سیستمهای سایبر- فیزیکی (CPS) در صنعت نسل چهارم

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 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 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.

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.