هوش مصنوعی صنعتی زمانی ارزشمند است که از نمایش چند نمودار فراتر برود و به یک تصمیم بهتر در خط تولید منجر شود. کارخانه‌ها هر روز حجم زیادی از داده تولید می‌کنند: دما، فشار، ارتعاش، ترکیب مواد اولیه، نتایج آزمایشگاه، کیفیت محصول، توقفات و گزارش‌های تعمیرات. یادگیری ماشین میتواند روابطی را در این داده‌ها پیدا کند که بررسی هم‌زمان آن‌ها برای انسان دشوار است.
با این حال، هر مسئله صنعتی به هوش مصنوعی نیاز ندارد. اگر یک قانون ساده و پایدار پاسخ مسئله را می‌دهد، همان راهکار ساده انتخاب بهتری است. پروژه هوش مصنوعی زمانی توجیه دارد که رفتار سیستم پیچیده، چندمتغیره یا متغیر باشد و داده بتواند به پیشبینی، تشخیص یا بهینهسازی کمک کند.
هوش مصنوعی صنعتی چیست؟
هوش مصنوعی صنعتی مجموعه‌ای از روش‌ها و نرم‌افزارها برای تحلیل، پیشبینی و بهینهسازی عملیات واقعی است. برخلاف کاربردهای عمومی هوش مصنوعی، خروجی این سامانه‌ها میتواند مستقیماً بر کیفیت محصول، مصرف انرژی، سلامت تجهیز و برنامه تولید اثر بگذارد؛ بنابراین دقت مدل تنها معیار موفقیت نیست. قابلیت توضیح، پایداری در شرایط متغیر، زمان پاسخ و هماهنگی با کار اپراتور نیز اهمیت دارند.
نقشه راه NIST برای تولید هوشمند نیز بر همین مسئله تأکید دارد: داده صنعتی ناهمگون است و یک راهکار قابل اعتماد باید با حسگرها، سامانه‌های کنترل و نیازهای عملیاتی یکپارچه شود. مطالعه نقشه راه هوش مصنوعی در تولید هوشمند در NIST
۱. کنترل کیفیت با بینایی ماشین
در خطوطی که کیفیت ظاهری یا هندسی محصول اهمیت دارد، دوربین و مدل بینایی ماشین می‌توانند عیب را با معیار یکنواخت و سرعت بالا بررسی کنند. این روش برای تشخیص عیوب سطحی فولاد، کنترل ابعاد، شناسایی ترک، طبقه‌بندی محصول و کنترل بسته‌بندی کاربرد دارد.
راه‌اندازی یک سامانه موفق فقط انتخاب مدل نیست. نورپردازی، زاویه دوربین، کیفیت تصویر، تعریف دقیق عیب و اتصال نتیجه به فرایند تصمیم‌گیری اهمیت مشابهی دارند. مقاله تشخیص اتوماتیک عیوب شمش فولادی با بینایی ماشین مراحل این کار را با جزئیات بیشتری توضیح می‌دهد.
۲. نگهداری و تعمیرات پیش‌بینانه
در نگهداری واکنشی، اقدام پس از خرابی انجام میشود. در نگهداری پیشگیرانه، سرویس براساس تقویم یا ساعت کار برنامه‌ریزی میشود. نگهداری پیش‌بینانه از وضعیت واقعی تجهیز استفاده می‌کند تا نشانه‌های خرابی پیش از توقف دیده شوند.
سیگنال ارتعاش، صدا، دما، فشار و جریان الکتریکی میتواند ورودی مدل تشخیص ناهنجاری باشد. هدف فقط تولید هشدار نیست؛ هشدار باید به تجهیز، شدت مشکل و اقدام قابل بررسی متصل شود. راهنمای نگهداری و تعمیرات پیش‌بینانه این مسیر را از حسگر تا برنامه کار تعمیراتی شرح می‌دهد.
۳. بهینهسازی فرایند صنعتی
در یک فرایند چندمتغیره، تغییر یک پارامتر ممکن است هم‌زمان بر کیفیت، ظرفیت، انرژی و پایداری اثر بگذارد. مدل یادگیری ماشین میتواند رابطه میان ورودی‌ها و خروجی‌ها را از داده تاریخی بیاموزد و سپس سناریوهای مناسب را برای هدف مشخص پیشنهاد کند.
برای نمونه، در پروژه بهینهسازی فرایند احیای مستقیم یوتا از دادههای چندساله برای پیشبینی کیفیت محصول خروجی با دقت بالاتر از ۹۹ درصد استفاده کرده است. این عدد مربوط به همان پروژه و شرایط صحتسنجی آن است و نباید به همه فرایندها تعمیم داده شود.
۴. تحلیل دادههای صنعتی و معدن
بخش مهمی از زمان کارشناسان صرف جمع‌آوری، پاک‌سازی و هماهنگ‌کردن داده از منابع مختلف میشود. یک پلتفرم تحلیل داده میتواند کنترل کیفیت داده، نرمال‌سازی، تحلیل آماری و مدل‌های یادگیری ماشین را در یک جریان مشخص قرار دهد.
در داشبورد هوشمند تحلیل دادههای معدنی، یکپارچه‌سازی مراحل تحلیل ژئوشیمی زمان انجام تحلیل‌ها را بیش از ۵۰ درصد کاهش داده است. این پروژه نشان می‌دهد ارزش هوش مصنوعی گاهی پیش از مدل پیچیده، از استانداردشدن جریان داده و تصمیم آغاز میشود.
۵. مدیریت انرژی و مواد اولیه
مصرف انرژی معمولاً نتیجه یک متغیر نیست؛ نرخ تولید، کیفیت مواد، شرایط محیطی، وضعیت تجهیزات و تنظیمات فرایند هم‌زمان اثر دارند. مدل داده‌محور میتواند مصرف را پیشبینی کند، نقاط غیرعادی را نشان دهد و سناریوهای عملیاتی را مقایسه کند.
در این کاربرد باید مرز تصمیم روشن باشد. سامانه میتواند پیشنهاد بدهد، اما محدودیت‌های ایمنی، کیفیت و ظرفیت باید پیش از هر بهینهسازی در مدل یا لایه تصمیم لحاظ شوند.
مسیر اجرای پروژه هوش مصنوعی در کارخانه
یک پروژه قابل اتکا معمولاً از چهار مرحله عبور می‌کند:
- تعریف مسئله و شاخص موفقیت: به‌جای «هوشمندسازی کارخانه»، یک هدف مانند کاهش هشدار کاذب، پیشبینی کیفیت یا کوتاه‌کردن زمان تحلیل تعریف میشود.
- ارزیابی داده: پوشش زمانی، نرخ نمونه‌برداری، خطاهای ثبت، تغییر حسگر و ارتباط داده با رخداد واقعی بررسی میشود.
- ساخت و صحتسنجی: مدل با دادهای جدا از آموزش و در سناریوهای واقعی آزمایش میشود.
- استقرار در جریان کار: خروجی در قالب داشبورد، هشدار یا نرم‌افزار در اختیار کاربر قرار می‌گیرد و عملکرد آن پایش میشود.
چگونه یک مورد استفاده مناسب انتخاب کنیم؟
بهترین نقطه شروع الزاماً بزرگ‌ترین مسئله کارخانه نیست. مورد استفاده مناسب، ارزش اقتصادی روشن، داده قابل دسترس، مالک فرایند مشخص و امکان آزمون محدود دارد. پیش از شروع این پرسش‌ها را پاسخ دهید:
- تصمیم نهایی را چه کسی می‌گیرد؟
- خطای مدل چه هزینه یا ریسکی دارد؟
- چه دادهای نتیجه درست یا غلط را نشان می‌دهد؟
- راهکار چگونه وارد کار روزانه میشود؟
- موفقیت پس از سه یا شش ماه با چه شاخصی سنجیده میشود؟
جمع‌بندی
کاربرد هوش مصنوعی در صنعت از یک مسئله واقعی شروع میشود، نه از نام یک الگوریتم. داده باکیفیت، دانش فرایند، صحتسنجی و طراحی نرم‌افزار قابل استفاده، چهار پایه یک راهکار پایدار هستند. گروه هوش مصنوعی یوتا از سال ۱۳۹۹ روی همین پیوند میان دانش مهندسی و یادگیری ماشین کار می‌کند؛ از تحلیل داده و بهینهسازی تا دوقلوی دیجیتال و پایش هوشمند تجهیزات.
پرسش‌های متداول
هوش مصنوعی صنعتی چیست؟
هوش مصنوعی صنعتی به استفاده از یادگیری ماشین، بینایی ماشین، تحلیل داده و مدل‌های پیشبینی در فرایندهای واقعی تولید، تجهیزات و زیرساخت‌های صنعتی گفته میشود.
مهمترین کاربردهای هوش مصنوعی در صنعت کداماند؟
کنترل کیفیت خودکار، پیشبینی خرابی تجهیزات، بهینهسازی فرایند و انرژی، پیشبینی کیفیت محصول، تحلیل دادههای تولید و پشتیبانی از تصمیم اپراتور از مهمترین کاربردها هستند.
برای شروع پروژه هوش مصنوعی صنعتی چه دادهای لازم است؟
داده مورد نیاز به مسئله بستگی دارد و میتواند شامل داده حسگرها، آزمایشگاه، کیفیت محصول، توقفات، تعمیرات، تصاویر خط و تنظیمات فرایند باشد. کیفیت و پیوستگی داده از حجم صرف آن مهمتر است.
اجرای هوش مصنوعی در کارخانه از کجا آغاز میشود؟
نقطه شروع، تعریف یک مسئله مشخص و یک شاخص موفقیت قابل اندازهگیری است. سپس داده موجود ارزیابی و یک نمونه اولیه محدود ساخته و با شرایط واقعی صحتسنجی میشود.