سیستمهای سایبر- فیزیکی (CPS) در صنعت نسل چهارم

ساخت وبلاگ

سیستمهای سایبر- فیزیکی در صنعت نسل چهارم

محسن جزمی- تیرماه 96

دراین مقاله به هسته صنعت نسل چهارم که سیستم های سایبر- فیزیکی هستند پرداخته شده و سعی گردیده   با گردآوری چکیده مقالات بروز و مهمی که دراین خصوص در سطوح آکادمیک و عملیاتی ارائه شده، خوانندگان محترم آشنایی بیشتری با این موضوع  پیدا کنند.

توصیه میشود قبل از مطالعه این مطلب، مقاله زیر را که بصورتی مقدمه ای برای این مطلب است مطالعه نمایید:

آنچه درمورد صنعت نسل 4 (Industry 4.0)یا انقلاب صنعتی چهارم بایستی دانست

 

مقدمه

در صنعت نسل چهارم سطوح مختلف اتوماسیون ، کامپیوترها ، روباتها، الگوریتمهای یادگیری ماشین ، هوش مصنوعی، انسان و شبکه های ارتباطی چنان درکنار یکدیگر بکار گرفته میشوند تا روباتهای یادگیرنده را باکمترین دخالت انسان بمنظور تولید و ارائه خدمات کنترل نمایند. به همین دلیل در صنعت نسل 4 ، مفهوم "کارخانه هوشمند[1]" شکل میگیرد.

در صنعت نسل 4 ، فرآیندهای فیزیکی موجود درکارخانه هوشمند و زنجیره ارزش آن بواسطه سامانه هایی که به آنها "سیستم سایبر- فیزیکی(CPS[2])" اطلاق میشود ، با استفاده از پایش مداوم داده های حاصل از حسگرهای هوشمند و معمولی که درشبکه های صنعتی قراردارند  و با پردازش و تفسیر آنها اطلاعات باارزشی برای خلق یک نسخه مجازی از  فرآیندهای مزبور ایجاد و سیستم مدیریت را قادر میکند تا تصمیم گیریهای غیر متمرکز برای کنترل بهینه کارخانه و زنجیره ارزش خود بعمل آورند.این نسخه های مجازی  از اجزا ، ماشین آلات و دنیای فیزیکی را همزاد سایبری[3] یا آواتار[4] نیز مینامند.

همزاد سایبری یا آواتار ماشین آلات

همزاد مجازی یا آواتار ماشین آلات

 

به بیان ساده تر ، سیستمهای سایبر- فیزیکی شبکه هایی برخط از قطعات ، تجهیزات و ماشینهای متداول ومعمول هستند که به شکل یک شبکه مجازی با یکدیگر درارتباط میباشند. این ارتباط میتواند ازطریق واسطهای فیزیکی مانند کابل مسی وفیبر نوری یا بصورت بیسیم برقرار شود .این سامانه ها با پیوستن فناوری اطلاعات به اجزای مکانیکی و الکترونیکی ، امکان ارتباط اجزا و ماشین آلات  با یکدیگر از طریق شبکه فراهم شده را مهیا میکنند.

لذا دراین مرحله از صنعتی شدن ، با پدیده هایی مانند  کارخانه هوشمند ، شبکه برق هوشمند، خانه و ساختمان هوشمند بعنوان ارکان مهم و مرکزی انقلاب چهارم صنعتی روبرو هستیم. درعمل سیستمهای فیزیکی در بستر اینترنت اشیا،  با یکدیگر و همچنین با انسان بصورت بلادرنگ[5] ارتباط برقرار کرده ،  تشریک مساعی و همکاری میکنند و از طریق بستر اینترنت ، اطلاعات و خدمات مورد نیاز درون سازمانی و برون سازمانی را به سامانه های مدیریتی مکانیزه و کارکنان داخل کارخانه و بیرون از آن،  برای کسانی که در زنجیره تامین و ارزش شرکت سهیم هستند ارسال و دردسترس قرار میدهند تا برای تصمیم گیریها استفاده نمایند.

 

ساختار سیستم های سایبر- فیزیکی

سیستم های سایبر- فیزیکی (CPS) سیستمهای هوشمندی هستند که شبکه های مهندسی شده با قابلیت اثر متقابل اجزای فیزیکی و محاسباتی (براساس الگوریتمها) را دربرمی گیرند. این سیستمها بشدت به هم پیوسته و یکپارچه شده، کارکردهای جدیدی را فراهم تا کیفیت زندگی بهبود و ارتقا پیدا کند و منجر به پیشرفت فناوری درحوزه های بحرانی مانند مراقبت بهداشتی فردی ، واکنش اضطراری ، مدیریت جریان ترافیک ، تولید هوشمند ، امنیت ملی و دفاعی و تولید و مصرف انرژی شوند.

در حال حاضر ، علاوه بر CPS واژه ها و عبارت زیاد دیگری وجوددارند که سیستمها و مفاهیم مشابه یا مرتبطی را وصف میکنند ، مانند اینترنت صنعتی ، اینترنت اشیا، (IoT) ، ماشین به ماشین (M2M) ، شهرهای هوشمند و ..... . بین این مفاهیم همپوشانی زیادی به خصوص بین CPS و IoT وجوددارد ، طوریکه بعضی اوقات به جای یکدیگر بکار برده میشوند.

در 2013 میلادی ، اتحادیه بین المللی ارتباطات از راه دور (ITU) در توصیه نامه ای با شناسه ITU-TY.2060 ، اینترنت اشیا، را بصورت زیر تعریف کرد:

" زیرساختی جهانی برای اطلاعات اجتماعی که از بهم پیوستن (فیزیکی و مجازی) اشیا، براساس فناوریهای موجود و درحال نمو اطلاعاتی و ارتباطی با قابلیت کار با یکدیگر ایجاد میشود و ارائه خدمات پیشرفته ای را ممکن می کند"

اینترنت اشیا و سیستم های سایبر-فیزیکی

اینترنت اشیا و سیستمهای سایبر- فیزیکی

 

ارزش واقعی اینترنت اشیا، وقتی مشخص میشود که بتوان بواسطه سیستمهای پیش بینی شده ، داده های تولید شده از سوی حسگرها، دستگاهها، ماشین آلات و پایانه های اینترنت اشیا، را دریافت، تفسیر و پردازش کرد و درنهایت فرمانهای لازم به عملگر[6]های مناسب داد. بعبارت دیگر ارزش واقعی اینترنت اشیا، برای تولیدکنندگان ، در تجزیه وتحلیلی است که از مدلهای سایبر- فیزیکی ماشین آلات و سیستم ها حاصل میشود. در صنعت نسل چهارم ، سیستمهایی که میتوانند این ارزش افزوده را به اینترنت اشیا، ببخشند ، همان سیستمهای سایبری – فیزیکی (CPS)  هستند .

 

منظور از اشیا، در IoT ، شامل اشیای دنیای فیزیکی (دارائیهای فیزیکی[7]) و اشیای دنیای مجازی یعنی اطلاعات است. وقتی IoT با حسگرها و عملگرها آمیخته و یکپارچه میشود ، فناوری بوجودآمده ، نمونه ای از سیستمهای کلی تر یعنی سیستمهای سایبر- فیزیکی میشود که آنهم در برگیرنده فناوریهایی مانند شبکه هوشمند برق، خانه هوشمند ، حمل ونقل باهوش، و شهرهای هوشمند میشود.

بعبارتی ساده،  سیستمهای سایبر- فیزیکی واسطی بین انسان و دنیای سایبری هستند و داده های جمع آوری شده را به اطلاعاتی تبدیل میکنند که عملیاتی است و سرانجام با مداخله داراییهای فیزیکی، فرآیندها را بهینه میکنند.

وقتی بواسطه فناوری اینترنت اشیا، از دارائیهای فیزیکی با استفاده از حسگرهای  نهفته[8] درآنها داده برداری انجام میشود، حجم بزرگی از داده ها تولید و دردسترس قرار میگیرد. متاسفانه درحال حاضر فناوریهای موجود کفایت دسته بندی و اداره این حجم عظیم از داده هایی که روزانه تولید میشوند را ندارند.علاوه براین، روشها و الگوریتمهای تحلیلی برای استفاده دراین حجم گستره از داده از بلوغ کافی برخوردارنیستند و رشد لازم را نداشته اند تا بتوان بصورت هوشمندانه و اثربخش تمامی داده های تولید شده را پردازش و تحلیل کرد. این موضوع بعنوان چالش یزرک داده های بزرگ یا کلان داده[9] تلقی میشود.

 براساس تحقیقات منتشره شرکتهایی مانند EMC آمریکا و IDC چین  (که درحوزه های مرتبط با IT فعالند) ، در 2013 میلادی حجم داده های دیجیتالی تولید شده درجهان حدود 4.4 ZB (Zeta Byte) بوده است(که هر Zeta Byte معادل یک بیلیون ترا بایت -109 TB – است).

جالب اینست که در همین سال از 187 میلیارد دارائی فیزیکی با قابلیت اتصال به اینترنت ، فقط حدود 7 درصد آنها  متصل شده اند. پیش بینی میشود تا 2020 میلادی ، این تعداد به 212 میلیارد دارائی فیزیکی قابل اتصال برسد و فقط15 درصد آن به سیستمها متصل شوند.     با این روند ، حجمی حدود 44 ZB (یعنی ده برابر بیش تر از هفت سال قبل آن) داده آماده پردازش و تحلیل در دسترس خواهد بود. بدیهی است حوزه فناوری اطلاعات برای اداره این حجم داده با چالش همراه خواهد شد. از چند سال قبل برای مواجهه با این چالش  رویکرد سیستم های سایبر- فیزیکی (CPS) پیش گرفته شده است.

سیستم سایبر- فیزیکی معمولا به سیستمهای متشکل از اجزای محاسباتی اطلاق میشود که با هم و بصورت مشارکتی کار میکنند تا با استفاده از بازخوردی که معمولا از حسگرهای تحت پایش دریافت میکنند و یا بازخوردهایی که بصورت فرمان به عملگرها میفرستند ،دنیای فیزیکی را کنترل کنند.

از تشابه IoT و CPS در استفاده آنها از شبکه ، اینترنت و حسگرها میتوان استنتاج کرد که آنها تعاریف مختلف از یک مفهوم مشترک هستند. ولی باید پذیرفت علیرغم این تشابه ، IoT و CPS چیز یکسانی نیستند.

مهمترین ویژگی IoT ، قابلیت اتصال[10] آن در دارائیهای فیزیکی و برقراری انتقال داده ها از طریق پیاده سازی ایمن شبکه های کامپیوتری ، اینترنت و پروتکلهای ارتباطی معمول اینترنت یا پروتکل های اختصاصی مانند MTConnect[11]  است. صرف نظر از قابلیت اتصال ، الگوی IoT شامل سیستمهای تحلیلگراطلاعاتی نمیشود، ولی CPS علاوه بر اینکه از قابلیت اتصال دارائیهای فیزیکی برخورداراست ، توانایی اجرای تحلیلهای پیچیده را نیز دارد. تحلیلهای پیچیده در CPS بواسطه هسته تحلیلی متمرکزی انجام میشود که از داده های خام ، دانش مورد نیاز را استخراج میکند. براساس دانش استنباط شده از داده ها ، فرمانهای کنترلی به عملگرها یا دارائیهای فیزیکی ارسال میشود. بصورت خیلی کلی میتوان IoT را بصورت زیر ساختی دید که CPS ها را ممکن میسازد.

 

سیستمهای سایبر- فیزیکی در تولید

در صورت استفاده از تمامی ظرفیتها و توانمندیهای موجود درIoT و CPS ، تاثیر آنها در صنعت بسیار چشمگیر خواهد بود. امروزه آنچه از مفاهیم IoT و CPS در اغلب صنایع بکار گرفته میشود ، محدود به حسگرهای نهفته در قطعات ، تجهیزات و ماشین آلات تولید یا برچسبهای RFID روی محصولات است .همچنین داده های خروجی ازاین دستگاهها دستخوش تحلیل های زیادی نمیشوند. ولی هنوز آغاز کار است. ارزش واقعی این سیستمها زمانی حاصل میشود که از سیستمهای اطلاعاتی برای تحلیل داده های IoT استفاده و اطلاعات حاصل برای تصمیم گیریهای مبتنی بر آگاهی بکار گرفته شوند. بطور مثال از داده های خروجی حسگرهای نهفته در تجهیزات تولید ، میتوان برای پیش بینی فرسایش تجهیزات یا تشخیص عیوب محتمل استفاده کرد. معمولا این تحلیل ها به کاهش تا 40 درصدی هزینه های نگهداری و تعمیرات منجر شود.انجام چنین تحلیلهایی برروی داده های مهیا شده بواسطه IoT وظیفه سیستمهای CPS میباشد که درنهایت منجر به بهبود عملکرد درسطح شرکت میشود.

  

معماری سیستم های سایبر فیزیکی

متخصصین ودانشمندان حوزه داده ، معماری 5 سطحی برای وظایف CPS هایی که در تولید مشغولند تعریف کرده اند. شکل ظاهری این معماری بصورت هرمی است که هر چه داده ها به سمت سطوح بالاتر میروند ، حجم آنها کمتر ولی ارزش اطلاعاتی آنها افزایش می یابد.

 

بطورکلی یک CPS از دو مولفه وظیفه ای اصلی تشکیل میشود:

  • قابلیت اتصال پیشرفته که از دریافت بلادرنگ داده ها از دنیای فیزیکی و اطلاعات از فضای سایبری اطمینان حاصل میکند
  • مدیریت هوشمندانه داده ها ، قابلیتهای تحلیلی و محاسباتی که فضای سایبری را می سازد

ساختار و معماری 5 سطحی که درادامه ارائه و به اصطلاح 5C نیز به آن اطلاق میشود،  بطور شفاف ترتیب جریان کار و شکل گیری یک CPS از ابتدا ، یعنی دریافت داده ها تا تحلیل و درنهایت خلق ارزش را تعریف میکند.

در مقایسه با مدل هرمی ارائه شده در مدلهای مدیریت دانش DIKW[12] که دربرگیرنده مراحل تیدیل داده به خرد (شامل مراحل داده، اطلاعات، دانش و خرد) میباشد، معماری 5 سطحی 5C بطور مشخص  برروی چگونگی توانمند سازی ماشینهای فیزیکی برای استفاده از داده ها و اطلاعات برای خلق دانش و خرد تمرکز میکند.

 معماری 5 سطحی برای سیستم سایبر فیزیکی

1-      سطح اتصال[13] هوشمند

دریافت درست و مطمئن داده ها از ماشین آلات و اجزای آنها ، وظیفه  اولین سطح یک سیستم سایبر- فیزیکی است که به آن سطح اتصال هوشمند اطلاق میشود .

دریافت داده های معمولا از سه منبع زیر انجام میگیرد:

  •  اندازه گیری های انجام شده توسط حسگرها 
  • کنترل کننده ها
  • سیستم های تولید و نگهداری در بنگاه اقتصادی مانند سامانه های برنامه ریزی منابع در بنگاه اقتصادی ERP[14]، سیستم عملیات تولید MES[15] ، مدیریت زنجیره تامین SCM[16] و سیستم مدیریت کامپیوتری نگهداری و تعمیرات CMMS[17]

 

در سطح اول CPS ، دو موضوع مهم برای لحاظ کردن وجوددارد :

 اولین آن اینست که با توجه به انواع مختلف داده ، نیازمند روشی یکپارچه ، بدون درز و ایمن برای مدیریت نحوه دریافت داده ها و انتقال آنها به سرور مرکزی است . استفاده از پروتکلهای ارتباطی خاص دراین سطح  مانند MTConnect ، OPC[18] و سایر پروتکلها مانند  Zig Bee،  Bluetooth ، Wi-Fi ، UWB میتوانند برای انتقال داده ها از محل نصب ماشین آلات به سرورهای مرکزی که دورتر قراردارند اثربخش و مفید باشد.

دومین موضوع با اهمیت ، انتخاب حسگرهای مناسب از جنبه های نوع و مشخصات است.

 

به صورت خلاصه و کلی در این سطح ، داده های تولید شده توسط ماشینها ، قطعات و محصولات جمع آوری و به سمت سطوح بالاتر هدایت میشوند.

 

2-      سطح تبدیل[19] داده به اطلاعات

دراین سطح با بکارگیری الگوریتمهایی که براساس کاربرد مورد نظر طراحی شده اند ، داده ها به اطلاعات با معنی تبدیل میشوند. معمولا داده های سطح اول نشاندهنده وضعیت ماشین آلات تحت پایش هستند و لازمست دراین سطح ، این داده ها به اطلاعات معنی دار و کاربردی شامل ارزیابی وضعیت سلامتی و تشخیص عیوب ماشین آلات و اجزای آن تبدیل شوند.

در سالیان اخیر تمرکز بسیاری روی توسعه وتدوین الگوریتمهای خاص برای کاربردهای مدیریت سلامتی و تشخیص خرابی (PHS[20]) بارویکرد پیشگویانه دردنیا انجام شده است.با محاسبه مقدار سلامتی ، تخمین عمر باقیمانده و غیره ، سطح دوم CPS  موجب ایجاد خودآگاهی[21] در ماشین آلات میشود.

بطور مثال، داده های خام حاصل از  ارتعاش سنجی مربوط به یک ماشین در خط تولید رادرنظر بگیرید. داده های خام دارای هیچ محتوای دانشی در خصوص سلامتی و وضعیت ماشین مربوطه نمیباشد. اما الگوریتمهای ارزیابی سلامت میتواند مشخصه های وابسته به آن ماشین را استخراج و ازآنها برای دستیابی به دانش مورد نیاز برای تشخیص وضعیت ماشین استفاده کنند.

 

3-      سطح سایبر[22]

سطح سایبر، اطلاعات پردازش شده را از سطح پایین تر دریافت و از آن برای خلق ارزش افزوده استفاده میکند. اطلاعات استخراجی از ماشین آلات و قطعاتی که تحت پایش وضعیت هستند،شرایط آنها را در زمان حاضر نشان میدهد . اگر بتوان وضعیت حال حاضر آنها را با وضعیت حال حاضر یا در زمانهای سابق (سوابق تاریخی) سایر ماشینهای یکسان یا مشابه آنها  مقایسه کرد ،کاربران دید بیشتر و روشنتری  برای پیش بینی تغییرات در آینده و عمر آنها  پیدا میکنند.

این سطح به عنوان هسته متمرکز اطلاعات و اجرای تحلیلهای پیچیده عمل میکند. اطلاعات حجیمی از تمامی ماشین آلات متصل شده به شبکه به سطح دوم وارد و در سطح سوم از روشهای تحلیلی خاصی برای استخراج اطلاعات اضافه ای که بهتر و روشنتر وضعیت تک تک ماشین ها در بین تمامی ناوگان ماشین آلات[23] را مشخص میکند استفاده میشود.

نکته :منظور از ناوگان،  گروهی از ماشین آلات و دارائیهای فیزیکی مشابه دریک خط تولید یا در سایر خطوط تولید مشابه است (مانند نوع خاصی از ماشینهای تولید در یک خط تولید).

 به عنوان مثال ، سطح سایبر بایستی روشهای تحلیلی خبره و پیشرفته ای براساس رویکرد ناوگانی و گروهی بکار گیرد که با مقایسه عملکرد یک ماشین با دیگر ماشینهای ناوگان بتواند ارزیابی از وضعیت آن ماشین درمقایسه با سایر ماشین آلات بدست آورد. همچنین تشابه عملکرد بین یک ماشین و تاریخچه قبلی عملکرد ماشین آلات ودارائیهای فیزیکی(اطلاعات تاریخی)  میتواند مبنای پیش بینی رفتار آتی ماشین باشد. برای تعیین و مشخص کردن الگو و قالب یک مجموعه بزرگ از داده های مرتبط با گروه یا ناوگان ،لازمست الگوریتمهای یادگیری عمیقی[24] را اجرا کرد.

 

ممکن است بنظر برسد سطوح تبدیل و سایبر وظایف مشابه ای دارند. ولی تفاوت اساسی بین این دو سطح وجود دارد که مربوط به دامنه اطلاعات ورودی و هدف الگوریتمهای مورد استفاده دراین دو سطح است. در سطح تبدیل ، بیشتر تمرکز روی یک دارائی (بطور مثال یک ماشین انفرادی) است ،درحالیکه سطح سایبر داده های کل سیستم را بکار میگیرد تا دانش اضافه تری ایجاد کند. درسطح تبدیل امکان انجام تحلیل ها بصورت محلی یعنی در محل هر یک از حسگرها و عملگرها وجود دارد ولی روشهای سطح سایبر در هسته مرکزی پردازش و محاسبات (مانند رایانش ابری[25]) رخ میدهد.

 

4-      سطح ادراک[26]

در سطوح قبلی CPS ، راه حلهایی برای تبدیل سیگنالهای ماشین آلات به اطلاعات سلامتی آنها و مقایسه با سایر نمونه ها به اجرا گذاشته میشود .درسطح ادراک ، خود ماشین بایستی بتواند از مزیت این سیستم پایش وضعیت برخط[27] بنحو مطلوب برای شناسایی و تشخیص عیبهای بالقوه خود بهره ببرد و پیش تر از بروز علائم آشکاری که نشان دهنده خرابی آن ماشین یا قطعه است بتواند از پتانسیلهای خرابی و تنزل عملکردی خود آگاه[28] شود.

براساس یادگیری تطابقی[29] که ازارزیابی روند و تاریخچه سلامتی ماشین حاصل میشود، سطح ادراکی میتواند با استفاده از الگوریتمهای پیش گویی ، پتاسیل خرابی و تخمین زمانیکه نوع خاصی از خرابیها بوقوع خواهد پیوست را پیش بینی نماید.

ارائه مناسب دانش کسب شده به کاربران خبره ، پشتیبانی اثر بخشی ازآنها برای اخذ تصمیمات درست مینماید. چون اطلاعات مقایسه ای و همچنین اطلاعات وضعیت ماشین ، در دسترس این سطح از CPS قراردارد ، تصمیمات مقتضی در خصوص اولویت بندی وظایف و اقدامات بمنظور بهینه شدن فرآیند تولید براحتی میتواند انجام شود. در این سطح معمولا برای درک و انتقال راحت و کامل دانش کسب شده به  کاربر ، اطلاعات بصورت ترسیمی ارائه میشود.

 

5-      سطح پیکره بندی[30]

چون در سطوح قبلی ، ماشین میتواند بصورت برخط وضعیت سلامتی خودرا ردیابی کند ،  CPS   قادراست از همان ابتدا خرابی را آشکار و اطلاعات پایش سلامت ماشین را به سطح عملیاتی شرکت ارسال نماید.

سطح پیکره بندی در اصل ،  بازخورد فضای سایبری به فضای فیزیکی  میباشد و بعنوان یک کنترل نظارتی عمل میکند تا به ماشین توانمندیهای خود-پیکره بندی[31] و خود- تطابقی[32] ببخشد . این سطح از CPS بصورت یک سیستم کنترلی منعطف عمل میکند تا تصمیمات صحیح و پیشگیرانه ای که در سطح ادراک گرفته شده را به اجرا بگذارد .

بطور مثال ، ماشینی که بتواند وضعیت سلامت خودرا تشخیص دهد، قادر خواهد بود زودتر از پدید آمدن خرابی ، اطلاعات پایش وضعیت سلامتی خودرا به سطح عملیاتی ارسال کند. این اطلاعات نگهداری و تعمیرات بعنوان بازخورد به سیستم مدیریت کسب وکار داده میشود و کارگران و مدیران کارخانه میتوانند ازآنها برای تصمیم گیریهای آگاهانه استفاده کنند. در همین حال خود ماشین نیز قادراست مقدار بارکاری یا برنامه تولید خودرا طوری تنظیم کند که افت تولید و  ضایعات ناشی از عملکرد ناقص ماشین کاهش پیدا کند. نتیجه این اقدامات نیز سیستمی انعطاف پذیر است که میتواند با تغییر در رفتار و پیکره بندی خود حتی درحین تولید به بیشترین بهره وری و کارآیی خط تولید دست پیدا کند و همچنین از خرابیهای متعاقب که میتواند عملیات تولید را مختل کند جلوگیری نموده و با این سیستم ، بگونه ای از خود دربرابر مشکلات دفاع نماید.

معماری 5 سطحی برای پیاده سازی سیستم سایبر فیزیکی

عملیاتی کردن 5 سطح CPS

 

ساختار سیستم سایبر-فیزیکی مبتنی بر 5C را درسطوح مختلف یک صنعت شامل چهار سطح  اجزا، ماشین آلات ، ناوگان (گروه ماشین آلات و قطعات) و بالاخره در سطح شرکت[33] میتوان عملیاتی کرد . هر سطحی روشهای تحلیلی مختلفی برای تولید اطلاعات ودانش مفید از داده های خام یا اطلاعات دریافتی از سطوح قبلی را بکار میگیرد. رویکرد کلی اینست که سطوح بالایی هرم از روشهای تحلیلی استفاده میکنند تا داده های سطوح پایین تر را فشرده تر کنند.

 سطوح مختلف صنعت از دیدگاه کاربردی ساختارسیستم سایبر- فیزیکی

  • سطح اجزا

در ساختار 5C ، جزئیات این سطح  بیشتر از سایر سطوح  استخراج شده است. در این سطح ، همزاد مجازی یا آواتاری از اجزای ماشین در فضای سایبری ایجاد میشود. همزاد مجازی ،اجزای حساس و مهم هر ماشینی را مدل میکند. این آواتارها بصورت موازی با اجزای فیزیکی ولی با تفاوتهای زیادی کار میکنند. مهمترین تفاوت آواتارها با اجزای فیزیکی اینست که  محدود به زمان ومکان نیستند.

آواتارها  تغییرات محسوس در وضعیت سلامتی هر یک از اجزا را دریافت وضبط میکنند. چون این همزادهای مجازی در فضای ابری شبکه قرار میگیرند، میتوانند با سایر همزادهای مجازی که از نظر جغرافیایی دورتر هستند و درهمان فضای ابری قراردارند،ا اثر تعاملی و متقابل داشته باشند. چنین مدلهایی طول عمر اجزا را که تحت تاثیر تنش های مختلف قراردارند و وظایف خودرا در رژیمهای کاری مختلفی انجام می دهند ثبت می کنند. این یکی از مکانیزمهایی است که بواسطه آن سیستم میتواند به خود- آگاهی[34] برسد.

 

  • سطح ماشین

این سطح ، دانش ایجادشده در سطح اجزای ماشین را با تاریخچه عملیاتی ماشین ، تنظیمات سیستم و سایر موارد ترکیب تا برای هر ماشین یک آواتار و همزاد مجازی خلق کند. همزادهای مجازی ماشینهای مشابه با یکدیگر مقایسه میشوند تا ماشینهای با عملکرد پایین ، صرف نظر از رژیم کاری آنها  شناسایی و مشخص شوند.

 

  • سطح ناوگان

این حقیقت که مدلهای مجازی محدود به زمان و مکان نیستند، فرصتی را فراهم میکند تا درپاسخ به تغییر شرایط ، روشهایی برای بهبود و اصلاح جریان تولید در کارخانجات به اجرا گذاشته شود. بطور مثال بواسطه بکارگیری داده های مربوط به تاریخچه عملکردی ماشین و وضعیت اجزای آن که از سطوح اجزا و ماشین حاصل میشوند ، بهینه سازی روشی که  ماشین آلات موجود در ناوگان ، فعالیتهای مرتبط با تولید کارخانه را اداره میکنند ممکن میشود. این رویه نه تنها میتواند برای به حداکثر رساندن طول عمر تمامی اجزا  بکار گرفته شود،  بلکه  همزمان قادر است سطوح کیفیت و کمیت تولید را در نقطه بهینه آنها حفظ کند. درنتیجه  سیستمی حاصل میشود که خود- نگهدارنده[35] و خود- پیکره بند  است.

 

  • سطح شرکت

در بالاترین سطح یعنی سطح شرکت ، دستاوردهای سطوح قبلی ترکیب تا گزارشی سطح بالا از عملکرد شرکت  مهیا شود. همچنین دراین سطح بسته به نیاز شرکت میتوان از روشهای بهینه سازی برای دستیابی به حد مطلوب عملکرد شرکت دست پیدا کرد. بطور مثال برخی شرکتها ممکن است به این نتیجه برسند در حالیکه میزان تولید کل و هزینه های خودرا ثابت نگاه میدارند، بتوانند تولید در یک یا چند واحد صنعتی خودرا براساس عملکرد ناوگانی تعدیل کنند.

CPS ها داده ها را بافرمتهای استاندارد در فضای ابری شبکه حفظ و نگهداری میکنند. استفاده از فرمتهای استاندارد به طراحان اجازه میدهد برنامه های کاربردی تحت وب و موبایل را بصورت تعاملی خلق و اطلاعات را براحتی در دسترس سطوح مختلف شرکت قرار دهند.بطور مثال یک مدیر تجاری به اطلاعاتی درخصوص میزان محصول تولید شده ، سرعت تولید، مدیریت زنجیره تامین و غیره نیاز دارد و ممکن است بخواهد آنهارادر طی یک پرواز بین المللی از طریق تلفن هوشمند خود مشاهده نماید. درعوض یک مهندس نیاز به مشاهده اطلاعات مرتبط با مدیریت دوره عمر[36] ماشین آلات و قطعات و کیفیت تخمینی تولید ازطریق واسط های تحت وب در داخل شرکت دارد.

گزارشات مدیریتی و مانیتورینگ سیستم های سایبر-فیزیک در صنعتگزارشات مدیریتی و عملیاتی (سیستم مانیتورینگ ) سیستمهای سایبر- فیزیک در صنعت 

 

بعنوان نمونه ای تجربی ،  میتوان به ماشینهای اره نواری که به حسگرهای خاصی مجهز شده اند و بصورت یک CPS خدمت میکنند اشاره کرد . هر یک از اره های نواری در مکانهای جغرافیایی متفاوتی قرار دارند. حسگرها ارتعاش ، سیگنال صوتی و فشار را اندازه گیری میکنند. همچنین CPS سیگنالهای کنترل کننده درخصوص میزان خوراک (مواد) و اندازه آنهارا جمع آوری میکند. کامپیوترهای صنعتی  در محل هریک از اره های نواری کار تبدیل داده های اولیه به اطلاعات را انجام میدهند. در یک فضای ابری در شبکه ، روشهای تحلیل سلامت تطابقی[37]  برای ارزیابی عملکرد ماشین بکار بسته میشود و فرسایش اجزای مختلف اره های نواری پیش بینی میشود. نتایج این تحلیل ها نیز از طریق برنامه های کاربردی تحت وب و موبایل دردسترس افراد قرار میگیرد. بایستی توجه داشت دستیابی به این نتایج جالب نیازمند فناوریهای مختلفی مانند سیستمهای ذخیره سازی داده، روشهای تحلیلی کلان داده ها ، پروتکلهای ارتباطی و امنیت سایبری است که هنوز هم به تحقیقات، آزمون و توسعه زیادی نیاز دارند تا بتوان از تمام ظرفیتهای اینترنت اشیا صنعتی و سیستمهای سایبر- فیزیکی استفاده کرد.

 

از میان 5 سطح اشاره شده فوق ، بیشترین مطالعات و تلاشها برای برآورده سازی نیازهای سطوح اول و دوم انجام گرفته است، بطور مثال درخصوص پروتکلهای ارتباطی در سطح اتصال، پیشرفتهای بسیار زیادی برای تناسب پروتکلهای ارتباطی با هر صنعت اتفاق افتاده است و چالش فعلی بیشتر در صنعت نیمه هادیهاست که با داده های حاصل از منابع نامتجانس سروکار دارد .برخی از این منابع نامتجانس به تنوع تامین کنندگان، فرمتهای متفاوت داده و برچسبهای مختلف زمان آن برمیگردد.

در سطح تبدیل  داده به اطلاعات و کارهای مربوطه ، به پیش بینی خرابیها و عیب یابی توجه ویژه ای شده است. بطور مثال استفاده از روشهای غیرخطی تحلیل داده ها در کاربردهای روباتیک و استفاده از چند خط مبنا[38] برای دستیابی به مدل سلامتی ماشین های افزار که داده های مرتبط با ارتعاش ، دما و گشتاور را تحلیل و انواع خرابیهای ایجاد شده روی محور آنها را آشکار و عیب یابی میکند.

برای تحقق نیازهای سطح سایبر ، لازمست از سوابق تاریخی و الگوریتمهایی که درطول زمان یادگیری میشوند استفاده کرد تا به اطلاعات مطمئنی از سلامت و تخمینی از عمر ماشین آلات دست پیداکرد. توسعه الگوریتمهای پایش سلامتی که از سوابق تاریخی مربوط به بازه های زمانی  که ماشین افت عملکردی مختلف  داشته و از داده های ماشین آلات مشابه از ناوگان بدست می آید کار ناچیزی نیست.

اگرچه روشهای تحلیلی برای کاربردهای عملی درصنعت پیچیده هستند ولی روشهای پیش بینی عمر لازمست پاسخگوی تغییر شرایط عملیاتی و تاثیر عملیات نگهداری و تعمیرات برروی تخمین عمر باشند.

رویکرد مقایسه ناوگانی در سطح سایبر ، اطلاعات مطمئن تری از وضعیت سلامتی ماشین آلات در مقایسه با اطلاعاتی که از روش سنتی پایش وضعیت حاصل میشود رادراختیار قرار می دهد. در رویکرد سنتی پایش وضعیت ، وضعیت ماشین  با وضعیت بدو راه اندازی یا وضعیت مطلوب که به آن  "خط مبنا" اطلاق میشود مقایسه میشود  و از اختلاف آنها و روند تغییرات وضعیت سلامی ماشین تعیین میگردد.

 

سطح ادراک نیاز به الگوریتمهای علت یابی و تصمیم سازی و سیستمهای پشتیبان آنرا دارد تا بتواند براساس اطلاعات مرتبط با سلامتی ماشین آلات تحت پایش و مقدار قابلیت اطمینان[39] آنها ، اقدامات نگهداری و تعمیرات و تولیدی مناسب را در قالب CPS پیشنهاد کند.

درحال حاضر هنوز یک سیستم بالغ و کاملا یکپارچه که بتواند مقادیر واقعی سلامتی ماشین آلات را با فرآیندهای تصمیم سازی ترکیب کند وجودندارد و مراحل رشد و نمو خودرا طی میکند.لذا برای بسیاری از صنایع دستیابی به سطح ادراک،  چالشی اساسی بحساب می آید.

بطور مثال مطابق مطالعات انجام شده براساس "تئوری گزینه[40]" و با استفاده از تخمین عمر باقیمانده یک دارائی فیزیکی (که خروجی سیستم پایش سلامت است) ، درمورد زمان مناسب برای عملیات نگهداری و تعمیرات آن دارایی فیزیکی میتوان تصمیم گیری کرد.

نکته: تئوری گزینه ، ایده ای است که از سالیان قبل در خصوص خرید وفروش یک قلم دارائی با قیمت ثابت در زمان اتمام عمر مفیدش یا قبل از آن مطرح وکاربردی شده است.

درحال حاضر مقداراطلاعاتی که نیاز به پردازش دارد آنقدر زیاد و خارج از ظرفیت تصمیم گیران انسانی است که لازمست ابتدا سیستمهای تصمیم سازی گزینه های مختلف را به ترتیب در اختیار کارکنان عملیاتی، مهندسین و یا کارکنان نگهداری و تعمیرات قراردهند تا آنها بتوانند تصمیم نهایی را بگیرند.

مطالعات نشان میدهد فن آوریهای فعلی در عمل نمیتوانند به اندازه کافی به ماشین آلات توانایی خود-تنظیم یا خود-پیکره بند را  اعطاکنند و دراین خصوص فرصتهای تحقیقاتی بسیاری برای پیشرفت ورشد این جنبه از CPS وجوددارد. بطور مثال بااینکه کارهای زیادی روی کنترل ارتعاشات و جبران عدم توازن[41] محور ماشینهای دوار ، خنثی سازی اثر پدیده پچ پچ[42] در قفسه های نورد یا کنترل ماشینهای افزار انجام گرفته است، ولی فاصله زیادی با پیکره بندی خودکار ماشینهای دوار وجوددارد.

 

منابع:

 - Securing the future of German manufacturing industry

Recommendations for implementing the strategic initiative INDUSTRIE 4.0

Final report of the Industrie 4.0 Working Group-April 2013

acatech – National Academy of Science and Engineering

 Big future for cyber-physical manufacturing systems-September 23, 2015 Editor Design World

by BEHRAD BAGHERI, NSF I/UCRC for Intelligent Maintenance Systems (IMS) and JAY LEE, University of Cincinnati

http://www.designworldonline.com/big-future-for-cyber-physical-manufacturing-systems/#_

A Cyber Physical Interface for Automation Systems—Methodology and Examples –

Hung-An Kao *, Wenjing Jin, David Siegel and Jay Lee-2015

Industrial big data analytics and cyber-physical systems for future maintenance & service innovation- 

Jay Lee*, Hossein Davari Ardakani, Shanhu Yang, Behrad Bagheri-2015

NSF I/UCRC Center for Intelligent Maintenance Systems (IMS), University of Cincinnati, Article:

A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems

Jay Lee, Behrad Bagheri ⇑, Hung-An Kao-Dec 2014

NSF Industry/University Cooperative Research Center on Intelligent Maintenance Systems (IMS), University of Cincinnati, Cincinnati, OH, United States

A Cyber Physical Interface for Automation Systems—Methodology and Examples - 

Hung-An Kao *, Wenjing Jin, David Siegel and Jay Lee-October 2014

NSF Industry/University Cooperative Research Center on Intelligent Maintenance Systems (IMS), University of Cincinnati, Cincinnati, OH, United States

 



[1]  Smart Factory

[2]  CPS:Cyber-Physical System

[3] Cyber Twins

[5]  Real-Time

[7]  Physical Assets

[8]  Embedded Sensors

[11] MTConnect پروتکلی استاندارد است که در کارخانجات تولیدی یرای تبادل بین ماشین آلات واجزای سطح کارگاه و نرم افزارهای کاربردی مورد استفاده برای پایش و تحلیل داده ها بکار گرفته میشود و فقط داده ها از ماشین آلات واجزای آنها میتواند بخواند و امکان نوشتن داده درآنها را ندارد.

[12]  DIKW:Data-Information-Knowledge-Wisdom

[13] Connection Level

[14]  ERP: Enterprise Resource Planning

[15]  MES: Manufacturing Execution System

[16]  SCM: Supply Chain Management

[17]  CMMS: Computerized Maintenance Management System

[18] OPC مخفف عبارت OLE for Process Control است و مجموعه ای از استانداردها و مشخصات برای ارتباطات صنعتی برای کنترل فرآیندها را شامل میشود. OLE نیز مخفف Object Linking and Embedding میباشد

[19] Conversion Level

[20] PHS: Prognostics and Health Management

[21]  Self- Awareness

[23]  Fleet of Machines

[25] Cloud Computing

[26] Cognition Level

[27] Online Monitoring

[29]  Adaptive Learning

[30]  Configuration Level

[31] Self-Configuration

[34]  Self-Awareness

[35] Self-Maintaining

[39]  Reliability Value


برچسب‌ها: سیستم سایبر فیزیکی CPS, اینترنت اشیا, Cyber Physical System, CBM آنچه درمورد صنعت نسل 4 (Industry 4.0) یا انقلاب صنعتی چهارم بایستی دانست...
ما را در سایت آنچه درمورد صنعت نسل 4 (Industry 4.0) یا انقلاب صنعتی چهارم بایستی دانست دنبال می کنید

برچسب : سیستمهای,سایبر,فیزیکی,صنعت,چهارم, نویسنده : calibration-info بازدید : 366 تاريخ : جمعه 3 شهريور 1396 ساعت: 5:04