ديجيتال‌سازى چيست و چه فايده‌اى براى فولاد و صنايع معدنى دارد
(قسمت سوم)
عدم‌ترمیم سریع

در حالی که پرونچر تأیید می‌کند فروشندگان مختلفی برای سیستم‌ها و نرم‌افزارهای طراحی شده به منظور دستیابی به مزایای دیجیتال وجود دارند اما در این خصوص احتیاط می‌کند و می‌گوید سیستم جادویی که عده‌ای از آن حرف می‌زنند، اصلاً وجود ندارد.

یک سیستم مکمل و خوب که نیازمند حمایت برای اجرا میان کارکنان است، حیاتی است. «افراد باید به سراغ این سیستم بروند. مهندسان باید با این فرآیند کار کنند.»

این سیستم اهمیت ویژه‌ای دارد اگر برداشتی از هدف واقعی فرآیندهای خودکارسازی وجود داشته باشد که نقش‌های موجود اوپراتورهای کارخانه‌ها را تغییر می‌دهد. او می‌گوید: «شما نمی‌توانید به یکباره به تحول دیجیتال بپرید؛ این یک فرآیند گام به گام است که در آن شما باید اقدام به توانمندسازی مهندسان و اوپراتورهای خود نمایید.»

پرداختن به موضوع سازگاری

یک مانع در مسیر تحول دیجیتالی، این سوال قدیمی است که آیا کارخانه‌ها با تجهیزات عرضه شده توسط شرکت‌های مختلف، قادر خواهند بود به حداکثر مزیت از داده‌های تولید شده دست یابند یا خیر.

پروونچر با تأکید بر این که هر فروشنده تجهیزات را بر اساس سیستم خودش ارایه می‌کند، می‌پرسد: «چگونه می‌توانید به داده‌های هر یک دست یابید؟» پاسخ یک زیرساختار و سیستم داده‌های عملیاتی است که می‌تواند داده‌های تولید شده توسط هر سیستم PLC/Scada را در زمان واقعی تولید کند. این بسیار کلیدی است زیرا داده‌ها به تنهایی و بدون وجود بستری هم‌زمان از شرایط عملیاتی تجهیزات و قطعات کارآیی نخواهند داشت. او تأکید می‌کند: «شما در زمان واقعی، به داده‌ها و بستر لازم نیاز دارید.» البته او ناسازگاری سیستم عملیاتی را یک مشکل چیرگی‌ناپذیر می‌داند.

در حالی که او تأیید می‌کند مدیریت و پردازش داده‌ها یک جنبه کلیدی از تحول دیجیتال است، اما این ایده را رد می‌کند که دسترسی به ابررایانه‌ها برای رسیدن به برتری تکنولوژیکی در کسب و کار امروز الزامی است. «سیستم OSIsoft PI از سال ۱۹۸۰ موجود بوده و داده‌های خلق شده توسط بالغ بر دو میلیارد حسگر در کل دارایی‌هایی که در آنها نصب شده را پردازش می‌‌کند.»

یک تولیدکننده مهم آلومینیوم، میلیون‌ها داده‌ را کارخانجات ذوب خود و از طریق این سیستم پردازش و تحلیل می‌کند. با شروع در کارخانه ذوب آلومینیوم “آلکوآ فجاروال” (Alcoa Fjaroaal) در ایسلند، این شرکت توانست ارزش بیشتری را از سرمایه‌گذاری در سیستم PI خود برای توسعه و به‌کارگیری سیستم تعمیر و نگهداری به دست آورد.

در سایت یا در ابر؟

سیستم PI می‌تواند بر روی سخت‌افزارهای معمولی یا در ابرها بر اساس انتخاب مشتری کار کند. انتخاب وابسته به محل استقرار کارخانه تولید یا سایت استخراج معدن و شدت پیامدهای ناشی از قطع شدن اتصال اینترنت است.

پروونچر دارای تجربه شخصی قطع اتصال اینترنت به مدت سه روز است که به دلیل قطع اتصال فیبر نوری منطقه بود و بنابراین او حساس است در این خصوص به کاربران سیستم کمک کند تا بهترین انتخاب را انجام دهند.

در حالی که مدیرعامل یک شرکت بین‌المللی تولید فلزات و استخراج معادن خواهان مشهود بودن داده‌های واقعی در کل سایت‌ها و فعالیت‌های شرکت است (گاهی اوقات بسیار دوردست) در عین‌حال می‌خواهد تضمین نماید که داده‌های عملیاتی ارزشمند در صورت قطع اتصال از دست نخواهند رفت. تصمیمات مربوط به اهمیت و زمانبندی دسترسی داده‌ها دارای مضامینی برای تعیین مکان و هزینه سیستم‌های لازم برای دسترسی و ذخیره‌سازی آن هستند.

به سمت سیستم‌های خودکار

برای برخی شرکت‌های استخراج معادن و یا شرکت‌های فلزات و مواد معدنی، سیستم‌های خودکار یا هوشمند استخراج معادن و تولید آنها هدف هستند. پروونچر می‌گوید یکی از مشتریان OSIsoft در بخش سیمان یعنی “سیمکس” (Cemex) قبلاً تجهیزات خودکار را به کار گرفته است. البته به جای استفاده از حالت خلبان خودکار برای پرواز، اوپراتورهای انسانی با دسترسی به همه داده‌های عملیاتی برای اعمال کنترل موجود هستند.

او معتقد بود که نگرش انسان در ترکیب با زیرساختارهای عملیاتی گسترده‌تر داده‌ها برای مشاهده و درک یک تصویر بزرگ مورد نیاز است. به عنوان مثال، او به یک کارفرما اشاره می‌کند که از یک سیستم نرم‌افزار تعمیر و نگهداری طرف ثالث و سیستم PI به عنوان یک سیستم ثبت داده‌ها استفاده می‌کند. بسته نرم‌افزاری مجزا برای تعمیر و نگهداری باعث ایجاد پیش‌بینی‌های غلط از ناکامی تجهیزات نیز می‌شود و مشتری مطمئن نبود چرا. «یک اوپراتور این تجهیزات تصمیم گرفت دکمه توقف اضطراری دستگاه را در ابتدای استراحت ناهار فعال کند به جای این‌که طبق رویه معمول، دستگاه را خاموش کند.»

اصل اخلاقی داستان پروونچر تأکید بر نیاز به یک سیستم تلفیق شده گسترده نه تنها برای دستیابی به داده‌ها بلکه یک بستر کلی همراه با یک رویکرد چندمرحله‌ای به سمت اجرای پیشرفته‌ترین سطح تحول دیجیتال است از جمله سیستم‌های خودکار و کاربرد هوش مصنوعی.

او توضیح می‌دهد که نخستین گام، صرفاً دانستن آن چیزی است که در فعالیت‌های موجود اتفاق می‌افتد. او یک جریان روشن و قابل اطمینان از داده‌ها و ابزارهای اثربخش برای ثبت آن را مطرح می‌کند که می‌توان با آن شاخص‌های کلیدی عملکرد را شناسایی، تحلیل و مقایسه کرد.

گام بعدی معرفی تعمیر و نگهداری است که به واسطه آن داده‌های جاری درباره وضعیت تعمیرات و بهره‌برداری از تجهیزات برای اجرای یک برنامه مقرون‌به‌صرفه تعمیر و نگهداری استفاده می‌شوند. الگوی دمای عملیاتی یک بلبرینگ، یک شاخص سلامت آن است.

سپس پیش‌بینی و تجویز مطرح می‌شود. پروونچر می‌گوید: «آیا یک سیستم AI به من می‌گوید باید چه کار کنم؟» پاسخ «بله» است مشروط به این که گام‌های برداشته شده به شکلی اثربخش تکمیل شوند.

OSIsoft تأکید می‌کند که مهم‌ترین عامل در دستیابی به کارآیی در دسترسی به داده‌های عملیاتی واقعی است. کاربرد تحلیلگرایی پیشرفته در تعمیر و نگهداری نمایانگر سطح چهارم استراتژی تعمیر و نگهداری است: تعمیر و نگهداری پیش‌بینی‌کننده. این سطح از تعمیر و نگهداری زمان لازم برای برنامه‌ریزی تعمیر و نگهداری را ۲۰ تا ۵۰ درصد کاهش می‌دهد، عمر تجهیزات را ۱۰ تا ۲۰ درصد افزایش می‌دهد و هزینه‌های کلی تعمیر و نگهداری را ۵ تا ۱۰ درصد کاهش می‌دهد.

شرکت نرم‌افزاری می‌گوید که سطح نهایی تعمیر و نگهداری (تعمیر و نگهداری پیش‌بینی‌کننده) دربرگیرنده یکپارچگی داده‌های کلان، تحلیلگرایی، یادگیری ماشینی و هوش مصنوعی است. با اجرای اقدامات حل یک موضوع قریب‌الوقوع و نه صرفاً توصیه چنین اقدامی، تعمیر و نگهداری پیش‌بینی‌کننده یک گام به جلو می‌رود. به عنوان مثال، تعمیر و نگهداری پیش‌بینی‌کننده می‌تواند به صورت خودکار سرعت یک کامیون خودران را به منظور افزایش طول عمر آن کاهش دهد. یک سیستم تعمیر و نگهداری پیش‌بینی‌کننده یک سیستم شناختی است؛ این سیستم دارای توانایی اندیشیدن است و تنها زمانی در این سطح قابل اجرا است که قابلیت عملیاتی داشته باشد.

در حالی‌که پروونچر تأکید می‌کند هیچ میانبری برای موفقیت نیست، اما این را هم می‌گوید که در برخی موارد، می‌توان گام‌هایی را سریع‌تر برداشت. یک شرکت هندی با سیستم PI ظرف چند ماه به آنها رسید. در این دوران محدودیت سرمایه، باید به پیشرفت‌هایی از طریق سیستم‌های موجود و جریان داده‌ها دست یافت که می‌توان از آنها برای پیش‌بینی ایرادات تجهیزات استفاده کرد بدون این که یک دلار صرف ابزارهای اضافی اینترنت اشیا شود.