IIoT، هوش مصنوعی لبه‌ای و یکپارچه‌سازی ابری با استفاده از Arduino Opta تولید هوشمند را متحول می‌کنند

کارخانه‌ها در حال عبور از اتوماسیون سنتی هستند

اتوماسیون صنعتی وارد مرحله‌ای جدید می‌شود که در آن رایانش ابری، هوشمندی لبه‌ای و اتصال IIoT دیگر فناوری‌های آزمایشی نیستند. تولیدکنندگان اکنون انتظار دارند دارایی‌های تولیدی، داده‌های عملیاتی پیوسته، عیب‌یابی پیش‌بینانه و دسترسی از راه دور ارائه دهند، بدون آنکه پیچیدگی غیرضروری به سیستم اضافه شود.

این تغییر، کنترلرهای صنعتی فشرده‌ای مانند Arduino Opta را وارد گفت‌وگوهای گسترده‌تری کرده است؛ گفت‌وگوهایی که به‌طور سنتی تحت سلطه تأمین‌کنندگان متعارف PLC و DCS بوده‌اند. در بسیاری از تأسیسات، مهندسان در حال ارزیابی این موضوع هستند که پلتفرم‌های سبک‌وزن لبه‌ای چگونه می‌توانند معماری‌های کنترلی موجود را تکمیل کنند، نه اینکه کاملاً جایگزین آن‌ها شوند.

برای تیم‌های عملیاتی که ماشین‌آلات قدیمی، دارایی‌های توزیع‌شده یا سلول‌های تولیدی کوچک‌تر را مدیریت می‌کنند، جذابیت این رویکرد عملی است: استقرار سریع‌تر، یکپارچه‌سازی ساده‌تر و سربار مهندسی کمتر.

محل تلاقی IIoT، زیرساخت ابری و هوش مصنوعی لبه‌ای

اینترنت اشیای صنعتی به دیدپذیری مداوم از دستگاه‌های میدانی، حسگرها، درایوها و کنترلرها وابسته است. بااین‌حال، انتقال مستقیم هر سیگنال به یک سرور متمرکز، ترافیک و تأخیر غیرضروری ایجاد می‌کند. اینجاست که رایانش لبه‌ای از نظر عملیاتی ارزشمند می‌شود.

به‌جای تکیه انحصاری بر یک پلتفرم نظارتی، دستگاه‌های مجهز به قابلیت لبه‌ای تصمیم‌های فوری را به‌صورت محلی پردازش می‌کنند و در عین حال داده‌های عملیاتی سطح بالاتر را برای تحلیل، گزارش‌دهی و بهینه‌سازی بلندمدت به سیستم‌های ابری ارسال می‌کنند.

در کارخانه‌های مدرن، این معماری لایه‌ای بیش‌ازپیش بازتاب‌دهنده محیط‌های بزرگ‌تر اتوماسیون است که بر راهبردهای کنترل توزیع‌شده، مانند آنچه معمولاً در پلتفرم‌هایی همچون سیستم‌های کنترل DCS و زیرساخت‌های شبکه صنعتی ترکیبی دیده می‌شود، بنا شده‌اند.

کنترلرهای لبه‌ای فشرده، بیش‌ازپیش به‌عنوان دروازه‌هایی میان تجهیزات ابزار دقیق میدانی، اتوماسیون محلی و پلتفرم‌های تحلیل ابری عمل می‌کنند.

چرا پردازش لبه‌ای در محیط کارخانه اهمیت دارد

شبکه‌های صنعتی هر ثانیه حجم عظیمی از داده‌های عملیاتی تولید می‌کنند. حسگرهای ارتعاش، ترانسمیترهای فشار، درایوهای موتور، حسگرهای دما و پایشگرهای توان، شرایط متغیر را به‌طور مداوم گزارش می‌دهند. ارسال همه سیگنال‌های خام به فضای ابری ناکارآمد است و می‌تواند باعث ازدحام شبکه شود.

هوش مصنوعی لبه‌ای با فیلتر کردن، اولویت‌بندی و پردازش اطلاعات مستقیماً در سطح ماشین، این بار را کاهش می‌دهد. هشدارهای حیاتی و روندهای غیرعادی را می‌توان فوراً شناسایی کرد، بدون اینکه منتظر پاسخ سیستم‌های متمرکز بمانیم.

این رویکرد به‌ویژه در کاربردهای مربوط به ماشین‌آلات دوار، کمپرسورها یا خطوط تولید پرسرعت اهمیت پیدا می‌کند؛ جایی که میلی‌ثانیه‌ها اهمیت دارند. تأسیساتی که پیش‌تر معماری‌های نگهداری پیش‌بینانه را پیرامون سیستم‌های پایش ماشین‌آلات مستقر کرده‌اند، به‌طور فزاینده‌ای تحلیل لبه‌ای را برای بهبود دقت تشخیص خطا یکپارچه می‌کنند.

پلتفرم‌های ابری در حال تبدیل‌شدن به لایه‌های کنترل عملیاتی هستند

خدمات ابری دیگر صرفاً به ذخیره‌سازی داده‌های تاریخی محدود نیستند. پلتفرم‌های ابری صنعتی مدرن اکنون از عیب‌یابی از راه دور، استقرار فریم‌ویر، تأمین دستگاه، نمایش بصری داشبورد و گردش‌کارهای نگهداری پیش‌بینانه پشتیبانی می‌کنند.

برای تولیدکنندگانی که چندین تأسیسات را اداره می‌کنند، یکپارچه‌سازی ابری لایه‌ای عملیاتی و یکپارچه ایجاد می‌کند که در آن تیم‌های مهندسی می‌توانند عملکرد ماشین‌ها را در کارخانه‌های پراکنده از نظر جغرافیایی با یکدیگر مقایسه کنند.

Arduino Opta این گذار را به‌خوبی نشان می‌دهد. این کنترلر با گزینه‌های ارتباطی یکپارچه، از جمله Ethernet، Wi-Fi، Bluetooth و Modbus RTU، به تجهیزات تولیدی اجازه می‌دهد در محیط‌های فناوری عملیاتی و فناوری اطلاعات با یکدیگر ارتباط برقرار کنند.

مهم‌تر از آن، این پلتفرم استقرار را برای تولیدکنندگان کوچک‌تری که ممکن است تیم‌های اختصاصی امنیت سایبری OT یا بخش‌های مهندسی بزرگ SCADA نداشته باشند، ساده می‌کند.

سازگاری همچنان دست‌کم‌گرفته‌شده‌ترین چالش است

بسیاری از پیاده‌سازی‌های ناموفق IIoT به‌دلیل محدودیت‌های سخت‌افزاری از کار نمی‌افتند. شکست آن‌ها ناشی از چندپاره‌شدن معماری ارتباطی است. پروتکل‌های ناسازگار، میان‌افزار ناپایدار و پشتیبانی ناهماهنگ از فریم‌ویر اغلب مشکلات قابلیت اطمینان متناوبی ایجاد می‌کنند که عیب‌یابی آن‌ها دشوار است.

مهندسان صنعتی می‌دانند که ارتباط ناپایدار می‌تواند خطرناک‌تر از قطع کامل ارتباط باشد. سیستمی که گهگاه قطع می‌شود ممکن است عملیاتی به نظر برسد، درحالی‌که بی‌سروصدا باعث خراب‌شدن داده‌ها یا تأخیر در هشدارها می‌شود.

به همین دلیل، اکوسیستم‌های یکپارچه عمودی همچنان محبوب‌تر می‌شوند. وقتی سخت‌افزار، زیرساخت ابری و محیط‌های توسعه از یک اکوسیستم فروشنده واحد سرچشمه می‌گیرند، زمان راه‌اندازی و پیچیدگی عیب‌یابی به‌طور چشمگیری کاهش می‌یابد.

کاهش بار آموزشی برای تیم‌های نگهداری و تعمیرات

یکی دیگر از مزایای نادیده‌گرفته‌شده پلتفرم‌های یکپارچه، مقیاس‌پذیری نیروی کار است. بسیاری از کارخانه‌ها همچنان با کمبود برنامه‌نویسان باتجربه PLC و متخصصان شبکه‌های صنعتی دست‌وپنجه نرم می‌کنند.

پلتفرم‌های ساده‌شده لبه‌ای منحنی یادگیری تکنسین‌های تعمیرونگهداری را کاهش می‌دهند و به تیم‌ها امکان می‌دهند بدون نیاز گسترده به منابع مهندسی نرم‌افزار، داشبوردها را مستقر کنند، داده‌های حسگر را جمع‌آوری کنند و منطق عملیاتی را تغییر دهند.

این دسترس‌پذیری به‌ویژه در محیط‌های نوسازی اهمیت دارد؛ جایی که تجهیزات قدیمی باید در کنار زیرساخت دیجیتال مدرن فعالیت کنند.

استقرارهای واقعی بازگشت سرمایه عملی را نشان می‌دهند

Atlas Machine and Supply

Atlas Machine and Supply سامانه‌های Arduino Opta را در تأسیسات کمپرسورهای هوای صنعتی مستقر کرد تا دید بهتری نسبت به تجهیزات پنوماتیکی بادوامی ایجاد کند که در محیط‌های گوناگون فعالیت می‌کنند.

این شرکت با جمع‌آوری مداوم داده‌های عملیاتی، از تعمیرونگهداری واکنشی به سمت زمان‌بندی تعمیرونگهداری پیش‌بینانه حرکت کرد. مهندسان می‌توانستند الگوهای تکرارشونده خطا را پیش از تشدید خرابی‌ها و تبدیل‌شدن آن‌ها به رخدادهای توقف طولانی شناسایی کنند.

داشبوردهای متمرکز به تیم‌های تعمیرونگهداری امکان می‌دهند ناهنجاری‌های کمپرسورها را پیش از آنکه افت عملکرد بر توان عملیاتی تولید تأثیر بگذارد، شناسایی کنند.

این استقرار نشان داد که سامانه‌های لبه‌ای متصل به ابر می‌توانند تجهیزات صنعتی قدیمی‌تر را بدون نیاز به جایگزینی کامل سامانه کنترل، نوسازی کنند.

Steelcase گلوگاه تولید را برطرف می‌کند

Steelcase از فناوری Arduino Opta برای بهبود فرایند جداسازی پنل‌های چوبی استفاده کرد؛ فرایندی که در چندین کارخانه تولیدی به محدودیتی تکرارشونده برای توان عملیاتی تبدیل شده بود.

پس از استقرار حسگرهای بلادرنگ اضافی و ایجاد مدل دوقلوی دیجیتال تجهیزات، مهندسان با استفاده از بازخورد عملیاتی جمع‌آوری‌شده مستقیماً از کنترل‌گر لبه‌ای، عملکرد دستگاه را بهینه کردند.

مدل‌سازی دوقلوی دیجیتال در ترکیب با تحلیل‌های لبه‌ای به مهندسان کمک کرد گلوگاه مداوم تولید را در چندین تأسیسات برطرف کنند.

نتیجه نه‌تنها افزایش توان عملیاتی، بلکه شناسایی زودتر خطاها و کاهش هدررفت مواد در حین کار بود.

پایش از راه دور محیط‌زیست شتاب می‌گیرد

AMB Vapor Monitoring از زاویه‌ای کاملاً متفاوت به این مسئله پرداخت. این شرکت به‌جای اتوماسیون کارخانه، بر پایش بخارات محیط‌زیستی و ردیابی آلاینده‌ها تمرکز کرد.

با استفاده از Arduino Opta و داشبوردهای مبتنی بر ابر، اندازه‌گیری‌های میدانی را می‌توان به‌صورت بلادرنگ از راه دور تحلیل کرد. مهندسان دیگر نیازی نداشتند کاملاً به فرایندهای گزارش‌دهی دستی و تأخیردار متکی باشند.

سامانه‌های پایش محیطی از راه دور، به‌طور فزاینده‌ای از دستگاه‌های لبه‌ای متصل به ابر برای تسریع زمان واکنش به مسائل ایمنی استفاده می‌کنند.

این پروژه همچنین روند رو به رشد دیگری را در صنعت برجسته کرد: اکوسیستم‌های توسعه باز، هزینه‌های مهندسی را در جریان تحقیق‌وتوسعه صنعتی و اجرای پروژه‌های آزمایشی کاهش می‌دهند.

تغییر بزرگ‌تر صنعت از هم‌اکنون آغاز شده است

هوش مصنوعی لبه‌ای و خدمات ابری صنعتی دیگر مختص تأسیسات بزرگ سازمانی با بودجه‌های چندمیلیون‌دلاری اتوماسیون نیستند. تولیدکنندگان کوچک‌تر و پروژه‌های نوسازی نیز اکنون با استفاده از کنترل‌کننده‌های صنعتی فشرده و پلتفرم‌های بومی ابر، معماری‌های مقیاس‌پذیر IIoT را پیاده‌سازی می‌کنند.

هم‌زمان، تأمین‌کنندگان سنتی اتوماسیون نیز سبد محصولات خود را با محوریت تحلیل توزیع‌شده، عیب‌یابی از راه دور و راهبردهای نگهداری با کمک هوش مصنوعی تطبیق می‌دهند. تمایز میان PLCها، دروازه‌های لبه‌ای و گره‌های ابری به‌تدریج در حال از بین رفتن است.

تأسیساتی که بیشترین مزیت عملیاتی را به دست می‌آورند، لزوماً آن‌هایی نیستند که همه سامانه‌های قدیمی را جایگزین می‌کنند. در عوض، آن‌ها ابتدا حیاتی‌ترین دارایی‌ها از نظر داده را به‌صورت گزینشی نوسازی کرده و سپس از همان‌جا توسعه می‌دهند.

چرا موج بعدی اتوماسیون ترکیبی خواهد بود

از دیدگاه مهندسی، آینده اتوماسیون صنعتی به‌طور انحصاری در اختیار ارائه‌دهندگان خدمات ابری یا فروشندگان سنتی PLC نخواهد بود. این آینده به معماری‌های ترکیبی تعلق دارد که بتوانند کنترل قطعی، هوشمندی لبه‌ای و تحلیل مقیاس‌پذیر را با هم ترکیب کنند.

اکوسیستم صنعتی Arduino نشان می‌دهد این همگرایی با چه سرعتی در حال شتاب گرفتن است. هرچند PLCهای لبه‌ایِ فشرده به این زودی‌ها جایگزین محیط‌های بزرگ DCS در صنایع فرایندی حیاتی نخواهند شد، به ابزارهایی بسیار مؤثر برای پایش توزیع‌شده، تحلیل در سطح ماشین و طرح‌های نگهداری پیش‌بینانه تبدیل می‌شوند.

درس گسترده‌تر برای تولیدکنندگان روشن است: دید عملیاتی به همان اندازه کنترل ماشین‌ها اهمیت پیدا می‌کند. تأسیساتی که امروز در ایجاد معماری‌های مقیاس‌پذیر داده IIoT ناکام بمانند، ممکن است فردا برای رقابت با کارخانه‌هایی که از هوش مصنوعی لبه‌ای و عیب‌یابی متصل به ابر بهره می‌برند، با مشکل مواجه شوند.

نویسنده: ناتان کول | خبرنگار ارشد سامانه‌های صنعتی

ناتان کول بیش از ۱۴ سال تجربه در پوشش اتوماسیون صنعتی، نگهداری پیش‌بینانه و زیرساخت تولید دیجیتال دارد. پیشینه او شامل پروژه‌های یکپارچه‌سازی میدانی با سیستم‌های Siemens SIMATIC، محیط‌های Emerson DeltaV، پلتفرم‌های اتوماسیون فرایند Honeywell و معماری‌های کنترل توزیع‌شده ABB در بخش‌های انرژی و تولید است.