اینترنت صنعتی اشیاء (IIoT)، هوش مصنوعی لبه‌ای و یکپارچه‌سازی ابری، تولید هوشمند را از طریق آردوینو اپتا بازتعریف می‌کنند

کارخانه‌ها فراتر از اتوماسیون سنتی حرکت می‌کنند

اتوماسیون صنعتی وارد مرحله جدیدی شده است که در آن محاسبات ابری، هوش لبه‌ای و اتصال IIoT دیگر فناوری‌های آزمایشی نیستند. تولیدکنندگان اکنون انتظار دارند دارایی‌های تولید داده‌های عملیاتی مداوم، تشخیص‌های پیش‌بینی‌کننده و دسترسی از راه دور را بدون ایجاد پیچیدگی غیرضروری سیستم ارائه دهند.

این تغییر باعث شده کنترلرهای صنعتی جمع‌وجور مانند Arduino Opta وارد گفتگوهای بزرگ‌تری شوند که معمولاً توسط فروشندگان سنتی PLC و DCS هدایت می‌شدند. در بسیاری از کارخانه‌ها، مهندسان شروع به ارزیابی نحوه تکمیل پلتفرم‌های سبک لبه با معماری‌های کنترل موجود به جای جایگزینی کامل آن‌ها کرده‌اند.

برای تیم‌های عملیاتی که ماشین‌آلات قدیمی، دارایی‌های توزیع‌شده یا سلول‌های تولید کوچکتر را مدیریت می‌کنند، جذابیت این فناوری عملی است: استقرار سریع‌تر، یکپارچه‌سازی ساده‌تر و کاهش بار مهندسی.

جایی که IIoT، زیرساخت ابری و هوش مصنوعی لبه‌ای تلاقی می‌کنند

اینترنت صنعتی اشیاء به دید مداوم از دستگاه‌های میدانی، حسگرها، درایوها و کنترلرها وابسته است. با این حال، ارسال هر سیگنال مستقیماً به سرور متمرکز ترافیک غیرضروری و تأخیر ایجاد می‌کند. اینجاست که محاسبات لبه‌ای از نظر عملیاتی ارزشمند می‌شود.

به جای تکیه صرف بر یک پلتفرم نظارتی، دستگاه‌های مجهز به لبه تصمیمات فوری را به صورت 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 به طور فزاینده‌ای محیط‌های اتوماسیون بزرگ‌تر را که حول استراتژی‌های کنترل توزیع‌شده ساخته شده‌اند، شبیه‌سازی می‌کند؛ استراتژی‌هایی که معمولاً در پلتفرم‌هایی مانند سیستم‌های کنترل DCS و زیرساخت‌های شبکه صنعتی ترکیبی دیده می‌شوند.

کنترلرهای جمع‌وجور لبه‌ای به طور فزاینده‌ای به عنوان دروازه‌هایی بین ابزارهای میدانی، اتوماسیون محلی و پلتفرم‌های تحلیل ابری عمل می‌کنند.

چرا پردازش لبه در کف کارخانه اهمیت دارد

شبکه‌های صنعتی هر ثانیه حجم عظیمی از داده‌های عملیاتی تولید می‌کنند. حسگرهای ارتعاش، فرستنده‌های فشار، درایوهای موتور، پروب‌های دما و مانیتورهای برق به طور مداوم شرایط متغیر را گزارش می‌دهند. ارسال هر سیگنال خام به ابر ناکارآمد است و می‌تواند باعث ازدحام شبکه شود.

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

این رویکرد به ویژه در کاربردهایی که شامل ماشین‌آلات دوار، کمپرسورها یا خطوط تولید با سرعت بالا است که میلی‌ثانیه‌ها اهمیت دارند، اهمیت پیدا می‌کند. کارخانه‌هایی که در حال حاضر معماری‌های نگهداری پیش‌بینی را حول سیستم‌های پایش ماشین‌آلات پیاده‌سازی می‌کنند، به طور فزاینده‌ای تحلیل‌های لبه را برای بهبود دقت تشخیص خطا ادغام می‌کنند.

پلتفرم‌های ابری در حال تبدیل شدن به لایه‌های کنترل عملیاتی هستند

خدمات ابری فراتر از ذخیره‌سازی ساده داده‌های تاریخی در حال پیشرفت هستند. پلتفرم‌های صنعتی مدرن ابری اکنون از تشخیص از راه دور، استقرار فریم‌ور، تأمین دستگاه، نمایش داشبورد و جریان‌های کاری نگهداری پیش‌بینی پشتیبانی می‌کنند.

برای تولیدکنندگانی که چندین کارخانه دارند، ادغام ابری یک لایه عملیاتی یکپارچه ایجاد می‌کند که تیم‌های مهندسی می‌توانند عملکرد ماشین‌ها را در کارخانه‌های جغرافیایی مختلف مقایسه کنند.

Arduino Opta این انتقال را به خوبی نشان می‌دهد. از طریق گزینه‌های اتصال یکپارچه شامل اترنت، وای‌فای، بلوتوث و Modbus RTU، این کنترلر اجازه می‌دهد دارایی‌های تولیدی در هر دو محیط فناوری عملیاتی و فناوری اطلاعات ارتباط برقرار کنند.

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

سازگاری هنوز هم چالش کم‌ارزش‌ترین است

بسیاری از استقرارهای ناموفق IIoT به دلیل محدودیت‌های سخت‌افزاری شکست نمی‌خورند. آن‌ها به این دلیل شکست می‌خورند که معماری ارتباطی تکه‌تکه می‌شود. پروتکل‌های ناسازگار، میان‌افزار ناپایدار و پشتیبانی ناسازگار از فریم‌ور اغلب مشکلات قابل اطمینان بودن متناوب 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 در حالی که به طور پنهانی باعث فساد داده‌ها یا تأخیر در هشدارها می‌شود.

به همین دلیل است که اکوسیستم‌های یکپارچه عمودی همچنان محبوبیت پیدا می‌کنند. وقتی سخت‌افزار، زیرساخت ابری و محیط‌های توسعه از یک اکوسیستم فروشنده واحد باشند، زمان راه‌اندازی و پیچیدگی عیب‌یابی به طور قابل توجهی کاهش می‌یابد.

کاهش بار آموزش برای تیم‌های نگهداری

یکی دیگر از مزایای نادیده گرفته شده پلتفرم‌های یکپارچه، مقیاس‌پذیری نیروی کار است. بسیاری از کارخانه‌ها همچنان با کمبود برنامه‌نویسان باتجربه PLC و متخصصان شبکه صنعتی دست و پنجه نرم می‌کنند.

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

این دسترسی به ویژه در محیط‌های بازسازی شده اهمیت دارد که دارایی‌های قدیمی باید با زیرساخت دیجیتال مدرن همزیستی کنند.

استقرارهای واقعی بازگشت سرمایه عملی را نشان می‌دهند

Atlas Machine and Supply

شرکت Atlas Machine and Supply سیستم‌های Arduino Opta را در نصب‌های کمپرسور هوای صنعتی به کار برد تا دید بهتری نسبت به تجهیزات پنوماتیک با عمر طولانی در محیط‌های متنوع فراهم کند.

با جمع‌آوری مداوم داده‌های عملیاتی، شرکت از نگهداری واکنشی به برنامه‌ریزی نگهداری پیش‌بینی‌شده منتقل شد. مهندسان می‌توانستند الگوهای خطای مکرر را قبل از اینکه به خرابی‌های طولانی‌مدت منجر شوند، شناسایی کنند.

داشبوردهای متمرکز به تیم‌های نگهداری اجازه می‌دهند تا ناهنجاری‌های کمپرسور را قبل از اینکه کاهش عملکرد بر ظرفیت تولید تأثیر بگذارد، شناسایی کنند.

این استقرار نشان داد که چگونه سیستم‌های لبه‌ای متصل به ابر می‌توانند دارایی‌های صنعتی قدیمی را بدون نیاز به تعویض کامل سیستم کنترل مدرن کنند.

Steelcase گلوگاه تولید را حذف کرد

شرکت Steelcase فناوری Arduino Opta را برای بهبود فرآیند جداکردن پانل چوبی که به یک محدودیت مکرر ظرفیت تولید در چندین کارخانه تبدیل شده بود، به کار برد.

پس از استقرار حسگرهای زمان واقعی بیشتر و ایجاد مدل دوقلوی دیجیتال تجهیزات، مهندسان رفتار ماشین را با استفاده از بازخورد عملیاتی جمع‌آوری شده مستقیماً از کنترلر لبه‌ای بهینه کردند.

مدل‌سازی دوقلوی دیجیتال همراه با تحلیل‌های لبه‌ای به مهندسان کمک کرد تا گلوگاه تولیدی مداوم را در چندین کارخانه برطرف کنند.

نتیجه نه تنها افزایش ظرفیت تولید بود بلکه شناسایی زودهنگام خطا و کاهش ضایعات مواد در طول عملیات نیز حاصل شد.

نظارت محیطی از راه دور در حال کسب محبوبیت است

شرکت AMB Vapor Monitoring مسئله را از زاویه‌ای کاملاً متفاوت بررسی کرد. به جای اتوماسیون کارخانه، این شرکت بر نظارت بر بخارهای محیطی و ردیابی آلاینده‌ها تمرکز کرد.

با استفاده از Arduino Opta و داشبوردهای مبتنی بر ابر، اندازه‌گیری‌های میدانی می‌توانستند به صورت زنده و از راه دور تحلیل شوند. مهندسان دیگر نیازی به تکیه کامل بر روش‌های گزارش‌دهی دستی با تأخیر نداشتند.

سیستم‌های نظارت محیطی از راه دور به طور فزاینده‌ای از دستگاه‌های لبه‌ای متصل به ابر برای تسریع زمان پاسخ ایمنی استفاده می‌کنند.

این پروژه همچنین روند رو به رشد دیگری در صنعت را برجسته کرد: اکوسیستم‌های توسعه باز هزینه‌های مهندسی را در طول تحقیق و توسعه صنعتی و استقرارهای آزمایشی کاهش می‌دهند.

تغییر بزرگ‌تر صنعت هم‌اکنون در حال وقوع است

هوش مصنوعی لبه‌ای و خدمات ابری صنعتی دیگر مختص تأسیسات بزرگ سازمانی با بودجه‌های چند میلیون دلاری اتوماسیون نیستند. تولیدکنندگان کوچک‌تر و پروژه‌های بازسازی اکنون معماری‌های IIoT مقیاس‌پذیر را با استفاده از کنترل‌کننده‌های صنعتی جمع‌وجور و پلتفرم‌های بومی ابر پیاده‌سازی می‌کنند.

در عین حال، تأمین‌کنندگان سنتی اتوماسیون نیز پرتفوی خود را حول تحلیل‌های توزیع‌شده، تشخیص‌های از راه دور و استراتژی‌های نگهداری با کمک هوش مصنوعی تطبیق می‌دهند. تمایز بین PLCها، دروازه‌های لبه‌ای و گره‌های ابری به تدریج در حال محو شدن است.

تأسیساتی که بیشترین مزیت عملیاتی را کسب می‌کنند، لزوماً آن‌هایی نیستند که همه سیستم‌های قدیمی را جایگزین می‌کنند. بلکه آن‌ها ابتدا دارایی‌های حیاتی از نظر داده را به‌طور انتخابی مدرن می‌کنند و سپس از آنجا توسعه می‌یابند.

چرا موج بعدی اتوماسیون هیبریدی خواهد بود

از دید مهندسی، آینده اتوماسیون صنعتی به‌طور انحصاری متعلق به ارائه‌دهندگان ابر یا فروشندگان سنتی PLC نخواهد بود. این آینده متعلق به معماری‌های هیبریدی است که قادر به ترکیب کنترل قطعی، هوش لبه‌ای و تحلیل‌های مقیاس‌پذیر هستند.

اکوسیستم صنعتی آردوینو نشان می‌دهد که این همگرایی با چه سرعتی در حال تسریع است. در حالی که PLCهای لبه‌ای جمع‌وجور به‌زودی جایگزین محیط‌های بزرگ DCS در صنایع فرآیندی حیاتی نخواهند شد، اما به ابزارهای بسیار مؤثری برای نظارت توزیع‌شده، تحلیل‌های سطح ماشین و ابتکارات نگهداری پیش‌بینانه تبدیل شده‌اند.

درس کلی برای تولیدکنندگان واضح است: دید عملیاتی به اندازه کنترل ماشین اهمیت پیدا کرده است. تأسیساتی که امروز معماری‌های داده IIoT مقیاس‌پذیر را ایجاد نکنند، ممکن است در رقابت با کارخانه‌هایی که فردا از هوش مصنوعی لبه‌ای و تشخیص‌های متصل به ابر بهره می‌برند، دچار مشکل شوند.

نویسنده: ناتان کول | خبرنگار ارشد سیستم‌های صنعتی

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