اتوماسیون صنعتی چیست؟

اتوماسیون صنعتی استفاده از سیستم‌های کنترلی مانند رایانه‌ها یا روبات‌ها و فناوری‌های اطلاعاتی برای مدیریت فرآیندها و ماشین‌آلات مختلف در یک صنعت برای جایگزینی انسان است. این دومین گام فراتر از مکانیزاسیون در حوزه صنعتی شدن است.

کیفیت و انعطاف پذیری را در فرآیند تولید خود افزایش دهید

قبلاً هدف از اتوماسیون افزایش بهره وری (از آنجایی که سیستم های خودکار می توانند 24 ساعت در روز کار کنند) و کاهش هزینه های مرتبط با اپراتورهای انسانی (یعنی دستمزدها و مزایا) بود. با این حال، امروزه تمرکز اتوماسیون به افزایش کیفیت و انعطاف‌پذیری در فرآیند تولید معطوف شده است. در صنعت خودرو، نصب پیستون در موتور به صورت دستی و با ضریب خطای 1-1.5 درصد انجام می شد. در حال حاضر این کار با استفاده از ماشین آلات خودکار با ضریب خطای 0.00001% انجام می شود.

مزایای اتوماسیون صنعتی

هزینه عملیاتی کمتر: اتوماسیون صنعتی هزینه های مراقبت های بهداشتی و مرخصی با حقوق و تعطیلات مرتبط با اپراتور انسانی را حذف می کند. علاوه بر این، اتوماسیون صنعتی به مزایای دیگر کارکنان مانند پاداش، پوشش بازنشستگی، و غیره نیاز ندارد. مهمتر از همه، اگرچه با هزینه اولیه بالایی همراه است، اما باعث صرفه جویی در دستمزد ماهانه کارگران می شود که منجر به صرفه جویی در هزینه های قابل توجهی برای شرکت می شود. هزینه تعمیر و نگهداری مرتبط با ماشین آلات مورد استفاده برای اتوماسیون صنعتی کمتر است زیرا اغلب خراب نمی شوند. در صورت عدم موفقیت، فقط مهندسان کامپیوتر و تعمیر و نگهداری موظف به تعمیر آن هستند.

بهره وری بالا

اگرچه بسیاری از شرکت‌ها صدها کارگر تولیدی را تا سه شیفت کاری استخدام می‌کنند تا کارخانه را برای حداکثر ساعت کار کنند، اما هنوز کارخانه برای تعمیر و نگهداری و تعطیلات باید تعطیل شود. اتوماسیون صنعتی با اجازه دادن به شرکت برای راه اندازی یک کارخانه تولیدی به مدت 24 ساعت شبانه روز، 7 روز هفته و 365 روز در سال، هدف شرکت را برآورده می کند. این امر منجر به بهبود قابل توجهی در بهره وری شرکت می شود.

کیفیت بالا

اتوماسیون خطای مرتبط با یک انسان را کاهش می دهد. علاوه بر این، بر خلاف انسان، ربات ها هیچ گونه خستگی را شامل نمی شوند، که منجر به تولید محصولات با کیفیت یکنواخت در زمان های مختلف می شود.

انعطاف پذیری بالا

افزودن یک کار جدید در خط مونتاژ نیازمند آموزش با اپراتور انسانی است، با این حال، ربات ها را می توان برای انجام هر کاری برنامه ریزی کرد. این باعث می شود فرآیند تولید انعطاف پذیرتر شود.

دقت اطلاعات بالا

افزودن جمع‌آوری خودکار داده‌ها می‌تواند به شما امکان جمع‌آوری اطلاعات کلیدی تولید، بهبود دقت داده‌ها و کاهش هزینه‌های جمع‌آوری داده‌ها را بدهد. این حقایق را در اختیار شما قرار می دهد تا در مورد کاهش ضایعات و بهبود فرآیندهای خود تصمیم درستی بگیرید.

ایمنی بالا

اتوماسیون صنعتی می‌تواند خط تولید را با استفاده از روبات‌ها برای مدیریت شرایط خطرناک، ایمن کند.

معایب اتوماسیون صنعتی

هزینه اولیه بالا

سرمایه گذاری اولیه مرتبط با تغییر از خط تولید انسانی به خط تولید اتوماتیک بسیار زیاد است. همچنین، هزینه های قابل توجهی در آموزش کارکنان برای کار با این تجهیزات پیچیده جدید مستلزم است.

پنج روند اتوماسیون صنعتی برای سال 2022

در سال 2022، صنعت شاهد جهش قابل توجهی در پیشرفت به سمت عملیات مستقل و یک انتقال بزرگ در نحوه مدیریت امنیت سایبری شرکت ها خواهد بود. در همین حال، سه فناوری از مراحل مفهومی تا نقاطی که با تولید نتایج خود را ثابت می کنند گام بزرگی به جلو برمی دارند. در میان آنها فرآیندهای بیولوژیکی، مقداری کربن منفی است که نویدبخش "صفر خالص" است. در سال گذشته، چندین شرکت بسترهای آزمایشی را برای استاندارد اتوماسیون فرآیند باز (O-PAS) آغاز کردند. آنها خود را در سال 2022 یا 2023 ثابت خواهند کرد. در حالی که فناوری‌هایی مانند AI/ML و مدل‌های اصول اول قبلاً با هم رقابت می‌کردند، تأمین‌کنندگان یاد گرفته‌اند که چگونه از هر دو دنیا بهترین استفاده را ببرند. در سال 2022، مدل های هیبریدی رایج خواهند بود.

روند شماره 1: عملیات خودمختار در گوشه و کنار

با توجه مجدد به عملیات خودمختار در دوران پس از همه‌گیری، سال 2022 شاهد افزایش قابل توجهی در پیشرفت خواهد بود. دکتر یو دای از Yokogawa خاطرنشان کرد که بسیاری از شرکت‌ها با سرعت بخشیدن به توسعه قابلیت‌هایی مانند عملیات از راه دور ایمن به COVID-19 پاسخ دادند. آنها نه تنها پیروزی های سریعی را ارائه کردند که مدیران بدبین را به افراد معتقد تبدیل کرد، بلکه به صنایعی مانند فراساحل بالادستی، شروعی بزرگ برای خودمختاری این عملیات از راه دور دادند.

مدل بلوغ عملیات مستقل حاکم شامل شش سطح یا نقطه عطف موفقیت در مسیر رسیدن به استقلال کامل است. تام فیسک، استراتژیست اصلی فناوری در یوکوگاوا، توضیح داد که سه سطح اول نشان دهنده مراحل «پیش خودکار» از دستی تا خودکار است. در اکثر شرکت ها، یکی از آن مراحل وضعیت فعلی را توصیف می کند.

در مرحله دستی، انسان تمام عملیات را در هر زمان کنترل می کند. در یک عملیات نیمه خودکار، انسان ها و سیستم های اتوماسیون حجم کار را به اشتراک می گذارند. به طور معمول، رویه‌های عملیاتی استاندارد، ردیابی و گزارش نتایج مبتنی بر کاغذ هستند و انسان‌ها مسئول عملیات ایمن هستند. در یک عملیات خودکار، انسان ها همچنان مسئول ایمنی هستند، حتی اگر سیستم های اتوماسیون عملاً تمام فرآیندها را کنترل کنند. با این حال، ارتباطات و تعاملات بین رشته های مختلف مانند مهندسی، طراحی، تولید و زنجیره تامین محدود است. این به نوبه خود بهره وری و تصمیم گیری در زمان واقعی را محدود می کند.

سه سطح بعدی مراحل مختلف عملیات مستقل هستند. به گفته الکس رید، یکی از بنیانگذاران و مدیرعامل فلوئنس آنالیتیکس، "برای رقابت موثر در دنیای به سرعت در حال تغییر ما، بیش از 80 درصد از صنعت تولید پلیمر باید در دهه آینده به یکی از این سطوح دست یابد." در سال 2022، ما انتظار داریم که تعداد شرکت‌هایی که دست‌کم اولین آنها را گزارش کرده‌اند، یک تغییر گامی قابل‌توجه داشته باشد.

در ادامه توضیحات تام فیسک، سطح اولیه استقلال صنعتی، عملیات نیمه خودمختار، با ترکیبی از دارایی های خودمختار و خودکار با هماهنگی انسانی مشخص می شود. "ارکستراسیون انسانی" به این معنی است که انسان ها بر کل عملیات نظارت دارند. این سطح اجزای مستقلی را به کار می گیرد، اما استقلال در کل سیستم اعمال نمی شود.

در مرحله نیمه مستقل، یک سازمان می تواند عملیات از راه دور را مدیریت کند. از آنجایی که بسیاری از شرکت ها بر روی عملیات از راه دور تمرکز کردند، برخی از آنها به عملیات های بدون مراقبت دست یافتند. همانطور که آنها به سطوح بالاتری از استقلال می رسند، عملکرد در عملیات بدون مراقبت بهبود می یابد.

در سطح بعدی، ارکستراسیون خودمختار، اکثر دارایی ها می توانند به طور مستقل به شیوه ای هماهنگ عمل کنند تا تولید و ایمنی را در حالت های خاص بهینه کنند. این اجزای مستقلی را گرد هم می آورد که می توانند به عنوان یک سیستم عمل کنند، اما همه رشته ها یکپارچه نیستند.

یک عملیات خودمختار حالت بسیار ایده آلی است که دستیابی به آن دشوار است. اکثر سازمان ها در کوتاه مدت به آن سطح نخواهند رسید. این حالتی را نشان می دهد که در آن امکانات می توانند به طور مستقل عمل کنند و با دامنه های متعددی که به طور مستقل نیز عمل می کنند یکپارچه شوند. که می تواند به زنجیره تامین گسترش یابد. این مرحله چندین سیستم را گرد هم می آورد که به عنوان یک کل عمل می کنند - «سیستم سیستم ها».

مفهوم سیستم سیستم ها نشان می دهد که استقلال بسیار فراتر از عملیات فرآیند است. در یک شرکت، استقلال در حوزه‌های متعددی مانند بهینه‌سازی تولید، مدیریت عملکرد دارایی، قابلیت اطمینان دارایی، بهینه‌سازی زنجیره ارزش و ایمنی اعمال می‌شود. چشم انداز یک کارخانه کاملاً خودمختار این است که بر تقاضای مشتری نظارت می کند، سفارشات خرید برای مواد خام را در صورت لزوم منتشر می کند، برنامه های تولید را طراحی می کند و تولید را برنامه ریزی می کند - همه به صورت مستقل. حتی تعمیر و نگهداری مستقل است. اگر تجهیزات نیاز به تعمیر داشته باشند، این مرکز یک قطعه جایگزین را چاپ سه بعدی می کند و یک ربات جایگزینی را انجام می دهد.

روند شماره 2: انتقال امنیت سایبری از یک مشکل فنی برای حل به یک ریسک برای مدیریت

در حالی که بیشتر مشتریان علاقه مند به امنیت سایبری بر فناوری تمرکز می کنند، برخی از کارشناسان برجسته مسیر کاملاً متفاوتی را پیش بینی کردند. بسیاری از مشتریان دریافته‌اند که رویکردهای جدید اغلب از چرخه‌های بودجه‌بندی پروژه‌های امنیت سایبری فراتر می‌روند، زیرا با بیمه دارایی‌های صنعتی، HSE و استراتژی‌های بازیابی بلایا همخوانی دارند. استراتژی امنیت سایبری از یک مشکل فنی به یک ریسک تجاری تبدیل شده است. وقتی شرکت‌ها به امنیت سایبری به این شکل نگاه می‌کنند، راز را از بین می‌برد و به موضوعی تبدیل می‌شود که مدیریت می‌تواند بر اساس آن عمل کند.

دیوید لورنز از RSM US مشاهده کرد: «اکثر شرکت‌ها در حاکمیت شرکتی خود از مقررات صنعت پیروی می‌کنند، اما وقتی به جزئیات معماری OT خود نگاه می‌کنند، پیاده‌سازی‌های امنیت سایبری را ساده‌سازی می‌کنند، برای مثال، محدود به فایروال‌ها. آنها می خواهند یک بار سرمایه گذاری کنند و ادامه دهند. با این حال، تهدیدها همچنان در حال تغییر هستند. هدف به حرکت خود ادامه می دهد مدیران باید بدانند چرا باید به سرمایه گذاری در امنیت سایبری ادامه دهند."

به گفته تام فاینان از ویلیس تاورز واتسون، «مدیران می خواهند بر حسب تأثیر تجاری فکر کنند و در مواجهه با اصطلاحات فنی به سرعت از دست می روند. آنها باید تعیین کنند که چه چیزی واقعاً برای مأموریت حیاتی است. با هیئت مدیره و مدیریت اجرایی، درک ریسک و تخصیص منابع برای مدیریت آن آسان تر است.

«امروزه پذیره نویسان بیشتر به سطح بلوغ یک شرکت می پردازند، اینکه تا چه حد آسیب پذیری های فناوری اطلاعات و OT خود را درک می کنند و آیا منابع خود را در جایی که می توانند بهترین کار را انجام دهند به کار می برند یا خیر. این در حال تبدیل شدن به یک خط جداکننده بین سازمان هایی است که می توانند بیمه امنیت سایبری دریافت کنند و سازمان هایی که نمی توانند.

جری کاپونرا از ThreatConnect اضافه کرد: «گزینه‌هایی وجود دارد. شرکت ها می توانند به گزینه A، گزینه B و غیره نگاه کنند، خطرات نسبی را ارزیابی کنند و تصمیم آگاهانه بگیرند. امنیت سایبری باید برای کسب و کار معنا پیدا کند. در امنیت سایبری، ما نمی توانیم «دکتر» باشیم. نه،» یعنی یک بازدارنده برای تجارت. ما باید توانمندساز باشیم.»

در سمت تولید، همانطور که تام بیان کرد، «اگر مدیران شرکت بتوانند به یک بیمه‌گر توضیح دهند که چرا ایمن هستند، چرا در مقابل ریسک‌ها سرمایه‌گذاری می‌کنند، و از اشتباهات گذشته چه آموخته‌اند، این توانایی یک تمایز است که به شرکت اجازه می دهد تا یک سیاست را ایمن کند. اما بیمه امنیت سایبری تنها بخشی از یک برنامه جامع مدیریت ریسک سایبری است. در حالی که بسیاری از موارد دیگر وابسته به فناوری هستند، اکنون در شرایطی که مدیریت در یک شرکت در حال تحول دیجیتالی درک می کند، مفهوم سازی شده است.

روند شماره 3: فرآیندهای بیولوژیکی نتایج تولید می کنند

چندین رویکرد آینده نگر برای پرداختن به اهداف کاهش CO2 در حال رسیدن به نتیجه هستند. از جمله آنها فرآیندهای بیولوژیکی است. LanzaTech اولین فرآیند ضایعات گاز به اتانول را تجاری کرده است که از یک باکتری بی هوازی به نام Clostridium autoethanogenum برای تبدیل کربن گاز خروجی کارخانه فولاد به اتانول با کیفیت سوخت استفاده می کند.

ArcelorMittal، شرکت پیشرو یکپارچه فولاد و معدن در جهان، ساخت یک تاسیسات پیشگامانه بیواتانول را آغاز کرده است که این فرآیند را به کار خواهد گرفت. به گفته کریستوف وربیک از ArcelorMittal، کارخانه استیلانول این شرکت بخشی از گازهای حاوی کربن از کوره های بلند را به اتانول زیستی پیشرفته تبدیل می کند تا به عنوان سوخت پایدار برای حمل و نقل یا به عنوان ماده خام برای حرفه ای استفاده شود.جذب مواد مصنوعی و مواد شیمیایی Steelanol اولین تاسیسات صنعتی در نوع خود در اروپا و بزرگترین تاسیسات ساخته شده تا به امروز با استفاده از این فناوری در سطح جهان خواهد بود.

هدف کارخانه استیلانول نشان دادن امکان تولید محصولات زیستی در مقیاس صنعتی از طریق فرآیند تخمیر گازی نوآورانه با استفاده از باکتری‌ها برای جذب گازهای غنی از کربن منتشر شده از فعالیت‌های فولادسازی و تبدیل آنها به بیواتانول است. یک چالش کلیدی یافتن سیستم‌های تحلیلی آنلاین مناسب برای گاز و مایع بود که با شرایط فرآیند خاص این اولین کارخانه تخمیر گاز مطابقت داشته باشد. انتظار می رود تولید سالانه 80 میلیون لیتر بیواتانول در سال 2022 آغاز شود.

روند شماره 4: اتوماسیون فرآیند باز خود را ثابت می کند

به گفته Jac Opmeer از Shell و Dave Emerson از Yokogawa، پیشرفت قابل توجهی با O-PAS™ بسترهای آزمایشی انجام شده است.

شرکت‌های فرآیندی با چالش‌های مستمر با منسوخ شدن، قابلیت همکاری و مشکل در استفاده از فناوری جدید در سیستم‌های OT خود مواجه هستند. سیستم های کنترل اختصاصی بارها به عنوان بازدارنده اصلی تحول دیجیتال، عملیات مستقل و تولید هوشمند ذکر شده اند.

انجمن اتوماسیون فرآیند باز (OPAF) دو نسخه اصلی از استاندارد O-PAS را منتشر کرده است که به این چالش ها می پردازد و به ساخت استاندارد برای ارائه رابط های پایه اضافی برای محصولات و سیستم های اتوماسیون ادامه می دهد. پتانسیل O-PAS برای استانداردسازی رابط‌های بین اجزای سیستم اتوماسیون برای فعال کردن قابلیت همکاری و تعویض آنها علاوه بر قابلیت حمل پیکربندی‌های استراتژی کنترل بین سیستم‌ها و نسخه‌ها، برای صنعت بسیار جذاب است.

اگرچه استانداردها همچنان در حال کار هستند، با به‌روزرسانی قابل توجهی که نسخه 3.0 در آینده نزدیک انتظار می‌رود، بسترهای آزمایشی متعددی در حال انجام است. کاربران نهایی معمولاً بسترهای آزمایش را با همکاری تأمین‌کنندگان اتوماسیون فعال در OPAF راه‌اندازی می‌کنند، به سخت‌افزار و نرم‌افزار پیش از انتشار دسترسی دارند و در ظرفیت یکپارچه‌کننده‌های سیستم اتوماسیون فرآیند باز (OPA) عمل می‌کنند.

یک بستر آزمایشی بزرگ در تأسیسات یوکوگاوا

بسترهای آزمایشی از سیستم های رومیزی کوچک تا سیستم های بزرگتر با صدها نقطه ورودی/خروجی که فرآیندهای شبیه سازی شده را کنترل می کنند، متغیر است. استفاده از بسترهای آزمایشی به کاربران نهایی اجازه می دهد تا برای پذیرش O-PAS توسط شرکت های خود برنامه ریزی کنند، کارکنان را آموزش دهند، دانش کسب کنند، و فرآیندهای صلاحیت و آزمایش های مورد نیاز را قبل از استقرار محصولات دارای گواهی O-PAS در یک فرآیند زنده درک کنند.

یک سوال کلیدی این است که محصولات دارای گواهی O-PAS چه زمانی به صورت تجاری در دسترس خواهند بود. یک پیش نیاز این است که فرآیند صدور گواهینامه OPAF باید به طور کامل ایجاد شود. از آنجایی که انجمن در حال حاضر روی فرآیند صدور گواهینامه کار می کند، کاربران بالقوه باید مراقب انتشار اسناد گواهینامه، ایجاد آزمایشگاه های آزمایشی و اعلامیه های اولین محصولات تایید شده باشند. علیرغم کارهای قابل توجه O-PAS که هنوز در حال انجام است، بسترهای آزمایشی در حال پیشرفت هستند و می‌توان منتظر گزارش‌هایی در مورد نتایج در سال 2022 یا 2023 بود.

یک بستر آزمایشی بزرگ در تأسیسات یوکوگاوا

روند شماره 5: مدل های هیبریدی به جریان اصلی تبدیل می شوند

مدیریت انرژی یک برنامه کلیدی برای مدل های فرآیندی است. دوقلوهای دیجیتال مبتنی بر مدل‌های اصول اولیه دقیق، خود را در دستیابی به بهره‌وری انرژی و کاهش انتشار ثابت کرده‌اند. با این حال، پیچیدگی آنها کاربران را به فکر روش های جایگزین مانند هوش مصنوعی و یادگیری ماشین (AI/ML) سوق داده است. راه حل های ترکیبی، که ترکیبی از بهترین های این دو جهان، اولین دوقلوهای دیجیتال مبتنی بر اصول و AI/ML هستند، اخیراً ظهور کرده اند.

پدرو خوزه لوکاس گیلن از رپسول یک راه حل عملیات کم انتشار (LEO) را برای یک واحد نفت خام پالایشگاه تشریح کرد. به طور مشترک توسط Repsol و KBC، یک شرکت Yokogawa توسعه یافته است و بر اساس ترکیبی از مدل‌های KBC Petro-SIM و الگوریتم‌های یادگیری ماشین است. LEO برای عملیاتی طراحی شده است تا واحد را در مصرف بهینه انرژی در حین دستیابی به برنامه تولید، بدون توجه به اختلالات فرآیند مانند تغییرات تغذیه، حفظ کند.

KBC تشخیص داد که معرفی دوقلوهای دیجیتال و فناوری‌های AI/ML در یک سیستم مدیریت انرژی دیجیتال، دقت در زمان واقعی، سازگاری داده‌ها، مشاهده اطلاعات و پایداری عملکرد بلندمدتی را که کسب‌وکارها برای حرکت در انتقال انرژی به آن نیاز دارند، فراهم می‌کند.

داده‌های بی‌درنگ همراه با قابلیت‌های تحلیلی اختصاصی و دوقلوی دیجیتالی واحد، شناسایی فرصت‌ها و تفکیک شکاف عملکرد را ممکن می‌سازد. این در مورد کل سیستم های ابزار و تجهیزات پردازش اعمال می شود.به این ترتیب، مناطق بهبود را می توان در زمان واقعی برجسته کرد و لیست فرصت های بهبود انرژی تاسیسات روزانه را می توان در اختیار سیستم ها و اپراتورهای حلقه بسته برای ایجاد تغییرات قرار داد. علاوه بر این، کارایی پروژه های سرمایه ای برنامه ریزی شده را می توان با پیش بینی های دقیق ردیابی کرد تا اپراتورها بتوانند تصمیمات آگاهانه تری برای تخصیص سرمایه در طول چرخه اجرا بگیرند.

دوقلو دیجیتال می تواند اطمینان حاصل کند که مبادله انرژی بازده برای کل پاکت عملیاتی به طور مناسب در نظر گرفته می شود. این می تواند حجم بالایی از داده متشکل از متغیرهای فرآیند و طیف گسترده ای از حالت های عملیاتی را در خود جای دهد. ارزیابی برای مرتبط بودن با کسب و کار و امکان اولویت بندی مناسب، ماهیت پویای قیمت گذاری عرضه و تغییرپذیری تقاضاهای فرآیند را نیز در نظر می گیرد.دوقلو دیجیتال این تغییرات را در زمان واقعی حساب می کند. بهینه‌سازی انرژی بلادرنگ را با شرایط فرآیند/بازده، ترمودینامیک پیشرفته، خوردگی الکتروشیمیایی و پیش‌بینی تحلیلی مقیاس‌بندی، و نظارت بر عملکرد دارایی از راه دور پمپ‌ها و توربین‌ها مرتبط می‌کند. ترکیب این خروجی تحلیلی در تجسم مهندس، تاثیر کامل را شفاف می کند. همچنین به طور مستقیم نیاز به عمل با تجسم اپراتور را فراهم می کند. به این ترتیب همگرایی در تفاهم و اقدام بین ذینفعان حاصل می شود.

در حالی که الگوریتم‌های یادگیری ماشین (ML) جدید نیستند، قدرت محاسباتی پیشرفته و فضای ذخیره‌سازی ابری توانمندسازی‌های کلیدی هستند که امکان استفاده کامل از این الگوریتم‌ها را فراهم می‌کنند. هوش مصنوعی (AI) با استفاده از تجزیه و تحلیل مبتنی بر همبستگی نقش مهمی در مدیریت انرژی ایفا خواهد کرد زیرا استفاده از آن نسبتاً ساده و اجرای سریع است. این به ویژه برای سازمان فناوری اطلاعات جذاب است زیرا بر فناوری های آشنا متکی است و به دانش عمیق مهندسی شیمی، مکانیک یا برق نیاز ندارد. با این حال، برای غلبه بر کاستی های خود به هوش بیشتری نیاز دارد.دوقلو دیجیتال می تواند زمینه آموزشی برای الگوریتم هوش مصنوعی مبتنی بر همبستگی باشد. مدل‌های اصول اول می‌توانند جهان‌های عملیاتی را فراتر از پنجره‌های عملیاتی که کارخانه تجربه کرده است کاوش کنند و مدل‌های خطی معتبری را برای هوش مصنوعی تولید کنند تا در مناطقی که قبلاً با آن‌ها مواجه نشده‌اند استفاده کند. ترکیبی از داده‌های مصنوعی و داده‌های کارخانه برای آموزش مداوم الگوریتم‌های یادگیری ماشینی اجازه می‌دهد تا راه‌حل‌های بی‌درنگ به طور مستقیم به اپراتورها و مهندسان در لحظه بیشترین تأثیر توصیه شود.

نتیجه

اتوماسیون صنعتی اخیراً به دلیل مزایای فراوانی که دارد از جمله افزایش بهره وری، کیفیت و ایمنی با هزینه کم، مورد استقبال بیشتر صنایع مختلف قرار گرفته است.