چیره شدن بر موانع اتوماسیون سنتی

در مقاله «جهش در اتوماسیون صنعت تولید به کمک فناوری» شش فناوری‌ نوپدید را بررسی کردیم که به تولیدکنندگان کمک می‌کنند تا به سطح بالاتری از اتوماسیون برسند. در این مقاله 5 چالش مهم روبروی تولیدکنندگان را بررسی می‌کنیم. تولیدکنندگان می‌توانند از ربات‌ها، حس‌گرها، و دیگر تجهیزات پیشرفته‌ای استفاده کنند که دارای ترکیب هوشمندی از این فناوری‌ها هستند، تا بتوانند بر موانع اتوماسیون سنتی غلبه کنند. این موارد به پنج گروه تقسیم شده‌اند (شکل 1 را ببینید). در ادامه، این امکانات را بررسی می‌کنیم.

پنج مانع اتوماسیون که فناوری متعارف را محدود می‌کنند
شکل 1- پنج مانع اتوماسیون که فناوری متعارف را محدود می‌کنند

 

مدیریت تغییرات هندسی: تجهیزات اتوماتیک‌شده باید سازگاری بالایی با تغییرات در هندسه اجزا داشته باشند؛ مانند تغییرات در انحنای شیشه در هنگام تولید حرارتی شیشه، یا چروک‌های چرم که در جریان تولید صندلی‌های خودرو ایجاد می‌شود. هرچند اتوماسیون سنتی می‌تواند در برخی موارد، اطلاعات درباره تغییرات هندسی را گردآوری کند، اما نمی‌تواند نسبت به همه حالات سازگار باشد و واکنش نشان دهد. به این ترتیب، بسیار پیش می‌آید که تجهیزات نتوانند اشیای فیزیکی در سطح کارخانه را بگیرند، نگه دارند، حرکت بدهند، یا آنها را روی زمین تثبیت کنند.

اتوماسیون پیشرفته امروز انعطاف‌پذیری لازم را دارد. یک ربات لمسی – که سیستم بینایی دارد و می‌تواند روی رایانه داخلی‌اش مدل‌های یادگیری ماشین را اجرا کند – می‌تواند به خودش یاد بدهد که در صورت تغییرات هندسی، چه کاری انجام بدهد. این ربات به سیستم‌های لبه پیرامونش با شبکه 5G متصل است. با فعال شدن اجرای حساس به زمان و با تاخیر کم، شبکه به ربات اجازه می‌دهد که بصورت ایمن در محیط کارخانه فعالیت کند.

مدیریت اجزای انعطاف‌پذیر: تغییر شکل غیر قابل پیش‌بینی اجزا، تغییر در جهت قرارگیری آنها، یا ناپایداری ساختاری، باعث می‌شود مدیریت اشیای انعطاف‌پذیر، مانند لوله‌های انعطاف‌پذیر یا کابل‌های برق پیچیده باشد. یک کابل که در هوا پیچ و تاب می‌خورد را تصور کند: انسان می‌تواند براحتی از تجربه خود در دنیای واقعی استفاده کند و این جسم را بگیرد. اما یک ماشین باید هم کابل را تشخیص بدهد و هم فضای پیرامون آن را، و سپس حرکت کابل را پیش‌بینی کند تا بتواند آن را بگیرد – که این کار با برنامه‌نویسی سنتی مبتنی بر قواعد غیرممکن است. سیستم‌های توسعه‌یافته جدید، بینایی ماشین و مدل‌های یادگیری ماشین که به ربات‌هایی با قابلیت اجرای درلحظه و متصل به شبکه‌های سریع وصل هستند، می‌توانند چنین کارهایی را انجام بدهند.

مدیریت پیچیدگی انواع محصول: تعداد روزافزون نسخه‌های مختلف محصول (مانند مدل‌های مختلف خودروها)، و ابزارهای استفاده‌شده در تولید (مانند پیچ‌های با اندازه متفاوت)، نیاز به تجهیزات تولید با انعطاف بالا دارند. در حالت‌های معمول، وجود نسخه‌های جدید باعث می‌شد برنامه‌نویسی‌ها و تنظیمات دستگاه‌های خودکار بصورت دستی انجام شود. اما در محیط تولید کنونی که سرعت تغییرات بالا است و محصولات جدید پیوسته عرضه می‌شوند، چنین رویه‌ای به اختلالات گسترده در فرایند تولید می‌انجامد. یک راهکار برای این چالش استفاده از محیط‌های شبیه‌سازی است تا به ربات‌های هوشمند یاد داده می‌دهد که با نسخه‌های مختلف سازگار شوند. اما شرایط دنیای واقعی، مانند اصطکاک، کشسانی و پویایی، کار اندازه‌گیری و مدل‌سازی در شبیه‌سازی را بسیار دشوار می‌کند.

یک سازوکار جدید به نام تصادفی‌سازی خودکار دامنه، به دنبال این است که فاصله میان دنیای واقعی و محیط‌های شبیه‌سازی‌شده را کاهش بدهد. در این  روش، انواع محیط‌های شبیه‌سازی‌شده با ویژگی‌های تصادفی ساخته می‌شوند و یک مدل یادگیری ماشینی را آموزش می‌دهد که در تمامی آنها کار کند. این تکنیک با تقلید شرایط متفاوت پرشمار در محیط، تصادفی‌سازی مدل را تاب‌آورتر و انعطاف‌پذیرتر می‌کند.

همکاری کارآمد و ایمن بین ربات‌ها و انسان‌ها: رباتیک همکارانه یا مشارکتی، رشته‌ای رو به رشد در رباتیک صنعتی است، اما با چالش‌هایی بنیادین رو به رو است. این کوبات‌ها (ربات‌های همکار) برای این که به شکلی موثر با سرعت معمول کنار کارگران باشند، باید بصورت خودکار فعالیت‌های کارگران را شناسایی کنند، رفتارهای آنها را تفسیر کنند و حرکات را از قبل پیش‌بینی کنند. چون کوبات‌ها درک زمینه‌ای لازم از محیط را ندارند، باید با سرعت نسبتا پایین کار کنند که این استفاده از آنها را محدود کرده است.

سیستم‌های بینایی معمول تا اندازه‌ای به حل مشکل کمک می‌کنند: ربات‌ها در هنگامی که انسان یا اشیا را در نزدیکی خود نمی‌بینند با سرعت بالا کار می‌کنند، و وقتی انسان یا جسمی در نزدیکی آنها قرار می‌گیرد، سرعتشان را پایین می‌آورند.

اما حالا کوبات‌ها می‌توانند تفسیرهای بهتری داشته باشند و رفتارشان را نسبت به حرکات انسان‌ها با دقت بیشتری تنظیم کنند، تا بتوانند حتی در هنگامی که افراد یا اشیا نزدیکشان هستند هم با سرعت بالاتر کار کنند. از داده‌های صنعتی برچسب‌گذاری‌شده برای آموزش یک الگوریتم استفاده می‌شود که می‌تواند شرایط و اشیای خاص را در تصاویر و ویدیوها شناسایی کند. این شامل ابزارها و شرایط خطرناکی می‌شود که انسان‌ها باید از آنها دوری کنند و پیش‌نیاز برچسب‌زنی، یک فرایند موثر گردآوری و انتخاب داده‌ها است و دقت آن باید با سیستم‌های کنترل کیفیت نیرومند تایید شود.

توالی فرایند چالش‌برانگیز: عملیات مونتاژ می‌تواند پیچیده باشد و نیاز به مهارت‌های خاص داشته باشد. برای مثال، کشیدن پوشش محافظ روی کابل‌های برق نیاز به دو دست دارد، متصل کردن کابل‌ها نیاز به بینایی و نیروسنجی دارد و باز کردن یک بشکه هم مستلزم یک درک از ترتیب کارهایی است که باید انجام بشود. فناوری‌های متعارف از برنامه‌نویسی توصیفی استفاده می‌کنند که در آنها همه مراحل فرایند و همه کارهای ممکن باید بصورت کد داده شوند. اما با وجود جامعیت آنها، فرایندهای حاصل اغلب با شرایط دنیای واقعی سازگار نیستند. اینجا هم تصادفی‌سازی خودکار دامنه (Automatic domain randomization) راه حل ارائه می‌دهد. این تکنیک با استفاده از تصادفی‌سازی پارامترهای فیزیکی برای شبیه‌سازی شرایط دنیای واقعی، به مدل‌ها آموزش می‌دهد که توالی چالش‌برانگیز را یاد بگیرند و تجربه لازم برای حل مسائل را پیدا کنند.