نگهبان نامرئی تجهیزات دوار | وقتی هوش مصنوعی گوش فولاد را تیزتر می‌کند

در سومین پنل تخصصی پاویون هوش مصنوعی در فولاد، دکتر مهدی تقی‌زاده، مدرس دانشگاه صنعتی شریف، مشاور شرکت توانیر و مدیرعامل شرکت کیمیاگران انرژی، بر ضرورت تحول در رویکرد پایش تجهیزات دوار در صنایع فولادی تأکید کرد. این نشست با محوریت «پایش وضعیت هوشمند» و معرفی پلتفرم بوم《سینوس》برگزار شد.

تقی‌زاده گفت: هدف ما این است که با پیش‌بینی به موقع خرابی تجهیزات، از توقفات ناگهانی خطوط فولادسازی پیشگیری کنیم. سیستم‌های سنتی پایش وضعیت چند چالش اساسی دارند که مانع تصمیم‌سازی سریع و مؤثر در کارخانه‌ها می‌شود.

چالش‌های پایش سنتی در صنعت فولاد

او ادامه داد: نخستین چالش حجم بالای داده است. معمولاً پایش وضعیت به صورت دوره‌ای – ماهانه یا هفتگی – انجام می‌شود و در هر دوره داده‌های بسیار زیادی از تجهیزات مختلف ثبت می‌شود. نتیجه این است که هر سال چند صد گیگابایت داده جمع‌آوری می‌شود، اما حدود ۶۰ درصد آن‌ها هرگز به مرحله تحلیل نمی‌رسند. به همین دلیل تأکید ما این است که تمرکز از صرفِ جمع‌آوری داده، باید به تحلیل داده‌ منتقل شود.

تقی‌زاده در ادامه به مشکل دوم اشاره کرد و گفت: کمبود نیروی انسانی متخصص یکی از جدی‌ترین موانع صنایع فولادی است. در پایش وضعیت، کارشناسی توانمند است که سال‌ها تجربه عملی و دانش تحلیلی در حوزه ارتعاشات و عیب‌یابی داشته باشد. طبق آمار ما، ۴۰ درصد کارخانه‌ها در این حوزه کمبود نیروی ماهر دارند و به ناچار از پیمانکاران بیرونی استفاده می‌کنند. این وابستگی باعث تأخیر، افزایش هزینه و گاهی از دست رفتن زمان طلایی در تصمیم‌گیری می‌شود.

به گفته او، سومین چالش، پراکندگی داده‌هاست: ما ابزار و کارشناسان لازم را داریم، اما داده‌ها به شکل سیلویی ذخیره می‌شوند. تحلیل ارتعاشات انجام می‌شود، ترموگرافی انجام می‌شود، بازرسی چشمی انجام می‌شود، ولی این داده‌ها هیچ‌وقت همدیگر را نمی‌بینند. نتیجه این می‌شود که تصویری جامع از وضعیت تجهیز به دست نمی‌آید.

ورود هوش مصنوعی به پایش وضعیت

تقی‌زاده گفت: در انقلاب صنعتی چهارم، راه‌حل این چالش‌ها استفاده از هوش مصنوعی است. وقتی داده‌های عظیم تولید می‌شود، هوش مصنوعی می‌تواند به‌عنوان دستیار تحلیلی، داده‌ها را تفسیر کند و به مدیران و کارشناسان پیشنهاد تصمیم بدهد. در گذشته، داده‌ها به‌صورت دستی از سطح ماشین جمع‌آوری می‌شدند. اما در سیستم‌های جدید سنسورهای وایرلس مبتنی بر اینترنت اشیا روی تجهیزات کاشته می‌شوند تا داده‌ها به صورت خودکار برداشت و به نرم‌افزار منتقل شوند.

او توضیح داد: با این رویکرد، دیگر نیازی نیست تکنسین با دستگاه دستی، تک‌تک ماشین‌ها را بررسی کند. داده‌ها به صورت بلادرنگ ارسال می‌شوند و الگوریتم‌های یادگیرنده می‌توانند تغییرات کوچک را قبل از رخداد خرابی جدی تشخیص دهند. روند جهانی هم به‌سمت رابط‌های کاربری ساده‌تر و مدل‌های تصویری موسوم به دوقلوی دیجیتال پیش می‌رود تا کاربران صنعتی بتوانند وضعیت تجهیز را در محیط سه‌بعدی مشاهده کنند.

تقی‌زاده در معرفی سامانه داخلی «سینوس» گفت: این محصول ترکیبی از سخت‌افزار و نرم‌افزار است. در لایه سخت‌افزاری، داده‌های ارتعاشی از سطح تجهیزات دوار به‌صورت وایرلس جمع‌آوری می‌شود و به یک اپلیکیشن میانی ارسال می‌گردد. در لایه نرم‌افزار، الگوریتم‌های هوش مصنوعی داده‌ها را تحلیل می‌کنند، نوع عیب را تشخیص می‌دهند و حتی پیشنهاد اقدام اصلاحی ارائه می‌دهند. به‌عبارتی، این سامانه از تشخیص تا اقدام را یکپارچه کرده است.

از تجربه‌ی میدانی تا دقت ۹۰ درصدی

تقی‌زاده در بخشی از سخنان خود به تجربه‌ای عینی از کاربرد سیستم اشاره کرد: یکی از مدیران تعمیرات فولاد از ما خواست وضعیت کمپرسور احیا را بررسی کنیم. با تحلیل داده‌های ارتعاشی مشخص شد گیربوکس در بخش شفت خروجی دچار خرابی دنده شده بود که چند ماه قبل آغاز شده بود. همان شب به او اعلام کردیم بهتر است خط را متوقف و گیربوکس را تعویض کنند. فردا صبح که بررسی کردند، دقیقاً همان مشکل تأیید شد. این یعنی پیش‌بینی به‌موقع از خسارت بزرگ جلوگیری کرد.

او افزود: پلتفرم‌هایی مانند سینوس می‌توانند تا سطح هر کمپرسور، فن، پمپ یا گیربوکس، وضعیت سلامت را تحلیل کنند. از داده‌های ارتعاشی گرفته تا دما، فشار و سرعت، همه در مدل دیجیتال تجهیز نمایش داده می‌شود. کاربر می‌تواند گذشته عملکرد را ببیند، خرابی‌ها را مقایسه کند و علل افزایش ارتعاشات را بفهمد.

به گفته تقی‌زاده، سیستم برای هر تجهیز، شاخص سلامت تعریف می‌کند و با مقایسه با تجهیزات مشابه در دیتابیس، درصد اطمینان خرابی را اعلام می‌کند. او گفت: ما الان به‌ویژه در حوزه بیرینگ‌ها، دقت ۹۰ درصدی در تشخیص عیوب داریم. این عدد حاصل آموزش مدل با داده‌های ۱۷ ساله از ۴۵ کارخانه فولادی کشور است.

دیجیتال‌تویین؛ زبان مشترک مهندسان و مدیران

دکتر تقی‌زاده در بیان اهمیت مصورسازی گفت: در بخش مدیریتی، بسیاری از افراد با مفاهیم ارتعاشات آشنا نیستند و لازم است نتایج فنی به زبان قابل فهم ارائه شود. دوقلوهای دیجیتال در محیط سه‌بعدی، وضعیت سلامت هر تجهیز را با رنگ‌های هشداردهنده نشان می‌دهند. این برای مدیران تعمیرات ابزار حیاتی است تا بدون نیاز به تفسیر فنی، با یک نگاه وضعیت تولید را درک کنند.

وی افزود: سیستم سینوس قابلیت ادغام با نرم‌افزارهای نگهداری و تعمیرات (CMMS) را دارد. یعنی وقتی خرابی تشخیص داده می‌شود، اقدام اصلاحی و نتیجه آن به صورت خودکار ثبت می‌شود تا چرخه علت‌یابی تکمیل گردد. همچنین از طریق چت‌بات داخلی می‌توان از سیستم خواست که گزارش تحلیلی، خلاصه سوابق یا هشدارهای آخر را به‌صورت خودکار ارائه دهد.

از سخت‌افزار تا همکاری‌های ملی

در ادامه، دکتر تقی‌زاده گفت: این سامانه با سنسورهای رایج کارخانه‌ها نیز سازگار است. اگر کارخانه از دستگاه‌های پرتابل جمع‌آوری داده استفاده کند، با انتقال ساده‌ی فایل خروجی می‌تواند داده‌ها را در این پلتفرم تحلیل کند. حتی در قالب ویبرومتر قلمی، سیستم قادر است پارامترهای ارتعاش را بخواند و به‌صورت متنی تحلیل بدهد که خرابی مربوط به بیرینگ، دنده یا لقی شفت است.

او افزود: این فناوری به‌صورت دانش‌بنیان در مشهد توسعه یافته و از سال ۱۳۸۸ در حوزه تجهیزات دوار فعالیت دارد. تاکنون با ۴۵ کارخانه فولادی همکاری شده و خروجی‌های کسب‌شده اکنون پشتوانه مدل‌های یادگیرنده‌ی هوشمند است.

تقی‌زاده در پایان جمع‌بندی کرد: هدف ما افزایش بهره‌وری از طریق پیش‌بینی خرابی پیش از وقوع است. اگر من بتوانم خرابی را قبل از توقف خط شناسایی کنم، عملاً جلوی ضررهای سنگین گرفته می‌شود. خیلی از کارخانه‌ها الان سیستم و نفر دارند، ولی به‌دلیل ضعف آموزش یا فرهنگ نگهداری، خروجی ملموس نمی‌بینند. ما امیدواریم با فناوری سینوس این وضعیت تغییر کند.

او گفت: نتیجه این تحول، کاهش توقفات ناخواسته، افزایش ایمنی و صرفه‌جویی در انرژی و هزینه است. هوش مصنوعی قرار نیست جای انسان را بگیرد؛ قرار است دستیار او برای تصمیم‌گیری دقیق‌تر باشد. عبرتِ فولاد آن است که چرخ‌ها می‌چرخند، اما تصمیم باید هوشمند گردد.