اخبار > ورود تکنولوژي‌هاي جديد به صنعت آسياباني

ارسال به دوست  نسخه چاپي 

ورود تکنولوژي‌هاي جديد به صنعت آسياباني

به گزارش نگاه هستي و به نقل از ميلر، خطاهايي را که در محيط کار روي مي‌دهد، مي‌توان با استفاده از توليد هوشمند، ثبت مداوم همه پروسه‌ها و ماشين‌ها و اجراي محرک‌هاي خودکاري که متغيرهاي پروسه‌ها را تنظيم مي‌کنند، حذف کرد.

براي مثال، مخلوط‌کن‌هاي غلات را مي‌توان تنظيم نمود، فشار غلتک را افزايش داد و زمان الک را بيشتر کرد و غيره. شبکه‌اي از سنسورها مي‌توانند هرميزاني که مي‌خواهيد، داده‌هاي همزمان را به شما بدهند. با پيشرفت اين تکنولوژي، تنظيمات دستي از بين خواهند رفت و محرک‌هايي که جايگزين مي‌شوند، مي‌توانند همه جنبه‌هاي عملکرد ماشين را کنترل کنند.

مواردي مانند IoT (اينترنت اشياء) و توليد هوشمند، مدتي است که در صنايع پردارشي بزرگ مانند تصفيه روغن و توليد ماشين، متداول شده‌اند اما به دليل هزينه بالا و فقدان متخصص آموزش‌ديده، نتوانسته‌اند راه خود را به صنعت آسياباني باز کنند.

اولين انقلاب صنعتي، به دنبال استفاده از بخار و رودخانه‌ها به عنوان نيروي تامين انرژي و همچنين متدهاي ارزان قيمت توليد استيل بود. هر دو مورد نيز جهش قابل توجهي را در کيفيت زندگي بشر به وجود آوردند. دومين انقلاب صنعتي از متد توليد حجيم در کشتارگاه‌ها استفاده کرده و آن‌ها را در توليد اتومبيل و موارد مصرفي ديگر اجرايي کرد. سومين انقلاب صنعتي با کامپيوترها آغاز شد و فعاليت‌هاي فکري را به صورت خودکار در آورد. چهارمين انقلاب صنعتي در مورد اينترنت، حجم زياد داده‌ها و اتصال هر جزء الکتريکي به يکديگر است که ارگانيزم‌هاي مصنوعي را به وجود مي‌آورد.

حالا که اينترنت پرسرعت وجود دارد، تکنولوژي‌هاي چهارمين انقلاب صنعتي نيز در حال انتشار هستند. همه اين نوآوري‌ها يک هدف مشترک و رايج دارند؛ دستيابي به سيستم سفارشي‌سازي قدرتمند در شرايط توليد انبوه. اين کار با استفاده از بهره‌وري خودکار، پيکربندي خودکار، شناسايي خودکار، شناخت و پشتيباني هوشمند از کارگران امکان‌پذير است.

قواعد طراحي که صنعت 4/0 را سمت و سو مي‌دهد، به شرح زير است؛

اتصال داخلي: به صورت ماشين به ماشين، افراد به افراد و ماشين به افراد است.

شفافيت: حجم بالاي اطلاعات (جمع‌آوري شده از سيستم) در همه جاي سيستم موجود است.

کمک تکنيکي: سيستم‌ها طراحي شده‌اند تا به انسان‌ها در کارهاي خسته‌کننده و خطرناک کمک کنند. آن‌ها همچنين به گونه‌اي تعبيه شده‌اند که اپراتورهاي انساني به مشاوران سيستم تبديل شوند و راهنمايي‌هايي را براي هوش مصنوعي فراهم کنند.

غيرمتمرکزسازي: سيستم‌ها براي خودشان تصميم‌گيري‌هايي مي‌کنند. اين همچنين به معني تغيير در نمونه‌ها هم هست زيرا شما نمي‌توانيد استقلال را براي ماشين‌ها به وجود آوريد و به طور همزمان همه افراد را هم مديريت کنيد. سازمان‌ها در آينده منعطف‌تر خواهند شد. کليد آسياب‌هاي آينده، همگام شدن و تغييرات سريع در طراحي است. سفارشي‌سازي دسته‌هاي کوچک آرد بر اساس کيفيت غلات و نياز مصرف‌کننده، فقط با استفاده از آسياب‌هاي کاملا اتوماتيک ممکن است.

همزاد ديجيتالي: بيشتر کارخانه‌هاي آسياب مدرن از سيستم SCADA براي کنترل کارهاي کارخانه استفاده مي‌کنند تا ماشين‌ها را طبق نوع محصول و همچنين پارامترها را به صورت دستي و طبق دستورالعمل تنظيم کنند. اما همزادهاي ديجيتالي صنايع پردازشي با ايجاد چيزي که آن را SCADA تقلبي مي‌نامند، يک قدم فراتر رفته و به شما مي‌گويند در هر مرحله پروسه، براي هر متغير و نتيجه نهايي چه اتفاقي مي‌افتد. اين چيزي نيست که به عنوان يک پکيج خريداري شود زيرا به برنامه‌ريزي نياز دارد تا به يک همزاد آموزش داده شود که برادرش در هر شرايطي چگونه رفتار مي‌کند! اما بايد بدانيد که آن‌ها از چيزي که تصور مي‌کنيد در دسترس‌تر هستند.

با اينکه ماشين‌هايي که در آسياباني استفاده مي‌شوند بسيار ساده هستند اما اگر شما کل آسياب را به عنوان يک ماشين در نظر بگيريد، اشکالات متفاوتي ممکن است به وجود آيد. اين يعني اگر يک ماشين از کار بيفتد، سيستم مي‌تواند تغيير جريان دهد، ظرفيت‌هايش تغيير کند و غيره تا عملکرد ادامه پيدا کند. اين ظرفيت واکنشي که معمولا به مداخله انسان نياز دارد براي هر سيستم کامپيوتري ممکن است روي دهد. حتي امکان برنامه‌ريزي يک هوش مصنوعي وجود دارد تا در مورد اتفاقاتي که در کارخانه آسياب روي مي‌دهد و همچنين واکنش‌ها در مقابله با آن، آموزش‌هايي بگيرد که به اين عمل يادگيري ماشين مي‌گويند. يادگيري ماشين به معني استفاده از الگوها و استنتاج‌ها است. اين تکنولوژي توانسته دستاوردهاي خارق‌العاده‌اي داشته باشد، ازجمله توسعه يک زبان جديد از ابتدا. اگر شما براي مثال از گوگل ترنسليت استفاده کرده باشيد، بايد بدانيد که بر اساس يادگيري ماشين است. تمرکز اصلي يادگيري ماشين، بهره‌وري بر اساس اهداف کاربر است. همچنين به حفاري داده نيز بسيار نزديک است. حفاري داده استفاده از الگوريتم‌ها براي کشف الگوها در اطلاعات منتقل شده به کامپيوتر است. اين مي‌تواند براي مثال براي کشف دلايل نوسان کيفيت در محصولات يا دلايل خراب شدن ماشين استفاده شود.

مساله ديگر که به سفارشي‌سازي مرتبط است، استفاده از تکنولوژي بلاک‌چين براي دنبال کردن همه عملکردهاي پردازشي از ابتدا تا انتها است. براي مثال کشاورز مي‌تواند با اين روش بگويد که گندمش اصلاح‌نژادي نشده، در مقابل خشکي مقاوم بوده و داراي کيفيت مشخص است. اين اطلاعات به الواتور( بالابر) انتقال داده مي‌شود که به ترکيب دسته‌ها بر اساس کيفيت‌ها و نيازها مي‌پردازد و يک بلاک‌چين ديگر را ايجاد مي‌کند و اين زنجيره تا انتها ادامه مي‌يابد. چيزي که بلاک‌چين معنا دارد، اين است که براي مثال يک خريدار مي‌تواند کد روي بسته آردي را در سوپر مارکت اسکن کرده و دقيقا از تاريخچه آن مطلع شود. اين کار اطلاعات زيادي را که ما نياز داريم فراهم مي‌آورد. البته در مورد اينکه بلاک‌چين چگونه کار مي‌کند و چگونه در کشاورزي و آسياباني اعمال مي‌شود، مي‌توان يک کتاب نوشت.

عدم بهره‌وري در محيط کار مي‌تواند با توليد هوشمند از بين برود، اين کار با ايجاد قابليت ثبت مداوم همه پردازش‌ها و ماشين‌ها و اجراي محرک‌هاي اتوماتيک که متغيرهاي پروسه‌ها را تنظيم مي‌کنند، امکان‌پذير است. براي مثال، مخلوط‌کن‌هاي غلات مي‌توانند تنظيم شوند، فشار غلتک‌ها افزايش يابد، زمان الک بيشتر شود و غيره. شبکه‌اي از سنسورها تا مقداري که بخواهيم به ما داده‌هاي واقعي مي‌دهند. با پيشرفت اين تکنولوژي، تنظيمات دستي از بين خواهند رفت و با محرک‌هايي که مي‌توانند همه جنبه‌هاي عملکرد ماشين را کنترل کنند، جايگزين مي‌شوند. کم‌کم بايد سوپروايزرهاي قديمي را فراموش کنيد و براي پرداخت پول به تکنسين‌هاي خدمات اين حوزه آماده شويد.

از منظر منابع انساني، اين کار باعث مي‌شود تا کارگراني را که مهارت پاييني دارند، تشخيص داده و ديگر از آن‌ها استفاده نکنيد و البته به کارگراني با مهارت بسيار بالا نياز خواهيد داشت که در مهندسي مکاترونيک کارشناس هستند. مدارس و آموزشگاه‌هاي تکنيکي بيشتر از قبل اهميت پيدا مي‌کنند زيرا بايد به مردان و زنان جوان مهارت‌هايي بياموزند که 40 سال پيش اصلا وجود نداشتند. اين کار شايد کمي ترسناک باشد اما اتوموبيل‌ها هم انقلابي مشابه را در ابتداي قرن 20 تجربه کردند و حالا کساني هستند که مي‌دانند چگونه اين ماشين‌ها را درست کنند.

برنامه‌ريزي آسان است. شما مي‌توانيد خودتان در خانه به يادگيري بپردازيد. اما مکاترونيک که ترکيبي از مکانيک، الکترونيک و برنامه‌ريزي است، به تجهيزات تخصصي و گران‌قيمت نياز دارد. اين کار نيازمند يادگيري با آزمون و خطا است و بايد از موادي استفاده کرد که گران‌قيمت بوده و فقط کدها را تشکيل نمي‌دهند. اين بستگي به جوامع تجاري دارد تا برنامه‌هاي آموزشي جديد را به منظور آماده‌سازي کارگران براي آينده، ارتقاء دهند البته منظورمان از آينده نيز آينده دور نيست و 6 ماه تا يک سال آينده بايد مد نظر قرار بگيرد.

بيگ ديتا يا داده بزرگ نيز در واقع يعني دانستن در مورد هر چيزي تا بيشترين حد ممکن و در همه زمان‌ها و سپس ايجاد مدل بر اساس اين اطلاعات. ما مي‌توانيم براي مثال، دسته‌هاي غلات را دنبال کنيم و با پيشرفت تکنولوژي، قادر خواهيم بود بسته‌هاي کوچک را نيز دنبال کنيم و ببينيم کجا قرار دارند. سپس مي‌توانيم بفهميم کدام سيلو نشتي آب دارد، غلات خراب شده‌اند يا اينکه سوپروايزر مشغول کار ديگري بوده و غلات بيش از اندازه خشک شده‌اند و بسياري اطلاعات ديگر. اما سيستم داده‌هاي بزرگ، چيزي نيست که شما در کامپيوترهاي قديمي آن را اجرا کنيد. اين سيستم به Cloud  نياز دارد که يعني به جاي پردازش اطلاعات در کامپيوتر داخلي، اين کار را در سرورهاي مخصوص انجام مي‌دهيد که همه ماشين‌ها و ديگر سيستم‌هايتان را به هم متصل مي‌کند.

به طور خلاصه، بايد بيان کنيم که صنعت 4/0 تکنولوژي جديدي نيست اما فلسفه جديدي براي يکپارچه‌سازي تکنولوژي‌هايي است که دهه‌ها است، وجود دارند. اين يعني پتاسيلي کامل براي استفاده از کامپيوترها وجود دارد. آيا تا به حال کسي را ديده‌ايد که به جاي استفاده از عملکردهاي اکسل، از ماشين حساب جيبي براي محاسبات در فايل اکسل استفاده کند و از اکسل فقط براي زيبا به نظر رسيدن اعداد بهره ببرد؟ شايد بايد بگوييم که دهه‌ها است ما چنين انسان‌هايي بوده‌ايم و حالا به تازگي مي‌خواهيم از دوره‌هاي اکسل بهره ببريم.