هوش مصنوعی در طبقه فروشگاه: برش از طریق تبلیغات برای یافتن ارزش صنعتی واقعی

واقعاً چه اتفاقی برای هوش مصنوعی در کارخانه‌های ما می‌افتد؟
بیایید صادق باشیم: ما سال ها است که این کلمات را می شنویم. اما اکنون، هوش مصنوعی بالاخره در حال جهش از ارائه‌های درخشان بخش فناوری اطلاعات به واقعیت تلخ طبقه فناوری عملیاتی (OT) است. این یک انقلاب ناگهانی نیست. این یک تحول ضروری است، که ناشی از این واقعیت ساده است که حاشیه های ما کمتر از همیشه است و توقف برنامه ریزی نشده کشنده است.
تغییر واقعی در مورد پیچیدگی نیست. این در مورد قابلیت اطمینان است. یک نظرسنجی اخیر آنچه را قبلاً می‌دانیم تأیید می‌کند: بیشتر تولیدکنندگان (حدود 72٪) هوش مصنوعی را عمدتاً برای کاهش هزینه‌ها و کاهش کارایی عملیاتی بهتر به کار می‌گیرند. این انتزاعی نیست. منظور این است که دیگ بخار 2 درصد کارآمدتر کار کند یا سه هفته زودتر خرابی یاتاقان را برطرف کند.
شرکت‌های پیشگامی مانند زیمنس و ABB دنبال «شات‌های ماه» نیستند. آنها به دنبال این هستند که چگونه فرآیندهای فعلی را هوشمندتر کنند. همانطور که یکی از معاونان صنعت بیان کرد، بخش آسان استفاده از هوش مصنوعی برای تولید بیشتر وظایف تولیدی موجود است. بخش سخت و اینکه پول واقعی کجاست، استفاده از هوش مصنوعی است تا اساساً نحوه ساختن چیزها را دوباره تصور کنیم.

چرا اکنون روی یادگیری ماشینی شرط بندی می کنیم؟
ما هوش مصنوعی را به کار می‌گیریم زیرا اتوماسیون سنتی در مواجهه با تغییرپذیری و غیرقابل‌پیش‌بینی بودن به یک دیوار برخورد کرده است. چهار مورد استفاده در حال حاضر ارزش هوش مصنوعی را ثابت می کند:

• تعمیر و نگهداری پیش‌بینی‌کننده: امری ضروری

این برنامه قاتل است. ما از واکنش به آلارم ها خسته شده ایم. هوش مصنوعی/ML، که توسط داده‌های حسگرهای صنعتی اینترنت اشیا ما تامین می‌شود، به ما اجازه می‌دهد تا علائم خرابی را پیش‌بینی کنیم که تجزیه و تحلیل انسانی یا نمودارهای کنترل آماری ساده از دست می‌دهند. شما در حال خرید یک سیستم هستید شرکت هایی مانند Rockwell Automation (آلن-بردلی) از پلتفرم های تحلیلی خود برای دریافت داده های درایو - ضربان قلب ماشین استفاده می کنند. آنها با موفقیت از این برای شناسایی تغییرات مکانیکی ظریف، مانند ناهماهنگی تیغه فن در سیستم تهویه معدن استفاده کرده اند. این فانتزی نیست. این ایمنی مرگ و زندگی است و تولید را ادامه می دهد. این در حال انتقال تعمیر و نگهداری از خاموشی های برنامه ریزی شده به مداخلات پیش بینی کننده است.

• کنترل کیفیت در سرعت خط

بازرسان انسانی عالی هستند، اما خسته می شوند. بینایی ماشینی مبتنی بر هوش مصنوعی اینطور نیست. سازندگان از سیستم‌های یکپارچه با کنترل‌کننده‌ها و I/O از Schneider Electric یا ABB برای تشخیص فوری و با حجم بالا استفاده می‌کنند. نتیجه؟ سازگاری با کیفیت بالاتر، ضایعات کمتر، و تقویت بزرگی برای یکپارچگی فرآیند.

• بهینه سازی انرژی: پیدا کردن پول پنهان

انرژی اغلب دومین یا سومین هزینه عملیاتی بزرگ است. هوش مصنوعی فقط مصرف را اندازه گیری نمی کند. آن را به فرآیند متصل می کند. این نه تنها می تواند به شما بگوید که کمپرسور هوا چقدر انرژی مصرف می کند، بلکه می تواند به شما بگوید که آیا این بهینه ترین زمان برای راه اندازی آن بر اساس بار فعلی، دمای خارجی و تعرفه انرژی پیش بینی شده است یا خیر.

• رباتیک: شکستن چرخه ثابت

زیبایی روبات های صنعتی در گذشته تکرار بی عیب و نقص آنها بود. اشکال؟ هر گونه تغییر جزئی در قطعات به معنای توقف خط بود. هوش مصنوعی به ربات‌ها سازگاری بصری و شناختی می‌دهد تا بتوانند قطعات ناقص ارائه‌شده یا تغییرات جزئی در مواد را مدیریت کنند - گامی بزرگ به سمت تولید واقعاً انعطاف‌پذیر.

چالش یکپارچه سازی: وقتی فروشندگان با هم برخورد می کنند
بیشترین ارزش از یک برنامه AI به دست نمی آید. از اتصال جریان های داده به دست می آید. ما به بینش هوش مصنوعی از ایستگاه کیفیت نیاز داریم تا با سیستم مدیریت انرژی صحبت کنیم، که سپس برنامه پیش بینی تعمیر و نگهداری را اعلام می کند.
اینجا جایی است که لاستیک با جاده برخورد می کند و اکوسیستم های برند اهمیت دارند. اگر از یک سیستم یکپارچه عظیم استفاده می کنید، به فروشندگانی نیاز دارید که بتوانند شکاف OT-IT را پر کنند:

• زیمنس رویکرد دیجیتال دوقلوی یکپارچه خود را پیش می‌برد و تلاش می‌کند تا قبل از ورود کد به ماشین فیزیکی، کل کارخانه را به صورت دیجیتالی مدل‌سازی کند.
• ABB برای مدیریت عملکرد دارایی در سطح ناوگان بر روی پیوند سیستم های کنترلی خود با تجزیه و تحلیل ابری تمرکز دارد.

احتیاط در مورد هوش مصنوعی مولد
ژنرال هوش مصنوعی در دنیای فناوری اطلاعات هیجان‌انگیز است، اما در OT به کندی پیش می‌رود و دلیل خوبی هم دارد. محدودیت ها بسیار زیاد است. ما کپی بازاریابی تولید نمی کنیم. ما در حال کنترل جریان قدرت هستیم.
همانطور که تشخیص ناهنجاری را اجرا می کنیم، از یادگیری ماشینی برای خرد کردن اعداد استفاده می کنیم، اما شروع به استفاده از Gen AI برای ارائه تشخیص ها کرده ایم. یعنی، ML این الگوی عجیب را تشخیص می‌دهد و هوش مصنوعی ژنرال فوراً توضیحی قابل قبول و قابل خواندن برای انسان ایجاد می‌کند: "این ارتعاش احتمالاً به دلیل انبساط حرارتی در محفظه جفت است." این به شدت زمان واکنش انسان را کاهش می دهد و اعتماد به اتوماسیون را ایجاد می کند. اما تا زمانی که این مدل‌ها کاملاً ایمن و منطبق نباشند (مخصوصاً در بخش‌های تنظیم‌شده)، آنها کمک‌کننده خواهند بود، نه تصمیم‌گیرندگان مستقل.

نتیجه: روی بازگشت سرمایه تمرکز کنید، نه Hype
"بیداری خودمختاری" در واقع در مورد پراگماتیسم است. سازندگانی که با هوش مصنوعی موفق می شوند، کسانی هستند که بر روی یک مشکل خاص با بازگشت سرمایه روشن (ROI) مانند کاهش زمان توقف یا کاهش ضایعات تمرکز کرده اند. آنها در حال همکاری نزدیک با شرکای سیستم کنترل خود - ABs، ABB، زیمنس، و اشنایدر الکتریک در جهان هستند تا اطمینان حاصل کنند که این الگوریتم های جدید قدرتمند به طور ایمن، قابل اعتماد و عملا در DNA صنعتی کارخانه ادغام می شوند. به این ترتیب است که شما یک کلمه کلیدی را به یک مزیت رقابتی پایدار تبدیل می کنید.

✨می‌توانید از طریق ایمیل با ویکی برای دریافت کمک فوری تماس بگیریدsales7@apterpower.com یا ارسال پیام از طریق واتساپ به آدرس+86 18030175807برای دریافت پاسخ های سریع و به روز رسانی.

محصولات توصیه شده