این مصاحبه در ارتباط با مبحث عظیم‌داده و بهینه‌سازی کارخانجات تولیدی با استفاده از نظارت وضعیت و تحلیلگری داده‌های هوشمند با دکتر Olaf Sauer انجام شده است.

عوامل کلیدی که نشان دهنده بهره‌وری یک سیستم تولیدی هستند، خروجی قطعات با کیفیت یا تعدد و دسترسی به تجهیزات تولید است. برای بهبود دسترسی، راهکارهای جدید تعمیر و نگهداری برای ماشین آلات و تجهیزات بر اساس نظارت وضعیت، این روزها بیشتر مورد توجه قرار می گیرد. به جای تعمیر و نگهداری ساده، روندی وجود دارد که نسبت به سیستم های موجود، اظهارات پیشگیرانه ای برای نگهداری و سایر خدمات ارائه می دهد. سیستم های تولیدی در آینده بیشتری به جای استفاده از ماشین آلات متراکم و منفرد مورد توجه قرار خواهد گرفت.

چالش این است که در کل کارخانه یا سیستم های تولیدی متفرقه، داده‌ها جمع آوری شده و با یک روش مشخص ارزیابی و تفسیر شوند.

سیستم های نرم افزاری می توانند وضعیت سیستم های تولیدی را ثبت کنند، نتیجه گیری های انتزاعی در وضعیت های طبیعی را به دست بیاورند و بر این اساس، وقایع عدم انطباق مانند فرسودگی یا نواقص را شناسایی و عوامل ریشه ای را تحلیل کنند. سنسورها و داده های فعال تجهیزات تولیدی می توانند برای شناسایی و بهبود خودکار فرایندهای فنی با توجه به مصرف آب، انرژی و سایر منابع، به صورت خودکار استفاده شوند. تفسیر ماشین و نمایش داده های مرتبط می تواند با استفاده از رابط کاربری مناسب انسان / دستگاه به کاهش حجم کار  اپراتورهای تجهیزات در آینده کمک کند.

آنچه مورد نیاز است اطلاعات مربوط به پردازش‌هایی است که توسط دستگاه های مرتبط گرفته شده است. افزایش دسترسی به دستگاه های هوشمند در هر رشته منجر به پردازش های بیشتر و بیشتر این ابزار گردیده است.

با استفاده از تشخیص هوشمند و روش های پیش بینی، این داده‌ها در ادامه می توانند به اطلاعاتی در مورد وضعیت تجهیزات و اجزای آن و تغییرات تدریجی در پارامترهای فرآیند یا ریسک خرابی اجزاء تبدیل شوند که باعث جلوگیری از خرابی ناخواسته ماشین آلات و بهبود دسترسی به سیستم های تولید می‌شود.

فن آوری های فرایندی استفاده کننده از این برنامه‌ها کدا‌مند؟

به طور خاص می‌توان پردازش های پیوسته را در صنایع شیمیایی و پردازش های ناپیوسته را در تولیدات دارویی به کار برد. این پردازش‌ها بسیار پیچیده بوده و بعلاوه با طیف گسترده ای از متغیرهای سیستمی توصیف شده‌اند و مدل سازی وضعیت آنها در شرایط تحلیلی دشوار است.

با توجه به چرخه عمر طولانی مدت پردازش های پیوسته، مهم تر از همه، شناسایی تغییرات تدریجی در وضعیت سیستم است. با توجه به ابعاد ماشین آلات کارخانجات و پیچیدگی فرآیندها، اپراتورهای تجهیزات و کارکنان تعمیر و نگهداری نیز نیاز به اطلاعات دقیقی دارند تا بتوانند به درستی نواقص شناسایی شده را تشخیص دهند. 

ما روش‌های داده کاوی را توسعه داده‌ایم که قادر به یادگیری بوده و "نگاشت خود سازمانده " نامیده می‌شوند و برای نیازهای خاص فناوری پردازشی طراحی شده‌اند.

در چه زمینه ای برنامه های شما در تولید یکپارچه با پردازش های پیوسته یا ناپیوسته متفاوت است؟

بر خلاف پردازش های پیوسته یا ناپیوسته ، تولید یکپارچه نیاز به ذخیره و ارزیابی وقایع یکپارچه در سیستم، مانند حالت سوئیچینگ دارد. اتوماسیون رو به رشد پردازش‌های تولید و استفاده گسترده از سنسورها باعث گردید حجمی از داده‌ها در فواصل کوتاه تر گرفته شود. با این حال، کاربران این مقدار داده را زیاد می‌دانند و به همین دلیل از آنها به اندازه کافی استفاده نمی‌کنند. علاوه بر این، ابزار تحلیلی هوشمند نیز به اندازه کافی وجود ندارد. 

این برنامه‌ها نتایج انتزاعی از داده‌ها را تهیه نموده و کاربران را در استفاده بهینه و بینش صحیح تر حمایت می کنند. ایده اصلی استفاده از روش های داده کاوی و آمار است.

برای این صنایع، ما از رویکرد مشابهی استفاده می کنیم که شامل یافتن مدل های استنتاجی از داده‌ها است، نه ایجاد آنها به صورت دستی. برای این منظور، از ماشین‌های ترکیبی، زمانبندی استفاده می‌کنیم که برای بخش‌های مختلف صنایع تولیدی مناسب بوده و برای یادگیری شرایط و مدل‌سازی رفتار ماشین‌آلات و تجهیزات به شدت ثابت شده‌اند.

آیا برنامه‌های شما برای دریافت و تحلیلگری داده های انرژی در تولید نیز مناسب است؟

روش‌هایمان، ما را قادر به تولید مدل‌هایی می نماید که اطلاعات قابل اطمینانی را در مورد پیش بینی مقدار مصرف انرژی ماشین آلات تولیدی ارائه دهند و به انتخاب روش های تولید انرژی کارا، کمک می شود. با استفاده از مثال محرک های یک سیستم جابجایی مواد، می توانیم ثابت کنیم که مصرف انرژی با تغییر نظارت و کنترل و الگوریتم کنترل کاهش می یابد. همچنین آشکار است که مشخصه های اصلی دریافت و عملیات حمل و نقل، قرار است باعث بهینه سازی مصرف انرژی شوند.

برای این منظور، یک مدل کامپیوتری از سیستم مورد نیاز است که جنبه های مربوط به انرژی و اتوماسیون را نشان دهد. برای مثال، این مدل می‌تواند با استفاده از روش یادگیری ماشین ایجاد شود. بر اساس این الگوریتم، الگوریتم های خود-سازمانده، وظایف برنامه نویسی PLC را به طور مکرر و در زمان واقعی انجام می‌دهند، با تنظیم مداوم وضعیت گردش کار محورهای محرک، از یکسو تضمین کننده ماموریت اصلی و از سوی دیگر کمک به رسیدن اهداف انرژی می‌کند. اینها نمونه‌هایی از سیستم‌های فنی هوشمند هستند که داده‌های بیشتری را برای پیش‌بینی ارائه می‌دهند.

موسسه شما دارای تخصص قابل توجهی در ثبت اطلاعات نوآورانه داده‌ها، تحلیلگری و ارزیابی است. زمینه‌های اصلی استفاده از این دانش چیست؟

ابتدا باید بگویم که، این‌ها فرآیندهای ترکیبی هستند. عملاً تفاوت بین پردازش پیوسته و تکنولوژی تولید یکپارچه، کمرنگ تر شده است. امروزه در صنعت، فرایندهای ترکیبی شامل مولفه‌هایی از هر دو زمینه کاربردی، به شدت مشاهده می‌شود. به همین دلیل، روش‌های ما می‌تواند در موارد خاص و مورد نیاز ترکیب شده و دقیقاً با توجه به نیازهای مشتریان طراحی شود.

علاوه بر رویه های فوق، ما بر روی روش‌ها و اجزای دیگری نیز کار می‌کنیم. ما داده‌هایی داریم که جهانی و سازگار با زمان واقعی بوده و می‌تواند در زمان دقیق اطلاعات پردازشی مشابه و دیجیتال را در یک سیستم اتوماسیون شبکه‌ی ناهمگن ضبط و آن را در یک پایگاه داده برای تحلیلگری‌های آتی ذخیره کند.

برای نظارت بر سیستم های پیچیده، وضعیت آنها را می توان با استفاده از روش های یادگیری ماشین درک نمود و پرهیز از تلاش اضافه مهندسان پردازش برای ایجاد مدل گردید. فن آوری های جدید یادگیری ماشین بدون ناظر، وضعیت طبیعی تجهیزات را از ابتدا و بدون نیاز به استفاده از دانش فنی تجهیزات به دست می‌آورد، مانند هنگام راه اندازی تجهیزات.

بر اساس مدل‌ها مشخص شد که امکان نظارت بر تجهیزات به صورت آنلاین و تشخیص سریع موارد عدم انطباق، امکان ردیابی دقیق آنها و نهایتاً حذف آنها وجود دارد. از این رو امکان دسترسی به ماشین آلات پر هزینه، به طور قابل توجهی افزایش خواهد یافت. تجسم بخشیدن نتایج حاصل نظارت بر تجهیزات، به عنوان مثال در یک پورتال تحت وب، قسمت دیگری است که ما می توانیم به صورت سفارشی برای مشتری ارائه دهیم. این سیستم‌ها باید به سیستم های مدیریت تعمیر و نگهداری مرتبط باشند که امکان پشتیبانی از سیستم را از سنسور تا پایگاه داده فراهم می‌کند.

برای کدامیک از برنامه‌هایتان، تجسم زنده از کارخانه آزمایشی را ارائه می دهید؟

در همکاری با  موسسه inIT دانشگاه علوم کاربردی OWL، ما از کارخانجات هوشمند خودمان برای مطالعه، آزمایش و نمایش راه‌حل های فناوری اطلاعات و ارتباطات در آینده در زمینه اتوماسیون استفاده می‌کنیم. در سایت‌های Karlsruhe  ،Lemgo و Ilmenau ما سیستم تولیدی انقلاب صنعتی چهارم را اجرا می‌کنیم که به عنوان یک محیط آزمایشی برای فناوری انقلاب صنعتی چهارم عمل می‌کند. به عنوان مثال، ما نظارت وضعیت را در همه مکان‌ها، از جمله تجسم در یک اتاق کنترل واقعی، آزمایش می‌کنیم. علاوه بر این، حتی امروز نیز امکان کنترل دقیق از راه دور و نگهداری سیستم‌های توزیع شده با استفاده از اینترنت و ارتباطات تلفن همراه وجود دارد.

از بابت زمانی که اختصاص دادید سپاسگزارم.

منبع : https://bit.ly/2yk9LB8