‌های بالاتر کنترل، ارتباطات، داده، نرم‌افزار و تحلیل قرار می‌گیرند.

هوشمندسازی صرفاً به معنای خرید تجهیزات جدید نیست. معماری صحیح مشخص می‌کند داده از کجا تولید شود، چگونه منتقل شود، کجا ذخیره شود، چه کسی به آن دسترسی داشته باشد و چگونه از آن برای تصمیم‌گیری استفاده شود.

به همین دلیل شناخت فرآیند و نیاز واقعی کارخانه، پیش از انتخاب فناوری اهمیت دارد.

IIoT یا Industrial Internet of Things به اتصال تجهیزات و دارایی‌های صنعتی به شبکه‌ها و سیستم‌های داده‌ای برای جمع‌آوری، انتقال و استفاده از اطلاعات گفته می‌شود.

ماشین می‌تواند اطلاعاتی مانند وضعیت، سرعت، دما، فشار، جریان، تولید، توقف، خطا و زمان کارکرد را تولید کند و این داده‌ها به سیستم‌های بالادستی منتقل شوند.

تجهیزات صنعتی معمولاً از پروتکل‌ها و روش‌های ارتباطی مختلف استفاده می‌کنند. انتخاب پروتکل به نوع تجهیز، سرعت، فاصله، ساختار شبکه و نیازهای پروژه بستگی دارد.

فناوری‌های رایج

• Ethernet Industrial
• Modbus RTU / TCP
• OPC UA
• MQTT
• PROFINET
• EtherNet/IP
• RS-485
• CAN / CANopen

Gateway می‌تواند به‌عنوان پل ارتباطی میان تجهیزات صنعتی و سامانه‌های بالادستی عمل کند. در بسیاری از معماری‌ها، Gateway داده را دریافت، تبدیل، فیلتر یا ارسال می‌کند.

Edge Computing نیز امکان پردازش داده در نزدیکی ماشین را فراهم می‌کند و برای کاربردهایی که به تأخیر پایین یا پردازش محلی نیاز دارند اهمیت دارد.

بسیاری از کارخانه‌ها ترکیبی از ماشین‌آلات جدید و قدیمی هستند. بنابراین هوشمندسازی لزوماً به معنی تعویض کامل تجهیزات نیست.

می‌توان در برخی شرایط از سنسورهای تکمیلی، Data Acquisition، Gateway، PLC یا Edge برای اتصال تجهیزات موجود استفاده کرد.

اتصال تجهیزات صنعتی به شبکه باید با توجه به امنیت، سطح دسترسی، تفکیک شبکه، پایداری ارتباط و الزامات عملیاتی انجام شود.

اتصال مستقیم و بدون معماری مناسب می‌تواند سطح ریسک سیستم را افزایش دهد. بنابراین Connectivity باید به‌عنوان بخشی از معماری کل سیستم دیده شود.

ماشین‌ها و فرآیندهای صنعتی دائماً داده تولید می‌کنند؛ اما داده خام به‌تنهایی همیشه برای تصمیم‌گیری کافی نیست.

داده باید جمع‌آوری، ذخیره، سازمان‌دهی، تحلیل و در نهایت به اطلاعات قابل استفاده تبدیل شود.

داشبورد صنعتی یکی از ساده‌ترین خروجی‌های قابل مشاهده کارخانه هوشمند است. داشبورد می‌تواند داده چندین ماشین و سیستم را در یک محیط قابل فهم نمایش دهد.

نمونه اطلاعات قابل نمایش

• تولید لحظه‌ای و روزانه
• وضعیت ماشین‌ها
• توقفات و آلارم‌ها
• کیفیت محصول
• OEE
• مصرف انرژی

شاخص‌هایی مانند OEE می‌توانند برای بررسی عملکرد تجهیزات و فرآیند تولید مورد استفاده قرار گیرند.

OEE معمولاً از سه مؤلفه اصلی تشکیل می‌شود: Availability، Performance و Quality.

ثبت توقفات به‌تنهایی کافی نیست. زمانی ارزش تحلیلی ایجاد می‌شود که علت، مدت، زمان وقوع و الگوی تکرار توقف‌ها نیز قابل بررسی باشد.

تحلیل این اطلاعات می‌تواند به شناسایی گلوگاه‌ها، مشکلات تکرارشونده و نقاط قابل بهبود فرآیند کمک کند.

اگر داده ناقص، ناسازگار یا نادرست باشد، تحلیل‌های بعدی نیز قابل اعتماد نخواهند بود. بنابراین کیفیت داده یکی از پایه‌های مهم معماری کارخانه هوشمند است.

تعریف نام‌گذاری، واحد اندازه‌گیری، زمان ثبت، منبع داده و سطح دسترسی می‌تواند بخشی از Data Governance باشد.

هوش مصنوعی در کارخانه زمانی ارزش بیشتری پیدا می‌کند که به داده واقعی و باکیفیت فرآیند دسترسی داشته باشد.

کاربردهای آن می‌تواند شامل تشخیص ناهنجاری، پیش‌بینی خرابی، تحلیل کیفیت، پیش‌بینی تولید، بهینه‌سازی فرآیند و تحلیل رفتار ماشین باشد.

نگهداری پیش‌بینانه تلاش می‌کند با استفاده از داده‌های تجهیزات و تحلیل الگوهای رفتاری، نشانه‌های خرابی احتمالی را پیش از وقوع خرابی جدی شناسایی کند.

داده‌هایی مانند لرزش، دما، جریان، فشار، سرعت و زمان کارکرد می‌توانند در چنین تحلیل‌هایی مورد استفاده قرار گیرند.

بینایی ماشین ترکیبی از دوربین، نورپردازی، پردازش تصویر و در کاربردهای پیشرفته‌تر مدل‌های هوش مصنوعی است.

کاربردهای متداول

• تشخیص عیب ظاهری
• شمارش محصولات
• اندازه‌گیری
• تشخیص رنگ و موقعیت
• OCR و خواندن بارکد
• تشخیص محصول اشتباه
• جداسازی محصول معیوب

Digital Twin یا دوقلوی دیجیتال، مدلی دیجیتال از یک تجهیز، ماشین یا فرآیند فیزیکی است که می‌تواند با داده واقعی سیستم ارتباط داشته باشد.

این مفهوم می‌تواند برای مانیتورینگ، شبیه‌سازی، تحلیل، بهینه‌سازی و بررسی رفتار فرآیند مورد استفاده قرار گیرد.

در برخی کاربردهای صنعتی، لازم نیست تمام داده‌ها برای پردازش به یک سرور مرکزی یا Cloud منتقل شوند.

پردازش در Edge می‌تواند تأخیر را کاهش دهد، حجم داده ارسالی را کم کند و برای کاربردهای Real-Time مانند بینایی ماشین یا تشخیص سریع وضعیت مناسب باشد.

MES یا Manufacturing Execution System در لایه مدیریت و پایش اجرای تولید قرار می‌گیرد و می‌تواند اطلاعات مربوط به سفارش، تولید، کیفیت، توقفات و فرآیند اجرایی را مدیریت کند.

اتصال MES به داده واقعی ماشین می‌تواند فاصله میان برنامه‌ریزی و واقعیت تولید را کاهش دهد.

ERP بیشتر در سطح سازمان و فرآیندهای کسب‌وکار فعالیت می‌کند؛ مانند سفارش، خرید، فروش، انبار، مالی و منابع.

در معماری یکپارچه، داده واقعی تولید می‌تواند با اطلاعات سازمانی ارتباط پیدا کند.

OT یا Operational Technology دنیای ماشین‌آلات، کنترلرها، سنسورها، درایوها و فرآیند فیزیکی است.

IT بیشتر با سرورها، نرم‌افزارها، پایگاه داده، شبکه و سامانه‌های اطلاعاتی سروکار دارد.

هوشمندسازی یک پروژه صرفاً نرم‌افزاری یا سخت‌افزاری نیست و معمولاً با چالش‌های فنی و سازمانی مختلف همراه است.

چالش‌های رایج

• ماشین‌آلات قدیمی
• تجهیزات برندهای مختلف
• نبود داده استاندارد
• کیفیت پایین داده
• زیرساخت شبکه نامناسب
• امنیت سایبری
• هزینه سرمایه‌گذاری
• نبود استراتژی مشخص
• کمبود نیروی متخصص

هوشمندسازی بهتر است به‌صورت مرحله‌ای، قابل اندازه‌گیری و متناسب با نیاز واقعی کارخانه انجام شود.

این مسیر باعث می‌شود هر مرحله بر پایه زیرساخت مرحله قبل شکل بگیرد و ارزش ایجادشده قابل بررسی و اندازه‌گیری باشد.