کارخانه‌های مدرن حجم خارق‌العاده‌ای از داده‌های حسگر تولید می‌کنند. حسگرهای فوتوالکتریک محصولات را شناسایی می‌کنند، انکودرها حرکت را ردیابی می‌کنند، دوربین‌ها سطوح را بازرسی می‌کنند و حسگرهای ارتعاش تجهیزات دوار را پایش می‌کنند. اندازه‌گیری‌های دما، فشار، فاصله، گشتاور، سرعت، موقعیت و صوت به‌طور پیوسته در سامانه‌های تولید جریان دارند.

بااین‌حال، بسیاری از تأسیسات هنوز فقط از بخش کوچکی از این اطلاعات استفاده می‌کنند. حسگر وضعیت خود را تغییر می‌دهد، کنترل‌گر منطقی برنامه‌پذیر واکنش نشان می‌دهد و اندازه‌گیری اصلی در چرخهٔ بعدی ماشین ناپدید می‌شود. سیگنال وظیفهٔ کنترلی فوری خود را انجام می‌دهد، اما ارزش عملیاتی گسترده‌تر آن بلااستفاده می‌ماند.

این شکاف یکی از مهم‌ترین فرصت‌ها در تولید مدرن است. کارخانه‌ها در جمع‌آوری سیگنال‌ها بسیار توانمند شده‌اند، اما بسیاری از آن‌ها هنوز در تبدیل این سیگنال‌ها به هوشمندی نگهداری، بینش‌های کیفیت، بهبودهای فرایندی و تصمیم‌های مدیریتی اثربخشی کمتری دارند.

چالش فقط نصب حسگرهای بیشتر نیست. چالش، ایجاد مسیری قابل‌اعتماد از اندازه‌گیری فیزیکی تا اقدام عملیاتی است. این مسیر از چندین لایهٔ فنی عبور می‌کند؛ از جمله تجهیزات میدانی، کنترل ماشین، شبکه‌های صنعتی، پردازش لبه‌ای، ذخیره‌سازی داده، نرم‌افزار تحلیل و سامانه‌های سازمانی.

شکل ۱. سیستم‌های تولید مدرن داده‌های عملیاتی گسترده‌ای تولید می‌کنند، هرچند بخش زیادی از آن هرگز از کنترل پایهٔ ماشین فراتر نمی‌رود.

درک نحوهٔ تعامل این لایه‌ها به تولیدکنندگان کمک می‌کند از پروژه‌های آزمایشی منزوی و سکوهای دادهٔ پراکنده دوری کنند. این کار همچنین از یک اشتباه رایج جلوگیری می‌کند: ارسال همهٔ اندازه‌گیری‌های موجود به یک پایگاه دادهٔ مرکزی، بدون آنکه ابتدا مشخص شود اطلاعات چگونه از تولید پشتیبانی خواهد کرد.

یک راهبرد عملی برای داده‌های حسگر از ماشین آغاز می‌شود، از شبکه عبور می‌کند و به تحلیل عملیاتی قابل‌استفاده ختم می‌شود. هر لایه هدف متفاوتی دارد. هرکدام همچنین الزامات زمانی، محدودیت‌های مهندسی و ریسک‌های خرابی خاص خود را دارند.

تفاوت بین سیگنال و اطلاعات عملیاتی

سیگنال حسگر تنها زمانی به اطلاعات مفید تبدیل می‌شود که سیستم به آن زمینه اضافه کند. مقدار خام ۶۸، بدون واحد، مُهر زمانی، هویت تجهیز، وضعیت عملیاتی، دامنهٔ اندازه‌گیری و مرجع فرایند، معنای چندانی ندارد.

این مقدار می‌تواند نشان‌دهندهٔ ۶۸ درجهٔ سلسیوس، ۶۸ میلی‌متر، ۶۸ درصد بار موتور یا ۶۸ میکرومتر جابه‌جایی باشد. حتی وقتی واحد مهندسی مشخص است، بدون دانستن اینکه ماشین چه کاری انجام می‌داده، تفسیر اندازه‌گیری ممکن است دشوار بماند.

زمینه، ناهنجاری فرایندی را از عملکرد عادی متمایز می‌کند. افزایش ارتعاش هنگام شتاب‌گیری ممکن است مورد انتظار باشد. همین افزایش در سرعت ثابت می‌تواند نشان‌دهندهٔ نابالانسی، شل‌شدگی، ناهم‌راستایی، خرابی یاتاقان یا اختلال مکانیکی خارجی باشد.

وضعیت تولید نیز اهمیت دارد. فشاری که هنگام تمیزکاری، راه‌اندازی، گرم‌شدن اولیه، کارکرد بی‌بار و تولید با ظرفیت کامل ثبت می‌شود، همیشه نمی‌تواند با یک حد یکسان ارزیابی شود. تحلیل‌هایی که وضعیت عملیاتی را نادیده می‌گیرند، اغلب هشدارهای کاذب ایجاد می‌کنند.

به همین دلیل، تحلیل عملیاتی به چیزی فراتر از روندهای تاریخی نیاز دارد. سامانه باید اندازه‌گیری‌ها را به حالت ماشین، دستور ساخت محصول، سفارش تولید، بچ مواد، اقدام اپراتور، سوابق تعمیر و نگهداری و شرایط محیطی مرتبط کند.

گذار از سیگنال به اطلاعات را می‌توان به‌صورت یک توالی دید. حسگر ابتدا یک وضعیت فیزیکی را تشخیص می‌دهد. سپس کنترلر آن وضعیت را در چارچوب یک روال کنترلی تفسیر می‌کند. یک شبکه داده را انتقال می‌دهد، یک دستگاه لبه‌ای آن را سازمان‌دهی می‌کند و یک پلتفرم تحلیل، داده را در گذر زمان ارزیابی می‌کند.

در مرحله نهایی، اندازه‌گیری باید از یک تصمیم مشخص پشتیبانی کند. این تصمیم ممکن است شامل متوقف‌کردن ماشین، تنظیم نقطه تنظیم، برنامه‌ریزی بازرسی، تعویض ابزار، ردکردن محصول یا بازنگری در فاصله زمانی تعمیر و نگهداری باشد.

بدون این مسیر تصمیم‌گیری، جمع‌آوری داده می‌تواند به فرایندی پرهزینه برای ذخیره‌سازی تبدیل شود. بنابراین پروژه‌های موفق به‌جای خرید فناوری، با پرسش‌های عملیاتی آغاز می‌شوند.

داده‌های سطح ماشین همچنان بالاترین اولویت زمانی را دارند

سطح ماشین جایی است که داده حسگر برای نخستین بار بر تولید اثر می‌گذارد. مسئولیت اصلی آن، عملکرد قطعی و قابل‌پیش‌بینی است. یک سامانه کنترلی باید ورودی‌ها را بخواند، منطق را اجرا کند و خروجی‌ها را در بازه‌ای قابل‌پیش‌بینی به‌روزرسانی کند.

در این سطح، محصولات پایه اندازه‌گیری همچنان ضروری‌اند. حسگرهای فوتوالکتریک وجود محصول را تأیید می‌کنند. حسگرهای القایی اهداف فلزی را تشخیص می‌دهند. انکودرها بازخورد موقعیت و سرعت را فراهم می‌کنند. ترانسمیترهای فشار سامانه‌های پنوماتیک و هیدرولیک را پایش می‌کنند. دوربین‌ها قطعات را بازرسی کرده و حرکت رباتیک را هدایت می‌کنند.

این تجهیزات رویدادهای فیزیکی را به اطلاعات الکتریکی یا دیجیتالی تبدیل می‌کنند که ماشین‌ها می‌توانند تفسیر کنند. هدف فوری آن‌ها معمولاً ساده است: بررسی یک وضعیت و فعال‌کردن پاسخ درست.

یک انکودر می‌تواند نشان دهد که یک نوار نقاله به موقعیت فرمان‌داده‌شده رسیده است. سپس کنترلر، محرک را متوقف می‌کند یا توالی بعدی را پیش می‌برد. یک دوربین می‌تواند بسته معیوب را شناسایی کند و چند ایستگاه بعد، سازوکار جداسازی را فعال کند.

یک حسگر مجاورت می‌تواند تأیید کند که یک سیلندر کورس خود را کامل کرده است. یک سوئیچ فشار می‌تواند زمانی که فشار تغذیه از آستانه ایمن پایین‌تر می‌رود، از کارکرد ماشین جلوگیری کند. یک حسگر ایمنی می‌تواند با ورود اپراتور به ناحیه حفاظت‌شده، گشتاور حرکت را قطع کند.

این وظایف به پردازش سریع و قابل‌اعتماد داده وابسته‌اند. نمی‌توانند منتظر یک پلتفرم ابری یا پایگاه‌داده سازمانی بمانند. اینترلاک‌های کنترلی، حلقه‌های حرکت و عملکردهای حفاظت از ماشین باید در خود سامانه اتوماسیون محلی باقی بمانند.

این تفکیک حیاتی است. تحلیل می‌تواند به کنترل مشاوره دهد، اما نباید تأخیرهای غیرقابل‌پیش‌بینی شبکه را به عملکردهای حساس به زمان ماشین وارد کند. سریع‌ترین تصمیم‌های حفاظتی و کنترلی باید در نزدیکی تجهیزات گرفته شوند.

بنابراین تولیدکنندگان باید از برخورد یکسان با همه داده‌های حسگرها خودداری کنند. برخی داده‌ها ماشین‌آلات را در عرض چند میلی‌ثانیه کنترل می‌کنند. داده‌های دیگر طی چند روز یا چند هفته از تصمیم‌های نگهداری پشتیبانی می‌کنند. معماری باید این افق‌های زمانی متفاوت را منعکس کند.

لایه ماشین نیز کیفیت داده را تعیین می‌کند. مقیاس‌بندی نادرست، سیم‌کشی ناپایدار، نصب نامناسب، نرخ‌های نمونه‌برداری نامتناسب و پیکربندی ناهماهنگ دستگاه، تمام لایه‌های تحلیلی بالاتر را آلوده خواهند کرد.

هیچ پلتفرم نرم‌افزاری نمی‌تواند به‌طور کامل کم‌اعتمادی اندازه‌گیری‌های میدانی را جبران کند. پیش از ساخت داشبوردها، مهندسان باید تأیید کنند که حسگرها به‌درستی انتخاب، نصب، کالیبره و نگهداری شده‌اند.

حسگرهای پایه اغلب اطلاعات بیشتری از آنچه PLC استفاده می‌کند در خود دارند

برنامه‌های کنترل سنتی اغلب یک حسگر را به یک وضعیت بولی کاهش می‌دهند. دستگاه یا روشن است یا خاموش، یا حضور دارد یا ندارد، یا قابل‌قبول است یا معیوب.

این رویکرد برای بسیاری از توالی‌های ماشین مناسب است، اما می‌تواند اطلاعات اضافی را پنهان کند. یک حسگر فاصله ممکن است اندازه‌گیری پیوسته‌ای ارائه دهد، حتی زمانی که PLC فقط از یک آستانه سوئیچینگ استفاده می‌کند. یک حسگر فوتوالکتریک هوشمند ممکن است شدت سیگنال، سطح آلودگی، دمای کار و وضعیت عیب‌یابی را گزارش کند.

انکودر ممکن است موقعیت را برای کنترل تأمین کند و هم‌زمان تغییرات سرعت، شتاب، جهت و داده‌های هم‌زمان‌سازی را نیز تولید کند. یک سیستم بینایی ممکن است نتیجه قبولی یا مردودی صادر کند و درعین‌حال اندازه‌گیری‌های مربوط به ابعاد، کنتراست، جهت‌گیری، کیفیت کد یا محل نقص را حفظ کند.

اطلاعات استفاده‌نشده می‌تواند تغییرات تدریجی فرایند را آشکار کند. کاهش شدت سیگنال نوری ممکن است نشان‌دهنده کثیف‌شدن لنز باشد. افزایش زمان حرکت عملگر می‌تواند نشانه نشت هوا، اصطکاک یا گیرکردگی مکانیکی باشد. افزایش جریان موتور هنگام یک حرکت تکراری ممکن است تغییر بار یا فرسودگی قطعه را نشان دهد.

این الگوها به‌ندرت باعث ایجاد خطای فوری می‌شوند. بااین‌حال، می‌توانند شواهد اولیه‌ای از فرسودگی ارائه دهند. نکته کلیدی این است که اندازه‌گیری پیش از آنکه برنامه کنترل آن را به یک بیت وضعیت ساده فشرده کند، حفظ شود.

سازندگان ماشین می‌توانند با طراحی ساختارهای داده قابل‌استفاده مجدد از این هدف پشتیبانی کنند. هر دارایی مهم باید تگ‌های مشخصی برای وضعیت عملکرد، فرمان، بازخورد، شمارش چرخه، وضعیت هشدار، مقدار فرایند، وضعیت عیب‌یابی و کیفیت داده داشته باشد.

نام‌گذاری یکپارچه نیز اهمیت دارد. وقتی یک خط برای یک مفهوم از «Motor_Spd»، خطی دیگر از «DriveSpeed» و خط سوم از «ConveyorRPM» استفاده می‌کند، مقایسه داده‌ها دشوار می‌شود.

یک مدل استاندارد دارایی، کار یکپارچه‌سازی را کاهش می‌دهد. همچنین به تیم‌های نگهداری، عملیات و تحلیل کمک می‌کند داده‌ها را بدون مهندسی معکوس هر برنامه PLC تفسیر کنند.

داده‌های تصویربرداری و انکودر می‌توانند فراتر از کنترل فوری را پوشش دهند

دوربین‌های صنعتی و انکودرها تفاوت میان داده‌های کنترلی و داده‌های تحلیلی را به‌خوبی نشان می‌دهند. هر دو دستگاه از عملکردهای فوری ماشین پشتیبانی می‌کنند، اما هر دو می‌توانند شواهد تاریخی ارزشمندی تولید کنند.

یک دوربین دوبعدی یا سه‌بعدی می‌تواند هندسه، رنگ، کنتراست، وضعیت سطح، جهت‌گیری و اطلاعات کد را ثبت کند. سامانه کنترل ممکن است فقط به نتیجه قبول یا رد نیاز داشته باشد. مهندسان کیفیت ممکن است به اطلاعات بسیار بیشتری نیاز داشته باشند.

داده‌های تاریخی بازرسی می‌توانند نشان دهند که آیا نرخ نقص بر اساس شیفت، بچ تأمین‌کننده، حفره قالب، سرعت تولید یا شرایط محیطی تغییر می‌کند یا نه. تصاویر نقص می‌توانند از تحلیل علت ریشه‌ای پشتیبانی کنند و به بهبود الگوریتم‌های تشخیص کمک کنند.

به‌جای ثبت نامحدود همه تصاویر با وضوح بالا، کارخانه‌ها می‌توانند شواهد منتخب را ذخیره کنند. نمونه‌ها شامل تصاویر محصولات ردشده، تصاویر نزدیک به حدود تلرانس، تصاویر مرجع دوره‌ای یا ویژگی‌های محاسبه‌شده بازرسی هستند.

انکودرها نیز فرصت‌های مشابهی فراهم می‌کنند. هدف اصلی آن‌ها ارائه بازخورد دقیق موقعیت و سرعت است. بااین‌حال، داده‌های تاریخی حرکت می‌توانند مشکلات مکانیکی در حال شکل‌گیری را آشکار کنند.

تغییرات تکرارشونده در خطای موقعیت ممکن است نشان‌دهنده کشیدگی تسمه، جابه‌جایی کوپلینگ، لقی یا تغییر بار باشد. افزایش زمان نشست ممکن است اصطکاک یا افت تنظیم سروو را نشان دهد. اختلال‌های کوتاه‌مدت سرعت می‌توانند تماس متناوب محصول یا تداخل مکانیکی را آشکار کنند.

شکل ۲. حسگرهای ماشین می‌توانند از کنترل فوری پشتیبانی کنند و هم‌زمان تغییرات بار، دقت، فرسودگی و پایداری فرایند را آشکار سازند.

این کاربردهای تحلیلی به راهبردهای مناسب نمونه‌برداری و نگهداشت داده نیاز دارند. ثبت یک مقدار میانگین در هر ساعت، اختلال کوتاه‌مدت حرکت را آشکار نمی‌کند. ثبت داده در هر میکروثانیه برای مدت نامحدود، فضای ذخیره‌سازی و ظرفیت شبکه غیرضروری ایجاد می‌کند.

نرخ نمونه‌برداری مناسب به رویداد فیزیکی بستگی دارد. تغییر تدریجی و آهسته دما ممکن است به یک نمونه‌برداری در هر چند ثانیه نیاز داشته باشد. تحلیل حرکت ممکن است به برداشت داده بسیار سریع‌تری نیاز داشته باشد. پایش ارتعاش ممکن است به داده‌های شکل‌موج و پردازش حوزه فرکانس نیاز داشته باشد.

تیم‌های مهندسی باید نرخ‌ها را بر اساس حالت‌های خرابی و رفتار فرایند انتخاب کنند. نمونه‌برداری بیشتر، خودبه‌خود به بینش بهتر منجر نمی‌شود.

تبدیل ورودی‌های واکنشی به شاخص‌های وضعیت

تحلیل‌های سطح ماشین اغلب با ایجاد شاخص‌های وضعیت از داده‌هایی آغاز می‌شوند که از قبل در سامانه کنترل موجودند. این شاخص‌ها رفتار را خلاصه می‌کنند، بدون اینکه عملکرد اصلی کنترل را جایگزین کنند.

یک سیلندر پنوماتیکی را در نظر بگیرید. PLC از قبل زمان فعال‌شدن شیر برقی خروجی و زمان تغییر وضعیت حسگر موقعیت انتهایی را ثبت می‌کند. اختلاف بین این دو مُهر زمانی، زمان کورس را نشان می‌دهد.

ردیابی زمان کورس در طول هزاران چرخه می‌تواند افت تدریجی عملکرد را آشکار کند. طولانی‌تر شدن زمان بازشدن ممکن است نشان‌دهنده فشار کم، محدودیت جریان، فرسودگی آب‌بند، آلودگی، ناهم‌راستایی یا افزایش مقاومت مکانیکی باشد.

همین روش درباره کنتاکتورها، شیرها، میزهای ایندکس، گیره‌ها، درها، بالابرها و سازوکارهای انتقال نیز کاربرد دارد. بسیاری از اجزای ماشین زمان‌های پاسخ قابل‌اندازه‌گیری دارند.

تغییرپذیری چرخه‌به‌چرخه نیز می‌تواند اطلاعات مفیدی ارائه دهد. میانگین زمان کورس ممکن است همچنان قابل‌قبول باشد، در حالی که تغییرپذیری آن افزایش یافته است. افزایش تغییرپذیری می‌تواند نشان‌دهنده ناپایداری تأمین هوا، بارگذاری ناهماهنگ یا اصطکاک مکانیکی متناوب باشد.

داده‌های موتور و درایو منبع قابل‌دسترس دیگری هستند. جریان، گشتاور، خطای سرعت، بار حرارتی، ساعات کارکرد، تعداد راه‌اندازی‌ها و تاریخچه خطا ممکن است از قبل در درایو وجود داشته باشند.

مهندسان به‌جای نصب فوری یک حسگر اضافی، می‌توانند ابتدا داده‌های تشخیصی موجود از طریق شبکه درایو را بررسی کنند. افزایش گشتاور موردنیاز هنگام عملکرد ثابت ماشین ممکن است نشان‌دهنده فرسودگی یا مقاومت محصول باشد.

بااین‌حال، شاخص‌های استنباط‌شده باید با دقت تفسیر شوند. جریان موتور به‌تنهایی یک خرابی مکانیکی مشخص را شناسایی نمی‌کند؛ بلکه تغییر در بار را نشان می‌دهد. کارکنان تعمیرات همچنان به دانش فرایند و شواهد پشتیبان نیاز دارند.

تحلیل خوب دامنه بررسی را محدود می‌کند. چنین تحلیلی وانمود نمی‌کند که یک سیگنال می‌تواند هر خرابی را توضیح دهد.

پردازش لبه مانع تبدیل شدن شبکه به محل تخلیه داده می‌شود

با تولید داده‌های غنی‌تر توسط ماشین‌ها، پردازش لبه هرچه ارزشمندتر می‌شود. یک دستگاه لبه اطلاعات را نزدیک به منبع آن پردازش می‌کند و سپس نتایج منتخب را به سیستم‌های بالادستی ارسال می‌کند.

این چیدمان پهنای باند را کاهش می‌دهد، زمان پاسخ را بهبود می‌بخشد و ذخیره‌سازی غیرضروری را محدود می‌کند. همچنین امکان می‌دهد تحلیل‌های محلی هنگام در دسترس نبودن اتصال سازمانی ادامه پیدا کنند.

پردازش لبه می‌تواند پالایش، تجمیع، نرمال‌سازی، فشرده‌سازی، تشخیص رویداد، تبدیل پروتکل و بصری‌سازی محلی را انجام دهد. همچنین می‌تواند میانگین‌ها، انحراف معیارها، نرخ تغییر، زمان چرخه، انرژی به‌ازای واحد یا شاخص‌های سلامت را محاسبه کند.

برای پایش ارتعاش، یک پردازنده لبه می‌تواند داده‌های شکل‌موج با سرعت بالا را به ارتعاش کلی، مقادیر اوج، باندهای فرکانسی و ویژگی‌های تشخیصی تبدیل کند. فقط رویدادهای مهم یا روندهای خلاصه‌شده لازم است از شبکه ماشین خارج شوند.

در یک کاربرد بینایی، لایه لبه ممکن است تصاویر ردشده را ذخیره کند و هم‌زمان دسته‌بندی‌های نقص و اندازه‌گیری‌ها را منتقل کند. برای یک انکودر، ممکن است به‌جای ارسال هر پالس، انحراف موقعیت و تکرارپذیری چرخه را محاسبه کند.

این رویکرد داده‌های خام را در جایی که ارزش فوری دارند در دسترس نگه می‌دارد و در عین حال ویژگی‌های معنادار را به سیستم‌های دیگر توزیع می‌کند.

منطق لبه باید شفاف و قابل نگهداری باقی بماند. محاسبات پنهان در یک درگاه مستندسازی‌نشده می‌تواند در بلندمدت مشکلات پشتیبانی ایجاد کند. مهندسان به تعریف‌های روشنی برای هر مقدار مشتق‌شده، از جمله واحدها، نرخ‌های به‌روزرسانی، حدود و شرایط بازنشانی نیاز دارند.

لایهٔ لبه باید داده‌های نامعتبر را نیز مدیریت کند. حسگر قطع‌شده، مقدار قدیمی، وقفهٔ ارتباطی یا اندازه‌گیری خارج از محدوده نباید به‌عنوان صفر معتبر نمایش داده شود.

پرچم‌های کیفیت داده به برنامه‌های پایین‌دستی کمک می‌کنند شرایط واقعی فرایند را از خرابی‌های ابزار دقیق تشخیص دهند. بدون این پرچم‌ها، سامانه‌های تحلیل داده ممکن است از داده‌های خراب یاد بگیرند و به نتایج گمراه‌کننده برسند.

لایهٔ شبکه دستگاه‌ها را بدون در اختیار گرفتن فرایند به هم متصل می‌کند

لایهٔ اتصال، اطلاعات را بین حسگرها، کنترلرها، دستگاه‌های لبه‌ای، سامانه‌های نظارتی، تاریخچه‌نگارها و برنامه‌های سازمانی منتقل می‌کند. هدف آن فراتر از جابه‌جایی بسته‌هاست. این لایه باید زمان‌بندی، هویت، کیفیت و امنیت را حفظ کند.

کارخانه‌های مدرن به‌ندرت از یک استاندارد ارتباطی واحد استفاده می‌کنند. یک تأسیسات واحد ممکن است سیم‌کشی گسسته، سیگنال‌های آنالوگ، IO-Link، پروتکل‌های صنعتی مبتنی بر اترنت، شبکه‌های سریال، سامانه‌های فیلدباس، دستگاه‌های بی‌سیم و رابط‌های اختصاصی فروشندگان را با هم ترکیب کند.

این ناهمگونی بازتاب دهه‌ها سرمایه‌گذاری روی تجهیزات است. پروژه‌های جدید تحلیل داده معمولاً باید دستگاه‌های مدرن را به ماشین‌آلات قدیمی متصل کنند، نه اینکه کل معماری کارخانه را جایگزین کنند.

دستگاه‌های Sensor Integration Gateway و Sensor Integration Machine بخشی از این چالش را برطرف می‌کنند. یک گیت‌وی می‌تواند اطلاعات را از چندین حسگر جمع‌آوری کرده و آن را از طریق یک پروتکل صنعتی سطح بالاتر در دسترس قرار دهد.

برای مثال، یک مستر IO-Link به حسگرهای سازگار اجازه می‌دهد مقادیر فرایند، پارامترها، داده‌های شناسایی و اطلاعات تشخیصی را از طریق اتصالات استاندارد نقطه‌به‌نقطه مبادله کنند.

این قابلیت، جایگزینی و پیکربندی دستگاه‌ها را ساده می‌کند. به‌جای تنظیم دستی هر حسگر جایگزین، سامانهٔ کنترل یا مستر می‌تواند پارامترهای تعریف‌شده را بازیابی کند.

دستگاه‌های Sensor Integration Machine قابلیت‌های محاسباتی محلی اضافه می‌کنند. آن‌ها می‌توانند داده‌ها را از چندین نوع حسگر جمع‌آوری کنند، اطلاعات را پردازش کنند و آن‌ها را با قالبی یکسان به پلتفرم‌های نرم‌افزاری یا برنامه‌های صنعتی ارائه دهند.

این دستگاه‌ها به‌عنوان تجمیع‌کننده، پل پروتکل و رایانهٔ لبه‌ای عمل می‌کنند. ارزش آن‌ها زمانی افزایش می‌یابد که به‌جای ایجاد یک جزیرهٔ دادهٔ جداگانه، پیچیدگی یکپارچه‌سازی را کاهش دهند.

کارخانه‌هایی که این لایه را گسترش می‌دهند، هنگام یکپارچه‌سازی گیت‌وی‌ها، دستگاه‌های دوردست، کنترلرها و سامانه‌های نظارتی در بسترهای ترکیبی اتوماسیون، می‌توانند اجزای ارتباطات و شبکه‌سازی صنعتی مناسب را بررسی کنند.

IO-Link بدون جایگزین‌کردن کنترل قطعی، قابلیت‌های تشخیصی را اضافه می‌کند

IO-Link به‌ویژه در جاهایی مفید است که کارخانه‌ها به اطلاعات تشخیصی بیشتری از حسگرها و عملگرهای متعارف نیاز دارند. این فناوری اتصال سادهٔ نقطه‌به‌نقطهٔ دستگاه را حفظ می‌کند و در عین حال ارتباط دیجیتال را نیز اضافه می‌کند.

کنترل‌کننده می‌تواند مقدار اصلی فرایند را همراه با اطلاعات شناسایی دستگاه و وضعیت آن دریافت کند. بسته به دستگاه، داده‌های موجود ممکن است شامل دمای کارکرد، کیفیت سیگنال، هشدارهای آلودگی، چرخه‌های سوئیچینگ، مقادیر پیکربندی و رویدادهای تشخیصی باشند.

این اطلاعات اضافی از تعمیر و نگهداری و عیب‌یابی سریع‌تر پشتیبانی می‌کند. تکنسین می‌تواند مسیر نوری مسدودشده را از خرابی دستگاه یا مشکل سیم‌کشی، سریع‌تر تشخیص دهد.

شناسایی دستگاه همچنین خطاهای تعویض را کاهش می‌دهد. کارکنان تعمیر و نگهداری می‌توانند بررسی کنند که آیا مدل نصب‌شده با پیکربندی موردنیاز مطابقت دارد یا خیر.

بااین‌حال، IO-Link به‌طور خودکار تحلیل‌های مفید ایجاد نمی‌کند. کارخانه‌ها همچنان به تگ‌های ساختاریافته، سیاست‌های ذخیره‌سازی، اولویت‌های هشدار و گردش‌کارهای تعمیر و نگهداری نیاز دارند.

جمع‌آوری تمام بایت‌های تشخیصی موجود، بدون تعیین هدف آن‌ها، می‌تواند تیم‌های مهندسی را با حجم زیادی از اطلاعات روبه‌رو کند. پروژه باید مشخص کند کدام شرایط نشان‌دهنده فرسایش هستند، کدام‌یک به اقدام فوری نیاز دارند و کدام‌یک فقط برای عیب‌یابی وجود دارند.

یک پیاده‌سازی عملی ممکن است با چند دستگاه باارزش آغاز شود. حسگرهایی که در معرض آلودگی، تنظیم مکرر، آسیب مکانیکی یا دسترسی دشوار قرار دارند، اغلب بهترین گزینه اولیه هستند.

سپس مهندسان می‌توانند هشدارهای تشخیصی را با یافته‌های واقعی تعمیر و نگهداری مقایسه کنند. این اعتبارسنجی مشخص می‌کند که آیا اطلاعات، رویدادهای مفید را پیش‌بینی می‌کند یا صرفاً نویز ایجاد می‌کند.

نرمال‌سازی داده‌ها از تبدیل پروتکل مهم‌تر است

اتصال دستگاه‌ها از طریق یک پروتکل مشترک، تضمین نمی‌کند که داده‌های آن‌ها قابل مقایسه باشند. ممکن است دو حسگر با موفقیت ارتباط برقرار کنند، اما از واحدها، مقیاس‌ها، قراردادهای نام‌گذاری، کدهای وضعیت و نرخ‌های به‌روزرسانی متفاوت استفاده کنند.

یک دستگاه دما ممکن است درجه سلسیوس را به‌صورت مقدار ممیزشناور گزارش کند. دستگاهی دیگر ممکن است عددی صحیح ارسال کند که باید بر ده تقسیم شود. دستگاه سوم نیز ممکن است، مگر آنکه به‌صورت دستی پیکربندی شود، فارنهایت ارائه دهد.

نرمال‌سازی این تفاوت‌ها را به نمایش‌های مهندسی سازگار تبدیل می‌کند. همچنین تعاریف مشترکی برای وضعیت دارایی، شدت هشدار، کیفیت داده و منبع اندازه‌گیری ایجاد می‌کند.

هویت دارایی نیازمند توجه ویژه است. پایگاه داده باید بین یک حسگر فیزیکی، محل نصب آن، تجهیزی که پایش می‌کند و فرایند تولیدی که آن تجهیز پشتیبانی می‌کند، تمایز قائل شود.

ممکن است یک حسگر تعویض شود، در حالی که محل اندازه‌گیری بدون تغییر باقی می‌ماند. تحلیل تاریخی باید پس از تعویض نیز ادامه پیدا کند، اما سوابق تعمیر و نگهداری همچنان باید دستگاه اصلی و دستگاه جایگزین را مشخص کنند.

هم‌ترازی زمانی به همان اندازه اهمیت دارد. وقتی ساعت‌های چند کنترل‌کننده اختلاف قابل‌توجهی دارند، نمی‌توان داده‌های آن‌ها را با دقت ارزیابی کرد. تحلیل توالی، بازسازی رویدادها و بررسی‌های علت‌ومعلولی به مُهرهای زمانی قابل‌اعتماد وابسته‌اند.

تأسیسات باید یک راهبرد یکپارچه برای همگام‌سازی زمان تعریف کنند. همچنین باید مستند کنند که مُهرهای زمانی از حسگر، کنترلر، دروازه، سرور یا پایگاه داده منشأ می‌گیرند.

تأخیرهای شبکه می‌توانند بر ترتیب رویدادها اثر بگذارند. مقداری که ابتدا به سرور می‌رسد، لزوماً ابتدا در فرایند رخ نداده است. مُهرهای زمانی مبدأ به حفظ توالی واقعی کمک می‌کنند.

شکل ۳. داده‌های سطح شبکه زمانی ارزشمند می‌شوند که چندین دستگاه، زمان‌بندی، زمینه، نام‌گذاری و اطلاعات کیفیت یکسانی را به اشتراک بگذارند.

ظرفیت شبکه باید متناسب با مورد استفاده از داده باشد

حجم داده‌های حسگر می‌تواند به‌سرعت افزایش یابد. چند بیت وضعیت، حداقل ترافیک شبکه را ایجاد می‌کنند. چندین دوربین با وضوح بالا، شکل‌موج‌های ارتعاش و اندازه‌گیری‌های سریع حرکت، نیازمندی کاملاً متفاوتی ایجاد می‌کنند.

کارخانه‌ها باید پیش از استقرار، حجم داده را محاسبه کنند. این محاسبه باید نرخ نمونه‌برداری، اندازه مقدار، تعداد دستگاه‌ها، سربار پروتکل، دوره نگهداری، افزونگی و رشد مورد انتظار را دربر بگیرد.

داده‌ها باید بر اساس میزان فوریت نیز طبقه‌بندی شوند. یک فرمان کنترلی در مقایسه با روند هفتگی نگهداری، الزامات زمانی متفاوتی دارد. ترکیب آن‌ها بدون بخش‌بندی می‌تواند هم عملکرد و هم امنیت سایبری را تهدید کند.

طراحی شبکه صنعتی ممکن است شامل مناطق جداگانه‌ای برای کنترل ماشین، ترافیک نظارتی، گردآوری داده‌های تاریخی، دسترسی مهندسی و یکپارچه‌سازی سازمانی باشد.

سوئیچ‌های مدیریتی، کنترل‌های کیفیت خدمات، افزونگی و پایش ترافیک می‌توانند قابلیت اطمینان را بهبود دهند. بااین‌حال، فناوری جایگزین مستندسازی نمی‌شود. مهندسان همچنان به نمودارهای دقیق شبکه، فهرست دستگاه‌ها، تخصیص پورت‌ها، سوابق میان‌افزار و پیکربندی‌های پشتیبان نیاز دارند.

کارخانه‌ها همچنین باید رفتار سیستم را هنگام قطع ارتباط تعریف کنند. یک ماشین نباید به دلیل در دسترس نبودن سرور تحلیل، ناایمن شود.

کنترل محلی باید مطابق طراحی ماشین ادامه یابد. دروازه‌ها باید در صورت لزوم داده‌ها را بافر کنند، شکاف‌های ارتباطی را علامت‌گذاری کنند و پس از اتصال مجدد، همگام‌سازی را بازیابی کنند.

داده‌های مفقود باید همچنان قابل مشاهده باشند. پر کردن بی‌صدا و خودکار شکاف‌ها با مقادیر قبلی می‌تواند روندهای کاذب ایجاد کند. برنامه‌های تحلیل باید بین یک فرایند پایدار و دوره‌ای که هیچ اندازه‌گیری معتبری در دسترس نبوده است، تمایز قائل شوند.

امنیت سایبری با محدود کردن اتصالات غیرضروری آغاز می‌شود

هر مسیر داده جدید، پیامدهای بالقوه عملیاتی و امنیت سایبری ایجاد می‌کند. اتصال یک شبکه حسگر به نرم‌افزار سازمانی می‌تواند دستگاه‌هایی را که پیش‌تر ایزوله بودند در معرض خطر قرار دهد.

یک معماری امن از بخش‌بندی، رابط‌های کنترل‌شده، دسترسی احراز هویت‌شده، مجوزهای حداقل دسترسی و مسیرهای ارتباطی تحت نظارت استفاده می‌کند.

پلتفرم‌های تحلیل معمولاً برای پردازش داده به دسترسی خواندن نیاز دارند. این پلتفرم‌ها نباید به‌طور خودکار مجوز تغییر منطق کنترلر، پارامترهای حسگر، تنظیمات درایو یا حدود ایمنی را دریافت کنند.

دسترسی نوشتن باید محدود و موجه باشد. یک موتور پیشنهاددهنده ممکن است تغییر نقطه تنظیم را پیشنهاد کند، اما یک لایه کنترل تأییدشده باید آن تغییر را اعتبارسنجی و اعمال کند.

دسترسی برای نگهداری از راه دور نیز به همین میزان نظم و انضباط نیاز دارد. دسترسی موقت، احراز هویت چندمرحله‌ای، ثبت فعالیت‌ها و رویه‌های مشخص تأیید، خطر را کاهش می‌دهند.

مدیریت دستگاه نیز نگرانی دیگری است. حسگرهای هوشمند و درگاه‌ها ممکن است دارای میان‌افزار، رابط‌های وب، اطلاعات کاربری، گواهی‌ها و فایل‌های پیکربندی باشند. این دارایی‌ها به مدیریت موجودی و چرخه عمر نیاز دارند.

گذرواژه‌های پیش‌فرض و میان‌افزارهای مدیریت‌نشده می‌توانند حتی یک پروژه تحلیلِ با طراحی مناسب را تضعیف کنند. کارخانه‌ها باید تجهیزات لبه و حسگرهای هوشمند را در برنامه امنیت فناوری عملیاتی خود بگنجانند.

امنیت نباید پس از استقرار اضافه شود. نواحی شبکه، جریان‌های داده، نقش‌های کاربری، روش‌های پشتیبان‌گیری و رویه‌های بازیابی باید هنگام توسعه معماری تعریف شوند.

لایه سازمانی اندازه‌گیری‌ها را به نتایج کسب‌وکار مرتبط می‌کند

لایه تحلیل سازمانی داده‌های حسگر را در چندین ماشین، خط تولید یا تأسیسات به کار می‌گیرد. هدف آن صرفاً نمایش داشبوردهای بیشتر نیست. این لایه باید رفتار تجهیزات را به نتایج عملیاتی قابل‌اندازه‌گیری مرتبط کند.

نمونه‌ها شامل کاهش زمان توقف، بهبود بازده، کاهش مصرف انرژی، افزایش عمر دارایی، کاهش نیروی کار نگهداری، عیب‌یابی سریع‌تر و نرخ‌های تولید باثبات‌تر هستند.

در این سطح، داده‌های حسگر ممکن است با سامانه‌های اجرای تولید، سامانه‌های رایانه‌ای مدیریت نگهداری، پایگاه‌های داده کیفیت، برنامه‌های تولید، سامانه‌های موجودی و پلتفرم‌های برنامه‌ریزی منابع سازمانی ترکیب شوند.

این زمینه اضافی امکان طرح پرسش‌های ارزشمندتری را فراهم می‌کند. به‌جای پرسیدن اینکه آیا موتور داغ کار می‌کند، کسب‌وکار می‌تواند بررسی کند که آیا افزایش دما با نوع محصول، سرعت تولید، شرایط محیطی، سابقه نگهداری یا مصرف انرژی همبستگی دارد یا نه.

تحلیلگران به‌جای شمارش محصولات مردود، می‌توانند مشخص کنند کدام دسته‌های نقص بر اساس بچ مواد، دستورالعمل ماشین، وضعیت ابزار، شیفت یا تأمین‌کننده رخ می‌دهند.

تحلیل سازمانی همچنین مقایسه دارایی‌های مشابه را امکان‌پذیر می‌کند. ممکن است یک کارخانه بیست پمپ مشابه داشته باشد. یکی از پمپ‌ها می‌تواند در شرایط عملیاتی مشابه، توان بیشتری مصرف کند، ارتعاش شدیدتری داشته باشد یا به تعمیرات مکررتری نیاز پیدا کند.

این مقایسه می‌تواند مشکلاتی را آشکار کند که حدود ثابت هشدار از شناسایی آن‌ها بازمی‌مانند. پمپ ممکن است همچنان پایین‌تر از آستانه هشدار خود باشد، اما عملکردش به‌طور قابل‌توجهی از نمونه‌های مشابه ضعیف‌تر باشد.

بااین‌حال، مقایسه به داده‌های نرمال‌شده و زمینه عملیاتی دقیق نیاز دارد. دارایی‌ها نباید بدون در نظر گرفتن سرعت، بار، سیال فرایند، چرخه کاری و شرایط محیطی رتبه‌بندی شوند.

نگهداری پیش‌بینانه با حالت‌های خرابی تعریف‌شده آغاز می‌شود

نگهداری پیش‌بینانه همچنان یکی از رایج‌ترین کاربردهای تحلیل حسگرهاست. همچنین یکی از کاربردهایی است که بیشتر از همه دچار سوءبرداشت می‌شود.

هدف، پیش‌بینی هر خرابی با دقت کامل نیست. هدف عملی، شناسایی به‌موقع فرسایش معنادار برای بهبود تصمیم‌های تعمیر و نگهداری است.

یک پروژه قوی با تجهیز و حالت خرابی مشخص آغاز می‌شود. مهندسان باید مشخص کنند قطعه چگونه از کار می‌افتد، پیش از آن چه تغییرات فیزیکی رخ می‌دهد و کدام اندازه‌گیری‌ها می‌توانند این تغییرات را شناسایی کنند.

برای یک یاتاقان، اطلاعات مفید ممکن است شامل ارتعاش، دما، سرعت، وضعیت روان‌کاری و بار باشد. برای یک فیلتر، فشار تفاضلی ممکن است واضح‌ترین شاخص را ارائه دهد. برای یک سیستم پنوماتیک، افت فشار و زمان حرکت عملگر ممکن است نشتی را آشکار کنند.

در یک اتصال الکتریکی، افزایش دما هنگام زیر بار بودن ممکن است نشان‌دهنده افزایش مقاومت باشد. در یک پمپ، ممکن است لازم باشد ارتعاش، فشار، جریان، جریان موتور و شرایط فرایند به‌صورت ترکیبی ارزیابی شوند.

پس از درک حالت خرابی، تیم می‌تواند ویژگی‌ها و حدود مناسب را انتخاب کند. سیستم ممکن است از آستانه‌های ثابت، نرخ تغییر، انحراف آماری، مقایسه با تجهیزات مشابه، تحلیل فرکانس یا مدل‌های یادگیری ماشین استفاده کند.

روش‌های ساده اغلب نتایج قدرتمندی ارائه می‌دهند. یک حد روند که به‌وضوح تعریف شده باشد، ممکن است از مدلی پیچیده که کارکنان تعمیر و نگهداری نمی‌توانند تفسیرش کنند، مفیدتر باشد.

مدل‌ها باید از تصمیم‌های قابل‌توضیح نیز پشتیبانی کنند. وقتی سیستم افزایش ارتعاش را در فرکانسی مشخص و افزایش دمای یاتاقان شناسایی می‌کند، احتمال اقدام تیم تعمیر و نگهداری بیشتر است.

کاهش یک امتیاز سلامت عمومی از ۸۲ به ۷۴، مگر اینکه عوامل مؤثر قابل مشاهده باشند، ارزش تشخیصی کمی دارد.

مدیریت هشدار تعیین می‌کند که آیا تحلیل داده اعتماد کسب می‌کند یا نه

یک سیستم تحلیل داده وقتی هشدارهای بیش‌ازحد ایجاد می‌کند، به‌سرعت اعتبار خود را از دست می‌دهد. وقتی بیشتر اعلان‌ها به اقدام نیاز ندارند، تیم‌های تعمیر و نگهداری شروع به نادیده گرفتن آن‌ها می‌کنند.

بنابراین هر هشدار باید معنای مشخص، اولویت، مسئول، پاسخ و مسیر تشدید مشخصی داشته باشد. پیام باید تجهیز، وضعیت، شواهد پشتیبان و بازرسی پیشنهادی را مشخص کند.

هشدارها باید وضعیت فرایند را نیز در نظر بگیرند. هشدار جریان کم ممکن است هنگام بی‌کاری دستگاه بی‌اهمیت باشد. سطح بالای ارتعاش ممکن است در طول یک گذار کوتاه هنگام راه‌اندازی مورد انتظار باشد.

منطق ماندگاری و تأخیر می‌تواند هشدارهای مزاحم را کاهش دهد. بااین‌حال، تأخیرها نباید خرابی‌هایی را که به‌سرعت در حال پیشرفت‌اند پنهان کنند. پیکربندی صحیح به فرایند و ریسک بستگی دارد.

واحدهای تولیدی باید عملکرد هشدارها را پایش کنند. معیارهای مفید شامل نرخ مثبت کاذب، نرخ رویدادهای ازدست‌رفته، زمان پاسخ، یافته‌های تأییدشده، زمان توقف پیشگیری‌شده و اقدامات تعمیر و نگهداری ایجادشده هستند.

بازخورد تکنسین‌ها ضروری است. پس از بازرسی، تکنسین باید ثبت کند که آیا هشدار یک وضعیت واقعی را شناسایی کرده است یا نه، کدام قطعه تحت تأثیر قرار گرفته و چه اقدامی انجام شده است.

این بازخورد آستانه‌ها و مدل‌ها را بهبود می‌دهد. همچنین سابقه‌ای ارزشمند ایجاد می‌کند که رفتار حسگر را به یافته‌های فیزیکی مرتبط می‌سازد.

بدون بازخورد، تحلیل‌ها از واقعیت نگهداری جدا می‌مانند. پلتفرم ممکن است همچنان همان نتیجه‌گیری نادرست را تکرار کند.

تحلیل کیفیت می‌تواند پیش از افزایش نرخ مردودی، انحراف فرایند را شناسایی کند

تحلیل داده‌های حسگرها فقط به نگهداری تجهیزات محدود نمی‌شود. این تحلیل می‌تواند تغییراتی را نیز شناسایی کند که بر کیفیت محصول اثر می‌گذارند.

کنترل کیفیت سنتی اغلب بر نتایج بازرسی محصول نهایی تمرکز می‌کند. محصول یا قبول می‌شود یا رد. تا زمانی که نرخ مردودی افزایش یابد، ممکن است فرایند زیربنایی ساعت‌ها از وضعیت مطلوب منحرف شده باشد.

ترکیب داده‌های بازرسی با وضعیت دستگاه می‌تواند هشدار زودهنگام‌تری ارائه دهد. تغییر تدریجی ابعاد ممکن است با فرسودگی ابزار، دمای دستگاه، تغییرات فشار، ویژگی‌های مواد یا جابه‌جایی فیکسچر همبستگی داشته باشد.

سیستم‌های بینایی می‌توانند محل، اندازه، جهت‌گیری و طبقه‌بندی نقص را ارائه دهند. حسگرهای فرایند نیز می‌توانند اطلاعات دما، فشار، سرعت، نیرو و موقعیت را اضافه کنند.

سپس تحلیل‌ها می‌توانند مشخص کنند کدام متغیرها پیش از ظاهر شدن نقص تغییر می‌کنند. هدف صرفاً توضیح علت مردودی پس از تولید نیست؛ هدف، کنترل فرایند پیش از عبور خروجی از حد مشخصات است.

برای مثال، یک خط بسته‌بندی ممکن است همچنان آب‌بندی‌های قابل‌قبولی تولید کند، درحالی‌که توزیع دمای فک آب‌بندی یکنواختی کمتری پیدا می‌کند. روند زمان بازیابی دما می‌تواند نشان‌دهنده فرسودگی گرم‌کن یا آلودگی باشد.

واحد نگهداری می‌تواند پیش از افزایش خرابی آب‌بندها، تجهیزات را بازرسی کند. این مداخله هم از کیفیت و هم از آماده‌به‌کاری تولید محافظت می‌کند.

کنترل آماری فرایند همچنان در این کاربردها ارزشمند است. حدود کنترل می‌توانند تغییرات غیرعادی را آشکار کنند، حتی زمانی که اندازه‌گیری‌ها همچنان در محدوده مشخصات محصول باقی مانده‌اند.

حدود مشخصات، خروجی قابل‌قبول را تعریف می‌کنند. حدود کنترل آماری نشان می‌دهند که آیا فرایند به‌صورت پایدار عمل می‌کند یا نه. اشتباه گرفتن این مفاهیم می‌تواند اقدام اصلاحی را به تأخیر بیندازد.

داده‌های انرژی وقتی بر اساس تولید نرمال‌سازی شوند، کاربردی‌تر می‌شوند

پایش انرژی کاربرد عملی دیگری برای داده‌های حسگرها و کنترلرها فراهم می‌کند. موتورها، درایوها، گرم‌کن‌ها، کمپرسورها و تجهیزات جانبی می‌توانند الگوهای مصرف را آشکار کنند.

انرژی کل به‌تنهایی به‌ندرت عملکرد را توضیح می‌دهد. نرخ تولید، نوع محصول، حالت کارکرد، شرایط محیطی و بارگذاری تجهیزات باید در نظر گرفته شوند.

ممکن است یک دستگاه در یک شیفت کم‌سرعت انرژی کمتری مصرف کند، اما به‌ازای هر واحد نهایی انرژی بیشتری مصرف کند. دستگاه دیگری ممکن است به‌دلیل تولید خروجی بسیار بیشتر، مصرف کل بالاتری نشان دهد.

معیارهای مفید شامل کیلووات‌ساعت به‌ازای هر واحد، مصرف هوای فشرده در هر چرخه، مصرف بخار در هر بچ و توان اوج در عملیات‌های خاص هستند.

داده‌های درایو می‌توانند نشان دهند که موتورها بسیار پایین‌تر از بار مورد انتظار یا نزدیک به آن کار می‌کنند. اندازه‌گیری فشار و جریان می‌تواند به یافتن هدررفت هوای فشرده کمک کند. داده‌های دما و زمان کارکرد می‌توانند نشان دهند که آیا سیستم‌های گرمایشی در دوره‌های طولانی بیکاری همچنان فعال می‌مانند یا نه.

تحلیل انرژی باید به اقدام عملیاتی منجر شود. پاسخ‌های احتمالی شامل کاهش زمان بی‌کاری، تعمیر نشتی‌ها، تنظیم فشار، زمان‌بندی تجهیزات با بار بالا، بهینه‌سازی پروفایل‌های شتاب‌گیری یا تغییر رویه‌های گرم‌کردن اولیه است.

کارخانه‌ها باید بررسی کنند که تغییرات صرفه‌جویانه در مصرف انرژی باعث کاهش کیفیت، ایمنی یا عمر تجهیزات نشوند. تنظیم فشار کمتر ممکن است در مصرف هوای فشرده صرفه‌جویی کند، اما موجب حرکت ناپایدار عملگر شود.

بهترین بهبودها میان انرژی، توان عملیاتی، قابلیت اطمینان و الزامات محصول تعادل برقرار می‌کنند.

نمونه نوار نقاله نشان می‌دهد چندین لایه داده چگونه با یکدیگر کار می‌کنند

یک نوار نقاله را در نظر بگیرید که محصولات را بین ایستگاه‌های بسته‌بندی جابه‌جا می‌کند. در سطح ماشین، یک حسگر فوتوالکتریک هر محصول را تشخیص می‌دهد. یک انکودر حرکت نوار را ردیابی می‌کند و یک درایو سرعت را کنترل می‌کند.

PLC از این ورودی‌ها برای حفظ فاصله محصولات و هماهنگ‌سازی تجهیزات پایین‌دست استفاده می‌کند. این عملکرد کنترل فوری باید قطعی و قابل پیش‌بینی باقی بماند.

همین سیگنال‌ها می‌توانند از تحلیل عملیاتی نیز پشتیبانی کنند. مُهرهای زمانی محصولات امکان محاسبه توان عملیاتی واقعی را فراهم می‌کنند. داده‌های انکودر تغییرات سرعت را نشان می‌دهند. گشتاور درایو تغییرات بار مکانیکی را نشان می‌دهد.

اگر گشتاور به‌تدریج افزایش یابد، در حالی که توان عملیاتی ثابت باقی مانده است، ممکن است اصطکاک در نوار نقاله در حال ایجاد شدن باشد. علل احتمالی شامل ناهم‌راستایی نوار، فرسودگی یاتاقان، آلودگی یا تماس مکانیکی است.

اگر فاصله‌های زمانی تشخیص محصول نامنظم شوند، در حالی که سرعت نوار ثابت باقی مانده است، مشکل ممکن است در بخش بالادست ایجاد شده باشد. اگر سرعت انکودر نوسان کند، در حالی که فرمان درایو ثابت است، بررسی ممکن است بر بارگذاری مکانیکی یا عملکرد درایو متمرکز شود.

یک دستگاه لبه‌ای می‌تواند توان عملیاتی، تغییرات فاصله، میانگین گشتاور و رویدادهای غیرعادی را محاسبه کند. شبکه این شاخص‌ها را به یک تاریخ‌نگار یا پلتفرم تحلیل منتقل می‌کند.

سیستم سازمانی می‌تواند عملکرد را بر اساس شیفت، قالب محصول و سفارش تولید مقایسه کند. سوابق تعمیر و نگهداری می‌توانند تأیید کنند که آیا افزایش گشتاور پیش از خرابی‌های قبلی نوار نقاله رخ داده است یا نه.

حسگر اصلی همچنان وظیفه‌ای ساده برای تشخیص انجام می‌دهد. معماری گسترده‌تر، این تشخیص را به شواهدی درباره توان عملیاتی، قابلیت اطمینان و هماهنگی فرایند تبدیل می‌کند.

مزایای تجهیزات CNC از ترکیب داده‌های بار، حرکت و کیفیت

فرایند ماشین‌کاری CNC نمونه پیچیده‌تری ارائه می‌دهد. سیستم کنترل از پیش سرعت اسپیندل، نرخ پیشروی، موقعیت محورها، خنک‌کننده، تعویض ابزار و اینترلاک‌های ایمنی را مدیریت می‌کند.

اندازه‌گیری‌های اضافی ممکن است شامل بار اسپیندل، جریان موتور، ارتعاش، انتشار آکوستیک، دما و نتایج بازرسی ابعادی باشد.

بار اسپیندل می‌تواند شرایط برش را نشان دهد، اما تفسیر آن به زمینه نیاز دارد. بار بیشتر ممکن است ناشی از سخت‌تر بودن دسته‌ای از مواد، افزایش عمق برش، فرسودگی ابزار، تجمع براده یا نادرست بودن پارامترهای فرایند باشد.

ترکیب بار با هویت ابزار، مرحله برنامه، ماده، نرخ پیشروی و ارتعاش، تصویر روشن‌تری ارائه می‌دهد.

یک مشکل در حال پیشرفت ابزار ممکن است به‌صورت افزایش بار اسپیندل، ارتعاش بیشتر، طولانی‌تر شدن زمان چرخه و رانش تدریجی ابعادی ظاهر شود. هیچ‌یک از این شاخص‌ها به‌تنهایی علت را ثابت نمی‌کند.

این دو مورد در کنار هم می‌توانند پیش از شکستن ابزار یا تولید ضایعات گسترده، بازرسی هدفمندی را فعال کنند.

مقایسه تاریخی نیز به بهینه‌سازی تعویض ابزار کمک می‌کند. فواصل ثابت تعویض ممکن است ابزارهای قابل‌استفاده را دور بیندازند یا اجازه دهند ابزارهای فرسوده بیش از حد باقی بمانند.

تعویض مبتنی بر وضعیت می‌تواند بهره‌وری ابزار را بهبود دهد و در عین حال از کیفیت محافظت کند. این تصمیم همچنان باید شامل حدود مهندسی و شواهد بازرسی باشد.

برای عملیات ماشین‌کاری حیاتی، سیستم ممکن است داده‌های با وضوح بالا را پیرامون رویدادهای غیرعادی حفظ کند. تولید معمول می‌تواند از شاخص‌های خلاصه‌شده برای کنترل نیاز ذخیره‌سازی استفاده کند.

خطوط بسته‌بندی اهمیت زمینه محصول را آشکار می‌کنند

تجهیزات بسته‌بندی اغلب قالب‌های محصول متعددی را در یک خط جابه‌جا می‌کنند. حسگرها وجود، موقعیت، سطح پرشدگی، برچسب‌ها، درپوش‌ها، درزبندی‌ها، کدها و ابعاد بسته را پایش می‌کنند.

نرخی از هشدارها که تصادفی به نظر می‌رسد، ممکن است پس از تفکیک داده‌ها بر اساس قالب قابل‌درک شود. یک حسگر ممکن است روی یک بسته عملکردی قابل‌اعتماد داشته باشد، اما با محصولی بازتابنده، شفاف یا نامنظم دچار مشکل شود.

بنابراین، اطلاعات دستور تولید ضروری می‌شود. تحلیل باید بداند کدام محصول، بسته، سرعت و تنظیمات ماشین فعال بوده‌اند.

افزایش نرخ مردودی بلافاصله پس از تعویض محصول ممکن است نشان‌دهنده تنظیم نادرست باشد. افزایش تدریجی در طول یک اجرای تولیدی طولانی می‌تواند نشانه آلودگی، رانش دما یا سایش مکانیکی باشد.

تصاویر بینایی ماشین می‌توانند نشان دهند که آیا محل تکرار همان عیب ثابت است یا نه. داده‌های انکودر می‌توانند مشخص کنند که آیا اقلام مردود با موقعیت خاصی از ماشین یا یک قطعه دوار مرتبط‌اند.

تیم‌های نگهداری و تولید می‌توانند از این اطلاعات برای تشخیص عیب‌های تجهیزات از مشکلات تنظیم، تغییرات مواد و محدودیت‌های حسگر استفاده کنند.

تحلیل همچنین ممکن است انتخاب حسگر را هدایت کند. دستگاهی که روی کارتن‌های مات عملکرد خوبی دارد، ممکن است برای ظروف شفاف مناسب نباشد.

تحلیل نمی‌تواند یک اصل حسگری نامناسب را اصلاح کند. بااین‌حال، می‌تواند شواهدی ارائه دهد که فناوری انتخاب‌شده با کاربرد مطابقت ندارد.

تجهیزات دوار به اندازه‌گیری‌هایی متناسب با فیزیک نیاز دارند

ماشین‌آلات دوار نشان می‌دهند چرا انتخاب حسگر باید از فیزیک خرابی پیروی کند. پمپ‌ها، فن‌ها، کمپرسورها، توربین‌ها و موتورها ممکن است دچار نابالانسی، ناهم‌راستایی، شل‌شدگی، آسیب یاتاقان، تشدید، سایش تماسی و ناپایداری مرتبط با فرایند شوند.

مقادیر کلی ارتعاش برای غربالگری مفیدند، اما برخی مشکلات به اطلاعات شکل موج و فرکانس نیاز دارند. داده‌های مرجع سرعت نیز ممکن است برای مرتبط کردن مؤلفه‌های ارتعاش با چرخش محور لازم باشند.

روندهای دما می‌توانند به تشخیص کمک کنند، هرچند دما اغلب دیرتر از ارتعاش تغییر می‌کند. فشار فرایند، جریان، بار و سرعت کار به تفکیک عیب‌های مکانیکی از تغییرات عادی عملکرد کمک می‌کنند.

ممکن است یک پمپ به این دلیل شدیدتر بلرزد که بسیار دور از ناحیه فرایندی مطلوب خود کار می‌کند. تعویض یاتاقان، آن شرایط بهره‌برداری را اصلاح نمی‌کند.

برای این تجهیزات، پایش وضعیت باید دانش مربوط به ماشین‌آلات را با داده‌های فرایندی ترکیب کند. این معماری ممکن است شامل سخت‌افزار حفاظتی اختصاصی، سامانه‌های پایش وضعیت، اطلاعات PLC و نرم‌افزار سازمانی نگهداری و تعمیرات باشد.

کارخانه‌هایی که این معماری گسترده‌تر را ارزیابی می‌کنند، باید حفاظت از ماشین‌آلات را از تحلیل متمایز کنند. سامانه‌های حفاظتی باید در برابر شرایط خطرناک، سریع و قابل‌اعتماد واکنش نشان دهند. سامانه‌های تحلیلی از تشخیص، برنامه‌ریزی و بهینه‌سازی پشتیبانی می‌کنند.

این عملکردها می‌توانند اطلاعات را به اشتراک بگذارند، اما مسئولیت‌های آن‌ها باید همچنان به‌روشنی تعریف شود.

جایگاه سبد محصولات SICK در زنجیره داده

SICK در بخش‌های مختلف معماری داده‌های حسگر، دستگاه ارائه می‌دهد. سبد محصولات آن شامل حسگرهای فوتوالکتریک، دستگاه‌های شناسایی، انکودرها، محصولات بینایی ماشین، درگاه‌های یکپارچه‌سازی، رایانه‌های لبه‌ای و نرم‌افزار تحلیل است.

در سطح ماشین، حسگر مجاورتی فوتوالکتریک W10 پیکربندی محلی را با عملکردهای حسگری انعطاف‌پذیر ترکیب می‌کند. رابط صفحه‌لمسی آن می‌تواند راه‌اندازی را در شرایطی که وضعیت کاربرد تغییر می‌کند یا به چند رفتار تشخیص نیاز است، ساده‌تر کند.

خانواده Lector85x از کاربردهای خواندن و شناسایی کد مبتنی بر تصویر پشتیبانی می‌کند. چنین سامانه‌هایی می‌توانند اطلاعات رمزگشایی‌شده را همراه با داده‌های تصویر و کیفیت، که برای تحلیل لجستیک و تولید مفید هستند، ارائه دهند.

انکودرهای AFS/AFM60 بازخورد موقعیت را برای کاربردهای کنترل حرکت فراهم می‌کنند. ارزش عملیاتی آن‌ها می‌تواند فراتر از موقعیت باشد، مشروط بر اینکه رفتار سرعت، جهت، همگام‌سازی و اطلاعات تشخیصی حفظ شوند.

در سطح اتصال، SIG200 می‌تواند دستگاه‌های IO-Link را به شبکه‌های گسترده‌تر اتوماسیون متصل کند. این آرایش اجازه می‌دهد مقادیر فرایندی و داده‌های تشخیصی فراتر از اتصالات منفرد حسگر منتقل شوند.

دستگاه‌های SIM4x00 ظرفیت پردازشی بیشتری برای یکپارچه‌سازی حسگر فراهم می‌کنند. آن‌ها می‌توانند اطلاعات را جمع‌آوری کنند، برنامه‌های محلی را اجرا کنند و نتایج پردازش‌شده را با سامانه‌های دیگر به اشتراک بگذارند.

در سطح نرم‌افزار، Field Analytics از جمع‌آوری و بصری‌سازی داده‌های تولید پشتیبانی می‌کند. Logistics Diagnostic Analytics بر پایش عملکرد و وضعیت سامانه‌های شناسایی خودکار تمرکز دارد.

این محصولات، جهت‌گیری گسترده‌تری را در بازار نشان می‌دهند. تولیدکنندگان حسگر بیش از پیش، فراتر از تجهیزات اندازه‌گیری فیزیکی ارائه می‌کنند. آن‌ها اکنون ابزارهای یکپارچه‌سازی، پردازش لبه‌ای، مدیریت تجهیزات و خدمات نرم‌افزاری نیز عرضه می‌کنند.

تولیدکنندگان همچنان باید هر لایه را به‌طور مستقل ارزیابی کنند. یک سبد محصولات کامل، نیاز به رابط‌های باز، معماری قابل نگهداری، کنترل‌های امنیت سایبری و یکپارچه‌سازی با سیستم‌های موجود را از بین نمی‌برد.

شکل ۴. حسگرهای فوتوالکتریک قابل‌پیکربندی می‌توانند تشخیص معمول اشیا را با اطلاعات راه‌اندازی و عیب‌یابی ترکیب کنند تا کاربرد عملیاتی گسترده‌تری فراهم شود.

معماری PLC و PAC همچنان در مرکز تحلیل حسگرها قرار دارد

با وجود افزایش علاقه به فناوری‌های لبه و ابری، PLC یا PAC همچنان در مرکز بیشتر معماری‌های داده کارخانه قرار دارد. این تجهیزات اطلاعات ضروری درباره وضعیت ماشین، توالی، هشدارها، دستورها، دستورالعمل‌های ساخت و اینترلاک‌ها را در خود نگه می‌دارند.

تفسیر مقادیر حسگر بدون زمینه کنترلر اغلب دشوار است. PLC می‌داند ماشین در حال راه‌اندازی، کارکرد، توقف، خطا، مسدودشدن، کمبود ورودی یا تعمیر و نگهداری است.

به همین دلیل، یکپارچه‌سازی تحلیل باید روشی کنترل‌شده برای در معرض دسترس قرار دادن داده‌های مرتبط کنترلر داشته باشد. مهندسان باید از دسترسی کنترل‌نشده به تمام تگ‌های داخلی اجتناب کنند.

یک رابط تعریف‌شده، امنیت و قابلیت نگهداری را بهبود می‌دهد. همچنین مانع می‌شود برنامه‌های تحلیل به متغیرهای موقتی برنامه وابسته شوند؛ متغیرهایی که ممکن است در اصلاحات آینده تغییر کنند.

کارخانه‌هایی که اطلاعات ماشین را به سامانه‌های نظارتی یا سازمانی گسترش می‌دهند، هنگام نگهداری، توسعه یا استانداردسازی لایه کنترلیِ پشتیبان جمع‌آوری داده‌های حسگر، می‌توانند سامانه‌های PLC و PAC سازگار را بررسی کنند.

برنامه کنترل نیز ممکن است شاخص‌های مفید سطح اول را محاسبه کند. نمونه‌ها شامل زمان چرخه، مدت زمان مسدود بودن، مدت زمان کمبود ورودی، فراوانی خطا، پاسخ عملگر، تعداد تولید و تعداد مردودی هستند.

این محاسبات نباید کنترلر را بیش‌ازحد تحت فشار قرار دهند. پردازش سیگنال با سرعت بالا، تحلیل تصویر و مدل‌های پیچیده ممکن است به سخت‌افزار اختصاصی نیاز داشته باشند.

معماری زمانی بهترین عملکرد را دارد که هر مؤلفه وظیفه متناسب با زمان‌بندی، قابلیت اطمینان و الزامات نگهداری خود را انجام دهد.

یک استقرار عملی با یک پرسش ارزشمند آغاز می‌شود

یک برنامه تحلیل حسگرها لازم نیست با کل کارخانه آغاز شود. می‌توان آن را با یک پرسش عملیاتی که ارزش قابل‌اندازه‌گیری دارد شروع کرد.

نمونه‌ها شامل شناسایی علت توقف نوار نقاله، تشخیص نشتی در یک سامانه پنوماتیکی، کاهش مردودی‌های کاذب، افزایش عمر ابزار یا پیش‌بینی زمان تعویض فیلتر هستند.

گام اول، تعریف تصمیم است. تیم باید مشخص کند چه کسی از اطلاعات استفاده خواهد کرد و چه اقدامی می‌تواند انجام دهد.

گام دوم، نگاشت داده‌های موردنیاز است. حسگرهای موجود، تگ‌های کنترلر، عیب‌یابی درایو، سوابق تولید و تاریخچه تعمیر و نگهداری ممکن است از قبل بخش زیادی از شواهد را فراهم کنند.

گام سوم، اعتبارسنجی کیفیت اندازه‌گیری است. مهندسان باید نصب حسگر، مقیاس‌بندی، مُهرهای زمانی، مقادیر مفقود و شرایط عملیاتی را بررسی کنند.

گام چهارم، ایجاد یک خط لوله داده محدود است. در ابتدا فقط اندازه‌گیری‌های موردنیاز برای موردکاربرد باید جمع‌آوری شوند.

گام پنجم، ایجاد خط مبنا است. سیستم باید تغییرات عادی را در میان محصولات، سرعت‌ها، شیفت‌ها و شرایط محیطی مشاهده کند.

گام ششم، تعریف منطق تشخیص است. این کار ممکن است شامل آستانه‌ها، قواعد آماری، روندها یا یک مدل ساده باشد.

گام هفتم، یکپارچه‌سازی نتیجه در جریان کاری تعمیر و نگهداری یا تولید است. یک داشبورد به‌تنهایی به‌ندرت عملیات را تغییر می‌دهد.

گام هشتم، اعتبارسنجی اثر کسب‌وکار است. تیم باید نتیجه را با زمان ازکارافتادگی، نیروی کار، ضایعات، توان عملیاتی یا هزینه تعمیر و نگهداری مقایسه کند.

پس از اثبات ارزش، معماری می‌تواند به دارایی‌های بیشتری گسترش یابد. نام‌گذاری، قالب‌ها و مدل‌های داده قابل‌استفاده مجدد، استقرارهای بعدی را کارآمدتر می‌کنند.

پروژه‌های رایج شکست می‌خورند، زیرا با پلتفرم آغاز می‌شوند

بسیاری از طرح‌های تحلیل داده با انتخاب نرم‌افزار، پیش از تعریف مسئله عملیاتی، آغاز می‌شوند. تیم‌ها یک پلتفرم نصب می‌کنند، هزاران تگ را متصل می‌کنند و سپس به جست‌وجوی کاربردهای مفید می‌پردازند.

این رویکرد اغلب داشبوردهای جذابی ایجاد می‌کند، بدون آنکه ارزش عملیاتی پایدار داشته باشد. کاربران ممکن است برای مدت کوتاهی آن‌ها را ببینند، اما این نمایش‌ها تصمیم‌ها را تغییر نمی‌دهند.

نادیده گرفتن کیفیت داده نیز یکی از شکست‌های رایج است. مقیاس‌بندی نادرست، مُهرهای زمانی ناسازگار، وضعیت‌های تولید ناموجود و تغییرات مستندسازی‌نشده تگ‌ها می‌توانند تحلیل را بی‌اعتبار کنند.

پروژه‌ها همچنین زمانی شکست می‌خورند که کارکنان تعمیر و نگهداری و عملیات را کنار بگذارند. دانشمندان داده ممکن است الگوهای آماری را تشخیص دهند، بدون آنکه رفتار ماشینِ پشت این الگوها را درک کنند.

برعکس، تکنسین‌های باتجربه ممکن است سازوکارهای خرابی را به‌خوبی درک کنند، اما به شواهد تاریخی دسترسی نداشته باشند. پروژه‌های قدرتمند هر دو دیدگاه را با هم ترکیب می‌کنند.

پیچیدگی بیش از حد خطر دیگری ایجاد می‌کند. یک مدل پیچیده ممکن است به پشتیبانی مستمر، بازآموزی و تفسیر متخصص نیاز داشته باشد. یک شاخص ساده‌تر می‌تواند با هزینه چرخه عمر کمتر، بیشتر ارزش موردنظر را فراهم کند.

پروژه‌های پایلوت همچنین می‌توانند به سیستم‌های ایزوله دائمی تبدیل شوند. آن‌ها روی یک ماشین باقی می‌مانند، زیرا معماری، نام‌گذاری، امنیت و مالکیت از ابتدا برای مقیاس‌پذیری طراحی نشده بودند.

پایلوت‌های موفق باید هم موردکاربرد و هم روش استقرار را آزمایش کنند. تیم باید بیاموزد دستگاه‌ها چگونه پیکربندی می‌شوند، تگ‌ها چگونه ایجاد می‌شوند، دسترسی چگونه کنترل می‌شود و مدل‌ها چگونه نگهداری می‌شوند.

مالکیت داده باید در سراسر بخش‌های مهندسی تعریف شود

تحلیل داده‌های حسگر از مرزهای سنتی سازمانی عبور می‌کند. مهندسان کنترل، منطق ماشین را مدیریت می‌کنند. تیم‌های فناوری اطلاعات، سرورها و شبکه‌های سازمانی را مدیریت می‌کنند. تیم‌های تعمیر و نگهداری، مسئول قابلیت اطمینان تجهیزات هستند. تیم‌های تولید، مسئول خروجی تولید هستند.

بدون تعیین مالکیت روشن، مشکلات بین بخش‌ها جابه‌جا می‌شوند. یک مقدار ناموجود ممکن است بدون بررسی هماهنگ، مشکل شبکه، کنترلر، پایگاه داده یا حسگر تلقی شود.

مجموعه‌ها باید مسئولیت تجهیزات میدانی، رابط‌های کنترلر، دروازه‌ها، زیرساخت شبکه، پایگاه‌های داده، برنامه‌های تحلیل، امنیت سایبری و پشتیبانی کاربران را مشخص کنند.

آن‌ها همچنین باید رویه‌های مدیریت تغییر را تدوین کنند. تغییر نام یک برچسب PLC یا تعویض یک حسگر می‌تواند بر داشبوردها و مدل‌ها اثر بگذارد.

تعریف‌های داده باید مستندات کنترل‌شده داشته باشند. واحدها، مقیاس‌بندی، منبع، نرخ به‌روزرسانی، وضعیت کیفیت و کاربرد موردنظر باید در سراسر چرخه عمر سامانه در دسترس بمانند.

مسئولیت‌پذیری درباره نتایج تحلیلی نیز صدق می‌کند. یک مدل نباید بدون فرایند بازبینی توافق‌شده، به‌طور خودکار دستور کار نگهداری ایجاد کند.

برنامه‌ریزان نگهداری، مهندسان قابلیت اطمینان و سرپرستان تولید ممکن است به سطوح متفاوتی از اطلاعات نیاز داشته باشند. یک وضعیت یکسان می‌تواند برای مهندسان به‌صورت نمایی تشخیصی و جزئی و برای سرپرستان به‌صورت درخواستی کوتاه و عملی نمایش داده شود.

شاخص‌های عملکرد باید تصمیم‌ها را اندازه‌گیری کنند، نه حجم داده را

تعداد حسگرهای متصل معیار قابل‌اعتمادی برای موفقیت نیست. تعداد برچسب‌های پایگاه داده، داشبوردها یا ترابایت‌های ذخیره‌شده نیز چنین نیست.

شاخص‌های بهتر، نتایج عملیاتی را اندازه‌گیری می‌کنند. این نتایج می‌توانند شامل کاهش توقف برنامه‌ریزی‌نشده، کاهش ضایعات، بهبود بازده بار اول، افزایش عمر قطعات، کوتاه‌تر شدن زمان عیب‌یابی یا کاهش موارد نگهداری اضطراری باشند.

در نگهداری پیش‌بینانه، کارخانه‌ها می‌توانند میزان زمان هشداردهی سامانه و تأثیر آن هشدار بر برنامه نگهداری را اندازه‌گیری کنند.

در تحلیل‌های کیفیت، می‌توان سنجید که آیا انحراف فرایند پیش از مردود شدن محصول شناسایی می‌شود یا نه. در پروژه‌های انرژی، می‌توان مصرف به‌ازای هر واحد قابل‌قبول را اندازه‌گیری کرد.

عملکرد تحلیل‌ها باید پذیرش کاربران را نیز شامل شود. وقتی اپراتورها و تکنسین‌ها به یک سامانه اعتماد ندارند یا از آن استفاده نمی‌کنند، ارزش یک سامانه از نظر فنی دقیق محدود است.

پیگیری یافته‌های تأییدشده یک حلقه بازخورد مؤثر ایجاد می‌کند. هر هشدار را می‌توان دقیق، نادرست، قطعی‌نشده یا دیگر مرتبط‌نبودن دسته‌بندی کرد.

این فرایند به‌تدریج کاربرد را بهبود می‌دهد. همچنین به مدیریت کمک می‌کند تحلیل‌های امیدوارکننده را از پروژه‌هایی که به بازطراحی نیاز دارند، تفکیک کند.

هوش مصنوعی پس از پایدار شدن زیرساخت داده بهترین عملکرد را دارد

هوش مصنوعی می‌تواند روابط پیچیده را در مجموعه‌داده‌های بزرگ شناسایی کند. این فناوری می‌تواند از تشخیص ناهنجاری، طبقه‌بندی تصویر، پیش‌بینی و بهینه‌سازی چندمتغیره فرایند پشتیبانی کند.

بااین‌حال، هوش مصنوعی نیاز به اندازه‌گیری‌های قابل‌اعتماد و زمینه مهندسی را از بین نمی‌برد. داده‌های ضعیف، حتی با وجود الگوریتمی پیچیده، مدل‌های ضعیف تولید می‌کنند.

پیش از استقرار مدل‌های پیشرفته، کارخانه‌ها باید هویت یکسان دارایی‌ها، مُهرهای زمانی، حالت‌های بهره‌برداری، واحدها و شاخص‌های کیفیت را استاندارد کنند.

داده‌های آموزشی باید نمایانگر شرایط واقعی بهره‌برداری باشند. مدلی که فقط در دوره تولید پایدار آموزش دیده باشد، ممکن است هر راه‌اندازی را غیرعادی طبقه‌بندی کند.

تغییرات تجهیزات نیز می‌توانند رفتار داده‌ها را تغییر دهند. یک موتور، حسگر، ابزار، دستور ساخت یا راهبرد کنترلی جدید ممکن است به بازبینی مدل نیاز داشته باشد.

کاربردهای هوش مصنوعی به مدیریت چرخه عمر نیاز دارند. تیم‌ها باید عملکرد مدل را پایش کنند، نسخه‌ها را ثبت کنند، انحراف را بررسی کنند و رفتار جایگزین را تعریف کنند.

تفسیر انسانی همچنان اهمیت دارد. مهندسان باید درک کنند کدام اندازه‌گیری‌ها بر یک نتیجه اثر می‌گذارند و آیا نتیجه با رفتار فیزیکی مطابقت دارد یا نه.

هوش مصنوعی زمانی بیشترین ارزش را ایجاد می‌کند که توانمندی کارکنان باتجربه را افزایش دهد. این فناوری می‌تواند مجموعه‌داده‌های بزرگ را غربال کند و الگوهای غیرعادی را شناسایی کند. سپس مهندسان و تکنسین‌ها این الگوها را با دانش تجهیزات مرتبط می‌کنند.

کارخانه آینده از داده‌های گزینشی و زمینه‌مند استفاده خواهد کرد

کارخانه‌های آینده با گسترش مداوم حسگری، بینایی ماشین، عیب‌یابی تعبیه‌شده و دستگاه‌های متصل، داده‌های بیشتری تولید خواهند کرد.

مزیت رقابتی از جمع‌آوری همه‌چیز به دست نخواهد آمد؛ بلکه از انتخاب اطلاعات درست، حفظ زمینه آن و پیوند دادن آن با تصمیم‌های عملیاتی حاصل خواهد شد.

سامانه‌های سطح ماشین همچنان کنترل سریع و قطعی را فراهم خواهند کرد. دستگاه‌های لبه‌ای داده‌های حجیم را در نزدیکی تجهیزات پردازش خواهند کرد. شبکه‌های صنعتی اطلاعات استانداردشده را از طریق رابط‌های امن منتقل خواهند کرد.

پلتفرم‌های سازمانی رفتار تجهیزات را با سوابق تولید، کیفیت، انرژی و نگهداری ترکیب خواهند کرد. تحلیل‌ها تغییراتی را شناسایی خواهند کرد که سامانه‌های منفرد به‌تنهایی قادر به دیدن آن‌ها نیستند.

مؤثرترین معماری‌ها همچنان لایه‌ای خواهند بود. آن‌ها از انتقال عملکردهای حساس به زمان به سامانه‌هایی که نمی‌توانند پاسخ‌گویی موردنیاز را تضمین کنند، اجتناب خواهند کرد.

آن‌ها همچنین مسئولیت‌پذیری انسانی را حفظ خواهند کرد. اپراتورها، تکنسین‌ها، مهندسان و مدیران درک خواهند کرد که توصیه‌های تحلیلی چگونه بر فرایند اثر می‌گذارند.

داده حسگر به‌صورت یک اندازه‌گیری فیزیکی آغاز می‌شود. ارزش آن با افزودن زمینه، سابقه و معنای عملیاتی از سوی سامانه افزایش می‌یابد.

یک حسگر فوتوالکتریک می‌تواند همچنان آشکارساز ساده حضور باشد. اما می‌تواند به اندازه‌گیری نرخ تولید، شناسایی آلودگی، تحلیل فاصله‌گذاری محصولات و کاهش زمان عیب‌یابی نیز کمک کند.

یک انکودر می‌تواند همچنان وسیله‌ای برای تعیین موقعیت باشد. اما می‌تواند مشکلات تکرارپذیری، فرسودگی مکانیکی، خطاهای همگام‌سازی و تغییرات بار ماشین را نیز آشکار کند.

یک دوربین می‌تواند همچنان ابزار بازرسی قبولی یا ردی باشد. اما می‌تواند الگوهای نقص، تغییرات مواد، انحراف فرایند و فرصت‌های کاهش ضایعات را نیز نشان دهد.

تفاوت در معماری و هدف نهفته است. وقتی کارخانه‌ها حسگری، کنترل، شبکه‌سازی، پردازش لبه‌ای و تحلیل سازمانی را بر اساس نیازهای عملیاتی مشخص به هم متصل می‌کنند، ورودی‌های خام به هوش عملی تبدیل می‌شوند.

آن تحول مستلزم خودکار شدن همه ماشین‌ها نیست؛ مستلزم آن است که هر اندازه‌گیری مهم به دست افراد و سامانه‌هایی برسد که توان اقدام بر اساس آن را دارند.