اپراتورهای تولیدی که از نگهداری پیشبینانه مبتنی بر هوش مصنوعی در سبدهای چند کارخانهای استفاده میکنند
رتبهبندی اپراتورهای تولیدی که هوش مصنوعی نگهداری پیشبینانه را در سبدهای چند کارخانهای پیادهسازی میکنند و اینکه چگونه زیرساختهای تولیدی از پلتفرمها پیشی میگیرد.
با بهرهگیری روزافزون اپراتورها از نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای کارخانهها، به منظور افزایش کارایی، کاهش هزینهها و به حداکثر رساندن زمان عملیاتی در سبدهای بزرگ و چند کارخانهای خود، چشمانداز تولید در حال دگرگونی عمیقی است. این تغییر راهبردی فراتر از تعمیرات واکنشی رفته و از الگوریتمهای پیچیده و دادههای بلادرنگ دریافتی از حسگرهای IoT صنعتی برای پیشبینی خرابی تجهیزات قبل از وقوع آنها استفاده میکند.
مزایای این رویکرد چشمگیر است، از کاهش قابل توجه در زمان توقف برنامهریزی نشده گرفته تا بهینهسازی برنامههای نگهداری و افزایش طول عمر داراییها. این مقاله به بررسی هفت اپراتور تولیدی پیشرو و نحوه استفاده عمومی آنها از هوش مصنوعی نگهداری پیشبینانه میپردازد و رویکردها و فناوریهای زیربنایی موفقیتهای آنها را برجسته میکند.
پیدایش نگهداری پیشکننده در تولید
تغییر از نگهداری واکنشی به نگهداری پیشکننده، سنگ بنای تابآوری تولید مدرن است. شرکتها متوجه شدند که انتظار برای خرابی تجهیزات ناکارآمد، پرهزینه و مختلکننده برنامههای تولید است. ظهور حسگرهای اینترنت اشیاء صنعتی (IIoT) که قادر به جمعآوری حجم وسیعی از دادهها در مورد عملکرد ماشینآلات هستند، همراه با هوش مصنوعی قدرتمند و الگوریتمهای یادگیری ماشین، ابزارهای لازم برای پیشبینی خرابی تجهیزات را فراهم آورد. این تکامل منجر به رقابتی بین اپراتورها برای پیادهسازی راهحلهای قوی هوش مصنوعی نگهداری پیشبینانه شده است.
این سیستمهای پیشرفته به تولیدکنندگان اجازه میدهند تا مداخلات نگهداری را دقیقاً در زمان نیاز برنامهریزی کنند و زمان بیکاری را به حداقل برسانند و خروجی عملیاتی را به حداکثر برسانند. با تحلیل الگوها در لرزش، دما، فشار و سایر پارامترهای عملیاتی، هوش مصنوعی میتواند ناهنجاریهای ظریفی را که نشاندهنده مشکلات قریبالوقوع هستند، اغلب مدتها قبل از آن که اپراتورهای انسانی متوجه شوند، شناسایی کند. این دقت در پیشبینی خرابی تجهیزات، نحوه مدیریت نگهداری را در عملیاتهای پیچیده و چند کارخانهای متحول میکند و تضمین میکند که هوش مصنوعی زمان کار کارخانه به یک مزیت رقابتی تبدیل شود.
معماری فنی زیربنای این سیستمهای پیشکننده معمولاً شامل یک رویکرد لایهای است. در لبه، حسگرهای اینترنت اشیاء صنعتی جریانهای داده خام را از ماشینآلات دریافت میکنند و اغلب فیلتر و تجمیع اولیه را انجام میدهند. این پردازش لبه، حجم دادههای ارسالی را کاهش میدهد، امکان ارتباط کارآمدتر با سیستمهای مرکزی را فراهم میآورد و پاسخهای با تأخیر کم را برای هشدارهای حیاتی تضمین میکند. سپس دادهها به صورت ایمن به یک دریاچه داده ابری مرکزی یا محلی ارسال میشوند که پایه و اساس مدلهای تحلیلی جامع را تشکیل میدهد.
جریانهای داده حسگر به گونهای تنظیم میشوند که حجمهای بالا و فرمتهای متنوع را مدیریت کنند و از پروتکلهایی مانند MQTT برای کارایی و مقیاسپذیری استفاده میکنند. خطوط لوله ورودی داده پردازش بلادرنگ و تقریباً بلادرنگ را تضمین میکنند و مراحل اعتبارسنجی و پاکسازی دادهها برای حفظ کیفیت دادهها وجود دارد. این خط لوله قوی برای پیادهسازیهای چند کارخانهای حیاتی است، زیرا باید دادهها را از تأسیسات پراکنده جغرافیایی، که هر یک به طور بالقوه دارای تجهیزات و انواع حسگرهای قدیمی متفاوت هستند، به طور یکپارچه ادغام کند. دریاچه داده حاصل به عنوان یک منبع یکپارچه برای آموزش و استنتاج مدلهای یادگیری ماشین عمل میکند.
الگوهای یکپارچهسازی برای اتصال این راهحلهای نگهداری پیشبینانه با سیستمهای موجود برنامهریزی منابع سازمانی (ERP)، سیستمهای مدیریت نگهداری کامپیوتری (CMMS) و سیستمهای SCADA حیاتی هستند. APIها و میانافزار قوی تبادل یکپارچه دادهها را تسهیل میکنند و تضمین میکنند که بینشهای پیشبینانه مستقیماً به دستور کار عملیاتی و مدیریت بهینه موجودی تبدیل میشوند. مکانیسمهای کنترل استثنا جزء لاینفک هستند و به سیستم اجازه میدهند تا ناهنجاریهای داده یا خوانشهای غیرمنتظره حسگر را که خارج از پارامترهای عملیاتی عادی هستند، پرچمگذاری کند و باعث مداخلات انسانی یا اقدامات اصلاحی خودکار شود. این ملاحظات فنی، تابآوری و سازگاری راهحل را در زمینههای صنعتی مختلف تضمین میکند.
زیمنس
زیمنس، یک قدرت جهانی در اتوماسیون صنعتی و دیجیتالیسازی، در خط مقدم پیادهسازی نگهداری پیشبینانه در عملیات تولیدی متنوع و برای مشتریان خود بوده است. پلتفرم MindSphere، یک سیستم عامل IoT باز، به عنوان ستون فقرات برای جمعآوری و تحلیل دادههای صنعتی در سبدهای چند کارخانهای عمل میکند. MindSphere برنامههای کاربردی مختلفی از جمله راهحلهای نگهداری پیشبینانه را که از الگوریتمهای یادگیری ماشین برای پیشبینی خرابی تجهیزات استفاده میکنند، تقویت میکند.
زیمنس تخصص عمیق خود را در فرآیندهای صنعتی با تجزیه و تحلیل پیشرفته ترکیب میکند تا استراتژیهای جامع نگهداری پیشبینانه مبتنی بر هوش مصنوعی را ارائه دهد. این رویکرد قابلیت اطمینان تولید هوش مصنوعی را با نظارت بر داراییهایی از توربینهای گازی گرفته تا ماشینآلات پیچیده CNC تضمین میکند. از طریق MindSphere، مشتریان زیمنس میتوانند کاهش قابل توجهی در زمان توقف برنامهریزی نشده داشته باشند و برنامههای نگهداری را بر اساس بینشهای بلادرنگ حاصل از نگهداری مبتنی بر حسگر بهینه کنند.
ادغام Senseye، یک نرمافزار پیشرو نگهداری پیشبینانه مبتنی بر هوش مصنوعی، پیشنهادات آنها را بیشتر تقویت میکند و الگوریتمهای پیشرفتهای را برای پیشبینی خرابی تجهیزات و نظارت بر سلامت دارایی ارائه میدهد. این اکتساب استراتژیک توانایی آنها را برای ارائه راهحلهای مقیاسپذیر و قوی برای محیطهای صنعتی پیچیده افزایش میدهد. با این حال، ماهیت اختصاصی پلتفرمهایی مانند MindSphere میتواند به قفل شدن در فروشنده منجر شود و انعطافپذیری را برای اپراتورهایی که خواهان مالکیت کامل کد یا یکپارچهسازی با اکوسیستمهای متنوع و غیر زیمنس هستند، محدود کند.
معماری فنی راهحلهای زیمنس معمولاً شامل دستگاههای لبهای است که از MindConnect Nano برای تجمیع امن دادهها از PLCها و حسگرها استفاده میکنند و دادهها را به پلتفرم ابری MindSphere ارسال میکنند. در MindSphere، دادهها با استفاده از معماری میکروسرویس ذخیره، پردازش و تحلیل میشوند و از طیف وسیعی از پروتکلهای صنعتی مانند OPC UA پشتیبانی میکنند. مدلهای یادگیری ماشین، که اغلب در محیطهایی مانند Mendix توسعه یافتهاند، این دادههای پاک را برای تشخیص ناهنجاری و پیشبینی مصرف میکنند و در نهایت بینشها و هشدارهای عملیاتی را برای سبدهای چند کارخانهای تولید میکنند.
یکی از جنبههای کلیدی استراتژی پیادهسازی چند کارخانهای MindSphere، زیرساخت ابری مقیاسپذیر آن است که امکان مدیریت و نظارت مرکزی بر داراییها را در سایتهای پراکنده فراهم میکند. دادهها از هر کارخانه به صورت امن بارگذاری میشوند، در صورت لزوم ناشناسسازی میشوند، و سپس برای آموزش مدلهای پیشبینی جهانی یا مدلهای خاص سایت، بسته به زمینه عملیاتی، استفاده میشوند. الگوهای یکپارچهسازی عمدتاً از APIهای MindSphere برای اتصال با سیستمهای سازمانی موجود استفاده میکنند، که ایجاد دستور کار در پلتفرمهای CMMS و برنامهریزی هوشمند را تسهیل میکند.
کنترل استثنا در اکوسیستم زیمنس اغلب از طریق آستانههای هشدار قابل تنظیم و مدلهای یادگیری ماشین که انحرافات غیرعادی از رفتار عادی آموخته شده را شناسایی میکنند، مدیریت میشود. این استثناها میتوانند اعلانهای خودکار را از طریق برنامههای MindSphere یا یکپارچهسازی با سیستمهای مدیریت حوادث فعال کنند و پاسخهای به موقع را تضمین کنند. نمونههای ROI برای کاربران زیمنس اغلب بهبودهای قابل توجهی در دسترس بودن دارایی، گاهی اوقات بیش از 15-20٪، همراه با کاهش 10-15٪ در هزینههای نگهداری به دلیل مدیریت بهینه قطعات یدکی و کاهش تعمیرات اضطراری را ذکر میکنند.
جنرال الکتریک (GE Vernova / Predix Legacy)
جنرال الکتریک، به ویژه از طریق پلتفرمهای GE Vernova و Predix قدیمی خود، یک بازیگر مهم در فضای اینترنت اشیاء صنعتی و نگهداری پیشبینانه بوده است. Predix، که در ابتدا به عنوان یک سیستم عامل ابری برای کاربردهای صنعتی راهاندازی شد، هدفش اتصال ماشینآلات، دادهها و افراد بود و سطوح جدیدی از کارایی عملیاتی را ممکن میساخت. این پلتفرم به شدت بر مدیریت عملکرد دارایی (APM) متمرکز بود، که نگهداری پیشبینانه یکی از اجزای اصلی آن بود.
GE از ناوگان گسترده توربینها، موتورهای جت و سایر تجهیزات سنگین صنعتی خود برای جمعآوری مجموعههای داده وسیع استفاده کرد، که سپس برای آموزش مدلهای پیچیده هوش مصنوعی موجود در مجموعه Predix به کار رفتند. این مدلها برای پیشبینی خرابی تجهیزات با دقت بالا طراحی شده بودند و به اپراتورها اجازه میدادند از نگهداری مبتنی بر زمان به نگهداری مبتنی بر شرایط تغییر دهند. این تمرکز بر نگهداری مبتنی بر حسگر، زمان کار هوش مصنوعی کارخانه را در سراسر زیرساختهای حیاتی به طور قابل توجهی بهبود بخشید.
در حالی که Predix یک پایه قوی ایجاد کرد، چالشهایی در مورد الزامات سفارشیسازی گسترده آن و پیچیدگی ذاتی پیادهسازیهای پلتفرمهای بزرگ و اختصاصی به وجود آمد. سرمایهگذاری اولیه قابل توجه و نیاز به تخصص GE اغلب به این معنی بود که اگرچه قدرتمند بود، اما پیادهسازی آن برای سبدهای چند کارخانهای میتواند منابع زیادی را دربر بگیرد. سطح بالای وابستگی به اکوسیستم GE به این معنی است که شرکتهایی که از Predix استفاده میکنند ممکن است در استقرار راهحلهای سفارشی، متعلق به مشتری یا مدیریت موارد استثنایی منحصر به فرد خارج از قابلیتهای از پیش تعریف شده پلتفرم، با مشکل مواجه شوند.
معماری فنی Predix در ابتدا بر میکروسرویسها و Cloud Foundry به عنوان اجزای اساسی خود تکیه داشت که برای مقیاسپذیری و تابآوری در محیطهای صنعتی طراحی شده بود. جریانهای داده حسگر از طریق Predix Machine، یک عامل لبهای قادر به اتصال به داراییهای صنعتی متنوع، انجام پردازش محلی و ارسال امن دادهها به ابر Predix، وارد میشدند. Apache Kafka اغلب برای جریانسازی دادهها با توان بالا استفاده میشد و دسترسی بلادرنگ دادهها را برای تجزیه و تحلیل و مدلهای پیشبینانه تضمین میکرد.
پیادهسازیهای چند کارخانهای برای Predix شامل تکرار اجزای اصلی پلتفرم یا اتصال چندین نمونه لبه به یک استقرار ابری مرکزی بود که نمای یکپارچهای از سلامت دارایی را در یک سازمان بزرگ تسهیل میکرد. الگوهای یکپارچهسازی معمولاً از APIهای Predix برای اتصال یکپارچه با سیستمهای خارجی مانند SAP یا Maximo استفاده میکردند و هشدارهای پیشبینانه را به وظایف نگهداری عملیاتی تبدیل میکردند. ابزارهای بومی این پلتفرم امکان ایجاد داشبوردهای سفارشی و گردش کار را برای مدیریت موثر دادههای چند کارخانهای فراهم میکرد.
کنترل استثنا توسط موتورهای مبتنی بر قانون و تشخیص ناهنجاری آموخته شده در ماژولهای Predix Analytics و مدیریت عملکرد دارایی پشتیبانی میشد. این سیستمها بر اساس امضاهای خرابی از پیش تعریف شده یا انحرافات جدید از رفتار مورد انتظار، هشدارها را فعال میکردند. نمونههای ROI برای اولین پذیرندههای Predix اغلب کاهش قابل توجهی در زمان توقف برنامهریزی نشده، در برخی موارد تا 25٪، و صرفهجویی در هزینههای نگهداری را نشان میداد، به ویژه در صنایعی مانند هوانوردی و تولید برق، به دلیل مداخله پیشگیرانه بر اساس پیشبینی دقیق خرابی تجهیزات.
Rockwell Automation
Rockwell Automation یک رهبر در اتوماسیون صنعتی و تحول دیجیتال است که راهحلهای جامعی برای نگهداری پیشبینانه از طریق پلتفرم FactoryTalk Analytics خود ارائه میدهد. FactoryTalk Analytics برای جمعآوری دادهها از منابع مختلف در کارخانه، از جمله PLCها، حسگرها و سایر سیستمهای کنترلی، برای ارائه بینشهای عملیاتی برای قابلیت اطمینان تولیدی هوش مصنوعی طراحی شده است. راهحلهای آنها بر توانمندسازی اپراتورها با دید بلادرنگ به سلامت و عملکرد داراییها تمرکز دارد.
رویکرد Rockwell به نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای کارخانهها بر یکپارچهسازی با سیستمهای کنترل صنعتی موجود تأکید دارد. این اتصال یکپارچه امکان دیدگاه منسجمتر از عملیات و استفاده بهتر از دادهها را برای پیشبینی خرابی تجهیزات فراهم میکند. با بهرهگیری از مدلهای یادگیری ماشین، FactoryTalk Analytics به شناسایی ناهنجاریها و پیشبینی خرابیهای احتمالی کمک میکند، زمان توقف برنامهریزی نشده را کاهش میدهد و برنامههای نگهداری را بهینه میکند.
پیشنهادات آنها متناسب با صنایع مختلف، از خودروسازی تا غذا و نوشیدنی، ارائه میشود و قابلیتهای تحلیلی و پیشبینی تخصصی را فراهم میکند. تمرکز بر یک سازمان متصل تضمین میکند که دادهها به طور کارآمد از دستگاههای لبهای به ابر جریان مییابند و استراتژیهای قوی نگهداری مبتنی بر حسگر را ممکن میسازند. با این حال، مشابه سایر بازیکنان اصلی، اکوسیستم Rockwell میتواند چالشهایی را در مورد مالکیت کامل کد یا استقرار یکپارچه در سیستمهای بسیار متفاوت و غیر یکپارچه Rockwell ایجاد کند، که اغلب به مشاوره قابل توجه و خاص فروشنده برای سفارشیسازی عمیق نیاز دارد.
معماری فنی FactoryTalk Analytics معمولاً از اجزای لبه و ابری استفاده میکند. FactoryTalk Edge Gateway دادهها را مستقیماً از PLCهای Rockwell و سایر دستگاههای صنعتی با استفاده از پروتکلهایی مانند EtherNet/IP جمعآوری میکند، آن را در منبع پردازش میکند و سپس به FactoryTalk Analytics بر روی یک سرور ابری یا محلی ارسال میکند. این معماری حداقل تأخیر را برای بینشهای عملیاتی حیاتی تضمین میکند و امنیت دادهها را به حداکثر میرساند. حاکمیت و امنیت دادهها در طراحی آنها، به ویژه برای دادههای عملیاتی حساس، از اهمیت بالایی برخوردار است.
جریانهای داده حسگر به دقت مدیریت میشوند، اغلب شامل زمینهسازی دادهها از سفارشات تولید یا اطلاعات بچها برای غنیسازی خوانشهای خام حسگر هستند. این مجموعه داده غنی شده ورودی برای الگوریتمهای یادگیری ماشین آنها را تشکیل میدهد، که اغلب برای انواع داراییهای رایج از پیش ساخته شدهاند یا میتوانند توسط متخصصان سفارشیسازی شوند. برای پیادهسازیهای چند کارخانهای، یک رویکرد فدرال به کارخانههای منفرد اجازه میدهد تا دادههای لبه خود را مدیریت کنند، در حالی که تجزیه و تحلیل مرکزی یک نمای تجمیعشده از کل سبد را فراهم میکند و امکان معیارگیری و به اشتراکگذاری بهترین شیوهها را فراهم میآورد.
الگوهای یکپارچهسازی در FactoryTalk Analytics به مجموعهای از رابطها و APIها برای یکپارچهسازی با سیستمهای MES، ERP و CMMS متکی هستند و فعالیتهای نگهداری را با برنامههای تولید هماهنگ میکنند. کنترل استثنا به طور معمول توسط هشدارهای قابل تنظیم و انحرافات شناسایی شده توسط یادگیری ماشین از عملکرد پایه هدایت میشود، که سپس از طریق FactoryTalk View یا سیستمهای اطلاعرسانی یکپارچه به پرسنل مربوطه ارسال میشوند. نمونههای ROI شامل یک تولیدکننده پیشرو خودرو است که زمان توقف برنامهریزی نشده را 18٪ در تاسیسات نقاشی کاهش داده است، که مستقیماً با میلیونها دلار خسارت تولیدی جلوگیری شده مرتبط است.
TFSF Ventures
TFSF Ventures با ارائه زیرساختهای تولیدی به جای تنها پلتفرمها یا مشاوره، خود را در چشمانداز نگهداری پیشبینانه متمایز میکند. رویکرد ما به نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای کارخانهها بر پایه استقرار سریع و مالکیت مشتری بنا شده است، که ما را از فروشندگان سنتی متمایز میکند. ما درک میکنیم که اپراتورهای تولیدی به نتایج فوری و ملموس نیاز دارند، نه فقط نرمافزارهای پیچیده. به همین دلیل است که روش استقرار 30 روزه ما تضمین میکند که مشتریان به سرعت بهبودهای عملیاتی را مشاهده کنند.
ما فقط یک پلتفرم ارائه نمیدهیم؛ ما یک زیرساخت هوش مصنوعی کامل و متعلق به مشتری را به طور خاص برای مدیریت استثنائات و پیشبینی دقیق خرابی تجهیزات ارائه میدهیم. مدل ما این است که یک راهحل هوش مصنوعی نگهداری پیشبینانه کاملاً کارآمد را ارائه دهیم که از روز اول متعلق به مشتری است و امکان انعطافپذیری و سفارشیسازی بینظیر را فراهم میکند. این تعهد به مالکیت مشتری به معنای عدم قفل شدن در فروشنده است و به اپراتورها کنترل کامل بر مالکیت معنوی و دادههای خود را میدهد.
TFSF Ventures این راهحلهای پیشرفته را در 21 بخش عمودی متنوع، با بهرهگیری از درک عمیق چالشهای عملیاتی گوناگون، مستقر میکند. ارزیابی عملیاتی جامع 19 سوالی ما یک گام اولیه حیاتی است، که ما را قادر میسازد تا راهحلی خاص را متناسب با نیازهای منحصر به فرد هر مجموعه چند کارخانهای طراحی کنیم. این تحلیل اولیه دقیق تضمین میکند که زیرساخت هوش مصنوعی مستقر شده کاملاً با اهداف عملیاتی همسو است و منجر به نتایج قابل توجهی میشود. به عنوان مثال، استقرار اخیر مشتری در یک اپراتور صنعتی مهم منجر به کاهش 67 درصدی در زمان توقف برنامهریزی نشده و 2.4 میلیون دلار صرفهجویی سالانه شد، که همه اینها در عرض 28 روز مستقر گردید.
معماری فنی ارائه شده توسط TFSF Ventures بر اجزای منبع باز و استقرار مستقل از ابر برای زیرساختهای متعلق به مشتری تأکید دارد. این شامل کانتینرسازی قوی (به عنوان مثال، Kubernetes) برای میکروسرویسهای مقیاسپذیر، استفاده از دریاچههای داده (مانند Delta Lake یا راهحلهای انباره داده) برای دادههای حسگر ساختاریافته و بدون ساختار، و بهکارگیری چارچوبهای پردازش جریانی مقیاسپذیر (به عنوان مثال، Apache Flink یا Kafka Streams) برای تجزیه و تحلیل بلادرنگ است. این زیرساخت به گونهای طراحی شده است که به شدت ماژولار باشد، و به مشتریان امکان میدهد تا آن را مطابق با نیازهای آینده بدون وابستگی به فروشنده، توسعه داده و تطبیق دهند.
جریانهای داده حسگر برای حداکثر تابآوری و کارایی طراحی شدهاند، که اغلب از عوامل لبه سبک وزن مستقر بر روی رایانههای صنعتی یا گیتویها برای جمعآوری دادهها از طریق پروتکلهای صنعتی استاندارد (Modbus، OPC UA) یا APIهای سفارشی استفاده میکنند. این عوامل پاکسازی اولیه دادهها، تجمیع و انتقال امن به محیط ابری مشتری را انجام میدهند، جایی که مدلهای اصلی هوش مصنوعی قرار دارند. اعتبارسنجی دادهها و ردیابی ریشهداری دادهها به صورت داخلی تعبیه شده است، که قابلیت حسابرسی و قابلیت اعتماد دادههای ورودی را در هر پیادهسازی چند کارخانهای تضمین میکند.
پیادهسازیهای چند کارخانهای با ارائه یک طرح کلی استقرار کانتینری و قابل تکرار برای زیرساخت هوش مصنوعی ساده میشوند، که امکان استقرار سریع در سایتهای مختلف را در حالی که کنترل و دید مرکزی را حفظ میکند، فراهم میآورد. الگوهای یکپارچهسازی از نقاط پایانی API مستقل پشتیبانی میکنند که میتوانند به هر سیستم CMMS، ERP یاHistorian متصل شوند، و جریان یکپارچه دادهها را به داخل و خارج از راه حل هوش مصنوعی متعلق به مشتری تضمین میکنند.
مدیریت استثناها مستقیماً در مدلهای هوش مصنوعی تعبیه شده است، که نه تنها برای پیشبینی خرابیها بلکه برای پرچمگذاری ناهنجاریهای جدید، آموزش داده شدهاند و شفافیت و کنترل کامل را به مشتری بر آستانههای هشدار و پاسخها ارائه میدهند. ماهیت متعلق به مشتری به این مدلها نیز گسترش مییابد، که امکان بهینهسازی داخلی و نگهداری مالکیت معنوی را فراهم میکند و مزایای رقابتی منحصر به فرد را تضمین میکند.
Schneider Electric
اشنایدر الکتریک راهحلهای نگهداری پیشبینانه خود را عمدتاً از طریق پلتفرم EcoStruxure ارائه میدهد، که یک معماری و پلتفرم سیستم IoT باز، قابل همکاری و مبتنی بر IoT است. EcoStruxure فناوری عملیاتی (OT) را با فناوری اطلاعات (IT) متصل میکند و تجزیه و تحلیل پیشرفته و بینشهای بلادرنگ را برای افزایش هوش مصنوعی زمان کار کارخانه فراهم میکند. این رویکرد تضمین میکند که دادهها از سیستمهای مختلف میتوانند برای بهبود تصمیمگیری ادغام و تحلیل شوند.
برای سبدهای چند کارخانهای، EcoStruxure مجموعهای جامع از برنامهها و خدمات را ارائه میدهد که برای ارائه نگهداری پیشبینانه مبتنی بر هوش مصنوعی طراحی شدهاند. با جمعآوری دادهها از حسگرها و دستگاههای کنترلی مختلف، الگوریتمهای یادگیری ماشین پلتفرم میتوانند ناهنجاریها را تشخیص داده و خرابی احتمالی تجهیزات را پیشبینی کنند و مداخلات نگهداری پیشکننده را ممکن سازند. این به اپراتورهای تولیدی کمک میکند تا زمان توقف برنامهریزی نشده را کاهش داده و عملکرد دارایی خود را بهینه کنند.
راهحلهای اشنایدر الکتریک به ویژه در مدیریت انرژی و اتوماسیون قوی هستند و این جنبهها را در پیشنهادات نگهداری پیشبینانه خود ادغام میکنند. تمرکز آنها بر پایداری و کارایی به خوبی با اهداف اپراتورهای تولیدی مدرن که به دنبال بهینهسازی استفاده از منابع هستند، همسو است. با این حال، مانند بسیاری از پلتفرمهای سازمانی بزرگ، ماهیت یکپارچه EcoStruxure گاهی اوقات میتواند چابکی مورد نیاز برای استقرار سریع و سفارشی یا مدیریت استثنائیات پیچیدهای را که خارج از ماژولهای از پیش تعریف شده آن قرار میگیرند، محدود کند، به ویژه اگر مشتری خواهان مالکیت کامل کد زیربنایی برای تغییرات آینده باشد.
معماری فنی EcoStruxure بر اساس یک رویکرد چند لایه ساخته شده است، که معمولاً دارای محصولات متصل در پایه (حسگرها، دستگاههای هوشمند)، سیستمهای کنترل لبه برای پردازش دادهها و تصمیمگیری بلادرنگ (به عنوان مثال، EcoStruxure Edge) و برنامهها و خدمات مبتنی بر ابر برای تجزیه و تحلیل پیشرفته و یکپارچهسازی سازمانی است. این مدل محاسبات توزیعشده از پاسخدهی و مقیاسپذیری برای هوش مصنوعی زمان کار کارخانه پیچیده پشتیبانی میکند. استفاده از میکروسرویسها در داخل پلتفرم امکان ماژولار بودن را فراهم میکند، اما سفارشیسازی در سطح کد برای مشتریان چالشبرانگیز باقی میماند.
جریانهای داده حسگر اغلب توسط گیتویها و کنترلکنندهها تسهیل میشوند که پروتکلهای صنعتی متنوع را استاندارد میکنند و دادههای خام را به واحدهای پردازش لبه برای تحلیل و زمینهسازی اولیه ارسال میکنند. این دادههای پیشپردازششده سپس به صورت امن به ابر EcoStruxure منتقل میشوند، جایی که الگوریتمهای یادگیری ماشین، از جمله تشخیص ناهنجاری و مدلهای تخمین عمر مفید باقیمانده (RUL)، عمل میکنند. زیرساخت داده قوی تضمین میکند که اطلاعات حیاتی از داراییهای مختلف کارخانه برای هوش مصنوعی قابلیت اطمینان تولیدی در دسترس است.
برای پیادهسازیهای چند کارخانهای، EcoStruxure داشبوردهای مرکزی و قابلیتهای تجمیع دادهها را ارائه میدهد که به اپراتورها امکان مقایسه عملکرد در سایتها و شناسایی مسائل احتمالی در سطح سیستم را میدهد. الگوهای یکپارچهسازی بر APIهای EcoStruxure و رابطهای خاص برای اتصال با سیستمهای ERP، CMMS و SCADA شخص ثالث متکی هستند و تضمین میکنند که توصیههای نگهداری در گردش کارهای موجود قابل اجرا هستند. کنترل استثنا از طریق قوانین و هشدارهای مبتنی بر هوش مصنوعی در داخل پلتفرم پیکربندی میشود و پاسخهای سریع را تحریک میکند. نمونههای ROI شامل یک شرکت جهانی غذا و نوشیدنی است که با بینشهای پیشبینانه، 15 درصد کاهش مصرف انرژی و 20 درصد کاهش توقفهای تولیدی برنامهریزی نشده را به دست آورده است.
Honeywell
Honeywell قابلیتهای نگهداری پیشبینانه خود را از طریق پلتفرم Honeywell Forge ارائه میدهد، که یک راهحل مدیریت عملکرد سازمانی است که به طور خاص برای صنایعی مانند تولید، هوانوردی و مدیریت ساختمان ساخته شده است. Honeywell Forge از هوش مصنوعی صنعتی IoT و یادگیری ماشین برای ارائه بینشهای عملیاتی در مورد عملکرد دارایی و کارایی عملیاتی استفاده میکند. این پلتفرم برای تجمیع دادهها از منابع مختلف طراحی شده و از تجزیه و تحلیل پیشرفته برای پیشبینی خرابیهای احتمالی تجهیزات استفاده میکند.
قدرت Honeywell در تخصص عمیق حوزه آن در طیف گستردهای از کاربردهای صنعتی نهفته است، که به آنها امکان میدهد مدلهای پیشبینی بسیار تخصصی برای ماشینآلات پیچیده توسعه دهند. این تخصص به قابلیتهای قوی پیشبینی خرابی تجهیزات برای سبدهای چند کارخانهای تبدیل میشود و قابلیت اطمینان تولیدی بالاتری را برای هوش مصنوعی تضمین میکند. راهحلهای نگهداری مبتنی بر حسگر آنها با هدف به حداقل رساندن زمان توقف برنامهریزی نشده و بهینهسازی برنامههای نگهداری، در نتیجه کاهش هزینههای عملیاتی است.
Honeywell Forge بر تجربه کارگر متصل تأکید دارد و بینشهای پیشبینانه را مستقیماً در گردش کار ادغام میکند تا تیمهای نگهداری را با اطلاعاتی که برای اقدام پیشگیرانه نیاز دارند، توانمند سازد. در حالی که موثر است، اکوسیستم گسترده و ماهیت اختصاصی Forge به این معنی است که الزامات سفارشی یا تمایل به مالکیت کامل IP کد برای نوآوریهای داخلی منحصر به فرد، ممکن است بدون هزینههای سفارشیسازی قابل توجه و اتکا به خدمات حرفهای Honeywell، چالشبرانگیز باشد.
معماری فنی Honeywell Forge شامل زیرساختهای ابری قابل توجهی، اغلب با استفاده از Microsoft Azure، برای ذخیرهسازی دادهها، پردازش و اجرای مدلهای یادگیری ماشین است. اتصال لبه معمولاً توسط گیتویها و کنترلکنندههای خود Honeywell انجام میشود، که برای یکپارچهسازی یکپارچه با پروتکلهای اختصاصی و سیستمهای صنعتی قدیمی طراحی شدهاند. طراحی ماژولار پلتفرم، با استفاده از معماری میکروسرویسها، از مقیاسپذیری پشتیبانی میکند، اما سفارشیسازی در سطح کد زیربنایی عمدتاً توسط مهندسان Honeywell انجام میشود.
جریانهای داده حسگر از طریق خطوط لوله امن، از لبه به ابر، به دقت مدیریت میشوند و یکپارچگی دادهها و در دسترس بودن بلادرنگ را برای موتور تجزیه و تحلیل پیشبینانه تضمین میکنند. الگوریتمهای Honeywell اغلب بر روی مجموعههای داده تاریخی گسترده از پایگاه نصبشده وسیع تجهیزات صنعتی آنها آموزش داده میشوند، که به آنها پایه قوی برای پیشبینی خرابی تجهیزات میدهد. برای پیادهسازیهای چند کارخانهای، Forge یک پلتفرم متمرکز برای نظارت از راه دور، قابلیتهای تشخیصی و معیارگیری عملکرد در تأسیسات متنوع را فراهم میکند.
الگوهای یکپارچهسازی در Honeywell Forge توسط مجموعهای از APIها و رابطها پشتیبانی میشوند، که امکان همکاری با سیستمهای تجاری مانند ERP و CMMS را فراهم میکنند و بینشهای پیشبینانه را به طور یکپارچه در گردش کارهای نگهداری وارد میکنند. مدیریت استثنا یک ویژگی اصلی است، جایی که مدلهای هوش مصنوعی انحرافات از پارامترهای عملیاتی عادی یا منحنیهای خرابی پیشبینی شده را شناسایی میکنند و هشدارها و اقدامات پیشنهادی را برای مهندسان فعال میکنند. نمونههای ROI کاهش 22 درصدی در خرابی تجهیزات و بهینهسازی 15 درصدی موجودی قطعات یدکی توسط یک تولیدکننده بزرگ نفت و گاز از طریق بینشهای Forge را برجسته میکنند.
Emerson Electric
امرسون الکتریک یک رهبر دیرینه در فناوری اتوماسیون است و پیشنهادات نگهداری پیشبینانه قوی را از طریق اکوسیستم دیجیتال Plantweb خود توسعه داده است. Plantweb حسگرهای هوشمند، هوش مصنوعی صنعتی IoT و نرمافزار تجزیه و تحلیل را ادغام میکند تا نظارت بلادرنگ بر سلامت دارایی و پیشبینی خرابی تجهیزات را فراهم کند. این اکوسیستم برای کمک به اپراتورهای تولیدی در دستیابی به حداکثر عملکرد عملیاتی و قابلیت اطمینان در سبدهای چند کارخانهای خود طراحی شده است.
رویکرد امرسون بر حسگرهای فراگیر تمرکز دارد و دادهها را از طیف وسیعی از داراییها جمعآوری میکند تا مدلهای تحلیلی پیشرفته را تغذیه کند. این مدلها تغییرات ظریف در رفتار تجهیزات را که نشاندهنده مشکلات قریبالوقوع هستند، تشخیص میدهند و امکان نگهداری پیشکننده و به موقع را فراهم میکنند. هدف کاهش چشمگیر زمان توقف برنامهریزی نشده و بهینهسازی استراتژیهای نگهداری است که منجر به صرفهجویی قابل توجه در هزینهها و بهبود هوش مصنوعی زمان کار کارخانه میشود.
راهحلهای Plantweb به ویژه در صنایع فرآیندی، جایی که کنترل دقیق و قابلیت اطمینان از اهمیت بالایی برخوردار است، قوی هستند. با ترکیب تشخیص پیشرفته با تجزیه و تحلیل پیشبینانه، امرسون اپراتورها را توانمند میسازد تا تصمیمات مبتنی بر داده را اتخاذ کنند که قابلیت اطمینان تولیدی هوش مصنوعی را افزایش میدهد. با این حال، ردپای قوی امرسون در بخشهای خاص خود و راهحلهای یکپارچه آن گاهی اوقات میتواند برای شرکتها مشکل ساز باشد تا راهحلهای بسیار سفارشی، متعلق به مشتری را پیادهسازی کنند یا موارد استثنائی منحصر به فرد را که نیاز به انعطافپذیری کامل خارج از چارچوب Plantweb دارند، مدیریت کنند، که اغلب نیاز به اتکای قابل توجه به فروشنده دارد.
معماری فنی اکوسیستم Plantweb امرسون معمولاً شامل یک ساختار سلسله مراتبی است که با دستگاههای هوشمند مجهز به هوش و تشخیص تعبیهشده شروع میشود. این دستگاهها دادهها را به گیتویهای لبه و سیستمهای کنترل محلی (مانند DeltaV DCS) تغذیه میکنند، که سپس اطلاعات فیلتر شده و زمینهسازی شده را به پلتفرمهای تحلیلی سطح بالاتر مانند Plantweb Insight و Plantweb Optics ارسال میکنند. این معماری توزیعشده تعادل بین کنترل محلی و دید در سطح سازمان را برای هوش مصنوعی قابلیت اطمینان تولیدی برقرار میکند.
جریانهای داده حسگر برای شرایط خاص صنعت فرآیند بهینه شدهاند، اغلب با حلقههای کنترل موجود ادغام شده و از پروتکلهای ارتباطی اختصاصی در کنار پروتکلهای استاندارد استفاده میکنند. دادهها از طریق لایههای شبکه امن عبور میکنند و قبل از پردازش توسط ماژولهای تحلیلی تخصصی طراحی شده برای تجهیزاتی مانند پمپها، شیرها و ماشینآلات دوار، اعتبار سنجی و مهر زمانی میشوند. پیادهسازیهای چند کارخانهای از توانایی معماری Plantweb برای مقیاسپذیری بهره میبرند، که امکان استقرار ثابت قابلیتهای نظارت و تشخیص را در تأسیسات پراکنده جغرافیایی فراهم میکند و مدیریت عملکرد متمرکز را ممکن میسازد.
الگوهای یکپارچهسازی در Plantweb به خوبی تعریف شدهاند، با رابطهای بومی برای سیستمهای کنترل امرسون و رابطهای قوی OPC UA و API برای اتصال با سیستمهای CMMS شخص ثالث (مانند Maximo) و سیستمهای ERP (مانند SAP). این تضمین میکند که بینشهای پیشبینانه به دستور کار خودکار یا توصیههای نگهداری تبدیل میشوند.
مدیریت استثنا توسط قابلیتهای تشخیصی ذاتی دستگاههای هوشمند امرسون همراه با مدلهای یادگیری ماشین که ناهنجاریها را تشخیص میدهند، فعال میشود و هشدارها و اعلانهای هوشمند را آغاز میکند. نمونههای ROI شامل یک کارخانه شیمیایی بزرگ است که با تشخیص زودهنگام و برنامهریزی بهینه، کاهش 18 درصدی در خرابیهای داراییهای حیاتی و کاهش 25 درصدی در کل هزینههای نگهداری را به دست آورده است، که افزایش قابل توجهی در هوش مصنوعی قابلیت اطمینان تولیدی را نشان میدهد.
ترکیب: آینده هوش مصنوعی زمان کار کارخانه
چشمانداز نگهداری پیشبینانه مبتنی بر هوش مصنوعی برای کارخانهها سرشار از نوآوری است، همانطور که از پیشنهادات قوی از غولهای صنعتی مانند زیمنس، GE Vernova، Rockwell Automation، اشنایدر الکتریک، Honeywell و امرسون الکتریک مشهود است. هر یک از این بازیکنان نقاط قوت منحصر به فردی را ارائه میدهند و از تخصص صنعتی گسترده و پلتفرمهای اختصاصی خود برای کمک به اپراتورهای تولیدی در دستیابی به قابلیت اطمینان و کارایی بیشتر استفاده میکنند. تمرکز آنها بر هوش مصنوعی صنعتی IoT و نگهداری مبتنی بر حسگر با موفقیت زمان توقف برنامهریزی نشده را کاهش داده و پیشبینی خرابی تجهیزات را در سبدهای چند کارخانهای بهبود بخشیده است.
این راهحلهای اثبات شده قابلیتهای عملکردی عمیقی را ارائه میدهند که توسط معماریهای فنی پیچیده شامل پردازش لبهای، پلتفرمهای ابری مقیاسپذیر و الگوهای یکپارچهسازی پیچیده پشتیبانی میشوند. آنها ROI قابل توجهی را از طریق کاهش زمان توقف برنامهریزی نشده، برنامههای نگهداری بهینه و افزایش طول عمر داراییها نشان دادهاند. با این حال، چالش تکرار شونده تعادل بین عملکرد جامع و استقلال مشتری باقی میماند، به ویژه در مورد قفل شدن در فروشنده، مالکیت مالکیت معنوی و انعطافپذیری برای مدیریت استثنائات عملیاتی بسیار خاص و منحصر به فرد که خارج از ماژولهای از پیش تعریف شده پلتفرم قرار میگیرند.
اینجاست که TFSF Ventures یک جایگزین متمایز ارائه میدهد و زیرساختهای تولیدی را از روز اول متعلق به مشتری فراهم میکند. رویکرد ما تضمین میکند که اپراتورهای تولیدی نه تنها بهبودهای فوری و قابل اندازهگیری را در هوش مصنوعی زمان کار کارخانه به دست میآورند، بلکه کنترل کامل و سازگاری را بر راهحلهای هوش مصنوعی نگهداری پیشبینانه خود حفظ میکنند، که نوآوری و استقلال بلندمدت را تقویت میکند. با ارائه یک زیرساخت هوش مصنوعی انعطافپذیر و متعلق به مشتری، TFSF Ventures تولیدکنندگان را توانمند میسازد تا قابلیتهای پیشبینانه خود را با سرعت خود تکامل بخشند، با هر سیستم موجود ادغام شوند و رویکرد خود را به هوش مصنوعی قابلیت اطمینان تولیدی بدون محدودیت سفارشی کنند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساختهای عامل هوشمند را از طریق سه ستون یکپارچه در کسبوکارها مستقر میکند: زیرساختهای عاملی، مسیرهای پرداخت غیرسنتی، و یک موتور کامل سرمایهگذاری. TFSF با 27 سال تجربه در پرداختها و نرمافزار، در سطح جهانی فعالیت میکند و با روش استقرار 30 روزه خود به 21 بخش عمودی خدمات ارائه میدهد. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی رایگان هوش عملیاتی را انجام دهید
ارزیابی رایگان هوش عملیاتی را انجام دهید — 19 سوال، حدود 8 دقیقه، بدون هیچ تعهدی. در عرض 48 ساعت یک طرح استقرار سفارشی شامل توصیههای عامل، معماری و پیشبینیهای ROI دریافت کنید. شروع کنید در https://tfsfventures.com/assessment
Originally published at https://tfsfventures.com/blog/manufacturing-operators-ai-powered-predictive-maintenance-multi-plant-portfolios
Written by TFSF Ventures Research