پمپی که بدون هشدار از کار میافتد و کل خط را متوقف میکند؛ هزاران نقطهجوش یک بدنه که فقط نمونهای از آنها بازرسی میشوند و ایرادشان میان نمونههای سالم باقی میماند. مشکلات روزمره هر کارخانه اغلب از همین جنساند. کاربرد هوش مصنوعی در کارخانه و خطوط تولید دقیقاً در همین نقطهها معنا پیدا میکند؛ جایی که داده دستگاهها و دوربینها وجود دارد، اما انسان فرصت بررسی همه آنها را ندارد.
امروزه هوش مصنوعی در کارخانه به ابزاری برای شناسایی خطاها، پیشبینی خرابی تجهیزات و بهینهسازی فرایندهای صنعتی تبدیل شده است. این فناوری با تحلیل دادههای تولید، به مدیران و اپراتورها کمک میکند تصمیمهای دقیقتری بگیرند و عملکرد تجهیزات را بهتر مدیریت کنند. به همین دلیل، هوشمندسازی کارخانه دیگر صرفاً به معنای استفاده از رباتهای پیشرفته نیست؛ بلکه شامل مجموعهای از فناوریها برای بهبود تمام مراحل تولید میشود.
در این مقاله هفت کاربرد عملی و مهم هوش مصنوعی در خطوط تولید را با نمونههای واقعی و منبعدار مرور میکنیم؛ از بازرسی کیفیت تا پایش تولید. هرجا شواهد کافی نباشد، صریح به آن اشاره میکنیم و عددی را بدون منبع معتبر معرفی نمیکنیم.
هوش مصنوعی چگونه فرایند تولید در کارخانه را تغییر میدهد؟
هر کارخانه از سه مسیر اصلی داده تولید میکند: حسگرهای دستگاهها، تصاویر دوربینها و اطلاعات ثبتشده در فرایند تولید. هوش مصنوعی در فرایند تولید این دادهها را با الگوهای گذشته مقایسه میکند و سه وظیفه مهم بر عهده میگیرد: تشخیص، پیشبینی و بهینهسازی.
برای مثال، سیستم تشخیص بررسی میکند که آیا قطعهای معیوب است یا خیر. سیستم پیشبینی احتمال خرابی یک دستگاه را ارزیابی میکند و سیستم بهینهسازی پیشنهاد میدهد کدام ترتیب تولید بازده بیشتری دارد. خروجی این فرایند معمولاً هشدار یا پیشنهاد برای اپراتور است و تصمیم نهایی میتواند همچنان با نیروی انسانی باشد.
برای درک بهتر مفهوم تولید هوشمند باید آن را از اتوماسیون سنتی جدا کرد. در اتوماسیون ثابت، دستگاه معمولاً دستورالعمل مشخصی را تکرار میکند. اما سیستمهای مبتنی بر هوش مصنوعی میتوانند الگوهای جدید را از دادهها یاد بگیرند و با تغییر شرایط، پیشبینیها و پیشنهادهای خود را بهروز کنند.
در واقع، کارخانه هوشمند محیطی است که تجهیزات، حسگرها و نرمافزارهای تحلیل داده در آن با یکدیگر ارتباط دارند. این ارتباط باعث میشود اطلاعات تولید به تصمیمهای عملیاتی تبدیل شوند. بنابراین وقتی درباره این سؤال صحبت میکنیم که کارخانه هوشمند چیست، منظور فقط یک کارخانه مجهز به ماشینآلات خودکار نیست؛ بلکه مجموعهای یکپارچه از تجهیزات و سامانههای دادهمحور است.
مهمترین کاربردهای هوش مصنوعی در کارخانهها
کاربرد هوش مصنوعی در صنایع تولیدی به نوع محصول، تجهیزات و نیازهای عملیاتی هر مجموعه بستگی دارد. بااینحال، برخی کاربردها مانند کنترل کیفیت، نگهداری پیشبینانه و بهینهسازی تولید در نمونههای صنعتی مستند بیشتری دارند.
۱. کنترل کیفیت محصولات با هوش مصنوعی
بازرسی دستی محصولات معمولاً بهصورت نمونهبرداری انجام میشود و خستگی نیروی انسانی نیز میتواند دقت آن را کاهش دهد. کنترل کیفیت هوشمند با استفاده از بینایی ماشین، تصاویر محصولات را بررسی و آنها را با الگوهای استاندارد مقایسه میکند. این سیستم میتواند ایرادهای ظاهری و برخی نقصهای ابعادی را شناسایی کند و وابستگی فرایند بازرسی به بررسی دستی را کاهش دهد.
بر اساس بیانیه Audi در سال ۲۰۲۳، در کارخانه Neckarsulm این شرکت حدود ۱٫۵ میلیون نقطهجوش روی ۳۰۰ خودرو در هر شیفت با الگوریتم بررسی میشود. پیش از این، از حدود ۵۰۰۰ جوش هر خودرو فقط نمونهای با روش اولتراسوند کنترل میشد .Audi عدد مشخصی درباره دقت الگوریتم منتشر نکرده است.
BMW نیز در بیانیه سال ۲۰۱۹ اعلام کرد مدلهای تشخیص تصویر خود را با حدود ۱۰۰ تصویر و معمولاً طی یک شب آموزش میدهد. در کارخانه Dingolfing، این فناوری به حذف خطاهای کاذب ناشی از عواملی مانند غبار و روغن کمک کرده است؛ عواملی که ممکن بود بهاشتباه ترک تشخیص داده شوند.
این نمونهها نشان میدهند هوش مصنوعی در خطوط تولید میتواند بازرسی محصولات را سریعتر و منظمتر کند؛ هرچند میزان موفقیت آن به کیفیت تصاویر، دادههای آموزشی و شرایط واقعی محیط کارخانه بستگی دارد.
۲. رباتهای هوشمند در خطوط تولید
ربات صنعتی معمولی معمولاً مسیر ثابتی را تکرار میکند و ممکن است با جابهجایی قطعه یا تغییر شرایط محیط دچار مشکل شود. در مقابل، رباتهای هوشمند صنعتی با کمک دوربین، حسگر و مدلهای یادگیری ماشین میتوانند محیط اطراف را تحلیل کنند و عملکرد خود را با شرایط جدید تطبیق دهند.
نمونه تازه این فناوری، ربات انساننمای Figure در کارخانه BMW در Spartanburg است. بر اساس گزارش رسانهای از بیانیه BMW، ربات Figure 02 حدود یک سال در بخش بدنهسازی و در قالب یک پروژه آزمایشی (Pilot) فعالیت کرد. همچنین Figure 03 وظیفهای لجستیکی را آزمایش میکند: برداشتن قطعات نامرتب از کانتینر و چیدن آنها در ترولی.
برای این وظیفه جدید هنوز نتیجه کمی منتشر نشده و نمیتوان آن را نمونهای از استقرار گسترده رباتهای انساننما در کارخانه دانست. هنگام ارزیابی چنین پروژههایی باید بررسی کرد ربات چه وظیفهای را بهصورت مستقل انجام میدهد و نرخ خطای آن چقدر است؛ زیرا بیانیههای شرکتها معمولاً این جزئیات را منتشر نمیکنند.
۳. پیشبینی خرابی دستگاهها و تجهیزات
در روش تعمیر واکنشی، دستگاه پس از خرابی تعمیر میشود. در تعمیر دورهای نیز سرویس تجهیزات بر اساس یک برنامه زمانی مشخص انجام میگیرد. اما نگهداری و تعمیرات پیشبینانه بهجای اتکا به تقویم، وضعیت واقعی دستگاه را بررسی میکند.
در این روش، مدلهای هوش مصنوعی دادههایی مانند ارتعاش، دما و جریان تجهیزات را تحلیل میکنند تا نشانههای اولیه خرابی را شناسایی کنند. از آنجا که دادههای مربوط به خرابی واقعی معمولاً محدود هستند، برخی مدلها ابتدا رفتار عادی دستگاه را یاد میگیرند و سپس انحراف از آن را بهعنوان هشدار گزارش میدهند.
بر اساس بیانیه C3 AI در سال ۲۰۲۲، شرکت Shell هفتهای حدود ۲۰ میلیارد ردیف داده وارد سیستم میکند و حدود ۱۱ هزار مدل این مجموعه بیش از ۱۵ میلیون پیشبینی روزانه تولید میکنند.
در مقیاسی کوچکتر، Siemens در سال ۲۰۲۵ از اجرای پایلوت Senseye در کارخانه لبنیات Sachsenmilch خبر داد. این سیستم با کمک حسگرهای ارتعاش توانست نشانههای خرابی یک پمپ را زودتر شناسایی کند. شرکت BlueScope نیز بر اساس صفحه بدون تاریخ Siemens، از جلوگیری از ۱۹۵۰ ساعت توقف و ۵۳ مورد توقف تجهیزات خبر داده است.
این نمونهها نشان میدهند پیشبینی خرابی تجهیزات یکی از کاربردهای مهم هوش مصنوعی در کارخانه است؛ بهویژه در محیطهایی که خرابی یک دستگاه میتواند هزینه زیادی ایجاد کند یا کل خط تولید را متوقف سازد.
۴. بهینهسازی فرایند و زمانبندی تولید
برنامهریزی تولید به معنای تعیین ترتیب سفارشها و تخصیص آنها به دستگاههاست. ظرفیت ماشینآلات، موجودی مواد اولیه، زمان تحویل و توقفهای احتمالی از متغیرهایی هستند که باید همزمان در نظر گرفته شوند.
بهینهسازی خط تولید با استفاده از یادگیری ماشین و روشهای بهینهسازی ریاضی، میتواند گلوگاههای عملیاتی را شناسایی کند و ترتیب مناسبتری برای تولید پیشنهاد دهد. به این ترتیب، مدیران کارخانه میتوانند از ظرفیت تجهیزات بهتر استفاده کنند و زمان انتظار میان مراحل مختلف تولید را کاهش دهند.
برای مثال، بهینهساز C3 AI بیش از ۳۰۰ متغیر را بهصورت همزمان در نظر میگیرد. بر اساس ادعای این شرکت درباره یک کارخانه فولاد با مشتری ناشناس، زمان برنامهریزی تولید از پنج تا هفت روز به یک ساعت کاهش یافته و میزان تولید ماشین ریختهگری در یک سال حدود یک درصد افزایش پیدا کرده است.
BMW و NVIDIA نیز در سال ۲۰۲۱ از همکاری برای استفاده از شبیهسازی مجازی در برنامهریزی کارخانه خبر دادند. در این پروژه از فناوری Omniverse برای شبیهسازی و بررسی فرایندهای کارخانه استفاده شده است، اما نتیجه کمی مشخصی برای آن منتشر نشده است.
۵. مدیریت موجودی و انبارداری هوشمند
یکی دیگر از حوزههای هوشمندسازی کارخانه، مدیریت موجودی مواد اولیه و محصولات آماده است. سیستمهای هوشمند میتوانند با تحلیل اطلاعات سفارشها و سوابق مصرف، به پیشبینی تقاضا و برنامهریزی تأمین مواد کمک کنند.
در کنار این قابلیتها، پردازش تصویر و حسگرها نیز برای شناسایی کالاها، بررسی وضعیت کانتینرها و ردیابی جابهجایی محصولات استفاده میشوند. هدف این کاربردها کاهش خطاهای انبارداری و هماهنگی بهتر میان موجودی انبار و نیاز خط تولید است.
بااینحال، برای این حوزه نتیجه کمی قابلاتکایی که در منبع رسمی شرکت قابل راستیآزمایی باشد پیدا نکردیم. نمونه مستند BMW Steyr در بیانیه سال ۲۰۱۹، یک ایستگاه دوربین را معرفی میکند که تشخیص میدهد کانتینر به مهار و بستن نیاز دارد یا خیر.
این نمونه بیشتر به کنترل لجستیک مربوط است و نتیجه کمی مشخصی ندارد. بنابراین مدیریت هوشمند موجودی ظرفیت قابلتوجهی برای استفاده از هوش مصنوعی دارد، اما نباید همه ادعاهای مطرحشده درباره اثربخشی آن را نتیجهای اثباتشده در کارخانههای واقعی دانست.
۶. کاهش مصرف انرژی در کارخانهها
مصرف انرژی یکی از هزینههای مهم در بسیاری از صنایع تولیدی است. ماشینآلات، سیستمهای سرمایشی و گرمایشی، تجهیزات فشردهسازی و خطوط تولید، همگی در مصرف برق و سوخت کارخانه نقش دارند.
مدلهای هوشمند میتوانند الگوی مصرف انرژی را در کنار شرایط فرایند و برنامه تولید تحلیل کنند. این سیستمها معمولاً سه وظیفه اصلی دارند: پیشبینی مصرف، شناسایی ناهنجاریها و پیشنهاد زمانبندی مناسب برای کاهش اوج مصرف.
برای مثال، الگوریتم میتواند افزایش غیرعادی مصرف یک دستگاه را شناسایی کند یا نشان دهد کدام بخش از فرایند نسبت به شرایط تولید انرژی بیشتری مصرف میکند.
Siemens ابزارهایی مانند SIMATIC Energy Management را در پلتفرم Insights Hub عرضه میکند. این راهکارها برای پایش و تحلیل دادههای انرژی در محیط صنعتی طراحی شدهاند. بااینحال، برخی فروشندگان نتایج مالی قابلتوجهی منتشر کردهاند که مشتری آنها ناشناس است و ارزیابی مستقلی برای تأیید اعداد وجود ندارد. به همین دلیل، در این بخش عددی برای میزان صرفهجویی اعلام نمیکنیم.
۷. تحلیل دادهها و نظارت هوشمند بر تولید
وقتی اطلاعات چند خط تولید یا چند کارخانه در یک پلتفرم مشترک جمعآوری شود، مدیران میتوانند وضعیت عملکرد تجهیزات، میزان تولید و مشکلات عملیاتی را بهتر بررسی کنند. این موضوع یکی از جنبههای مهم تحول دیجیتال در صنعت است.
در بسیاری از کارخانهها، دادهها میان سیستمهای جداگانه مانند نرمافزارهای برنامهریزی تولید، سامانههای نگهداری تجهیزات و سیستمهای کنترل صنعتی پراکندهاند. یکپارچهسازی این دادهها امکان تحلیل دقیقتر و شناسایی سریعتر مشکلات را فراهم میکند.
بر اساس بیانیه Mercedes-Benz و Microsoft در سال ۲۰۲۲، پلتفرم MO360 مبتنی بر Azure دادههای حدود ۳۰ کارخانه خودروسازی را یکپارچه میکند. این پلتفرم همچنین ابزاری برای پایش مصرف انرژی، کربن و آب دارد.
به گفته شرکت، در Factory 56 جلسات روزانه ۳۰ درصد کوتاهتر شده و زمان تعیین کارهای اولویتدار از حداکثر چهار ساعت به دو دقیقه رسیده است.
Siemens Insights Hub نیز ماژولهایی برای پایش عملکرد تجهیزات و شاخص OEE یا بهرهوری کلی تجهیزات دارد، اما نتیجه کمی مشخصی از یک مشتری در صفحه معرفی این محصول منتشر نشده است.
در مجموع، نقش AI در تولید صنعتی فقط به کنترل یک دستگاه یا شناسایی یک قطعه معیوب محدود نمیشود. تحلیل یکپارچه دادهها میتواند دید گستردهتری از وضعیت کل کارخانه ایجاد کند و تصمیمگیری عملیاتی را بهبود دهد.
چه فناوریهایی در کارخانههای هوشمند استفاده میشوند؟
کاربردهای مختلف هوش مصنوعی در کارخانه بر پایه فناوریهایی شکل میگیرند که هرکدام وظیفه مشخصی دارند. ترکیب این فناوریها زیرساخت لازم برای تولید هوشمند و ارتباط میان تجهیزات و سامانههای مدیریتی را فراهم میکند.
• یادگیری ماشین :(Machine Learning) برای پیشبینی خرابی، تحلیل دادههای تولید، زمانبندی سفارشها و بررسی مصرف انرژی استفاده میشود.
• بینایی ماشین:(Computer Vision) تصاویر قطعات، جوشها و محصولات را بررسی میکند و در کنترل کیفیت و تشخیص عیب کاربرد دارد.
• اینترنت اشیای صنعتی :(IIoT)حسگرهای متصل به ماشینآلات را برای جمعآوری دادههایی مانند ارتعاش، دما و میزان مصرف به کار میگیرد.
• یادگیری عمیق:(Deep Learning) برای شناسایی الگوهای پیچیده در تصاویر و سیگنالهای صنعتی استفاده میشود.
• رباتیک هوشمند: امکان شناسایی محیط، تشخیص موقعیت قطعات و انجام وظایف متغیر را برای رباتهای صنعتی فراهم میکند.
• دوقلوی دیجیتال :(Digital Twin)مدلی مجازی از تجهیزات یا کارخانه ایجاد میکند تا بتوان شرایط مختلف تولید و چیدمان تجهیزات را شبیهسازی کرد.
نرمافزارها و نمونههای واقعی هوش مصنوعی در کارخانهها
نمونههای معرفیشده نشان میدهند شرکتهای صنعتی از راهکارهای متفاوتی برای هوشمندسازی فرایندها استفاده میکنند. جدول زیر این نمونهها را بر اساس نوع کاربرد، نتیجه گزارششده و اعتبار منبع مقایسه میکند.
|
شرکت یا محصول |
صنعت |
کاربرد |
نتیجه گزارششده |
قدرت شواهد |
|
Audi (Neckarsulm) |
خودروسازی |
کنترل کیفیت نقطهجوش |
بررسی حدود ۱٫۵ میلیون جوش در هر شیفت؛ بدون عدد دقت |
ادعای شرکت |
|
BMW Group (Dingolfing و Steyr) |
خودروسازی |
بازرسی تصویری و کنترل لجستیک |
آموزش با حدود ۱۰۰ تصویر؛ بدون عدد نتیجه |
ادعای شرکت |
|
BMW و Figure |
خودروسازی |
ربات انساننما |
پروژه آزمایشی؛ بدون نتیجه کمی |
گزارش رسانهای از بیانیه شرکت |
|
Shell با C3 AI Reliability |
نفت و گاز |
نگهداری پیشبینانه |
حدود ۱۱ هزار مدل و بیش از ۱۵ میلیون پیشبینی روزانه در سال ۲۰۲۲ |
ادعای فروشنده |
|
Siemens Senseye (Sachsenmilch) |
صنایع لبنی |
نگهداری پیشبینانه |
اجرای پایلوت و تشخیص زودهنگام خرابی پمپ |
ادعای شرکت |
|
Siemens با BlueScope |
فولاد |
نگهداری پیشبینانه |
جلوگیری از ۱۹۵۰ ساعت توقف و ۵۳ توقف |
ادعای شرکت |
|
C3 AI Production Schedule Optimization |
فولاد، مشتری ناشناس |
زمانبندی تولید |
کاهش زمان برنامهریزی از ۵ تا ۷ روز به یک ساعت و حدود یک درصد افزایش تولید |
ادعای فروشنده |
|
BMW با NVIDIA Omniverse |
خودروسازی |
شبیهسازی کارخانه |
بدون نتیجه کمی منتشرشده |
ادعای شرکت |
|
Mercedes-Benz MO360 |
خودروسازی |
پایش و تحلیل داده |
۳۰ درصد کاهش زمان جلسات روزانه و کاهش زمان تعیین اولویتها از چهار ساعت به دو دقیقه |
ادعای شرکت |
|
Siemens Insights Hub |
چندصنعتی |
پایش، OEE و انرژی |
نتیجه کمی مشخصی از مشتری منتشر نشده است |
مستندات محصول |
جمعبندی
کاربرد هوش مصنوعی در کارخانه و خطوط تولید به یک ابزار یا نرمافزار خاص محدود نمیشود؛ بلکه مجموعهای از فناوریها و روشهای تحلیل داده را در بر میگیرد که هرکدام بخشی از مشکلات عملیاتی را هدف قرار میدهند.
کنترل کیفیت هوشمند و نگهداری پیشبینانه از کاربردهایی هستند که نمونههای صنعتی بیشتری از آنها مستند شده است؛ هرچند بخش زیادی از نتایج منتشرشده همچنان ادعای شرکتهاست. رباتهای انساننما نیز هنوز در بسیاری از کاربردها در مرحله آزمایش قرار دارند. درباره مدیریت موجودی و کاهش مصرف انرژی هم نمونههای قابلاستناد با نتایج کمی مستقل محدودتر هستند.
در نهایت، هوشمندسازی کارخانه باید از یک مسئله مشخص و قابلاندازهگیری آغاز شود. نوع تجهیزات، کیفیت دادههای موجود، هزینه پیادهسازی و نیازهای عملیاتی تعیین میکنند که کدام راهکار مناسبتر است.