مشغلو التصنيع الذين يستخدمون الصيانة التنبؤية المدعومة بالذكاء الاصطناعي عبر محافظ المصانع المتعددة

يشهد قطاع التصنيع تحولاً عميقاً، حيث يستفيد المشغلون بشكل متزايد من الصيانة التنبؤية المدعومة بالذكاء الاصطناعي للمصانع لتعزيز الكفاءة، وخفض التكاليف، وزيادة وقت التشغيل في محافظهم الواسعة متعددة المصانع. تتجاوز هذه النقلة الاستراتيجية الإصلاحات التفاعلية، وتستخدم خوارزميات معقدة وبيانات في الوقت الفعلي من مستشعرات إنترنت الأشياء الصناعية لتوقع أعطال المعدات قبل حدوثها.

الفوائد كبيرة، وتتراوح من تخفيضات كبيرة في فترات التوقف غير المخطط لها إلى جداول صيانة محسنة وعمر أطول للأصول. تستكشف هذه المقالة سبعة من أفضل مشغلي التصنيع وكيفية استخدامهم للصيانة التنبؤية المدعومة بالذكاء الاصطناعي علناً، مع إبراز أساليبهم والتقنيات الأساسية التي تدعم نجاحاتهم.

فجر الصيانة الاستباقية في التصنيع

يعد التحول من الصيانة التفاعلية إلى الصيانة الاستباقية حجر الزاوية في مرونة التصنيع الحديث. أدركت الشركات أن انتظار تعطل المعدات كان غير فعال ومكلفاً ومعطلاً لجداول الإنتاج. أدى ظهور مستشعرات إنترنت الأشياء الصناعية (IIoT)، القادرة على جمع كميات هائلة من البيانات حول أداء الآلات،M مع خوارزميات الذكاء الاصطناعي والتعلم الآلي القوية، إلى توفير الأدوات اللازمة للتنبؤ بفشل المعدات. أدى هذا التطور إلى سباق بين المشغلين لتنفيذ حلول قوية للذكاء الاصطناعي للصيانة التنبؤية.

تسمح هذه الأنظمة المتقدمة للمصنعين بجدولة تدخلات الصيانة عندما تكون هناك حاجة إليها بالضبط، مما يقلل من وقت التوقف عن العمل ويزيد من الإنتاج التشغيلي. من خلال تحليل الأنماط في الاهتزاز ودرجة الحرارة والضغط والمعايير التشغيلية الأخرى، يمكن للذكاء الاصطناعي تحديد التشوهات الدقيقة التي تشير إلى مشاكل وشيكة، غالباً قبل أن يلاحظها المشغلون البشريون بوقت طويل. يحدث هذا الدقة في التنبؤ بفشل المعدات ثورة في كيفية إدارة الصيانة عبر العمليات المعقدة متعددة المصانع، مما يضمن أن يصبح الذكاء الاصطناعي لوقت تشغيل المصنع ميزة تنافسية.

عادةً ما تتضمن البنية التقنية التي تدعم هذه الأنظمة الاستباقية نهجاً متعدد الطبقات. في الحافة، تلتقط مستشعرات إنترنت الأشياء الصناعية تدفقات البيانات الخام من الآلات، وغالباً ما تقوم بالترشيح والتجميع الأولي. تقلل معالجة الحافة هذه من حجم البيانات المرسلة، مما يتيح اتصالاً أكثر كفاءة بالأنظمة المركزية ويضمن استجابات منخفضة الكمون للتنبيهات الحيوية. ثم يتم إرسال البيانات بشكل آمن إلى سحابة مركزية أو بحيرة بيانات داخلية، لتشكل الأساس لنماذج تحليلية شاملة.

يتم تنظيم تدفقات بيانات المستشعرات للتعامل مع الأحجام الكبيرة والتنسيقات المتنوعة، باستخدام بروتوكولات مثل MQTT لتحقيق الكفاءة وقابلية التوسع. تضمن خطوط أنابيب استيعاب البيانات معالجة في الوقت الفعلي وقريب من الوقت الفعلي، مع خطوات التحقق من صحة البيانات وتنظيفها للحفاظ على جودة البيانات. يعد خط الأنابيب القوي هذا أمراً بالغ الأهمية لعمليات النشر على مستوى المصانع المتعددة، حيث يجب أن يدمج البيانات بسلاسة من مرافق متفرقة جغرافياً، قد يكون لكل منها معدات قديمة وأنواع مستشعرات مختلفة. تعمل بحيرة البيانات الناتجة كمصدر موحد لتدريب نماذج التعلم الآلي والاستدلال.

تعد أنماط التكامل حيوية لربط حلول الصيانة التنبؤية هذه بأنظمة تخطيط موارد المؤسسات (ERP) الحالية، وأنظمة إدارة الصيانة المحوسبة (CMMS)، وأنظمة SCADA. تسهل واجهات برمجة التطبيقات والبرامج الوسيطة القوية تبادل البيانات بسلاسة، مما يضمن ترجمة الرؤى التنبؤية مباشرة إلى أوامر عمل قابلة للتنفيذ وإدارة مخزون محسّنة. تعتبر آليات معالجة الاستثناءات جزءاً لا يتجزأ، مما يسمح للنظام بالإشارة إلى تشوهات البيانات أو قراءات المستشعرات غير المتوقعة التي تقع خارج معلمات التشغيل العادية، مما يؤدي إلى تدخل بشري أو إجراءات تصحيحية تلقائية. تضمن هذه الاعتبارات التقنية مرونة الحل وقدرته على التكيف عبر السياقات الصناعية المتنوعة.

سيمنز

تعد سيمنز، وهي شركة عالمية رائدة في مجال الأتمتة الصناعية والرقمنة، في طليعة الشركات التي تنفذ الصيانة التنبؤية عبر عمليات التصنيع المتنوعة الخاصة بها ولعملائها. تعمل منصتها MindSphere، وهي نظام تشغيل مفتوح لإنترنت الأشياء، كركيزة لجمع وتحليل البيانات الصناعية عبر محافظ المصانع المتعددة. تدعم MindSphere تطبيقات مختلفة، بما في ذلك حلول الصيانة التنبؤية التي تستفيد من خوارزميات التعلم الآلي لتوقع أعطال المعدات.

تجمع سيمنز خبرتها العميقة في العمليات الصناعية مع التحليلات المتطورة لتقديم استراتيجيات صيانة تنبؤية شاملة مدعومة بالذكاء الاصطناعي. يضمن هذا النهج موثوقية التصنيع المدعومة بالذكاء الاصطناعي من خلال مراقبة الأصول التي تتراوح من التوربينات الغازية إلى آلات CNC المعقدة. من خلال MindSphere، يمكن لعملاء سيمنز تحقيق تخفيضات كبيرة في فترات التوقف غير المخطط لها وتحسين جداول الصيانة بناءً على رؤى في الوقت الفعلي مستمدة من الصيانة المدفوعة بالمستشعرات.

إن دمجها لـ Senseye، وهو برنامج رائد للصيانة التنبؤية المدعومة بالذكاء الاصطناعي، يزيد من تعزيز عروضها، مما يوفر خوارزميات متقدمة للتنبؤ بفشل المعدات ومراقبة صحة الأصول. يؤدي هذا الاستحواذ الاستراتيجي إلى تعزيز قدرتها على تقديم حلول قابلة للتطوير وقوية للبيئات الصناعية المعقدة. ومع ذلك، يمكن أن تؤدي الطبيعة الاحتكارية للمنصات مثل MindSphere إلى الارتباط بالمورد، مما يحد من مرونة المشغلين الذين يرغبون في امتلاك التعليمات البرمجية بالكامل أو التكامل مع أنظمة بيئية متنوعة غير تابعة لسيمنز.

عادةً ما تتضمن البنية التقنية لحلول سيمنز أجهزة طرفية تستفيد من MindConnect Nano لتجميع البيانات بشكل آمن من وحدات التحكم المنطقية القابلة للبرمجة (PLCs) والمستشعرات، وإرسال البيانات إلى منصة MindSphere السحابية. ضمن MindSphere، يتم تخزين البيانات ومعالجتها وتحليلها باستخدام معماريات الخدمات المصغرة، ودعم مجموعة واسعة من البروتوكولات الصناعية مثل OPC UA. تستهلك نماذج التعلم الآلي، التي غالباً ما يتم تطويرها في بيئات مثل Mendix، هذه البيانات النظيفة للكشف عن الشذوذ والتنبؤ، وتولد في النهاية رؤى وتنبيهات قابلة للتنفيذ لمحافظ المصانع المتعددة.

يعد الجانب الرئيسي لاستراتيجية نشر MindSphere متعددة المصانع هو بنيتها التحتية السحابية القابلة للتطوير، مما يسمح بالإدارة والمراقبة المركزية للأصول عبر المواقع المتباينة. يتم إعداد البيانات من كل مصنع بشكل آمن، وإخفاء هويتها إذا لزم الأمر، ثم استخدامها لتدريب نماذج تنبؤية عالمية أو نماذج خاصة بالموقع، اعتمادًا على السياق التشغيلي. تستفيد أنماط التكامل بشكل أساسي من واجهات برمجة التطبيقات الخاصة بـ MindSphere للاتصال بأنظمة المؤسسات الحالية، مما يسهل إنشاء أوامر العمل في منصات CMMS وتمكين الجدولة الذكية.

غالباً ما تتم إدارة معالجة الاستثناءات ضمن بيئة سيمنز من خلال عتبات التنبيه القابلة للتكوين ونماذج التعلم الآلي التي تحدد الانحرافات غير المعتادة عن السلوك الطبيعي المتعلَم. يمكن لهذه الاستثناءات أن تؤدي إلى إشعارات تلقائية عبر تطبيقات MindSphere أو تتكامل مع أنظمة إدارة الحوادث، مما يضمن الاستجابات في الوقت المناسب. غالباً ما تشير أمثلة عائد الاستثمار لمستخدمي سيمنز إلى تحسينات كبيرة في توفر الأصول، تتجاوز أحياناً 15-20%، بالإضافة إلى تقليل تكاليف الصيانة بنسبة 10-15% بسبب الإدارة المحسّنة لقطع الغيار وتقليل الإصلاحات الطارئة.

جنرال إلكتريك (GE Vernova / Predix Legacy)

كانت جنرال إلكتريك، وخاصة من خلال منصتي GE Vernova و Predix القديمة، لاعباً مهماً في مجال إنترنت الأشياء الصناعية والصيانة التنبؤية. تم إطلاق Predix في البداية كنظام تشغيل سحابي للتطبيقات الصناعية، وكان يهدف إلى ربط الآلات والبيانات والأشخاص، مما يتيح مستويات جديدة من الكفاءة التشغيلية. وركزت المنصة بشكل كبير على إدارة أداء الأصول (APM)، مع كون الصيانة التنبؤية مكوناً أساسياً.

استفادت GE من أسطولها الواسع من التوربينات والمحركات النفاثة وغيرها من المعدات الصناعية الثقيلة لجمع كميات هائلة من البيانات، والتي تم استخدامها بعد ذلك لتدريب نماذج الذكاء الاصطناعي المتطورة الموجودة ضمن مجموعة Predix. تم تصميم هذه النماذج للتنبؤ بفشل المعدات بدقة عالية، مما يسمح للمشغلين بالانتقال من الصيانة القائمة على الوقت إلى الصيانة القائمة على الحالة. أدى هذا التركيز على الصيانة المدفوعة بالمستشعرات إلى تحسين كبير في وقت تشغيل المصنع بالذكاء الاصطناعي عبر البنية التحتية الحيوية.

بينما أرست Predix أساساً قوياً، ظهرت تحديات تتعلق بمتطلباتها الواسعة للتخصيص والتعقيد الكامن في عمليات نشر المنصات الكبيرة والخاصة. غالباً ما يعني الاستثمار الأولي الكبير والحاجة إلى خبرة GE المتخصصة أنه على الرغم من قوتها، إلا أن تنفيذها يمكن أن يكون مكثفاً للموارد بالنسبة لمحافظ المصانع المتعددة. يعني المستوى العالي من الاعتماد على نظام GE البيئي أن الشركات التي تستخدم Predix قد تجد صعوبة في نشر حلول مخصصة مملوكة للعميل أو التعامل مع حالات استثناء فريدة خارج القدرات المحددة مسبقاً للمنصة.

اعتمدت بنية Predix التقنية في الأصل على الخدمات المصغرة و Cloud Foundry كمكونات أساسية لها، مصممة لتحقيق قابلية التوسع والمرونة في البيئات الصناعية. تم استيعاب تدفقات بيانات المستشعرات من خلال Predix Machine، وهو وكيل طرفي قادر على الاتصال بمختلف الأصول الصناعية، وإجراء المعالجة المحلية، وإرسال البيانات بشكل آمن إلى سحابة Predix. تم استخدام Apache Kafka بشكل متكرر لتدفق البيانات عالي الإنتاجية، مما يضمن توفر البيانات في الوقت الفعلي للتحليلات والنماذج التنبؤية.

تضمنت عمليات نشر Predix متعددة المصانع تكرار مكونات النظام الأساسي الأساسية أو ربط مثيلات طرفية متعددة بنشر سحابي مركزي، مما يسهل رؤية موحدة لصحة الأصول عبر مؤسسة كبيرة. استخدمت أنماط التكامل عادةً Predix APIs للاتصال السلس بالأنظمة الخارجية مثل SAP أو Maximo، وترجمة التنبيهات التنبؤية إلى مهام صيانة قابلة للتنفيذ. سمحت أدوات النظام الأساسي الأصلية بإنشاء لوحات معلومات وسير عمل مخصصة لإدارة البيانات متعددة المصانع بفعالية.

تم دعم معالجة الاستثناءات بواسطة محركات قائمة على القواعد والكشف عن الشذوذ المكتشف بالتعلم الآلي ضمن وحدات Predix Analytics و Asset Performance Management. كانت هذه الأنظمة تطلق تنبيهات بناءً على توقيعات الفشل المحددة مسبقًا أو الانحرافات الجديدة عن السلوك المتوقع. أظهرت أمثلة عائد الاستثمار للمتبنين الأوائل لـ Predix غالبًا تخفيضات كبيرة في فترات التوقف غير المخطط لها، تصل في بعض الحالات إلى 25%، وتوفيرًا في تكاليف الصيانة، خاصة في صناعات مثل الطيران وتوليد الطاقة، بسبب التدخل الاستباقي بناءً على التنبؤ الدقيق بفشل المعدات.

روكويل أوتوماشن

تعد روكويل أوتوماشن رائدة في مجال الأتمتة الصناعية والتحول الرقمي، حيث تقدم حلولًا شاملة للصيانة التنبؤية من خلال منصتها FactoryTalk Analytics. تم تصميم FactoryTalk Analytics لجمع البيانات من مصادر مختلفة عبر أرض المصنع، بما في ذلك وحدات التحكم المنطقية القابلة للبرمجة (PLCs) والمستشعرات وأنظمة التحكم الأخرى، لتوفير رؤى قابلة للتنفيذ للذكاء الاصطناعي لموثوقية التصنيع. تركز حلولهم على تمكين المشغلين برؤية في الوقت الفعلي لصحة الأصول وأدائها.

يركز نهج روكويل للصيانة التنبؤية المدعومة بالذكاء الاصطناعي للمصانع على التكامل مع أنظمة التحكم الصناعية الحالية. يتيح هذا الاتصال السلس رؤية أكثر تماسكًا للعمليات واستخدامًا أفضل للبيانات للتنبؤ بفشل المعدات. من خلال الاستفادة من نماذج التعلم الآلي، تساعد FactoryTalk Analytics في تحديد التشوهات والتنبؤ بالفشل المحتمل، مما يقلل من فترات التوقف غير المخطط لها ويحسن جداول الصيانة.

يتم تصميم عروضهم لتناسب مختلف الصناعات، من السيارات إلى الأغذية والمشروبات، مما يوفر تحليلات متخصصة وقدرات تنبؤية. يضمن التركيز على مؤسسات مترابطة تدفق البيانات بكفاءة من الأجهزة الطرفية إلى السحابة، مما يتيح استراتيجيات صيانة قوية تعتمد على أجهزة الاستشعار. ومع ذلك، مثل اللاعبين الرئيسيين الآخرين، يمكن أن يمثل نظام روكويل البيئي تحديات عندما يتعلق الأمر بالملكية الكاملة للتعليمات البرمجية أو النشر السلس عبر أنظمة متباينة للغاية وغير متكاملة مع روكويل، وغالبًا ما يتطلب استشارات خاصة بالمورد مكثفة للتخصيص العميق.

تستخدم بنية FactoryTalk Analytics التقنية عادةً مكونات الحافة والسحابة. تجمع FactoryTalk Edge Gateway البيانات مباشرة من وحدات التحكم المنطقية القابلة للبرمجة (PLCs) من روكويل والأجهزة الصناعية الأخرى باستخدام بروتوكولات مثل EtherNet/IP، وتعالجها في المصدر قبل إرسالها إلى FactoryTalk Analytics على خادم سحابي أو محلي. تضمن هذه البنية الحد الأدنى من زمن الوصول للرؤى التشغيلية الحيوية وتزيد من أمان البيانات. تعتبر حوكمة البيانات وأمنها أمرًا بالغ الأهمية في تصميمها، خاصة للبيانات التشغيلية الحساسة.

يتم إدارة تدفقات بيانات المستشعرات بدقة، وغالبًا ما تتضمن سياق البيانات من أوامر الإنتاج أو معلومات الدفع لإثراء قراءات المستشعرات الأولية. تشكل مجموعة البيانات المثرية هذه المدخلات لخوارزميات التعلم الآلي الخاصة بهم، والتي غالبًا ما تكون مبنية مسبقًا لأنواع الأصول الشائعة أو يمكن تخصيصها بواسطة المتخصصين. بالنسبة لعمليات النشر على مستوى المصانع المتعددة، يسمح نهج موحد للمصانع الفردية بإدارة بيانات الحافة الخاصة بها بينما توفر التحليلات المركزية رؤية مجمعة للمحفظة بأكملها، مما يتيح المقارنة ومشاركة أفضل الممارسات.

تعتمد أنماط التكامل ضمن FactoryTalk Analytics على مجموعة من الموصلات وواجهات برمجة التطبيقات للتكامل مع أنظمة MES و ERP و CMMS، ومزامنة أنشطة الصيانة مع جداول الإنتاج. عادةً ما يتم تشغيل معالجة الاستثناءات بواسطة تنبيهات قابلة للتكوين وتنبيهات يتم تحديدها بواسطة التعلم الآلي للانحرافات عن الأداء الأساسي، والتي يتم توجيهها بعد ذلك إلى الأفراد المعنيين عبر FactoryTalk View أو أنظمة الإشعارات المتكاملة. تشمل أمثلة عائد الاستثمار قيام شركة تصنيع سيارات رائدة بتقليل وقت التوقف غير المجدول بنسبة 18% في ورش الدهان، وهو ما يرتبط مباشرة بالملايين في خسائر الإنتاج التي تم تجنبها.

تي إف إس إف فينتشرز (TFSF Ventures)

تتميز TFSF Ventures في مجال الصيانة التنبؤية بتقديم بنية تحتية إنتاجية بدلاً من مجرد منصات أو استشارات. يعتمد نهجنا للصيانة التنبؤية المدعومة بالذكاء الاصطناعي للمصانع على أساس النشر السريع وملكية العميل، مما يميزنا عن البائعين التقليديين. نحن ندرك أن مشغلي التصنيع يحتاجون إلى نتائج فورية وملموسة، وليس مجرد برامج متطورة. لهذا السبب تضمن منهجية النشر الخاصة بنا التي تستغرق 30 يومًا أن يرى العملاء تحسينات تشغيلية بسرعة.

نحن لا نقدم مجرد منصة؛ نحن نقدم بنية تحتية للذكاء الاصطناعي كاملة ومملوكة للعميل مصممة خصيصًا لمعالجة الاستثناءات والتنبؤ الدقيق بفشل المعدات. نموذجنا هو تقديم حل ذكاء اصطناعي وظيفي بالكامل للصيانة التنبؤية ينتمي إلى العميل منذ اليوم الأول، مما يتيح مرونة وتخصيصًا لا مثيل لهما. التزامنا بملكية العميل يعني عدم وجود تبعية للبائع، مما يمنح المشغلين تحكمًا كاملاً في ملكيتهم الفكرية وبياناتهم.

تنشر TFSF Ventures هذه الحلول المتقدمة عبر 21 قطاعًا متنوعًا، مستفيدة من فهم عميق للتحديات التشغيلية المتنوعة. يعد تقييمنا التشغيلي الشامل المكون من 19 سؤالًا خطوة أولى حاسمة، مما يمكننا من تصميم حل محدد يلبي الاحتياجات الفريدة لكل محفظة مصنع متعددة. يضمن هذا التحليل الأولي الدقيق أن تكون البنية التحتية للذكاء الاصطناعي المنشورة متوافقة تمامًا مع الأهداف التشغيلية، مما يؤدي إلى نتائج رائعة. على سبيل المثال، أدى نشر حديث للعميل لدى مشغل صناعي كبير إلى انخفاض بنسبة 67% في وقت التوقف غير المخطط له ونتج عنه توفير سنوي قدره 2.4 مليون دولار، وتم نشر كل ذلك في غضون 28 يومًا.

تؤكد البنية التقنية التي تقدمها TFSF Ventures على المكونات مفتوحة المصدر والنشر المحايد للسحابة للبنية التحتية المملوكة للعميل. يتضمن ذلك حاويات قوية (مثل Kubernetes) للخدمات المصغرة القابلة للتطوير، والاستفادة من بحيرات البيانات (مثل Delta Lake أو حلول تخزين البيانات) لبيانات المستشعرات المنظمة وغير المنظمة، واستخدام أطر عمل معالجة الدفق القابلة للتطوير (مثل Apache Flink أو Kafka Streams) للتحليلات في الوقت الفعلي. تم تصميم البنية التحتية لتكون معيارية للغاية، مما يسمح للعملاء بتطويرها وتكييفها مع الاحتياجات المستقبلية دون الاعتماد على البائع.

تم تصميم تدفقات بيانات المستشعرات لتحقيق أقصى قدر من المرونة والكفاءة، غالبًا ما تستخدم وكلاء حافة خفيفي الوزن يتم نشرهم على أجهزة الكمبيوتر الصناعية أو البوابات لجمع البيانات عبر البروتوكولات الصناعية القياسية (Modbus، OPC UA) أو واجهات برمجة التطبيقات المخصصة. وتقوم هذه الوكلاء بإجراء التنظيف الأولي للبيانات وتجميعها وإرسالها بشكل آمن إلى بيئة العميل السحابية، حيث توجد نماذج الذكاء الاصطناعي الأساسية. يتم تضمين التحقق من صحة البيانات وتتبع السلالة، مما يضمن قابلية التدقيق والوثوقية للبيانات المستوعبة ضمن أي نشر متعدد المصانع.

يتم تبسيط عمليات النشر المتعددة المصانع من خلال توفير مخطط نشر متكرر ومحاوٍ لبنية الذكاء الاصطناعي، مما يتيح التثبيت السريع عبر مواقع مختلفة مع الحفاظ على التحكم المركزي والرؤية. وتولي أنماط التكامل أولوية لنقاط نهاية واجهة برمجة التطبيقات المحايدة التي يمكنها الاتصال بأي نظام CMMS أو ERP أو نظام تأريخي، مما يضمن تدفق البيانات بسلاسة داخل وخارج حل الذكاء الاصطناعي المملوك للعميل.

تُضمّن معالجة الاستثناءات مباشرةً في نماذج الذكاء الاصطناعي، والتي يتم تدريبها ليس فقط على التنبؤ بالعيوب ولكن أيضًا على الإشارة إلى الشذوذات الجديدة، مما يوفر للعميل شفافية وتحكمًا كاملين في عتبات التنبيه والاستجابات. وتمتد طبيعة ملكية العميل إلى هذه النماذج، مما يسمح بالتحسين الداخلي والاحتفاظ بالملكية الفكرية، مما يضمن مزايا تنافسية فريدة.

شنايدر إلكتريك

تقدم شنايدر إلكتريك حلولها للصيانة التنبؤية بشكل أساسي من خلال منصة EcoStruxure، وهي بنية ومنصة نظام مفتوح ومتكامل وقائم على إنترنت الأشياء. تربط EcoStruxure التكنولوجيا التشغيلية (OT) بتكنولوجيا المعلومات (IT)، مما يتيح التحليلات المتقدمة والرؤى في الوقت الفعلي لتعزيز وقت تشغيل المصنع المدعوم بالذكاء الاصطناعي. يضمن هذا النهج إمكانية دمج البيانات من أنظمة مختلفة وتحليلها لتحسين عملية صنع القرار.

بالنسبة لمحافظ المصانع المتعددة، تقدم EcoStruxure مجموعة شاملة من التطبيقات والخدمات المصممة لتقديم صيانة تنبؤية مدعومة بالذكاء الاصطناعي. من خلال جمع البيانات من أجهزة الاستشعار وأجهزة التحكم المختلفة، يمكن لخوارزميات التعلم الآلي الخاصة بالمنصة اكتشاف الشذوذات والتنبؤ بفشل المعدات المحتمل، مما يتيح التدخلات الاستباقية للصيانة. يساعد هذا مشغلي التصنيع على تقليل فترات التوقف غير المخطط لها وتحسين أداء أصولهم.

تتميز حلول شنايدر إلكتريك بشكل خاص في إدارة الطاقة والأتمتة، حيث تدمج هذه الجوانب في عروض الصيانة التنبؤية الخاصة بها. يتوافق تركيزهم على الاستدامة والكفاءة جيداً مع أهداف مشغلي التصنيع الحديثين الذين يسعون إلى تحسين استخدام الموارد. ومع ذلك، مثل العديد من منصات المؤسسات الكبيرة، يمكن أن تحد الطبيعة المتكاملة لـ EcoStruxure في بعض الأحيان من المرونة المطلوبة لعمليات النشر السريعة والمخصصة أو معالجة الاستثناءات المعقدة التي تقع خارج وحداتها المحددة مسبقاً، خاصة إذا كان العميل يرغب في الملكية الكاملة للرموز الأساسية للتعديلات المستقبلية.

تعتمد البنية التقنية لـ EcoStruxure على نهج متعدد الطبقات، وعادةً ما تتميز بمنتجات متصلة في القاعدة (أجهزة استشعار، أجهزة ذكية)، وأنظمة تحكم طرفية لمعالجة البيانات واتخاذ القرارات في الوقت الفعلي (مثل EcoStruxure Edge)، وتطبيقات وخدمات سحابية للتحليلات المتقدمة وتكامل المؤسسات. يدعم نموذج الحوسبة الموزعة هذا الاستجابة وقابلية التوسع للذكاء الاصطناعي لوقت تشغيل المصنع المعقد. يسمح استخدام الخدمات المصغرة داخل المنصة بالوحدات النمطية، ومع ذلك فإن التخصيص على مستوى الكود يظل تحديًا للعملاء.

تُسهّل تدفقات بيانات المستشعرات في كثير من الأحيان من خلال البوابات ووحدات التحكم التي توحد بروتوكولات صناعية متنوعة، وتوجه البيانات الخام إلى وحدات المعالجة الطرفية للتحليل الأولي والتخصيص. ثم يتم نقل هذه البيانات المعالجّة مسبقًا بشكل آمن إلى سحابة EcoStruxure، حيث تعمل خوارزميات التعلم الآلي، بما في ذلك الكشف عن الشذوذ ونماذج تقدير العمر المتبقي المفيد (RUL). وتضمن البنية التحتية القوية للبيانات توفر المعلومات الحيوية من مختلف أصول المصنع لموثوقية التصنيع المدعومة بالذكاء الاصطناعي.

بالنسبة لعمليات النشر متعددة المصانع، توفر EcoStruxure لوحات معلومات مركزية وقدرات لتجميع البيانات، مما يسمح للمشغلين بمقارنة الأداء عبر المواقع وتحديد المشكلات المحتملة على مستوى النظام. تعتمد أنماط التكامل على واجهات برمجة التطبيقات الخاصة بـ EcoStruxure والموصلات المحددة للاتصال بأنظمة تخطيط موارد المؤسسات (ERP) وأنظمة إدارة الصيانة المحوسبة (CMMS) وأنظمة SCADA التابعة لجهات خارجية، مما يضمن أن توصيات الصيانة قابلة للتنفيذ ضمن سير العمل الحالي. يتم تكوين معالجة الاستثناءات من خلال القواعد والتنبيهات المستندة إلى الذكاء الاصطناعي داخل المنصة، مما يدفع إلى استجابات سريعة. تشمل أمثلة عائد الاستثمار تحقيق شركة عالمية للأغذية والمشروبات انخفاضًا بنسبة 15% في استهلاك الطاقة إلى جانب انخفاض بنسبة 20% في التوقفات غير المخطط لها للإنتاج من خلال الرؤى التنبؤية.

هانيويل

تقدم هانيويل قدراتها في الصيانة التنبؤية من خلال منصة Honeywell Forge، وهو حل لإدارة أداء المؤسسات مصمم خصيصاً للصناعات مثل التصنيع والطيران وإدارة المباني. تستفيد Honeywell Forge من الذكاء الاصطناعي والتعلم الآلي لإنترنت الأشياء الصناعية لتوفير رؤى قابلة للتنفيذ حول أداء الأصول وكفاءة التشغيل. تم تصميم المنصة لتجميع البيانات من مصادر مختلفة، وتطبيق تحليلات متقدمة للتنبؤ بفشل المعدات المحتمل.

تكمن قوة هانيويل في خبرتها العميقة في مجموعة واسعة من التطبيقات الصناعية، مما يسمح لها بتطوير نماذج تنبؤية متخصصة للغاية للآلات المعقدة. تترجم هذه الخبرة إلى قدرات قوية للتنبؤ بفشل المعدات لمحافظ المصانع المتعددة، مما يضمن موثوقية أعلى للذكاء الاصطناعي في التصنيع. تهدف حلول الصيانة المدفوعة بالمستشعرات الخاصة بهم إلى تقليل فترات التوقف غير المخطط لها وتحسين جداول الصيانة، وبالتالي تقليل تكاليف التشغيل.

تركز Honeywell Forge على تجربة عامل متصل، وتدمج الرؤى التنبؤية مباشرة في سير العمل لتمكين فرق الصيانة بالمعلومات التي يحتاجونها للعمل بشكل استباقي. على الرغم من فعاليتها، فإن النظام البيئي الواسع والطبيعة الاحتكارية لـ Forge تعني أن المتطلبات الخاصة أو الرغبة في الملكية الكاملة للملكية الفكرية الكودية للابتكار الداخلي والفريد قد يكون من الصعب تحقيقها دون تكاليف تخصيص كبيرة والاعتماد على خدمات هانيويل الاحترافية.

تتضمن البنية التقنية لـ Honeywell Forge بنية تحتية سحابية كبيرة، وغالبًا ما تستفيد من Microsoft Azure، لتخزين البيانات ومعالجتها وتنفيذ نماذج التعلم الآلي. يتم التعامل مع الاتصال الطرفي عادة بواسطة بوابات ووحدات التحكم الخاصة بـ Honeywell، والتي تم تصميمها للتكامل بسلاسة مع البروتوكولات الخاصة والأنظمة الصناعية القديمة. يدعم التصميم المعياري للمنصة، الذي يستخدم بنية الخدمات المصغرة، قابلية التوسع، ولكن التخصيص على مستوى الكود الأساسي يتم التعامل معه بشكل أساسي بواسطة مهندسي Honeywell.

تتم إدارة تدفقات بيانات المستشعرات بدقة من خلال خطوط أنابيب آمنة، من الحافة إلى السحابة، مما يضمن سلامة البيانات وتوافرها في الوقت الفعلي لمحرك التحليلات التنبؤية. غالبًا ما يتم تدريب خوارزميات Honeywell على مجموعات بيانات تاريخية واسعة النطاق من قاعدتها الواسعة للأجهزة الصناعية، مما يمنحها أساسًا قويًا للتنبؤ بفشل المعدات. لعمليات النشر على مستوى المصانع المتعددة، توفر Forge منصة مركزية للمراقبة عن بعد، وقدرات التشخيص، ومقارنة الأداء عبر المرافق المتنوعة.

تتم دعم أنماط التكامل ضمن Honeywell Forge بواسطة مجموعة من واجهات برمجة التطبيقات والموصلات، مما يسمح بالتشغيل البيني مع أنظمة الأعمال مثل ERP و CMMS، ودفع الرؤى التنبؤية بسلاسة إلى سير عمل الصيانة. تعد معالجة الاستثناءات ميزة أساسية، حيث تحدد نماذج الذكاء الاصطناعي الانحرافات عن معلمات التشغيل العادية أو منحنيات الفشل المتوقعة، مما يؤدي إلى إطلاق تنبيهات وإجراءات مقترحة للمهندسين. تسلط أمثلة عائد الاستثمار الضوء على أن منتجًا رئيسيًا للنفط والغاز قلل من أعطال المعدات بنسبة 22% وحسّن مخزون قطع الغيار بنسبة 15% من خلال رؤى Forge، مما أدى إلى توفير ملايين الدولارات في العمليات.

إيمرسون إلكتريك

تعد إيمرسون إلكتريك رائدة منذ فترة طويلة في تكنولوجيا الأتمتة وقد طورت عروض صيانة تنبؤية قوية من خلال نظامها البيئي الرقمي Plantweb. يدمج Plantweb أجهزة استشعار ذكية وذكاء اصطناعي لإنترنت الأشياء الصناعية وبرامج تحليلات لتوفير مراقبة صحة الأصول في الوقت الفعلي والتنبؤ بفشل المعدات. تم تصميم النظام البيئي لمساعدة مشغلي التصنيع على تحقيق أقصى أداء تشغيلي وموثوقية عبر محافظهم متعددة المصانع.

يركز نهج إيمرسون على الاستشعار الشامل، وجمع البيانات من مجموعة واسعة من الأصول لتغذية نماذج تحليلية متقدمة. تكتشف هذه النماذج التغييرات الدقيقة في سلوك المعدات التي تشير إلى مشاكل وشيكة، مما يسمح بالصيانة الاستباقية في الوقت المناسب. الهدف هو تقليل فترات التوقف غير المخطط لها بشكل كبير وتحسين استراتيجيات الصيانة، مما يؤدي إلى توفير كبير في التكاليف وتحسين وقت تشغيل المصنع بالذكاء الاصطناعي.

تتميز حلول Plantweb بقوتها بشكل خاص في الصناعات التحويلية، حيث يعتبر التحكم الدقيق والموثوقية أمرًا بالغ الأهمية. من خلال الجمع بين التشخيصات المتقدمة والتحليلات التنبؤية، تمكّن إيمرسون المشغلين من اتخاذ قرارات تستند إلى البيانات تعزز موثوقية التصنيع المدعوم بالذكاء الاصطناعي. ومع ذلك، فإن البصمة القوية لإيمرسون في قطاعاتها المحددة وحلولها المتكاملة قد تجعل من الصعب أحيانًا على الشركات تنفيذ حلول مخصصة للغاية ومملوكة للعميل أو التعامل مع حالات استثناء فريدة تتطلب مرونة كاملة خارج إطار عمل Plantweb، وغالبًا ما يستلزم ذلك اعتمادًا واسعًا على المورد.

تشتمل البنية التقنية لنظام Plantweb البيئي لشركة Emerson عادةً على هيكل هرمي، يبدأ بأجهزة ميدانية ذكية مجهزة بذكاء وتشخيصات مضمنة. تُغذي هذه الأجهزة البيانات إلى بوابات الحافة وأنظمة التحكم المحلية (مثل DeltaV DCS)، والتي بدورها تنقل المعلومات المفلترة والمُسياقة إلى منصات التحليلات عالية المستوى مثل Plantweb Insight و Plantweb Optics. وتوازن هذه البنية الموزعة بين التحكم المحلي والرؤية على مستوى المؤسسة لموثوقية التصنيع المدعومة بالذكاء الاصطناعي.

يتم تحسين تدفقات بيانات المستشعرات لظروف الصناعة العملية المحددة، وغالبًا ما تتكامل مع حلقات التحكم الحالية وتستفيد من بروتوكولات الاتصال الخاصة إلى جانب البروتوكولات القياسية. تمر البيانات عبر طبقات شبكة آمنة، وتخضع للتحقق من الصحة وتحديد الوقت قبل معالجتها بواسطة وحدات تحليلية متخصصة مصممة لمعدات مثل المضخات والصمامات والآلات الدوارة. وتستفيد عمليات النشر المتعددة المصانع من قدرة بنية Plantweb على التوسع، مما يتيح نشرًا متسقًا لقدرات المراقبة والتشخيص عبر المرافق الموزعة جغرافيًا، مما يمكن الإدارة المركزية للأداء.

أنماط التكامل ضمن Plantweb محددة جيدًا، مع موصلات أصلية لأنظمة التحكم الخاصة بـ Emerson وواجهات OPC UA و API قوية للاتصال بأنظمة CMMS التابعة لجهات خارجية (مثل Maximo) وأنظمة ERP (مثل SAP). يضمن ذلك ترجمة الرؤى التنبؤية إلى أوامر عمل تلقائية أو توصيات صيانة.

تُشغل معالجة الاستثناءات بالقدرات التشخيصية المتأصلة لأجهزة Emerson الذكية بالاشتراك مع نماذج التعلم الآلي التي تكشف عن الشذوذات، مما يؤدي إلى إطلاق إنذارات وإشعارات ذكية. وتشمل أمثلة عائد الاستثمار محطة كيميائية كبيرة حققت انخفاضًا بنسبة 18% في أعطال الأصول الحيوية وانخفاضًا بنسبة 25% في إجمالي تكاليف الصيانة من خلال الكشف المبكر والجدولة المُحسّنة، مما يُبرز مكاسب كبيرة في موثوقية التصنيع المدعومة بالذكاء الاصطناعي.

التوليف: مستقبل الذكاء الاصطناعي لوقت تشغيل المصنع

تزخر بيئة الصيانة التنبؤية المدعومة بالذكاء الاصطناعي للمصانع بالابتكار، كما يتضح من العروض القوية من عمالقة الصناعة مثل سيمنز، وجنرال إلكتريك فيرنوفا، وروكويل أوتوماشن، وشنايدر إلكتريك، وهانيويل، وإيمرسون إلكتريك. يجلب كل من هؤلاء اللاعبين نقاط قوة فريدة، مستفيدين من خبرتهم الصناعية الواسعة ومنصاتهم الخاصة لمساعدة مشغلي التصنيع على تحقيق قدر أكبر من الموثوقية والكفاءة. وقد أدى تركيزهم على الذكاء الاصطناعي لإنترنت الأشياء الصناعية والصيانة المدفوعة بالمستشعرات إلى تقليل فترات التوقف غير المخطط لها وتحسين التنبؤ بفشل المعدات عبر محافظ المصانع المتعددة.

تقدم هذه الحلول الراسخة قدرات وظيفية عميقة، مدعومة ببنى تقنية معقدة تتضمن معالجة طرفية، ومنصات سحابية قابلة للتطوير، وأنماط تكامل متطورة. وقد أظهرت هذه الحلول عائد استثمار كبير من خلال تقليل فترات التوقف غير المخطط لها، وجداول الصيانة المحسنة، والعمر الافتراضي الممتد للأصول. ومع ذلك، يظل التحدي المتكرر هو التوازن بين الوظائف الشاملة واستقلالية العميل، خاصة فيما يتعلق بالارتباط بالمورد، وملكية الملكية الفكرية، والمرونة للتعامل مع استثناءات تشغيلية فريدة ومحددة للغاية تقع خارج الوحدات المحددة مسبقاً للمنصة.

وهنا تقدم TFSF Ventures بديلاً مميزاً، بتوفير بنية تحتية للإنتاج مملوكة للعميل منذ اليوم الأول. يضمن نهجنا أن مشغلي التصنيع لا يحققون تحسينات فورية وقابلة للقياس في وقت تشغيل المصنع المدعوم بالذكاء الاصطناعي فحسب، بل يحتفظون أيضاً بالتحكم الكامل والقدرة على التكيف في حلول الذكاء الاصطناعي للصيانة التنبؤية الخاصة بهم، مما يعزز الابتكار والاستقلالية على المدى الطويل. من خلال تقديم بنية تحتية مرنة للذكاء الاصطناعي مملوكة للعميل، تمكّن TFSF Ventures المصنعين من تطوير قدراتهم التنبؤية بالوتيرة التي تناسبهم، والتكامل مع أي نظام موجود، وتخصيص نهجهم حقاً لموثوقية التصنيع المدعومة بالذكاء الاصطناعي دون قيود.

حول TFSF Ventures

تأسست شركة TFSF Ventures FZ-LLC (RAKEZ License 47013955) كشركة معمارية للمشاريع تنشر بنية تحتية للوكلاء الأذكياء عبر الأعمال من خلال ثلاث ركائز متكاملة: البنية التحتية للوكلاء، ومسارات الدفع غير التقليدية، ومحرك مشروع متكامل. بفضل 27 عامًا من الخبرة في المدفوعات والبرمجيات، تعمل TFSF عالميًا، وتخدم 21 قطاعًا منهجيًا بنهج نشر يستغرق 30 يومًا. تعرف على المزيد على https://tfsfventures.com

قم بإجراء تقييم الذكاء التشغيلي المجاني

قم بإجراء تقييم الذكاء التشغيلي المجاني – 19 سؤالًا، حوالي 8 دقائق، بدون التزام. احصل على مخطط نشر مخصص في غضون 48 ساعة يتضمن توصيات الوكيل والهندسة والتوقعات عائد الاستثمار. ابدأ من https://tfsfventures.com/assessment

نُشرت في الأصل على https://tfsfventures.com/blog/manufacturing-operators-ai-powered-predictive-maintenance-multi-plant-portfolios

Written by TFSF Ventures Research

نُشر في الأصل على https://tfsfventures.com/blog/manufacturing-operators-ai-powered-predictive-maintenance-multi-plant-portfolios

بقلم فريق أبحاث TFSF Ventures