هوش مصنوعی، تعمیرات پیش‌بینانه را به قلب کارخانه‌های تولیدی آورد

خبرگزاری پپنا رصد جهانی پلیمر

تعمیرات پیش‌بینانه (Predictive Maintenance) که با کمک هوش مصنوعی، حسگرهای اینترنت اشیا (IoT) و تحلیل لحظه‌ای داده‌ها انجام می‌شود، به یکی از مهم‌ترین کاربردهای AI در صنعت تولید تبدیل شده است. این فناوری با پیش‌بینی خرابی تجهیزات پیش از وقوع، رویکرد سنتی تعمیرات واکنشی را به یک نظام هوشمند و پیشگیرانه تبدیل می‌کند و ضمن افزایش قابلیت اطمینان تجهیزات، هزینه‌های تعمیرات و توقف خطوط تولید را به‌طور قابل توجهی کاهش می‌دهد.

کوین کلارک، مدیر راهبرد صنعتی شرکت Brightly Software وابسته به زیمنس، در گفت‌وگو با PlasticsToday می‌گوید تعمیرات پیش‌بینانه در سال‌های اخیر با بهره‌گیری از هوش مصنوعی به بلوغ رسیده و اکنون می‌تواند الگوهای تغییر عملکرد تجهیزات را بسیار دقیق‌تر از گذشته تشخیص دهد. به گفته او، این فناوری با تحلیل مداوم داده‌های عملکردی ماشین‌آلات، زمان احتمالی خرابی را پیش‌بینی کرده و فرصت کافی برای انجام تعمیرات برنامه‌ریزی‌شده فراهم می‌کند.

بر اساس توضیحات IBM، تعمیرات پیش‌بینانه مبتنی بر هوش مصنوعی با استفاده از داده‌های لحظه‌ای، زمان مناسب برای مداخله در عملکرد ماشین‌آلات را پیش‌بینی می‌کند. این روش با اتکا به حسگرهای اینترنت اشیا و تحلیل پیشرفته داده‌ها، تعمیرات دوره‌ای مبتنی بر تقویم را به فرآیندی مبتنی بر وضعیت واقعی تجهیزات تبدیل می‌کند. هدف اصلی این فناوری، افزایش طول عمر دارایی‌ها، کاهش هزینه‌های تعمیر و جلوگیری از توقف‌های ناگهانی و پرهزینه خطوط تولید است.

استفاده بیشتر برای تجهیزات حیاتی

کلارک می‌گوید در اغلب کارخانه‌ها تنها حدود ۱۰ تا ۲۰ درصد تجهیزات تحت پوشش سامانه‌های تعمیرات پیش‌بینانه قرار دارند. این فناوری معمولاً برای ماشین‌آلاتی به‌کار گرفته می‌شود که خرابی آن‌ها هزینه توقف تولید بالایی ایجاد می‌کند یا تهیه قطعات یدکی آن‌ها زمان‌بر است.

در صنایع پلاستیک، موتورهای الکتریکی، پمپ‌ها، اسپیندل‌ها و سایر تجهیزات دوار بیشترین استفاده را از این فناوری دارند.

به گفته وی، تعمیرات پیش‌بینانه جایگزین اصول صحیح نگهداری و تعمیرات نیست، بلکه ابزار تکمیلی در کنار روش‌های استاندارد نگهداری محسوب می‌شود.

تفاوت تعمیرات پیشگیرانه و پیش‌بینانه

در تعمیرات پیشگیرانه (Preventive Maintenance)، برنامه سرویس تجهیزات بر اساس توصیه سازنده ماشین، سوابق عملکرد و بازه‌های زمانی مشخص انجام می‌شود. اما در تعمیرات پیش‌بینانه، تصمیم‌گیری بر پایه وضعیت واقعی تجهیزات و تحلیل داده‌های عملکردی صورت می‌گیرد.

در بسیاری از ماشین‌های تزریق پلاستیک، سامانه‌های پایش وضعیت (Condition Monitoring) به‌طور مداوم پارامترهایی مانند لرزش، دما و الگوهای عملکرد را بررسی می‌کنند. هرگونه تغییر غیرعادی در این شاخص‌ها می‌تواند هشداری برای بروز خرابی قریب‌الوقوع باشد و تیم تعمیرات پیش از توقف دستگاه وارد عمل شود.

مهم‌ترین مانع؛ نیروی انسانی، نه فناوری

کلارک معتقد است بزرگ‌ترین چالش پیاده‌سازی تعمیرات پیش‌بینانه، فناوری نیست بلکه آمادگی سازمان و نیروی انسانی است.

به گفته او، سرعت پیشرفت فناوری بسیار بیشتر از سرعت تطبیق فرهنگ سازمانی کارخانه‌ها با این فناوری‌هاست. ممکن است یک سامانه هوش مصنوعی در دو کارخانه مشابه نصب شود اما نتایج کاملاً متفاوتی ایجاد کند؛ زیرا میزان پذیرش فناوری، آموزش کارکنان و نحوه استفاده از اطلاعات تولیدشده در هر مجموعه متفاوت است.

وی تأکید می‌کند بسیاری از کارخانه‌ها با راه‌اندازی ماشین‌آلات جدید مانند دستگاه‌های تزریق، CNC یا نوار نقاله آشنا هستند، اما هنگام ورود فناوری‌های مبتنی بر هوش مصنوعی هنوز با ابهامات و مقاومت‌های بیشتری روبه‌رو می‌شوند.

پیش‌نیاز موفقیت؛ اصلاح ساختار نگهداری و تعمیرات

به اعتقاد کلارک، کارخانه‌ای که هنوز در اجرای تعمیرات پایه و نگهداری صحیح تجهیزات عملکرد ضعیفی دارد، صرفاً با نصب سامانه‌های پیش‌بینانه به موفقیت نخواهد رسید.

او می‌گوید سازمان‌ها علاوه بر آموزش کارکنان، باید ساختار برنامه‌ریزی تعمیرات، فرآیندهای کاری و شیوه مدیریت تعمیرات را نیز متناسب با این فناوری بازطراحی کنند تا بتوانند از مزایای واقعی آن بهره‌مند شوند.

از هشدار خرابی تا صدور خودکار دستور کار

امروزه سامانه‌های تعمیرات پیش‌بینانه می‌توانند به‌صورت مستقل فعالیت کنند یا مستقیماً به نرم‌افزارهای مدیریت نگهداری و تعمیرات (CMMS) متصل شوند.

در ساده‌ترین سطح، سیستم تنها هشدارهایی مانند افزایش دمای موتور یا تغییر غیرعادی لرزش تجهیزات را برای تکنسین ارسال می‌کند تا قبل از وقوع خرابی بررسی لازم انجام شود.

در سطح پیشرفته‌تر، سامانه علاوه بر تشخیص نوع خرابی، به‌طور خودکار دستور کار تعمیر (Work Order) صادر کرده و حتی پیشنهاد می‌دهد کدام قطعه باید بررسی یا تعویض شود؛ برای مثال یاتاقان، موتور یا پمپ.

گام بعدی؛ تعمیرات تجویزی

پس از تعمیرات پیش‌بینانه، نسل جدیدی از فناوری با عنوان تعمیرات تجویزی (Prescriptive Maintenance) در حال توسعه است.

در این روش، هوش مصنوعی تنها خرابی احتمالی را پیش‌بینی نمی‌کند، بلکه بهترین راهکار رفع مشکل را نیز پیشنهاد می‌دهد؛ از تشخیص قطعه معیوب گرفته تا ارائه دستورالعمل تعمیر و ترتیب انجام عملیات.

اگرچه برخی راهکارهای تعمیرات تجویزی هم‌اکنون وارد بازار شده‌اند، اما به گفته کلارک این فناوری هنوز به بلوغ کامل تعمیرات پیش‌بینانه نرسیده و انتظار می‌رود در سال‌های آینده با توسعه هوش مصنوعی کاربرد گسترده‌تری در صنایع، از جمله صنعت پلاستیک، پیدا کند.