![بازدید سرزده پزشکیان از یک سازمان دولتی/ گله رئیسجمهوری از وضعیت این پروژهها بازدید سرزده پزشکیان از یک سازمان دولتی/ گله رئیسجمهوری از وضعیت این پروژهها](/files/fa/news/1403/6/1/558452_834.jpg)
به گزارش میمتالز، هوش مصنوعی با وجود اینکه یک راهحل نسبتاً جدید در فناوری است، جایگاه خود را در مشاغل مختلف باز کرده است. از تجارت الکترونیک، خردهفروشی، تا خدمات مشتری و تبلیغات، هوش مصنوعی به توسعه راهحلهای ارزشمند برای بسیاری از شرکتها کمک میکند.
با هدایت سیستمهای مبتنی بر دانش که خود را از دادههای ورودی تغذیه میکنند، به کسبوکارهای تولیدی کمک میکند تا مدلهای کاری پایدارتری توسعه دهند و در عین حال بهرهوری و کیفیت محصولات تحویلشده را افزایش دهند.
امروز قصد داریم نگاهی به راههای پیادهسازی هوش مصنوعی در صنعت فولاد و فلزات بیندازیم. هوش مصنوعی ماهیت پیچیدهای دارد، هر یک از فرآیندهای آن مقدار شگفتانگیزی از داده را تولید میکند که در صورت مدیریت صحیح، بینش مفیدی را ارائه میدهد. دادهها در درجه اول از بسیاری از حسگرهای میدانی اتوماسیون کارخانه از طریق زنجیره تامین جمعآوری میشوند. در مجموع حاوی اطلاعاتی است که تمام فعالیتهای تولید را تغذیه میکند.
صنعت فولاد و آهنآلات به عنوان اولین پذیرنده فناوریهای هوش مصنوعی، همه صنایع سنگین را در بهبود پایداری و رقابت در بازار مدیریت میکند. این شبیه یک زمینه عالی برای رویکرد مبتنی بر اکتشاف و بهرهبرداری داده است.
صنایع فولاد با فرآیندهای پیچیده و چند فیزیک سروکار دارند که در آن بسیاری از متغیرها و همبستگیها بهطور کامل درک نشدهاند. علاوه بر این، شرایط محیطی نقش مهمی در این فرآیند ایفا میکنند و تمایل به تغییر در طول زمان دارند.
صنایع فولاد با موانع زیادی در فرآیند تولید روبهرو هستند. اول از همه، فرآیندهای تصمیمگیری اغلب بهوسیله اپراتورهای انسانی انجام میشود. یک اپراتور باید قبل از ورود به فرآیند تولید، یک فرآیند آموزشی کامل را طی کند؛ و نهتنها این، آنها معمولاً نیاز به رفتوآمد دور از نقاط گروه دارند، که روند انتخاب تیم را تشدید میکند.
در حالی که از هوش مصنوعی در صنایع فولاد استفاده میشود، بسیاری از فرآیندها را میتوان از راه دور از طریق فرآیندهای شخصیسازیشده با راهحلهای هوش مصنوعی و یادگیری ماشین انجام داد.
در زمینه فرآیندها، دادهها نقش مهمی را ایفا میکنند و اغلب در فواصل زمانی منظم تغییر میکنند. با مواردی مانند یک بیماری همهگیر جهانی، ظرفیتهای تولید میتواند کاهش یابد، که میتواند به کاهش دادههای تولیدشده در طول زمان منجر شود.
با سیستمهای حسگر که میتوانند انحرافات را در دادههای آموزش دادهشده در رویدادهای تاریخی شناسایی کنند، هوش مصنوعی میتواند به ایجاد ترتیبات و اصلاح فرآیند بهگونهای کمک کند که خطاها تکرار نشوند.
برخلاف انسانها، ماشینها فقط اجرای فعالیتهای رایج را نمیآموزند، بلکه میتوانند الگوها را نیز بیاموزند. با استفاده از دادههای با ابعاد بالا که مغز انسان نمیتواند تصور کند، سودمندی هوش مصنوعی در صنعت فولاد آشکار است.
نهتنها، هوش مصنوعی قادر به درک اطلاعات بیشتر از یک انسان است، بلکه میتواند اقدامات بسیار خطرناکی را که معمولاً بهوسیله اپراتورها انجام میشود، انجام دهد. با حذف اپراتورها از موقعیتهای مخاطرهآمیز، این فرصت به آنها داده میشود تا روی وظایفی با ارزش افزوده بیشتر کار کنند.
هوش مصنوعی و یادگیری ماشین در زمینههای مختلف مهندسی منتشر شده است. برخی از نمونههای ادبیات حتی تکنیکهای ML مبتنی بر داده را برای پیشبینی مکانیسمهای تغییر شکل ثانویه در تولید فولاد نشان میدهند.
برخی از نمونههای دیگر شامل الگوهای مبتنی بر داده برای پیشبینی دمای نوار در فرآیندهای گرمایش خط، تشخیص عیوب انحراف دمای خنککننده، و همچنین طبقهبندی عیوب سطح فولاد است.
معایب کاربرد هوش مصنوعی در صنایع فولاد، آهنآلات و فلزات به دلیل جدید بودن این فناوری هنوز در حال کشف است و مطمئناً در آینده راهکارهای جایگزین برای بهبود عملکرد ارائه خواهد شد.
یک نمونه؛ یک تولیدکننده فولاد آمریکای جنوبی، در فرآیند تولید کلاف فولادی خود با مشکلات کیفی مداوم مواجه بود. تمام فرآیندهای سنتی که آنها اجرا کردهاند به نتیجه مطلوب منتج نشدهاند.
این نقص شامل تغییر شکلهای دائمی سطح سیمپیچ به صورت خراشهای کوچک متعدد در جهت غلتش سیمپیچ بود. به منظور جلوگیری از این تغییر شکلها، شناسایی علت اصلی که منجر به این عیوب شده است مهم بود.
در حالی که بهطور فزایندهای با سرعت کنترلنشده اتفاق میافتاد، ریشه این نقصها ناشناخته بود. متاسفانه این مشکل به کاهش قابل توجه فروش و هزینههای اضافی پردازش مجدد و حمل ضایعات منجر شد.
برای حل این مشکل، دادههای کیفیت و تولید از منابع مختلف جمعآوری و ادغام شد. دانشمندان با کمک اپراتورهای محلی، سه منبع داده اصلی را در داخل دادههای تولید شناسایی کردند. این منابع دادههای تلهمتری، ترکیب شیمیایی و بازرسی کیفیت بودند.
با تمرکز بر آن سه مجموعه داده، فرضیههایی بر اساس الگوریتمهای تشخیص الگو و تشخیص ناهنجاری ساخته شد.
مشکل اصلی در هفت ثانیه اول فرآیند پیدا شد. ترکیبی از موقعیت گیره غلتکی داغ، نیروی خمشی و سرعت کویل باعث ایجاد این خراشهای کوچک شده است.
از آنجا که غلتک پینچ در زمانی که قرار بود بهطور کامل بازنشسته نشده بود، نقصهای تولید ایجاد شد. اما با کمک الگوهای یادگیری ماشینی، نرخ پردازش مجدد کاهش یافته و نرخ نقص تا ۲۵ درصد کاهش یافته است.
مفهوم کلیدی هوش مصنوعی و ML در توانایی آن در استخراج دانش از دادهها نهفته است. در حالی که رایانههای قدیمی قادر به انجام این اقدامات نبودند، اکنون ماشینها میتوانند کارهای مورد نظر را در صنایع مختلف یاد بگیرند و انجام دهند.
الگوهای موجود در دادهها بسیار پیچیدهتر از آن هستند که توسط انسان به راحتی شناسایی شوند. با استفاده از هوش مصنوعی در صنعت فولاد، هزینههای عملیاتی کاهش مییابد، کیفیت محصول افزایش مییابد و درآمد دائماً در حال افزایش است.
فناوریهای دیجیتال همچنین میتوانند الگوهای موجود را که رویدادها را با استخراج اطلاعات و الگوهای ثبتشده از قبل تخمینزده و پیشبینی میکنند، بهبود بخشند.
از آنجا که چهارچوبهای AI و یادگیری ماشین عمیقاً در سیستمهای اتوماسیون ادغام میشوند، صنایع اکنون میتوانند آنها را در فرآیندهای تولید خود پیادهسازی کنند، بنابراین هوش مصنوعی در صنعت فولاد جایگاه مهمی را به خود اختصاص میدهد.
با این حال، صنعت فولاد از نظر اتوماسیون و فناوری اطلاعات الزامات بسیار خاصی دارد. بنابراین، اجرای هوش مصنوعی را با چالشهایی مواجه میکند و گسترش آن را محدود میکند.
سیستمهای اتوماسیون صنعتی تعداد زیادی از اجزای پیچیده در تولید دارند. بنابراین، استخراج دانش از دادهها نقشی اساسی در تبدیل کارخانههای صنعتی به کارخانههای هوشمند دارد.
ایدهای از راهحلهای صنعت آینده مرتبط با توانایی ماشینآلات برای تاثیرگذاری بر فرآیندها با خودبهینهسازی و استراتژیهای تصمیمگیری مستقل آینده مورد انتظار ما متاثر از هوش مصنوعی است. این امر به بهبود ایمنی، شفافیت، اثربخشی و کارایی و همچنین ایجاد مدیریت خودسازمانده و مستقل منجر خواهد شد.
با در نظر گرفتن این موضوع، پیادهسازی هوش مصنوعی در صنعت فولاد و فلزات، فضایی را برای فرآیندهای تولید بسیار بزرگتر ایجاد میکند که تنها میتواند به خلق بهترین محصولات تبدیل شود، در حالی که ایمنی نهتنها برای کارگران بلکه برای خود محصول نیز حفظ میشود. علاوه بر این، با استفاده از هوش مصنوعی در صنعت تولید آهنآلات، قیمت فولاد و فلزات ارزان و مقرونبهصرفهتر خواهد بود و تاثیر زیادی در ایجاد بازار رقابتی دارد.
پیادهسازی هوش مصنوعی در تاسیسات تولیدی در بین تولیدکنندگان به محبوبیت بالایی رسیده است. طبق تحقیقات دانشگاه کلمبیا، بیش از نیمی از تولیدکنندگان اروپایی راهحلهای مبتنی بر هوش مصنوعی را اجرا میکنند، ژاپن و ایالاتمتحده در ردههای دوم و سوم قرار دارند. این مطالعات همچنین نشان میدهد که موارد استفاده از هوش مصنوعی در تولید در حال بهروزشدن و همگام با تکنولوژیهای روز در حال حرکت است.
تولید مملو از دادههای تحلیلی است که تجزیه و تحلیل آن برای ماشینآلات آسانتر است. صدها متغیر مختلف بر روند تولید تاثیر میگذارند و این در حالی که تجزیه و تحلیل آنها برای انسان بسیار دشوار است، الگوهای یادگیری ماشین به سادگی توانند وظیفه سنگین تجزیه و تحلیل دادهها را انجام دهند.
بیماری همهگیر کرونا علاقه تولیدکنندگان به کاربردهای هوش مصنوعی در صنعت را افزایش داد. همانطور که در نمودار گوگل ترند مشاهده میکنید، ترس ناشی از تعطیل شدن کارخانهها تولیدکنندگان را مجبور کرده است تمرکز خود را به هوش مصنوعی تغییر دهند.
تولیدکنندگان از هوش مصنوعی برای شناسایی خرابی احتمالی و حوادث با تجزیه و تحلیل دادههای سنسور استفاده میکنند. سیستمهای هوش مصنوعی به تولیدکنندگان کمک میکنند تا زمان یا خرابی تجهیزات عملکردی را پیشبینی کنند، بنابراین میتوان قبل از بروز خرابی، تعمیر و نگهداری آنها را برنامهریزی کرد. به لطف نگهداری پیشبینی شده با هوش مصنوعی، تولیدکنندگان میتوانند ضمن کاهش هزینه خرابی دستگاه، کارایی را نیز بهبود بخشند.
طراحی تولید از الگوریتمهای یادگیری ماشین برای تقلید از رویکرد مهندس در طراحی استفاده میکند. طراحان یا مهندسان، پارامترهای طراحی (مانند مواد، اندازه، وزن، مقاومت، روشهای تولید و محدودیتهای هزینه) را در نرمافزار تولیدکننده طراحی وارد میکنند و این نرمافزار تمام نتایج ممکن را که میتواند با آن محصول ایجاد شود فراهم میکند. با استفاده از این روش، تولیدکنندگان به سرعت هزاران گزینه طراحی برای یک محصول ایجاد میکنند.
نوسانات شدید قیمت مواد اولیه برای تولیدکنندگان همیشه یک چالش اساسی بوده است. مشاغل مجبورند خود را با قیمت ناپایدار مواد اولیه سازگار کنند تا همچنان در بازار رقابت کنند. نرمافزار مجهز به هوش مصنوعی میتواند قیمت مواد را با دقت بیشتری نسبت به انسان پیشبینی کند و از اشتباهات خود بیاموزد و آن را تکرار نکند.
روباتهای صنعتی که به آنها روباتهای تولیدی نیز گفته میشود، کارهای تکراری خودکار را انجام میدهند، از خطاهای انسانی جلوگیری کرده یا آنها را به میزان ناچیز کاهش میدهند و تمرکز کارگران انسانی را به قسمتهای حساستر تولید معطوف میکند.
کاربردهای وسیع روباتیک در تولید شامل: مونتاژ، جوشکاری، رنگآمیزی، بازرسی محصول، چیدن و قرار دادن، ریختهگری قالب، حفاری و ساخت شیشه است.
روباتهای صنعتی از اواخر دهه ۱۹۷۰ در کارخانههای تولید هستند. با افزودن هوش مصنوعی، یک روبات صنعتی میتواند بر دقت و عملکرد خود نظارت کرده و خود را برای بهتر شدن آموزش دهد. Cobots یکی دیگر از برنامههای روباتیک است که از بینایی ماشین برای کار ایمن در کنار کارگران انسانی برای تکمیل وظیفهای که نمیتواند بهطور کامل خودکار باشد استفاده میکند.
تجزیه و تحلیل دادهها استفاده سریع و غیرمتمرکز مجموعه دادههای جمعآوریشده از سنسورها در ماشینها را فراهم میکند. تولیدکنندگان برای کاهش زمان تولید، دادهها را جمعآوری و تجزیه و تحلیل میکنند. تجزیه و تحلیل دادهها در تولید استفادههای فراوانی دارد به عنوان مثال بهبود کیفیت تولید و عملکرد تشخیص علائم اولیه کاهش عملکرد و جلوگیری از به خطر افتادن سلامتی کارگران از مزایای هوش مصنوعی است.
تضمین کیفیت، حفظ کیفیت محصول در یک سرویس یا محصول است. خطوط مونتاژ شبکههای دادهمحور، بههمپیوسته و خودمختار هستند. این خطوط مونتاژ بر اساس مجموعهای از پارامترها و الگوریتمها کار میکنند که راهنمایی برای تولید بهترین محصولات نهایی ممکن ارائه میدهند.
سیستمهای هوش مصنوعی میتوانند تفاوتها را از خروجیهای معمول با استفاده از فناوری بینایی ماشین تشخیص دهند، زیرا بیشتر نقصها قابل مشاهده است. هنگامی که کالای نهایی کیفیت پایینتری از حد انتظار دارد، سیستمهای هوش مصنوعی محصولی را که کیفیت مطلوبی ندارد از سایر محصولات جدا میکند.
هوش مصنوعی میتواند بسیار سادهتر از انسانها تعداد محصولات را شمارش کند و میزان کالای موجود در انبار را شمارش کرده و آمار دقیقی از کالای موجود ارائه دهد. ابزارهای پیشبینی مدیریت موجودی کالای مبتنی بر هوش مصنوعی نتایج دقیقتری نسبت به روشهای سنتی پیشبینی تقاضا که مهندسان در تاسیسات تولید استفاده میکنند، ارائه میدهند. این ابزارها مشاغل را قادر میکنند سطح موجودی کالا را بهتر مدیریت کنند تا احتمال وقوع سناریوهای موجودی در انبار و موجودی آن کمتر باشد.
به کارخانههای فاقد هرگونه نیروی انسانی کارخانههای تاریک گفته میشود، زیرا برای عملکرد روباتها نیازی به نور نیست. این یک فناوری نسبتاً جدید است و فقط چند کارخانه آزمایشگاهی ۱۰۰ درصد تاریک در حال حاضر فعالیت میکنند. با این حال، کارخانههای تاریک با استفاده از هوش مصنوعی و سایر فناوریهای خودکار به مرور زمان افزایش مییابند، زیرا آنها میتوانند حوادث ناشی از کار را پایان دهند و ظرفیت تولید خود را گسترش دهند.
فناوریهای هوش مصنوعی میتوانند هزینههای تولیدکنندگان را به دلایل مختلف کاهش دهند. استفاده از فناوریهای هوش مصنوعی میتواند قابلیت تجزیه و تحلیل سازمانها را افزایش دهد تا بتوانند از منابع خود موثرتر استفاده کنند، پیشبینیهای بهتری انجام دهند و هزینههای تولید را کاهش دهند. به لطف قابلیتهای تجزیه و تحلیل بهتر، شرکتها همچنین میتوانند بر تعمیر و نگهداری دستگاهها و روباتها نظارت بهتری داشته باشند.
منبع: دنیای اقتصاد