تعمیرات و نگهداری پیش گویانه در هوش مصنوعی و کاربردهای ویژه آن

تعمیرات و نگهداری پیش گویانه حاصل از تلفیق اینترنت اشیاء و هوش مصنوعی می‌تواند کاربرد بسیار کارآمدی داشته باشد. تعمیرات و نگهداری پیش گویانه Predictive maintenance در پنج سال گذشته رشد و توسعه چشمگیری را تجربه کرده و بازگشت سرمایه بالایی به همراه داشته است. این تحولات نشان از قدرت همکاری اینترنت اشیاء و هوش مصنوعی دارد. بازاری که مراحل ابتدایی خود را تجربه می‌کند. این نتایج، حاصل تحقیقاتِ متخصصان IoT Analytics می‌باشد. این متخصصان در واقع مشاورانی هستند که اطلاعات بازار را تامین می‌کنند. بر طبق پیش‌بینی‌ها، ارزش بازار 9/6 میلیارد دلاریِ تعمیرات و نگهداری پیش گویانه تا سال 2026 به 2/28 میلیارد دلار افزایش خواهد یافت.

شرکت IoT Analytics، تحقیقات درباره بازار تعمیرات و نگهداری پیش گویانه‌ی مبتنی بر اینترنت اشیاء را در سال 2016 آغاز کرد. این اتفاق در کنفرانس تعمیرات و نگهداری صنعتی دورتموند آلمان رخ داد. آن زمان، این حوزه در صدر توجهات قرار نداشت. ناد لاسه لیوث – مدیرعامل IoT Analytics – در مصاحبه با مجله IoT Busine بیان کرد: «متاسفانه، روند پیش‌آمده ما را مایوس کرد. هیچ‌کدام از حاضران در کنفرانس درباره تعمیرات و نگهداری پیش گویانه حرف نزدند.»

اما وضعیت تغییر یافته است. فرناندو آلبرتو بروخه – تحلیل‌گر شرکت IoT Analytics – گفت: «تحقیقات ما در سال 2021 نشان می‌دهد که تعمیرات و نگهداری پیش گویانه پیشرفت قابل‌ملاحظه‌ای داشته و دیگر صرفاً یک روش نظارت بر شرایط تلقی نمی‌شود. این فناوری به یکی از کارکردهای اساسی اینترنت اشیاء تبدیل شده که بازگشت سرمایه مثبتی تجربه کرده است.»

بنا به اعلام تحلیل‌گران، از جمله پیشرفت‌های فنی که منجر به توسعه این بازار شده، می‌توان به فرایند آسانِ اتصال به دارایی‌های اینترنت اشیاء، پیشرفت‌های بزرگ در خدمات ابری و افزایش دسترسی به چارچوب‌های علم داده/یادگیری ماشین اشاره کرد.

تعمیرات و نگهداری پیش گویانه

افزون بر پیشرفت‌های فنی، بازار تعمیرات و نگهداری پیش گویانه شاهد رشد بالای تعداد ارائه‌دهندگان نرم‌افزارها و خدمات بوده است که هر کدام در صدد عرضه راهکارهای خودشان برآمده‌اند. شرکت IoT Analytics حدود 100 شرکت را شناسایی کرد که در سال 2016 در این حوزه مشغول به فعالیت بودند. در حال حاضر، 280 ارائه‌دهنده‌ی راهکار در مقیاس جهانی شناسایی شده است. اکثر آنها استارت‌آپ‌هایی هستند که به تازگی فعالیت‌شان را در این زمینه آغاز کرده‌اند.

در پنج سال گذشته، شاهد ورود شرکت‌های نام‌آشنایی نظیر GE، PTC، Cisco، ABB و Siemens به حوزه تعمیرات و نگهداری پیش گویانه بوده‌ایم. این بازار در اول راه قرار دارد و چشم‌انداز روشنی برای آن ترسیم شده است. طبق پیش‌بینی تحلیل‌گران، 500 شرکت در پنج سال آینده در این حوزه حضور فعال خواهند داشت. میزان بازگشت سرمایه ناشی از تعمیرات و نگهداری پیش گویانه در سال 2016 نامشخص بود.

نظرسنجی سال 2021 از حدود 100 مدیر ارشد فناوری اطلاعات در بخش صنعتی نشان داد که پروژه‌های تعمیرات و نگهداری پیش گویانه در %83 از موارد موفق به ثبت بازگشت سرمایه مثبت بوده‌اند. تحلیل‌گران می‌گویند: «داده‌های به دست آمده نشان می‌دهد که میزان سرمایه‌گذاری در سال‌های اخیر با افزایش قابل‌ملاحظه‌ای همراه بوده است.»

وجود حسگرهای بیشتر اینترنت اشیاء به معنای دقت بیشتر است

پروژه‌های اجراشده‌ای که تحلیل‌گران در سال 2016 مطالعه کرده‌اند، منابع داده محدودی را دربرمی‌گرفت. معمولاً یک مقدار حسگر از قبیل ارتعاش یا دما در نظر گرفته شده است. پروژه‌های بررسی شده در گزارش سال 2021 در مجموع 11 دسته منبع داده را دربرمی‌گرفت که از جمله آنها می‌توان به داده‌های حاصل از حسگرهای موجود یا داده‌های کنترل‌گرها اشاره کرد. پوشش منابع بیشتر به معنای افزایش دقت پیش‌بینی‌ها است.

امروزه، در بسیاری از پروژه‌ها از روش‌های مدل‌سازی هیبریدی (ترکیبی) استفاده می‌شود که بر پایه تخصص دامنه، حسگرهای مجازی و داده‌افزایی قرار دارند. AspenTech و PARC دو مورد از شرکت‌های شناسایی شده در گزارش هستند که از بکارگیری روش‌های مدل‌سازی هیبریدی استقبال کرده‌اند. AspenTech با بیش از 60 شرکت همکاری کرده تا مدل‌های هیبریدی را ساخته و آزمایش نماید. این مدل‌ها قادرند فیزیک را با دانش یادگیری ماشین یا علم داده تلفیق کنند. هدف از این کار، افزایش دقت پیش‌بینی می‌باشد.

انتظار می‌رود افزایش بکارگیریِ رایانش لبه‌ای تا حد زیادی به نفع پروژه‌های مدل‌سازی پیش‌بینی باشد. بنابراین، الگوریتم در شرایطی به اجرا درمی‌آید که داده ها جمع‌آوری شده باشد. پس، تاخیر در واکنش (یا پاسخ) نیز کاهش می‌یابد. شرکت STMicroelectronics به تازگی به معرفی چند گره حسگر هوشمند پرداخته که می‌تواند اقدام به جمع‌آوری داده و پردازش تحلیلی کند.

امروزه، شاهد بکارگیری نرم‌افزارهای تعمیرات و نگهداری پیش گویانه‌ی بیشتری در سامانه‌های نرم‌افزاری شرکت‌ها هستیم. از جمله این سامانه‌ها می‌توان به برنامه‌ریزی منابع سازمانی یا سامانه‌های رایانه‌ای مدیریت تعمیرات و نگهداری اشاره کرد. شرکت Litmus Automation چند خدمات تلفیقی برای ارتباط با دارایی‌های صنعتی از قبیل کنترل‌گر منطقی برنامه‌پذیر، سیستم کنترل توزیع‌شده یا سیستم کنترل نظارتی و کسب داده عرضه کرده است.

کاهش مدت از کارافتادگی توقف باعث افزایش پس‌انداز می‌شود

پیشگیری از «مدت از کارافتادگی» می‌تواند به سودآوری ختم شود. مایک لئون – تحلیل‌گر در شرکت راهبرد فناوری اطلاعات Enterprise Strategy Group – بیان کرد: «تعمیرات و نگهداری پیش گویانه‌، نتیجه‌ی نظارت بر تجهیزات عملیاتی و اقدام عملی برای پیشگیری از مدت از کارافتادگی یا پیامدهای منفی یا ناخواسته است.»

توسعه برخی از ابزارها منجر شده تا تعمیرات و نگهداری پیش گویانه‌ کاربردی‌تر شود. فلیپه پاراخس – دانشمند داده ارشد در شرکت Valkyrie – می‌گوید: «فناوری حسگرها که امروزه به طور گسترده در بخش‌های مختلف مورد استفاده قرار می‌گیرد، به همراه قابلیت نظارت بر ماشین‌های صنعتی باعث شده‌اند تا تعمیرات و نگهداری پیش گویانه‌ توسعه یابد. حسگرهای بیشتر باعث شده تا حجم داده‌ها به طور تصاعدی افزایش یابد. علاوه بر این، کارهای تحلیل داده از طریق خدمات ابری نیز بیشتر در دسترس قرار گرفته است.»

پیشتر، کارشناسان برای تعیین عملکرد بهینه‌ی ماشین مجبور به انجام تحلیل بودند. پاراخس در ادامه اظهار داشت: «امروزه، با توجه به افزایش میزان داده‌های مورد استفاده و فناوری‌های جدید بر پایه یادگیری ماشین و هوش مصنوعی، می‌توان الگوهای موجود در همه داده‌ها را پیدا کرد. این الگوها بسیار ظریف‌اند و انسان قادر نیست همه آنها را بدون مشکل شناسایی کند.»

در نتیجه، حال یک نفر می‌تواند بر صدها ماشین‌ نظارت داشته باشد و شرکت‌ها در حال جمع‌آوری‌ داده‌های تاریخی هستند. اقدامی که بستر مناسبی برای تحلیل عمیق روند فراهم می‌کند. پاراخس به این نکته اشاره کرد که تعمیرات و نگهداری پیش گویانه‌ سلاح بسیار قدرتمندی است.

راه‌آهن ایتالیا

اپراتور راه‌آهن ایتالیا – موسوم به ترنیتالیا – در یکی از پروژه‌های خود از رویکرد تعمیرات و نگهداری پیش گویانه‌ در قطارهای سریع‌السیرش استفاده کرد. پائول میلر – تحلیل‌گر در شرکت تحقیقات فورستر – خاطرنشان کرد: «انتظار می‌رود این سامانه بتواند در 8 الی %10 از بودجه سالانه تعمیرات و نگهداریِ (بالغ بر 3/1 میلیارد یورو) این اپراتور صرفه‌جویی کند.

مسئولان راه‌‎آهن می‌توانند مانع ازکارافتادگی‌های برنامه‌ریزی‌نشده شوند تا از هزینه‌های تعمیرات و نگهداری بکاهند. به ویژه قبل از اینکه قطار به طور کلی از کار بیفتد و روند ترابری با اختلال همراه شود. انجام این کارها باعث افزایش رضایت مسافران و ارائه خدمات بهتر به آنان خواهد شد. توصیه می‌کنیم سازمان‌ها فعالیت‌های مربوط به تعمیرات و نگهداری پیش‌گویانه‌ را با اجرای یک پروژه آزمایشی آغاز کنند.»

مدیران‌عامل چند شرکت خودروسازی و الکترونیک اروپایی به تازگی از برنامه‌های خود برای ایجاد «جمهوری نرم‌افزاری» خبر داده‌اند که اکوسیستم جدیدی برای نوآوری در وسایل نقلیه هوشمند برشمرده می‌شود. Atos، Dassault Systèmes، Groupe Renault، STMicroelectronics و Thales از تصمیم خود برای تبادل دانش در راستای تسریع و توسعه این بازار خبر داده‌اند.

لوکا دمئو – مسئول ارشد اجرایی گروه رنو – در یک گفتگوی خبری بیان کرد: «در زنجیره ارزش جدید بخش حمل و نقل، سامانه‌های هوش می‌توانند به عنوان نیروی محرکه جدید عمل کنند. چرا که کلیه کارهای تحقیقاتی و سرمایه‌گذاری امروزه به هم پیوسته‌اند. با توجه به چالش‌های فناوری موجود، باید رویکرد آزادی در پیش بگیریم و همکاری را بیش از پیش در دستور کار قرار دهیم. تخصص‌های لازم در بخش امنیت سایبری، میکروالکترونیک، انرژی و مدیریت داده این فرصت را در اختیارمان خواهند گذاشت تا راهکارهای نوین و منحصربفردی برای تولید وسایل نقلیه مسئولیت‌پذیر، مشترک و با درصد انتشار کربن کمتر ایجاد کنیم.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید