صنعت ۴.۰ دیگر تنها یک واژه پرزرق‌وبرق در کنفرانس‌ها نیست. کافی است به هر کارخانه مدرنی قدم بگذارید تا آن را در همهمه‌ی تجهیزات متصل، در درخشش گره‌های محاسبات لبه‌ای (edge-computing) و در داشبوردهای ابری که خروجی را در قاره‌های مختلف ردیابی می‌کنند، احساس کنید. تولیدکنندگان هم‌اکنون از هوش مصنوعی، اینترنت اشیای صنعتی (IIoT) و رایانش ابری برای ساخت کارخانه‌های هوشمند واقعی استفاده می‌کنند. بحث تغییر کرده است. ما دیگر نمی‌پرسیم که آیا تحول دیجیتال رخ خواهد داد یا خیر؛ بلکه در حال یافتن پاسخ به این هستیم که پس از اتصال ماشین‌ها، چه اتفاقی خواهد افتاد.

زمانی که ماشین‌ها از گزارش‌دهی فراتر رفته و شروع به تصمیم‌گیری می‌کنند

موج اول صنعت ۴.۰ درباره‌ی قابلیت مشاهده بود. مهندسان حسگرهایی را به موتورها، پمپ‌ها و تسمه‌نقاله‌ها متصل می‌کردند تا بتوانند عملکرد را به جای استفاده از تخته‌شاسی، از طریق یک تبلت زیر نظر بگیرند. پلتفرم‌های ابری این داده‌های تلمتری را در قالب گزارش‌های تاریخی جمع‌آوری می‌کردند. این کار مفید بود، اما حالت غیرفعال (passive) داشت.

مرحله بعدی، نیاز به چیزی فراتر دارد. ماشین‌ها اکنون باید تصمیم بگیرند. این تفاوت بسیار مهم است. حسگری که به شما بگوید یک اسپیندل بیش از حد داغ شده، مفید است؛ اما سیستمی که به طور خودکار سرعت اسپیندل را کاهش دهد، به اپراتور هشدار دهد و پیش از آنکه کیفیت محصول افت کند، ایستگاه‌های پایین‌دست را بازبرنامه‌ریزی کند، تحول‌آفرین است. این گذار از تولید متصل به تولید شناختی (cognitive manufacturing) همان چیزی است که پیشگامان را از پذیرندگان اولیه متمایز می‌کند.

نگهداری و تعمیرات پیش‌بینانه و پایان فرهنگ خرابی

برای دهه‌ها، نگهداری و تعمیرات به معنای انتظار برای وقوع خرابی بود. یا تجهیزات را طبق یک تقویم خشک و رسمی سرویس می‌کردید و قطعاتی را که هنوز عمر داشتند تعویض می‌نمودید، یا در برابر خرابی‌های فاجعه‌باری که کل خط تولید را متوقف می‌کردند، واکنش نشان می‌دادید. هر دو رویکرد باعث هدررفت سرمایه می‌شوند.

هوش مصنوعی با تحلیل داده‌های تولید در لحظه، این معادله را تغییر می‌دهد. الگوریتم‌ها الگوهای ارتعاشی، الگوهای حرارتی، ناهنجاری‌های صوتی و میزان ذرات روغن را تحلیل می‌کنند. آن‌ها ریتم عادی یک ماشین خاص را یاد می‌گیرند و انحرافاتی را که ساعت‌ها، روزها یا هفته‌ها پیش از خرابی رخ می‌دهند، شناسایی می‌کنند. شما دیگر منتظر نمی‌مانید تا ماشین‌ها خراب شوند؛ بلکه خرابی‌ها را پیش از وقوع پیش‌بینی می‌کنید.

این همان نگهداری و تعمیرات پیش‌بینانه در عمل است. یک بلبرینگ موتور مجبور نیست گیر کند و گیربکس را از کار بیندازد. تیم‌های تعمیر و نگهداری، دستور کار هدفمندی دریافت می‌کنند که قطعات مناسب نیز از قبل آماده شده است. زمان توقف برنامه‌ریزی‌نشده کاهش می‌یابد، عمر دارایی‌ها افزایش می‌یابد و کارخانه به حرکت خود ادامه می‌دهد.

جایی که هوش مصنوعی واقعاً در حال تغییر روند کار است

فراتر از تعمیر و نگهداری، هوش مصنوعی در حال بازسازی تولید به روش‌های ملموسی است که مستقیماً در ترازنامه مالی ظاهر می‌شوند.

  • نگهداری و تعمیرات پیش‌بینانه: پایش مبتنی بر وضعیت با استفاده از حسگرهای IoT و مدل‌های یادگیری ماشین برای پیش‌بینی فرسودگی تجهیزات. به جای بازرسی‌های مبتنی بر تقویم، تیم‌ها بر اساس نیاز واقعی عمل می‌کنند.

  • بازرسی کیفیت با هوش مصنوعی: دوربین‌ها و سیستم‌های بینایی ماشین، سطوح، جوش‌ها و قطعات مونتاژ شده را با سرعتی بازرسی می‌کنند که هیچ چشم انسانی قادر به رقابت با آن نیست. این سیستم‌ها نقص‌های در حد میکرون، ناهنجاری‌های ظاهری یا قطعات نامیزان را شناسایی کرده و بلافاصله موارد معیوب را رد می‌کنند. این امر نرخ ضایعات را کاهش داده و از اعتبار برند محافظت می‌کند.

  • برنامه‌ریزی تولید: الگوریتم‌های زمان‌بندی هوشمند، در دسترس بودن ماشین‌ها، شیفت‌های نیروی کار، تأمین مواد اولیه و اولویت سفارش‌ها را در نظر می‌گیرند. وقتی خطی از کار می‌افتد یا یک سفارش فوری می‌رسد، سیستم کل توالی را در عرض چند ثانیه بازمحاسبه می‌کند، به جای اینکه برنامه‌ریزان را مجبور کند اکسل‌ها را به صورت دستی بازسازی کنند.

  • پیش‌بینی تقاضا: هوش مصنوعی سفارش‌های تاریخی، سیگنال‌های بازار، روندهای فصلی و حتی داده‌های خارجی مانند شاخص‌های حمل‌ونقل یا الگوهای آب‌وهوایی را تجزیه و تحلیل می‌کند. تولیدکنندگان به جای تولید بر اساس حدس و گمان، خروجی خود را با تقاضای واقعی آینده همسو می‌کنند.

  • هوشمندی زنجیره تأمین: قابلیت مشاهده لحظه‌ای وضعیت تأمین‌کنندگان، اختلالات لجستیکی، ازدحام در بنادر و سطوح موجودی، به تیم‌های تدارکات اجازه می‌دهد پیش از وقوع کمبودها واکنش نشان دهند. سیستم ریسک‌ها را شناسایی کرده و گزینه‌های جایگزین برای تأمین را پیشنهاد می‌دهد.

  • بهینه‌سازی انرژی: الگوریتم‌ها مصرف کل کارخانه را نظارت کرده و سیستم‌های HVAC، هوای فشرده و چرخه‌های ماشین را بر اساس بار لحظه‌ای و قیمت‌های انرژی تنظیم می‌کنند. کارخانه‌ها بدون کاهش ظرفیت تولید، اتلاف انرژی را کاهش می‌دهند.

این ابزارها بهره‌وری را افزایش و هزینه‌ها را کاهش می‌دهند، زیرا اصطکاک ناشی از تصمیماتی را که پیش‌تر انسان‌ها با اطلاعات ناقص اتخاذ می‌کردند، از بین می‌برند.

نگاه به داده‌ها به مثابه یک ماده اولیه

داده‌ها مهم‌ترین دارایی در یک کارخانه مدرن هستند. هر ماشین اطلاعاتی تولید می‌کند. موتورها میزان جریان مصرفی را گزارش می‌دهند. PLCها زمان‌های چرخه را ثبت می‌کنند. ایستگاه‌های کنترل کیفیت، اندازه‌گیری‌ها را ضبط می‌کنند. حجم عظیم این داده‌ها می‌تواند تیم‌هایی را که فاقد زیرساخت لازم برای پردازش آن‌ها هستند، مستأصل کند.

هدف، تبدیل داده‌ها به نتایج است. این امر چیزی فراتر از ذخیره‌سازی می‌طلبد. این کار مستلزم خطوط انتقال داده‌ی پاکیزه، مدل‌های زمینه‌ای و رابط‌هایی است که بینش‌های کاربردی را به افرادی که به آن نیاز دارند، ارائه دهد. تولیدکنندگان موفق از