تولید مدرن در حال تغییر عمیق است، که توسط همگرایی تکنولوژی عملیاتی و فناوری اطلاعات هدایت می شود.در قلب این تغییر اینترنت اشیا (IoT) است که کارخانه ها را با دید و کنترل بی سابقه ای توانمند می کند، در حالی که برنامه های اولیه متمرکز بر نظارت بر سلامت تجهیزات و یا ردیابی موجودی، ارزش استراتژیک واقعی هنگامی که داده های IoT به برنامه ریزی ظرفیت زمان واقعی اعمال می شود، این مقاله بررسی می کند که چگونه دستگاه های اولیه برای دستیابی به سرعت انعطاف پذیری منابع کاربردی، اجازه می دهد تا به منابع هوشمند، و انعطاف پذیری های کاربردی، پاسخ دهند، و انعطاف پذیری اطلاعات هوشمند، و انعطاف پذیری اطلاعات پاسخ دهند، و انعطاف پذیری اطلاعات واقعی، و قابلیت های کاربردی، به آنها را فراهم کند، به آنها را فراهم کند.

نقش دستگاه های IoT در ساخت زیرساخت

دستگاه های IoT در یک کارخانه هوشمند شامل یک اکوسیستم گسترده از سنسورها، محرک ها، متر های هوشمند، تگ های RFID و کنترل کننده های صنعتی است.این دستگاه ها در ماشین آلات، نوار نقاله، سیستم های ذخیره سازی و حتی پوشیدنی های کارکنان تعبیه شده اند.آنها به طور مداوم نقاط داده مانند دما، لرزش، زمان چرخه، مصرف انرژی و از طریقput، این لایه سنجش فراگیر، یک نمایندگی دیجیتال از کارخانه فیزیکی ایجاد می کند و ظرفیت برنامه ریزی مواد خام را برای الگوریتم های مواد فراهم می کند.

بر خلاف سیستم های سنتی اجرای تولید (MES) که بر گزارش های دسته ای متکی هستند، داده های IoT در حال جریان و فرکانس بالا است، این اجازه می دهد تا برنامه ریزی ظرفیت برای تغییر از بررسی های استاتیک، دوره ای به یک فرایند پیوسته و بسته حلقه، توانایی نظارت بر وضعیت و پیشرفت هر دستگاه در زمان واقعی به این معنی است که برنامه ریزان می توانند نه تنها ببینند چه چیزی در حال حاضر اتفاق می افتد، بلکه همچنین پیش بینی چند ثانیه یا پیش بینی می کنند.

از برنامه های تاریخی تا Dynamic Capacity Allocation

برنامه ریزی ظرفیت متعارف استفاده از داده های تاریخی، زمان های ثابت و اندازه های دسته بندی از پیش تعیین شده است.برنامه های تولید اغلب روزهای یا هفته ها را پیش تعیین می کردند، با توانایی محدود برای واکنش به اختلالات مانند خرابی ماشین، کمبود مواد یا تغییرات ناگهانی ظرفیت IoT این مدل را بر روی سر آن قرار می دهد.

نظارت بر زمان واقعی و تشخیص بطری

سنسورهای IoT در خطوط تولید کاهش، صفحات توقف یا انحراف کیفیت لحظه ای که رخ می دهد را تشخیص می دهند. مدل های یادگیری ماشین این داده ها را برای شناسایی تنگناهای در حال ظهور، به عنوان مثال، اگر یک بازوی رباتیک در یک خط مونتاژ شروع به گرفتن طولانی تر از زمان چرخه استاندارد آن به دلیل سایش، سیستم به طور خودکار پرچم های ایستگاه کار را به عنوان یک محدودیت بالقوه دریافت می کند و می تواند ساعت های واقعی را تنظیم کند تا زمان حرکت صحیح را از طریق کاهش دهد.

Dynamic Scheduling و Load balance

با داده های زمان واقعی در دسترس بودن ماشین، طول صف و اولویت های سفارش، الگوریتم های برنامه ریزی می توانند توالی بهینه از مشاغل را به طور مداوم محاسبه کنند. دستگاه های IoT بازخورد در زمان فرایند واقعی را ارائه می دهند که اغلب از برآوردهای استاندارد منحرف می شوند.با ترکیب این معیارهای زنده، سیستم های برنامه ریزی ظرفیت می توانند وظایف را در سراسر ماشین آلات موازی یا تغییرات برای تعادل بار، به عنوان مثال، اگر یک ماشین آلات تولید پایین تر از ماشین آلات استفاده کنند، بدون تغییر به دلیل تغییر تنظیمات کار، به دلیل تغییر می تواند به طور کلی، به طور مستقیم، به عنوان تغییر دهد.

پیش بینی تجزیه و تحلیل: ظرفیت های پیش بینی کننده نیاز دارد

داده های IoT نه تنها برای واکنش های فوری مفید است بلکه برای پیش بینی نیازهای ظرفیت آینده نیز مفید است.با جمع آوری جریان های طولانی از داده های عملیاتی، کارخانه ها می توانند مدل های پیش بینی کننده ای را بسازند که پیش بینی می کنند تقاضا، رویدادهای تعمیر و نگهداری و حتی اختلالات خارجی مانند تاخیر زنجیره تامین.

تعمیر و نگهداری پیش بینی کننده به عنوان یک ابزار ظرفیت

خرابی برنامه ریزی شده یک عامل اصلی ظرفیت سنسور IoT در پارامترهای نظارت بر تجهیزات بحرانی مانند جریان حرکتی، طیف ارتعاش و الگوهای حرارتی است. الگوریتم های یادگیری ماشین نشانه های اولیه تخریب را تشخیص می دهند و زندگی مفید باقی مانده را پیش بینی می کنند.این اجازه می دهد تا نگهداری در طول پنجره های خرابی برنامه ریزی شده به جای تولید حداکثر، در دسترس بودن دارایی بالاتر و ظرفیت پیش بینی شده بیشتر کاهش یابد.

پیش بینی ظرفیت تقاضا-Driven Capacity پیش بینی

دستگاه های IoT در انبار و در حمل و نقل حمل و نقل حرکت موجودی و سرعت تحویل سفارش را همراه با داده های خارجی در مورد سفارشات مشتری و روند بازار، این سیگنال ها به مدل های سنجش تقاضا تغذیه می کنند. خروجی یک پیش بینی کوتاه مدت ظرفیت است که به روز رسانی هر چند ساعت می تواند به طور فعال سطح کارکنان، برنامه های تغییر و اولویت های تولید را بر اساس این پیش بینی ها، کاهش تقاضا و تغییرات تاخیر.

چالش های ادغام: Blending IoT با سیستم های برنامه ریزی ظرفیت

پیاده سازی برنامه ریزی ظرفیت زمان واقعی نیاز به بیش از نصب سنسورها دارد.داده ها باید به یک پلت فرم یکپارچه که می تواند پردازش، تجزیه و تحلیل و عمل بر روی آن است، جریان یابد. بسیاری از کارخانه ها با سیستم های میراثی که برای ادغام داده های جریانی با برنامه ریزی منابع سازمانی (ERP) و سیستم های اجرای تولید (MES) ضروری است، اما سازمان ها اغلب نیاز به استقرار گره های لبه برای کاهش حجم و تأخیر داده های IoT دارند.

کیفیت داده ها و استاندارد

سنسورهای IoT می توانند داده های پر سر و صدا یا متناقض را ایجاد کنند.تکامل، شکاف های ارتباطی و عدم تطابق بین دستگاه های مختلف فروشندگان می توانند قابلیت اطمینان برنامه ریزی ظرفیت را تضعیف کنند. ایجاد خطوط لوله های معتبر داده و اتخاذ استانداردهای صنعت مانند OPC UA (معماری یکپارچه) یا MQTT (پیام Queuing Tele Transport) بسیار مهم است.

امنیت سایبری و قابلیت اطمینان شبکه

برنامه ریزی ظرفیت زمان واقعی بستگی به جریان مداوم داده ها دارد.حمله سایبری که شبکه های سنسور را به خطر می اندازد یا ارتباطات را مختل می کند می تواند عواقب عملیاتی فوری داشته باشد.عامل ها باید چارچوب های امنیت سایبری را که شامل رمزگذاری، تأیید دستگاه و تقسیم بندی شبکه می شوند، علاوه بر این، مسیرهای شبکه اضافی و مکانیسم های شکست خورده اطمینان حاصل کنند که حتی اگر یک جریان داده ها از دست رفته باشد، ظرفیت برنامه ریزی می تواند با استفاده از منابع داده جایگزین ادامه یابد.

نمونه های موردی: ظرفیت رانندگی IoT

چندین تولید کننده مزایای ملموس برنامه ریزی ظرفیت IoT را نشان داده اند، به عنوان مثال، یک تامین کننده خودرو Tier 1 خطوط مونتاژ خود را با سنسورهای IoT که زمان چرخه و سرعت نوار نقاله را در زمان واقعی اندازه گیری کرده اند، با تغذیه این داده ها به یک سیستم برنامه ریزی پویا، کارخانه کاهش زمان بیش از 25٪ و افزایش اثربخشی کلی تجهیزات (OEE) را در عرض شش ماه، یک نمونه دیگر از ظرفیت ساخت و ساز نیمه هادی استفاده می کند که پیش بینی شده است که جلوگیری از خرابی های مکانیکی در سیستم تعمیر و نگهداری عمده روبات ها جلوگیری از خرابی های مکانیکی.

استقرار های بزرگ در مقیاس بزرگ همچنین مقیاس پذیری معماری IoT را برجسته می کند.یک تولید کننده کالاهای مصرفی جهانی که بیش از ۱۰۰۰۰ دستگاه IoT را در ۲۰ کارخانه مستقر کرده است تا مصرف انرژی و سرعت خط را نظارت کند.داده های جمع آوری شده برنامه ریزی متمرکز با دید زمان واقعی در عملکرد فعلی هر سایت را فعال کرد.این شرکت گزارش یک بهبود ۱۲٪ در طریق نفوذ و کاهش هزینه های کار بیش از حد در طول فصل های اوج.

آینده: AI، Edge Computing و Twins دیجیتال

مرز بعدی برنامه ریزی ظرفیت زمان واقعی شامل ادغام شدید با هوش مصنوعی و تکنولوژی دوقلو دیجیتال است. Edge محاسبات اجازه می دهد تا داده های IoT بر روی کف کارخانه پردازش شوند، به عنوان مثال، یک مدیر کارخانه می تواند زمان پاسخ زیر ثانیه را برای تنظیمات ظرفیت - تکرارهای مجازی سیستم های تولید فیزیکی - برنامه ریزان اجازه می دهند تا سناریوهای ظرفیت را با استفاده از جریان های داده واقعی شبیه سازی کنند.

طبق گزارش مک کینزی، کارخانه هایی که به طور کامل IoT، AI و برنامه ریزی ظرفیت مبتنی بر ابر را ادغام می کنند می توانند به بهره وری از 15 تا 30 درصد برسند، زیرا دستگاه های IoT ارزان تر و قدرتمند تر می شوند، حتی تولیدکنندگان کوچک و متوسط می توانند این قابلیت ها را اتخاذ کنند. روند به سمت شبکه های بی سیم 5G در تنظیمات صنعتی، تاخیر و افزایش تراکم سنسور های متصل را کاهش می دهد و ظرفیت برنامه ریزی بالا برای محیط های تولید بسیار پیچیده را فراهم می کند.

ملاحظات استراتژیک برای اتخاذ

به طور موفقیت آمیز استفاده از IoT برای برنامه ریزی ظرفیت نیاز به یک استراتژی روشن دارد.سازمان ها باید با یک خلبان در یک خط تولید بحرانی شروع کنند، با تمرکز بر یک محدودیت ظرفیت واحد، آنها باید در زیرساخت داده سرمایه گذاری کنند که می تواند مقیاس، از جمله محاسبات لبه و سیستم های تجزیه و تحلیل ابر، به طور مساوی مهم است ساخت یک تیم ماهر که هر دو عملیات و مدیریت تغییر داده را درک می کند، اغلب نادیده گرفته می شود: اپراتورهای و باید به بینش های تولید شده توسط سیستم های IoT اعتماد کنند تا بتوانند به آنها را به سیستم های قدرتمند و سیستم های قدرتمند در مورد استفاده از آنها اعتماد کنند.

[[ویرایش] [۱] [۱] [۱] [۱۰]

نتیجه گیری

تاثیر دستگاه های IoT در برنامه ریزی ظرفیت زمان واقعی تحول است.با جایگزینی برنامه های استاتیک با تصمیم گیری پویا و مبتنی بر داده، کارخانه های هوشمند می توانند زباله ها را از بین ببرند، خرابی را کاهش دهند و به تغییرات بازار سریع تر از همیشه پاسخ دهند.این سفر بدون چالش نیست - ادغام داده ها، امنیت و توسعه مهارت ها موانع حیاتی باقی می ماند، با این حال، سازندگان که با موفقیت از برنامه ریزی IoT برای ظرفیت استفاده می کنند، بهره برداری رقابتی تعریف شده در زمان قابل توجهی از نوسان است.