هوش مصنوعی چگونه اتوماسیون صنعتی را متحول می‌کند؟

بسیاری از تحلیلگران فناوری ادعا می‌کنند که الگوریتم‌های هوش مصنوعی به زودی جایگزین کنترل‌کننده‌های منطقی برنامه‌پذیر (PLC) در کف کارخانه‌ها خواهند شد. اما شواهد موجود در محیط‌های صنعتی این ادعا را کاملاً رد می‌کند. هوش مصنوعی قرار نیست جایگزین PLC شود؛ بلکه قرار است به عنوان یک لایه نظارتی عمل کند که به این سیستم‌های سنتی قدرت تحلیل و پیش‌بینی می‌بخشد. در واقع، آینده اتوماسیون صنعتی یک نبرد میان هوش مصنوعی و سیستم‌های کنترل سنتی نیست، بلکه تکاملی است که در آن این دو فناوری با یکدیگر ادغام می‌شوند.[4][5]

برای درک این تکامل، ابتدا باید مکانیسم کار سیستم‌های سنتی را بررسی کنیم. از اواخر دهه ۱۹۶۰ میلادی، PLCها به عنوان مغز متفکر اتوماسیون صنعتی عمل کرده‌اند. این کامپیوترهای مقاوم صنعتی بر اساس یک منطق قطعی کار می‌کنند؛ به این معنا که برنامه‌نویس کدی می‌نویسد که می‌گوید: «اگر سنسور الف فعال شد، موتور ب را روشن کن». این سیستم‌ها برای تصمیم‌گیری‌های آنی و حفظ ایمنی در محیط‌های خشن صنعتی بی‌نظیر هستند، اما نمی‌توانند از داده‌های گذشته درس بگیرند یا شرایط پیش‌بینی‌نشده را تحلیل کنند.[2][5]

همین محدودیت باعث شده تا استراتژی‌های نگهداری و تعمیرات در کارخانه‌ها تا حد زیادی ناکارآمد باقی بمانند. در سیستم‌های سنتی، تعمیرات یا به صورت واکنشی (پس از خرابی دستگاه) انجام می‌شود و یا بر اساس یک تقویم زمانی ثابت (مثلاً هر ۶ ماه یک‌بار یا پس از ۵۰۰۰ ساعت کارکرد) صورت می‌گیرد.

رویکرد تقویم‌محور اغلب منجر به تعویض قطعاتی می‌شود که هنوز سالم هستند، در حالی که رویکرد واکنشی می‌تواند به توقف‌های طولانی‌مدت و پرهزینه در خط تولید منجر شود. اینجاست که هوش مصنوعی وارد عمل می‌شود تا مکانیسم نگهداری را از اساس تغییر دهد.[1][3]

نگهداری و تعمیرات پیش‌بینانه (Predictive Maintenance) رویکردی است که به جای تکیه بر زمان‌بندی‌های ثابت، بر اساس وضعیت واقعی تجهیزات عمل می‌کند. در این سیستم، سنسورهای متصل به ماشین‌آلات، داده‌های لحظه‌ای را با فرکانس‌های بالا (معمولاً بین ۱۰۰ هرتز تا ۱۰ کیلوهرتز برای تحلیل ارتعاشات) جمع‌آوری کرده و به الگوریتم‌های یادگیری ماشین ارسال می‌کنند.

سازمان فضایی آمریکا (NASA) در تعریف این سیستم‌های هوشمند می‌نویسد: «سیستم مصنوعی که تحت شرایط متغیر و غیرقابل پیش‌بینی بدون نظارت قابل توجه انسان وظایفی را انجام می‌دهد، یا می‌تواند از تجربه بیاموزد و عملکرد خود را هنگام مواجهه با مجموعه داده‌ها بهبود بخشد.» هوش مصنوعی با استفاده از همین قابلیت، الگوهای پنهان و ناهنجاری‌های جزئی را که برای انسان قابل تشخیص نیستند، شناسایی می‌کند.[1][3][4]

به عنوان مثال، یک شیر کنترلی در یک کارخانه فرآیندی معمولاً می‌تواند بین ۱۰۰,۰۰۰ تا ۱,۰۰۰,۰۰۰ چرخه کامل را پیش از نیاز به بازسازی تحمل کند. یک الگوریتم هوش مصنوعی می‌تواند با بررسی تغییرات میکروسکوپی در ارتعاش یک موتور یا افزایش جزئی در دمای یک یاتاقان، پیش‌بینی کند که این قطعه در ۱۴ تا ۲۱ روز آینده از کار خواهد افتاد.

این آگاهی زودهنگام به تیم‌های مهندسی اجازه می‌دهد تا تعمیرات را دقیقاً در زمان مناسب انجام دهند. بر اساس گزارش‌های صنعتی، شرکت‌هایی که این سیستم‌ها را پیاده‌سازی کرده‌اند، کاهش ۱۸ تا ۳۱ درصدی در هزینه‌های نگهداری را تجربه کرده‌اند.[3][5]

اما چگونه این دو سیستم در کنار هم کار می‌کنند؟ در یک معماری مدرن صنعتی، PLC همچنان وظیفه کنترل مستقیم ماشین‌آلات را بر عهده دارد. این کنترل‌کننده است که دستورات روشن و خاموش شدن، قفل‌های ایمنی و تنظیمات سرعت را با دقتی در حد میلی‌ثانیه اجرا می‌کند. در همین حال، داده‌های جمع‌آوری‌شده توسط PLC به یک سیستم هوش مصنوعی ارسال می‌شود. هوش مصنوعی این داده‌ها را تحلیل کرده و توصیه‌های بهینه‌سازی یا هشدارهای خرابی را به اپراتورها یا مستقیماً به سیستم کنترل بازمی‌گرداند.[2][5]

این مدل ترکیبی مزایای امنیتی مهمی نیز دارد. از آنجا که مدل‌های یادگیری عمیق به صورت یک «جعبه سیاه» عمل می‌کنند و تصمیمات آن‌ها همیشه برای انسان قابل تفسیر نیست، سپردن کنترل مستقیم و ایمنی خط تولید به آن‌ها می‌تواند خطرناک باشد. PLC به عنوان یک سد ایمنی عمل می‌کند؛ اگر هوش مصنوعی دچار خطا شود یا هک شود، PLC می‌تواند دستورات غیرمنطقی را نادیده گرفته و سیستم را در حالت ایمن نگه دارد.[2][4][5]

با وجود تمام این پیشرفت‌ها، هنوز ناشناخته‌های مهمی در مسیر پذیرش گسترده این فناوری وجود دارد. ادغام سیستم‌های سنتی که دهه‌ها به صورت ایزوله کار می‌کردند با شبکه‌های متصل به اینترنت، چالش‌های امنیت سایبری پیچیده‌ای را به همراه دارد. علاوه بر این، پیاده‌سازی این سیستم‌های ترکیبی نیازمند سرمایه‌گذاری اولیه قابل توجه و تخصص‌های جدیدی است که بسیاری از کارخانه‌های کوچک و متوسط هنوز به آن دسترسی ندارند.

گام بعدی در این تکامل، توسعه استانداردهای جهانی برای ارتباط امن میان شبکه‌های ابری هوش مصنوعی و کنترل‌کننده‌های محلی است؛ استانداردهایی که تعیین خواهند کرد آیا کارخانه‌های کوچک نیز می‌توانند تا سال ۲۰۳۰ به این انقلاب صنعتی بپیوندند یا خیر.[1][3][5]