Industry 4.0 is no longer a conference buzzword. Walk onto any modern factory floor and you will find it alive in the hu

Industry 4.0 என்பது இனி வெறும் மாநாடுகளில் பயன்படுத்தப்படும் ஒரு சொல் மட்டுமல்ல. எந்தவொரு நவீன தொழிற்சாலைக்கும் நீங்கள் சென்றால், இணைக்கப்பட்ட உபகரணங்களின் இரைச்சல், எட்ஜ்-கம்பியூட்டிங் (edge-computing) நோட்களின் ஒளி மற்றும் கண்டங்கள் கடந்த உற்பத்தியைக் கண்காணிக்கும் கிளவுட் டேஷ்போர்டுகளில் அதன் உயிர்ப்பைக் காணலாம். உண்மையான ஸ்மார்ட் தொழிற்சாலைகளை உருவாக்க உற்பத்தியாளர்கள் ஏற்கனவே செயற்கை நுண்ணறிவு (AI), தொழில்துறை இணையம் சார்ந்த பொருட்கள் (IIoT) மற்றும் கிளவுட் கம்ப்யூட்டிங் ஆகியவற்றைப் பயன்படுத்துகின்றனர். விவாதம் மாறியுள்ளது. டிஜிட்டல் மாற்றம் நிகழுமா என்று நாம் கேட்கவில்லை. இயந்திரங்கள் இணைக்கப்பட்ட பிறகு என்ன நடக்கும் என்பதைத் தான் நாம் கண்டறிந்து கொண்டிருக்கிறோம்.

இயந்திரங்கள் வெறும் தகவல்களைத் தெரிவிப்பதோடு நின்று, முடிவெடுக்கத் தொடங்கும் போது

Industry 4.0-இன் முதல் அலை காட்சித்தன்மையைப் (visibility) பற்றியது. பொறியாளர்கள் மோட்டார்கள், பம்புகள் மற்றும் கன்வேயர் பெல்ட்களில் சென்சார்களைப் பொருத்தினார்கள், இதன் மூலம் அவர்கள் ஒரு டேப்லெட் மூலம் செயல்பாடுகளைக் கண்காணிக்க முடிந்தது. கிளவுட் தளங்கள் இந்தத் தரவுகளை வரலாற்றுப் பதிவுகளாகச் சேகரித்தன. இது பயனுள்ளதாக இருந்தது, ஆனால் இது செயலற்றதாக இருந்தது.

அடுத்த கட்டம் இன்னும் அதிகமாகக் கோருகிறது. இயந்திரங்கள் இப்போது முடிவுகளை எடுக்க வேண்டும். அந்த வேறுபாடு முக்கியமானது. ஒரு ஸ்பிண்டல் (spindle) அதிக வெப்பமடைகிறது என்று சொல்லும் சென்சார் உதவியாக இருக்கும். ஆனால், தரம் குறையும் முன்பே தானாகவே ஸ்பிண்டலின் வேகத்தைக் குறைத்து, ஆபரேட்டருக்கு எச்சரிக்கை விடுத்து, அடுத்தடுத்த நிலையங்களின் கால அட்டவணையை மாற்றியமைக்கும் ஒரு அமைப்பு, மாற்றத்தை ஏற்படுத்தும் வல்லமை கொண்டது. இணைக்கப்பட்ட உற்பத்தியிலிருந்து (connected manufacturing) அறிவாற்றல் சார்ந்த உற்பத்திக்கு (cognitive manufacturing) மாறும் இந்த மாற்றம் தான், ஆரம்பகாலப் பயனர்களைத் தலைவர்களிடமிருந்து வேறுபடுத்துகிறது.

முன்கணிப்புப் பராமரிப்பு மற்றும் இயந்திரக் கோளாறு கலாச்சாரத்தின் முடிவு

பல தசாப்தங்களாக, பராமரிப்பு என்பது ஒரு இயந்திரம் பழுதடையும் வரை காத்திருப்பதாகவே இருந்தது. ஒன்று, பயன்பாட்டில் இன்னும் இருக்கும் பாகங்களை மாற்றிக்கொண்டு, ஒரு குறிப்பிட்ட கால அட்டவணையின்படி இயந்திரங்களைப் பராமரிப்பீர்கள், அல்லது முழு உற்பத்தித் தொடரையும் நிறுத்தும் வகையிலான மிகப்பெரிய கோளாறுகள் ஏற்படும் போது அதற்கு எதிர்வினையாற்றுவீர்கள். இந்த இரண்டு அணுகுமுறைகளுமே பண இழப்பை ஏற்படுத்துகின்றன.

உற்பத்தித் தரவை நிகழ்நேரத்தில் பகுப்பாய்வு செய்வதன் மூலம் AI இந்தச் சமன்பாட்டை மாற்றுகிறது. அல்காரிதம்கள் அதிர்வுத் தடயங்கள் (vibration signatures), வெப்பத் தன்மைகள், ஒலி மாறுபாடுகள் மற்றும் எண்ணெய்த் துகள்களின் அளவு ஆகியவற்றை ஆய்வு செய்கின்றன. அவை ஒரு குறிப்பிட்ட இயந்திரத்தின் இயல்பான தாளத்தைக் கற்றுக்கொண்டு, கோளாறு ஏற்படுவதற்கு மணிநேரங்கள், நாட்கள் அல்லது வாரங்களுக்கு முன்பே ஏற்படும் மாற்றங்களைக் கண்டறிந்து எச்சரிக்கின்றன. இயந்திரங்கள் பழுதடையும் வரை நீங்கள் இனி காத்திருக்க வேண்டியதில்லை. கோளாறுகள் நடப்பதற்கு முன்பே நீங்கள் அவற்றைக் கணித்துவிடலாம்.

இது நடைமுறையில் உள்ள முன்கணிப்புப் பராமரிப்பு (predictive maintenance) ஆகும். ஒரு மோட்டார் பேரிங் (motor bearing) அப்படியே நின்றுபோய் கியர்பாக்ஸை சேதப்படுத்த வேண்டிய அவசியமில்லை. பராமரிப்புப் பணியாளர்களுக்குத் தேவையான பாகங்களுடன் கூடிய பணி ஆணைகள் முன்கூட்டியே வழங்கப்படும். திட்டமிடப்படாத முடக்கம் (unplanned downtime) குறைகிறது. சொத்துக்களின் ஆயுட்காலம் நீடிக்கிறது. தொழிற்சாலை தொடர்ந்து இயங்குகிறது.

AI உண்மையில் வேலையை எவ்வாறு மாற்றுகிறது

பராமரிப்பைத் தாண்டி, AI உற்பத்தியை நிதிநிலை அறிக்கையில் (balance sheet) வெளிப்படையாகத் தெரியும் வகையில் மாற்றியமைத்து வருகிறது.

• முன்கணிப்புப் பராமரிப்பு (Predictive maintenance): இயந்திரக் குறைபாடுகளைக் கணிக்க IoT சென்சார்கள் மற்றும் மெஷின் லேர்னிங் மாதிரிகளைப் பயன்படுத்தி நிலை சார்ந்த கண்காணிப்பு (Condition-based monitoring). கால அட்டவணை அடிப்படையிலான சோதனைகளுக்குப் பதிலாக, உண்மையான தேவைக்கேற்ப குழுக்கள் செயல்படுகின்றனர்.

• AI தரக் ஆய்வு (AI quality inspection): கேமராக்கள் மற்றும் கம்ப்யூட்டர் விஷன் (computer vision) அமைப்புகள், மனிதக் கண்களால் ஈடுசெய்ய முடியாத வேகத்தில் மேற்பரப்புகள், வெல்டிங் மற்றும் அசெம்பிளிகளை ஆய்வு செய்கின்றன. இந்த அமைப்புகள் மைக்ரான் அளவிலான குறைபாடுகள், தோற்றக் குறைபாடுகள் அல்லது தவறாக இணைக்கப்பட்ட பாகங்களைக் கண்டறிந்து உடனடியாக நிராகரிக்கின்றன. இது கழிவு விகிதத்தைக் குறைத்து பிராண்ட் நற்பெயரைப் பாதுகாக்கிறது.

• உற்பத்தித் திட்டமிடல் (Production planning): ஸ்மார்ட் ஷெட்யூலிங் அல்காரிதம்கள் இயந்திரங்களின் இருப்பு, பணியாளர் ஷிப்டுகள், மூலப்பொருள் விநியோகம் மற்றும் ஆர்டர் முன்னுரிமை ஆகியவற்றைக் கணக்கில் கொள்கின்றன. ஒரு உற்பத்தி வரி முடங்கினாலோ அல்லது அவசர ஆர்டர் வந்தாலோ, திட்டமிடுபவர்கள் கைமுறையாக எக்செல் தாள்களை உருவாக்க வேண்டிய அவசியமின்றி, இந்த அமைப்பு சில நொடிகளில் முழுத் திட்டத்தையும் மறுசீரமைக்கிறது.

• தேவை முன்னறிவிப்பு (Demand forecasting): AI கடந்த கால ஆர்டர்கள், சந்தை சமிக்ஞைகள், பருவகாலப் போக்குகள் மற்றும் கப்பல் குறியீடுகள் அல்லது வானிலை முறைகள் போன்ற வெளிப்புறத் தரவுகளை ஆய்வு செய்கிறது. உற்பத்தியாளர்கள் வெறும் யூகங்களின் அடிப்படையில் உற்பத்தி செய்யாமல், வரவிருக்கும் உண்மையான தேவைக்கேற்ப உற்பத்தியை ஒருங்கிணைக்கின்றனர்.

• விநியோகச் சங்கிலி நுண்ணறிவு (Supply chain intelligence): விநியோகஸ்தர்களின் நிலை, தளவாடத் தடங்கல்கள், துறைமுக நெரிசல் மற்றும் இருப்பு நிலைகள் குறித்த நிகழ்நேரத் தெளிவு, விநியோகத் தட்டுப்பாடு ஏற்படும் முன்பே கொள்முதல் குழுக்கள் செயல்பட அனுமதிக்கிறது. இந்த அமைப்பு அபாயங்களைக் கண்டறிந்து மாற்று விநியோகத் தெரிவுகளைப் பரிந்துரைக்கிறது.

• ஆற்றல் மேம்படுத்தல் (Energy optimization): அல்காரிதம்கள் தொழிற்சாலை முழுவதிலும் உள்ள நுகர்வைக் கண்காணித்து, நிகழ்நேரத் தேவை மற்றும் பயன்பாட்டு விலையின் அடிப்படையில் HVAC, அழுத்தப்பட்ட காற்று மற்றும் இயந்திரச் சுழற்சிகளைச் சரிசெய்கின்றன. தொழிற்சாலைகள் உற்பத்தியைக் குறைக்காமல் ஆற்றல் வீணாவதைக் குறைக்கின்றன.

இந்தக் கருவிகள் உற்பத்தித்திறனை அதிகரிக்கின்றன மற்றும் செலவைக் குறைக்கின்றன, ஏனெனில் இவை மனிதர்கள் முந்தைய காலங்களில் முழுமையற்ற தகவல்களுடன் எடுத்த முடிவுகளில் இருந்த சிக்கல்களை நீக்குகின்றன.

தரவை ஒரு மூலப்பொருளாகக் கருதுதல்

நவீன தொழிற்சாலைகளில் தரவு (Data) என்பது மிக முக்கியமான சொத்து. ஒவ்வொரு இயந்திரமும் தகவல்களை உருவாக்குகிறது. மோட்டார்கள் மின்னோட்டப் பயன்பாட்டைக் (current draw) கூறுகின்றன. PLCs சுழற்சி நேரங்களைப் (cycle times) பதிவு செய்கின்றன. தரக் கட்டுப்பாட்டு நிலையங்கள் அளவீடுகளைப் பதிவு செய்கின்றன. இந்தத் தரவுகளின் பிரம்மாண்டமான அளவு, அதைச் செயலாக்கத் தேவையான உள்கட்டமைப்பு இல்லாத குழுக்களை நிலைகுலையச் செய்யலாம்.

தரவை முடிவுகளாக மாற்றுவதே இதன் நோக்கமாகும். அதற்கு வெறும் சேமிப்பு மட்டும் போதாது. இதற்குத் தூய்மையான pipelines, சூழல் சார்ந்த மாதிரிகள் மற்றும் அதைத் தேவைப்படுபவர்களுக்குச் செயல்படுத்தக்கூடிய நுண்ணறிவை வழங்கும் இடைமுகங்கள் தேவைப்படுகின்றன. வெற்றிகரமான உற்பத்தியாளர்கள் பயன்படுத்துகிறார்கள்