تاثير هوش مصنوعي براي صنايع ساخت و توليد فلزات
يکي از مواردي که اين روزها بسيار مورد توجه صنعتگران قرار گرفته، تاثير کاربرد هوش مصنوعي بر صنعت فولاد و فلزات است.
هوش مصنوعي با وجود اينکه يک راه‌حل نسبتاً جديد در فناوري است، جايگاه خود را در مشاغل مختلف باز کرده است. از تجارت الکترونيک، خرده‌فروشي، تا خدمات مشتري و تبليغات، هوش مصنوعي به توسعه راه‌حل‌هاي ارزشمند براي بسياري از شرکت‌ها کمک مي‌کند.
با هدايت سيستم‌هاي مبتني بر دانش که خود را از داده‌هاي ورودي تغذيه مي‌کنند، به کسب‌وکارهاي توليدي کمک مي‌کند تا مدل‌هاي کاري پايدارتري توسعه دهند و در عين حال بهره‌وري و کيفيت محصولات تحويل‌شده را افزايش دهند.
امروز قصد داريم نگاهي به راه‌هاي پياده‌سازي هوش مصنوعي در صنعت فولاد و فلزات بيندازيم. هوش مصنوعي ماهيت پيچيده‌اي دارد، هر يک از فرآيندهاي آن مقدار شگفت‌انگيزي از داده را توليد مي‌کند که در صورت مديريت صحيح، بينش مفيدي را ارائه مي‌دهد. داده‌ها در درجه اول از بسياري از حسگرهاي ميداني اتوماسيون کارخانه از طريق زنجيره تامين جمع‌آوري مي‌شوند. در مجموع حاوي اطلاعاتي است که تمام فعاليت‌هاي توليد را تغذيه مي‌کند.
هوش مصنوعي و تاثير آن بر قيمت توليد فولاد و فلزات
صنعت فولاد و آهن‌آلات به عنوان اولين پذيرنده فناوري‌هاي هوش مصنوعي، همه صنايع سنگين را در بهبود پايداري و رقابت در بازار مديريت مي‌کند. اين شبيه يک زمينه عالي براي رويکرد مبتني بر اکتشاف و بهره‌برداري داده است. صنايع فولاد با فرآيندهاي پيچيده و چند فيزيک سروکار دارند که در آن بسياري از متغيرها و همبستگي‌ها به‌طور کامل درک نشده‌اند. علاوه بر اين، شرايط محيطي نقش مهمي در اين فرآيند ايفا مي‌کنند و تمايل به تغيير در طول زمان دارند. صنايع فولاد با موانع زيادي در فرآيند توليد روبه‌رو هستند. اول از همه، فرآيندهاي تصميم‌گيري اغلب به‌وسيله اپراتورهاي انساني انجام مي‌شود. يک اپراتور بايد قبل از ورود به فرآيند توليد، يک فرآيند آموزشي کامل را طي کند. و نه‌تنها اين، آنها معمولاً نياز به رفت‌و‌آمد دور از نقاط گروه دارند، که روند انتخاب تيم را تشديد مي‌کند. در حالي که از هوش مصنوعي در صنايع فولاد استفاده مي‌شود، بسياري از فرآيندها را مي‌توان از راه دور از طريق فرآيندهاي شخصي‌سازي‌شده با راه‌حل‌هاي هوش مصنوعي و يادگيري ماشين انجام داد. در زمينه فرآيندها، داده‌ها نقش مهمي را ايفا مي‌کنند و اغلب در فواصل زماني منظم تغيير مي‌کنند. با مواردي مانند يک بيماري همه‌گير جهاني، ظرفيت‌هاي توليد مي‌تواند کاهش يابد، که مي‌تواند به کاهش داده‌هاي توليدشده در طول زمان منجر شود.
با سيستم‌هاي حسگر که مي‌توانند انحرافات را در داده‌هاي آموزش داده‌شده در رويدادهاي تاريخي شناسايي کنند، هوش مصنوعي مي‌تواند به ايجاد ترتيبات و اصلاح فرآيند به‌گونه‌اي کمک کند که خطاها تکرار نشوند.
دلايل پياده‌سازي هوش مصنوعي در صنعت فولاد
برخلاف انسان‌ها، ماشين‌ها فقط اجراي فعاليت‌هاي رايج را نمي‌آموزند، بلکه مي‌توانند الگوها را نيز بياموزند. با استفاده از داده‌هاي با ابعاد بالا که مغز انسان نمي‌تواند تصور کند، سودمندي هوش مصنوعي در صنعت فولاد آشکار است. نه‌تنها، هوش مصنوعي قادر به درک اطلاعات بيشتر از يک انسان است، بلکه مي‌تواند اقدامات بسيار خطرناکي را که معمولاً به‌وسيله اپراتورها انجام مي‌شود، انجام دهد. با حذف اپراتورها از موقعيت‌هاي مخاطره‌آميز، اين فرصت به آنها داده مي‌شود تا روي وظايفي با ارزش افزوده بيشتر کار کنند.هوش مصنوعي و يادگيري ماشين در زمينه‌هاي مختلف مهندسي منتشر شده است. برخي از نمونه‌هاي ادبيات حتي تکنيک‌هاي ML مبتني بر داده را براي پيش‌بيني مکانيسم‌هاي تغيير شکل ثانويه در توليد فولاد نشان مي‌دهند.
برخي از نمونه‌هاي ديگر شامل الگوهاي مبتني بر داده براي پيش‌بيني دماي نوار در فرآيندهاي گرمايش خط، تشخيص عيوب انحراف دماي خنک‌کننده، و همچنين طبقه‌بندي عيوب سطح فولاد است.
معايب هوش مصنوعي در صنعت توليد فولاد و فلزات
معايب کاربرد هوش مصنوعي در صنايع فولاد، آهن‌آلات و فلزات به دليل جديد بودن اين فناوري هنوز در حال کشف است و مطمئناً در آينده راهکارهاي جايگزين براي بهبود عملکرد ارائه خواهد شد.
يک نمونه؛ يک توليدکننده فولاد آمريکاي جنوبي، در فرآيند توليد کلاف فولادي خود با مشکلات کيفي مداوم مواجه بود. تمام فرآيندهاي سنتي که آنها اجرا کرده‌اند به نتيجه مطلوب منتج نشده‌اند. اين نقص شامل تغيير شکل‌هاي دائمي سطح سيم‌پيچ به صورت خراش‌هاي کوچک متعدد در جهت غلتش سيم‌پيچ بود. به منظور جلوگيري از اين تغيير شکل‌ها، شناسايي علت اصلي که منجر به اين عيوب شده است مهم بود. در حالي که به‌طور فزاينده‌اي با سرعت کنترل‌نشده اتفاق مي‌افتاد، ريشه اين نقص‌ها ناشناخته بود. متاسفانه اين مشکل به کاهش قابل توجه فروش و هزينه‌هاي اضافي پردازش مجدد و حمل ضايعات منجر شد. براي حل اين مشکل، داده‌هاي کيفيت و توليد از منابع مختلف جمع‌آوري و ادغام شد. دانشمندان با کمک اپراتورهاي محلي، سه منبع داده اصلي را در داخل داده‌هاي توليد شناسايي کردند. اين منابع داده‌هاي تله‌متري، ترکيب شيميايي و بازرسي کيفيت بودند. با تمرکز بر آن سه مجموعه داده، فرضيه‌هايي بر اساس الگوريتم‌هاي تشخيص الگو و تشخيص ناهنجاري ساخته شد. مشکل اصلي در هفت ثانيه اول فرآيند پيدا شد. ترکيبي از موقعيت گيره غلتکي داغ، نيروي خمشي و سرعت کويل باعث ايجاد اين خراش‌هاي کوچک شده است. از آنجا که غلتک پينچ در زماني که قرار بود به‌طور کامل بازنشسته نشده بود، نقص‌هاي توليد ايجاد شد. اما با کمک الگوهاي يادگيري ماشيني، نرخ پردازش مجدد کاهش يافته و نرخ نقص تا 25 درصد کاهش يافته است. مفهوم کليدي هوش مصنوعي و ML در توانايي آن در استخراج دانش از داده‌ها نهفته است. در حالي که رايانه‌هاي قديمي قادر به انجام اين اقدامات نبودند، اکنون ماشين‌ها مي‌توانند کارهاي مورد نظر را در صنايع مختلف ياد بگيرند و انجام دهند. الگوهاي موجود در داده‌ها بسيار پيچيده‌تر از آن هستند که توسط انسان به راحتي شناسايي شوند. با استفاده از هوش مصنوعي در صنعت فولاد، هزينه‌هاي عملياتي کاهش مي‌يابد، کيفيت محصول افزايش مي‌يابد و درآمد دائماً در حال افزايش است. فناوري‌هاي ديجيتال همچنين مي‌توانند الگوهاي موجود را که رويدادها را با استخراج اطلاعات و الگوهاي ثبت‌شده از قبل تخمينزده و پيش‌بيني مي‌کنند، بهبود بخشند. از آنجا که چهارچوب‌هاي AI و يادگيري ماشين عميقاً در سيستم‌هاي اتوماسيون ادغام مي‌شوند، صنايع اکنون مي‌توانند آنها را در فرآيندهاي توليد خود پياده‌سازي کنند، بنابراين هوش مصنوعي در صنعت فولاد جايگاه مهمي را به خود اختصاص مي‌دهد. با اين حال، صنعت فولاد از نظر اتوماسيون و فناوري اطلاعات الزامات بسيار خاصي دارد. بنابراين، اجراي هوش مصنوعي را با چالش‌هايي مواجه مي‌کند و گسترش آن را محدود مي‌کند. سيستم‌هاي اتوماسيون صنعتي تعداد زيادي از اجزاي پيچيده در توليد دارند. بنابراين، استخراج دانش از داده‌ها نقشي اساسي در تبديل کارخانه‌هاي صنعتي به کارخانه‌هاي هوشمند دارد.
آينده صنايع فولاد و فلزات با ورود هوش مصنوعي
ايده‌اي از راه‌حل‌هاي صنعت آينده مرتبط با توانايي ماشين‌آلات براي تاثيرگذاري بر فرآيندها با خودبهينه‌سازي و استراتژي‌هاي تصميم‌گيري مستقل آينده مورد انتظار ما متاثر از هوش مصنوعي است. اين امر به بهبود ايمني، شفافيت، اثربخشي و کارايي و همچنين ايجاد مديريت خودسازمانده و مستقل منجر خواهد شد. با در نظر گرفتن اين موضوع، پياده‌سازي هوش مصنوعي در صنعت فولاد و فلزات، فضايي را براي فرآيندهاي توليد بسيار بزرگ‌تر ايجاد مي‌کند که تنها مي‌تواند به خلق بهترين محصولات تبديل شود، در حالي که ايمني نه‌تنها براي کارگران بلکه براي خود محصول نيز حفظ مي‌شود. علاوه بر اين، با استفاده از هوش مصنوعي در صنعت توليد آهن‌آلات، قيمت فولاد و فلزات ارزان و مقرون‌به‌صرفه‌تر خواهد بود و تاثير زيادي در ايجاد بازار رقابتي دارد.
اهميت هوش مصنوعي در توليد
پياده‌سازي هوش مصنوعي در تاسيسات توليدي در بين توليدکنندگان به محبوبيت بالايي رسيده است. طبق تحقيقات دانشگاه کلمبيا، بيش از نيمي از توليدکنندگان اروپايي راه‌حل‌هاي مبتني بر هوش مصنوعي را اجرا مي‌کنند، ژاپن و ايالات‌متحده در رده‌هاي دوم و سوم قرار دارند. اين مطالعات همچنين نشان مي‌دهد که موارد استفاده از هوش مصنوعي در توليد در حال به‌روزشدن و همگام با تکنولوژي‌هاي روز در حال حرکت است. توليد مملو از داده‌هاي تحليلي است که تجزيه و تحليل آن براي ماشين‌آلات آسان‌تر است. صدها متغير مختلف بر روند توليد تاثير مي‌گذارند و اين در حالي که تجزيه و تحليل آنها براي انسان بسيار دشوار است، الگوهاي يادگيري ماشين به سادگي توانند وظيفه سنگين تجزيه و تحليل داده‌ها را انجام دهند. بيماري همه‌گير کرونا علاقه توليدکنندگان به کاربردهاي هوش مصنوعي در صنعت را افزايش داد. همان‌طور که در نمودار گوگل ترند مشاهده مي‌کنيد، ترس ناشي از تعطيل شدن کارخانه‌ها توليدکنندگان را مجبور کرده است تمرکز خود را به هوش مصنوعي تغيير دهند.
کاربردهاي رايج هوش مصنوعي در ساخت
تعميرات قابل پيش‌بيني
توليدکنندگان از هوش مصنوعي براي شناسايي خرابي احتمالي و حوادث با تجزيه و تحليل داده‌هاي سنسور استفاده مي‌کنند. سيستم‌هاي هوش مصنوعي به توليدکنندگان کمک مي‌کنند تا زمان يا خرابي تجهيزات عملکردي را پيش‌بيني کنند، بنابراين مي‌توان قبل از بروز خرابي، تعمير و نگهداري آنها را برنامه‌ريزي کرد. به لطف نگهداري پيش‌بيني‌‌شده با هوش مصنوعي، توليدکنندگان مي‌توانند ضمن کاهش هزينه خرابي دستگاه، کارايي را نيز بهبود بخشند.
طراحي توليد
طراحي توليد از الگوريتم‌هاي يادگيري ماشين براي تقليد از رويکرد مهندس در طراحي استفاده مي‌کند. طراحان يا مهندسان، پارامترهاي طراحي (مانند مواد، اندازه، وزن، مقاومت، روش‌هاي توليد و محدوديت‌هاي هزينه) را در نرم‌افزار توليدکننده طراحي وارد مي‌کنند و اين نرم‌افزار تمام نتايج ممکن را که مي‌تواند با آن محصول ايجاد شود فراهم مي‌کند. با استفاده از اين روش، توليدکنندگان به سرعت هزاران گزينه طراحي براي يک محصول ايجاد مي‌کنند.
پيش‌بيني قيمت مواد اوليه
نوسانات شديد قيمت مواد اوليه براي توليدکنندگان هميشه يک چالش اساسي بوده است. مشاغل مجبورند خود را با قيمت ناپايدار مواد اوليه سازگار کنند تا همچنان در بازار رقابت کنند. نرم‌افزار مجهز به هوش مصنوعي مي‌تواند قيمت مواد را با دقت بيشتري نسبت به انسان پيش‌بيني کند و از اشتباهات خود بياموزد و آن را تکرار نکند.
روباتيک
روبات‌هاي صنعتي که به آنها روبات‌هاي توليدي نيز گفته مي‌شود، کارهاي تکراري خودکار را انجام مي‌دهند، از خطاهاي انساني جلوگيري کرده يا آنها را به ميزان ناچيز کاهش مي‌دهند و تمرکز کارگران انساني را به قسمت‌هاي حساس‌تر توليد معطوف مي‌کند.
کاربردهاي وسيع روباتيک در توليد شامل: مونتاژ، جوشکاري، رنگ‌آميزي، بازرسي محصول، چيدن و قرار دادن، ريخته‌گري قالب، حفاري و ساخت شيشه است. روبات‌هاي صنعتي از اواخر دهه 1970 در کارخانه‌هاي توليد هستند. با افزودن هوش مصنوعي، يک روبات صنعتي مي‌تواند بر دقت و عملکرد خود نظارت کرده و خود را براي بهتر شدن آموزش دهد. Cobots يکي ديگر از برنامه‌هاي روباتيک است که از بينايي ماشين براي کار ايمن در کنار کارگران انساني براي تکميل وظيفه‌اي که نمي‌تواند به‌طور کامل خودکار باشد استفاده مي‌کند.
تجزيه و تحليل داده‌ها
تجزيه و تحليل داده‌ها استفاده سريع و غيرمتمرکز مجموعه داده‌هاي جمع‌آوري‌شده از سنسورها در ماشين‌ها را فراهم مي‌کند. توليدکنندگان براي کاهش زمان توليد، داده‌ها را جمع‌آوري و تجزيه و تحليل مي‌کنند. تجزيه و تحليل داده‌ها در توليد استفاده‌هاي فراواني دارد به عنوان مثال بهبود کيفيت توليد و عملکرد تشخيص علائم اوليه کاهش عملکرد و جلوگيري از به خطر افتادن سلامتي کارگران از مزاياي هوش مصنوعي است.
تضمين کيفيت
تضمين کيفيت، حفظ کيفيت محصول در يک سرويس يا محصول است. خطوط مونتاژ شبکه‌هاي داده‌محور، به‌هم‌پيوسته و خودمختار هستند. اين خطوط مونتاژ بر اساس مجموعه‌اي از پارامترها و الگوريتم‌ها کار مي‌کنند که راهنمايي براي توليد بهترين محصولات نهايي ممکن ارائه مي‌دهند. سيستم‌هاي هوش مصنوعي مي‌توانند تفاوت‌ها را از خروجي‌هاي معمول با استفاده از فناوري بينايي ماشين تشخيص دهند زيرا بيشتر نقص‌ها قابل مشاهده است. هنگامي که کالاي نهايي کيفيت پايين‌تري از حد انتظار دارد، سيستم‌هاي هوش مصنوعي محصولي را که کيفيت مطلوبي ندارد از ساير محصولات جدا مي‌کند.
مديريت موجودي کالا
هوش مصنوعي مي‌تواند بسيار ساده‌تر از انسان‌ها تعداد محصولات را شمارش کند و ميزان کالاي موجود در انبار را شمارش کرده و آمار دقيقي از کالاي موجود ارائه دهد. ابزارهاي پيش‌بيني مديريت موجودي کالاي مبتني بر هوش مصنوعي نتايج دقيق‌تري نسبت به روش‌هاي سنتي پيش‌بيني تقاضا که مهندسان در تاسيسات توليد استفاده مي‌کنند، ارائه مي‌دهند. اين ابزارها مشاغل را قادر مي‌کنند سطح موجودي کالا را بهتر مديريت کنند تا احتمال وقوع سناريوهاي موجودي در انبار و موجودي آن کمتر باشد.
مزاياي هوش مصنوعي در توليد و ساخت
توليد مداوم و بدون وقفه
به کارخانه‌هاي فاقد هرگونه نيروي انساني کارخانه‌هاي تاريک گفته مي‌شود زيرا براي عملکرد روبات‌ها نيازي به نور نيست. اين يک فناوري نسبتاً جديد است و فقط چند کارخانه آزمايشگاهي 100 درصد تاريک در حال حاضر فعاليت مي‌کنند. با اين حال، کارخانه‌هاي تاريک با استفاده از هوش مصنوعي و ساير فناوري‌هاي خودکار به مرور زمان افزايش مي‌يابند، زيرا آنها مي‌توانند حوادث ناشي از کار را پايان دهند و ظرفيت توليد خود را گسترش دهند.
کاهش هزينه
فناوري‌هاي هوش مصنوعي مي‌توانند هزينه‌هاي توليدکنندگان را به دلايل مختلف کاهش دهند. استفاده از فناوري‌هاي هوش مصنوعي مي‌تواند قابليت تجزيه و تحليل سازمان‌ها را افزايش دهد تا بتوانند از منابع خود موثرتر استفاده کنند، پيش‌بيني‌هاي بهتري انجام دهند و هزينه‌هاي توليد را کاهش دهند. به لطف قابليت‌هاي تجزيه و تحليل بهتر، شرکت‌ها همچنين مي‌توانند بر تعمير و نگهداري دستگاه‌ها و روبات‌ها نظارت بهتري داشته باشند.
منبع : دنیای اقتصاد
