تولید وارد مرحله‌ای می‌شود که در آن اتوماسیون دیگر صرفاً با تعداد ماشین‌هایی که می‌توان به‌کار گرفت تعریف نمی‌شود. پرسش مهم‌تر این است که اتوماسیون تا چه اندازه می‌تواند با افرادی که سیستم‌های تولید را راهبری، نگهداری، عیب‌یابی و به‌طور مستمر بهبود می‌دهند، به‌طور مؤثر همکاری کند.
ماشین‌ها در انجام کارهای تکرارپذیر فوق‌العاده‌اند. افراد در برخورد با عدم‌قطعیت عملکرد بهتری دارند. بنابراین، قوی‌ترین محیط‌های تولیدی آن‌هایی نیستند که تلاش می‌کنند افراد را از فرایند حذف کنند، بلکه محیط‌هایی هستند که عمداً کارها را بر اساس نقاط قوت هر دو واگذار می‌کنند.
اتوماسیون باید توانمندی انسان را گسترش دهد
اتوماسیون صنعتی به‌طور سنتی با شاخص‌های آشنایی مانند زمان چرخه، توان عملیاتی، دسترس‌پذیری و بهره‌وری نیروی کار سنجیده شده است. این اندازه‌گیری‌ها همچنان مهم‌اند، اما تمام ماجرا را بیان نمی‌کنند.
یک PLC می‌تواند یک توالی یکسان را هزاران بار بدون حواس‌پرتی اجرا کند. یک سیستم بینایی می‌تواند تعداد زیادی قطعه را بر اساس معیارهای تعریف‌شده بازرسی کند. یک ربات می‌تواند یک حرکت برنامه‌ریزی‌شده را با موقعیت‌یابی یکنواخت تکرار کند. یک سیستم کنترل صنعتی می‌تواند متغیرهای فرایند را به‌طور پیوسته جمع‌آوری کند و بر اساس منطق ازپیش‌تعریف‌شده واکنش نشان دهد.
این‌ها حوزه‌هایی هستند که ماشین‌ها در آن‌ها مزیت آشکاری دارند.
خارج از آن شرایط کنترل‌شده، تولید بسیار کم‌پیش‌بینی‌تر می‌شود. کمبود مواد می‌تواند تولید را متوقف کند. یک تأمین‌کننده ممکن است مشخصات یک قطعه را تغییر دهد. ممکن است در یک ماشین عیبی متناوب ایجاد شود که در داده‌های تاریخی دیده نمی‌شود. مشتری ممکن است در آخرین لحظه خواستار تغییر محصول شود.
این موقعیت‌ها به‌جای اجرای ساده، به تفسیر نیاز دارند.
یک اپراتور باتجربه یا مهندس تعمیر و نگهداری می‌تواند دانش فرایند، رفتار تجهیزات و شرایط فعلی را با هم ترکیب کند تا مشخص کند واقعاً چه اتفاقی در حال رخ دادن است. کاهش این تواناییِ تفسیر زمینه به یک توالی ثابت از دستورالعمل‌ها دشوار است.
به همین دلیل، من اتوماسیون را کمتر جایگزینی برای توانمندی انسان و بیشتر راهی برای گسترش آن می‌دانم.
ماشین‌ها تکرارپذیری را مدیریت می‌کنند، افراد تغییرپذیری را
یکی از روش‌های مفید برای طراحی یک سیستم تولید خودکار، جداسازی کارهای قابل‌پیش‌بینی از کارهای متغیر است.
ماشین‌ها برای عملیات دارای ورودی‌ها، خروجی‌ها و قواعد تصمیم‌گیریِ کاملاً مشخص مناسب‌اند. مونتاژ تکراری، جابه‌جایی مواد، اندازه‌گیری، بازرسی و تنظیم فرایند را اغلب می‌توان خودکار کرد، زیرا شرایط کاری آن‌ها را می‌توان به‌دقت توصیف کرد.
وقتی فرایند از آن مرزها خارج می‌شود، ارزش افراد بیشتر می‌شود.
یک خرابی غیرمنتظره تجهیزات را در نظر بگیرید. یک هشدار ممکن است دمای بالای موتور، لرزش غیرعادی یا قطع ارتباط را نشان دهد. سامانه کنترل می‌تواند وضعیت را شناسایی و اطلاعات تشخیصی ارائه کند، اما تکنسین همچنان باید تعیین کند که مشکل الکتریکی، مکانیکی، محیطی یا مرتبط با خود فرایند است.
این تمایز مهم است.
خودکارسازی می‌تواند به ما بگوید سامانه چه چیزی را شناسایی کرده است. تجربه انسانی اغلب تعیین می‌کند که این اطلاعات در دنیای فیزیکی چه معنایی دارد.
بنابراین، سازنده‌ترین رویکرد این نیست که بپرسیم یک شخص یا یک ماشین باید وظیفه‌ای را انجام دهد. پرسش بهتر این است که هر بخش از وظیفه باید توسط کدام‌یک انجام شود.
داده جایگزین قضاوت مهندسی نمی‌شود
کارخانه‌های مدرن حجم عظیمی از داده‌های عملیاتی تولید می‌کنند. PLCها، پلتفرم‌های DCS، سامانه‌های SCADA، تجهیزات پایش وضعیت، تاریخچه‌نگارها، سامانه‌های بینایی و دستگاه‌های IIoT می‌توانند به‌طور پیوسته اطلاعات دارایی‌های تولیدی را ثبت کنند.
بااین‌حال، داده بیشتر به‌طور خودکار به تصمیم‌های بهتر منجر نمی‌شود.
یک حسگر با کالیبراسیون نادرست می‌تواند اندازه‌گیری‌های نادقیقی تولید کند. یک هشدار با پیکربندی نادرست می‌تواند موجب مداخله غیرضروری اپراتور شود. نبودِ مُهرهای زمانی می‌تواند بازسازی توالی رویدادها را دشوار کند. نام‌گذاری ناسازگار تگ‌ها می‌تواند تحلیل میان خطوط تولید را پیچیده کند.
سامانه‌های هوش مصنوعی و تحلیل داده نیز با همین محدودیت مواجه‌اند.
اگر داده‌های زیربنایی فرایند فیزیکی را به‌دقت نشان ندهند، الگوریتم‌های پیشرفته نمی‌توانند به‌طور جادویی مشکل را اصلاح کنند. آن‌ها ممکن است بر اساس ورودی‌های نادرست، نتیجه‌گیری‌هایی بسیار متقاعدکننده ارائه دهند.
به همین دلیل، دیجیتالی‌سازی صنعتی باید با ابزار دقیق، منطق کنترل، معماری داده و دانش فرایند آغاز شود. هوش مصنوعی باید به‌عنوان یک ابزار مهندسی دیگر در نظر گرفته شود، نه جایگزینی برای مبانی مهندسی.
رابط اپراتور بخشی از سامانه خودکارسازی است
خودکارسازی انسان‌محور همچنین مستلزم توجه به نحوه رسیدن اطلاعات به نیروی کار است.
یک سامانه کنترل از نظر فنی توانمند نیز اگر اپراتورها با هشدارهای بیش‌ازحد، گرافیک‌های گیج‌کننده یا اطلاعاتی مواجه شوند که برای پشتیبانی از تصمیم‌گیری دیر می‌رسد، می‌تواند عملکرد ضعیفی داشته باشد.
اپراتور به هر نقطه‌داده موجود در هر لحظه نیاز ندارد. اپراتور به اطلاعات درست نیاز دارد که در محل تصمیم‌گیری و به‌روشنی ارائه شود.
همین اصل درباره کارکنان تعمیر و نگهداری نیز صدق می‌کند.
یک سامانه پایش وضعیت که هزاران اندازه‌گیری را گزارش می‌کند، اگر تکنسین‌ها نتوانند تغییرات عادی عملکرد را از یک خرابی واقعیِ در حال شکل‌گیری تشخیص دهند، ممکن است ارزش چندانی ایجاد نکند. خودکارسازی مفید باید تلاش شناختی غیرضروری را کاهش دهد، نه اینکه صرفاً اطلاعات بیشتری را روی صفحه نمایش منتقل کند.
از نظر عملی، طراحی رابط، مدیریت هشدارها، عیب‌یابی تجهیزات و طراحی گردش کار باید بخشی از معماری اتوماسیون در نظر گرفته شوند.
ایمنی باید همچنان مسئولیتی انسانی باقی بماند
اتوماسیون صنعتی می‌تواند مواجهه با عملیات خطرناک را کاهش دهد، اما خودکارسازی به‌تنهایی ایمنی را تضمین نمی‌کند.
یک ربات معمولاً به اجرای توالی برنامه‌ریزی‌شده خود ادامه می‌دهد، مگر اینکه معماری کنترل و ایمنی شرایط مناسب را برای توقف یا محدود کردن عملکرد آن فراهم کند. بنابراین ایمنی به کل سامانه وابسته است: حسگرها، کنترل‌کننده‌های ایمنی، اینترلاک‌ها، توقف‌های اضطراری، حفاظ‌ها، رویه‌ها، شیوه‌های نگهداری و رفتار انسان.
همین اصل درباره سامانه‌های ایمنی عملکردی نیز صدق می‌کند.
یک سامانه ابزاردقیق ایمنی می‌تواند شرایط خطرناک تعریف‌شده را شناسایی کند و پاسخی ایمن و ازپیش‌تعیین‌شده را آغاز کند. اما جایگزین کار مهندسی لازم برای شناسایی خطرات، تعریف عملکردهای ایمنی، اعتبارسنجی سامانه و نگهداری از آن در سراسر چرخه عمرش نمی‌شود.
در اینجا مسئولیت انسانی همچنان بنیادی است.
مهندسان و متخصصان ایمنی باید نه‌تنها بدانند یک سامانه خودکار برای انجام چه کاری طراحی شده است، بلکه باید بدانند هنگام شکست فرضیات چه اتفاقی رخ می‌دهد.
یک فرایند نامناسب را خودکار نکنید
یکی از رایج‌ترین اشتباهات در اتوماسیون، تلاش برای حل مشکل فرایند با افزودن فناوری است.
اگر یک فرایند دستی به‌دلیل نامشخص بودن مسئولیت‌ها ناهماهنگ است، نصب اتوماسیون بیشتر ممکن است فقط باعث شود این ناهماهنگی سریع‌تر رخ دهد.
اگر داده‌های تولید به‌دلیل نگهداری نامناسب ابزار دقیق قابل‌اعتماد نیستند، افزودن تحلیل داده لزوماً پیش‌بینی‌های مفیدی ایجاد نمی‌کند.
اگر رویه‌های نگهداری به‌دلیل ناقص بودن اطلاعات تجهیزات ناکارآمد هستند، افزودن یک پلتفرم نرم‌افزاری دیگر ممکن است پیچیدگی را افزایش دهد، بدون آنکه عملکرد نگهداری را بهبود بخشد.
پیش از خودکارسازی یک فرایند، باید خود فرایند بررسی شود.
آیا این کار تکرارپذیر است؟ آیا ورودی‌ها کنترل می‌شوند؟ آیا حدود عملیاتی مشخص هستند؟ آیا حالت‌های خرابی شناخته شده‌اند؟ آیا نتیجه مطلوب قابل‌اندازه‌گیری است؟ آیا دلیل روشنی برای خودکارسازی این عملیات وجود دارد؟
اگر پاسخ این پرسش‌ها روشن نیست، بهبود فرایند معمولاً باید پیش از اتوماسیون انجام شود.
پروژه‌های اتوماسیون به اهداف قابل‌اندازه‌گیری نیاز دارند
پروژه‌های فناوری به‌راحتی ممکن است به‌جای نتایج، بر پیاده‌سازی متمرکز شوند.
یک ربات جدید، پلتفرم PLC، سامانه بینایی، برنامه کاربردی تحلیل داده یا ابزار نگهداری دیجیتال ممکن است از نظر فنی چشمگیر باشد، اما ارزش آن در نهایت باید از طریق نتایج عملیاتی قابل‌اندازه‌گیری نشان داده شود.
بسته به کاربرد، این نتایج ممکن است شامل کاهش زمان ازکارافتادگی، کوتاه‌تر شدن زمان تعویض، کاهش نرخ ضایعات، بهبود بازده در نخستین گذر، کاهش حوادث ایمنی، تشخیص سریع‌تر خطا یا کاهش نیاز به مداخله تعمیر و نگهداری باشد.
نکته مهم این است که پیش از استقرار فناوری، معیار اندازه‌گیری را تعیین کنید.
یک خط مبنای روشن امکان تعیین این موضوع را فراهم می‌کند که آیا سرمایه‌گذاری واقعاً فرایند را تغییر داده است یا نه.
بدون یک خط مبنا، سازمان‌ها ممکن است موفقیت پروژه اتوماسیون را بر اساس نصب و راه‌اندازی سامانه بسنجند، نه بر اساس اینکه مشکل تولید حل شده است یا نه.
مهارت‌های نیروی کار باید همگام با فناوری تکامل یابد
با پیچیده‌تر شدن اتوماسیون، مهارت‌های موردنیاز کارکنان صنعتی نیز تغییر می‌کند.
تکنسین تعمیر و نگهداری ممکن است بیش از پیش لازم باشد علاوه بر مهارت‌های مکانیکی و الکتریکی سنتی، شبکه‌ها، ورودی/خروجی‌های راه دور، درایوهای فرکانس متغیر، عیب‌یابی PLC، اترنت صنعتی و جمع‌آوری داده را نیز درک کند.
اپراتورها ممکن است لازم باشد روندهای فرایند را تفسیر کنند، نه اینکه صرفاً هشدارهای گسسته را پایش کنند.
مهندسان ممکن است لازم باشد هم معماری کنترل و هم معماری داده را درک کنند.
این به آن معنا نیست که هر کارگر باید به توسعه‌دهنده نرم‌افزار یا دانشمند داده تبدیل شود. منظور این است که سازمان‌ها باید مهارت‌های فنی لازم برای بهره‌برداری و نگهداری از سامانه‌های هرچه متصل‌تر را توسعه دهند.
بنابراین آموزش باید بخشی از پروژه اتوماسیون در نظر گرفته شود، نه فعالیتی که پس از راه‌اندازی به آن افزوده می‌شود.
بهترین سامانه‌های اتوماسیون با تمرکز بر حالت‌های خرابی طراحی می‌شوند
یکی از ویژگی‌های مهم اتوماسیون صنعتی خوب که اغلب نادیده گرفته می‌شود، نحوه عملکرد آن هنگام بروز مشکل است.
نمایش عملکرد عادی نسبتاً آسان است. پرسش مهندسی دشوارتر این است که وقتی یک حسگر از کار می‌افتد، اتصال شبکه قطع می‌شود، یک عملگر پاسخ نمی‌دهد، یک کنترل‌گر ارتباط خود را متوقف می‌کند یا اپراتور انتخابی غیرمنتظره انجام می‌دهد، چه اتفاقی می‌افتد.
معماری خوب اتوماسیون این شرایط را پیش‌بینی می‌کند.
سامانه‌های عیب‌یابی باید به شناسایی منشأ مشکل کمک کنند. اینترلاک‌ها باید از توالی‌های ناایمن جلوگیری کنند. افزونگی باید در مواردی به کار رود که ریسک و کاربرد آن را توجیه می‌کنند. مداخله دستی باید در جاهایی که از نظر عملیاتی ضروری است، همچنان امکان‌پذیر باشد.
از دیدگاه مهندسی، کیفیت یک سامانه اتوماسیون اغلب در شرایط غیرعادی، آشکارتر از زمان تولید عادی نمایان می‌شود.
تجربه انسانی همچنان منبع نوآوری است
برخی از مفیدترین بهبودها در خط تولید، از بخش‌های مهندسی یا فروشندگان فناوری سرچشمه نمی‌گیرند.
اپراتورها اغلب تغییرات کوچکی در فرایند کشف می‌کنند که حرکت‌های غیرضروری را کاهش می‌دهد. تکنسین‌های تعمیرونگهداری الگوهای تکرارشونده خرابی را شناسایی می‌کنند که در مستندات تجهیزات به‌وضوح دیده نمی‌شوند. کارکنان تولید ممکن است پیش از آنکه رابطه میان کیفیت محصول و شرایط عملیاتی در یک تحلیل رسمی آشکار شود، آن رابطه را تشخیص دهند.
این مشاهدات، دانش عملی فرایند را نشان می‌دهند.
سیستم‌های دیجیتال می‌توانند این دانش را ثبت و سازمان‌دهی کنند، اما سازمان‌ها همچنان به سازوکارهایی نیاز دارند تا انسان‌ها بتوانند در ارائه آن مشارکت کنند.
یک محیط تولید واقعاً متصل نباید فقط اطلاعات را از ماشین‌ها به انسان‌ها ارسال کند. بلکه باید امکان دهد دانش انسان‌ها نیز برای بهبود ماشین‌ها، رویه‌ها و راهبردهای کنترلی به کار گرفته شود.
گام بعدی، اتوماسیون مشارکتی است
بعید است آینده اتوماسیون صنعتی با گذار ساده از کار دستی به تولید کاملاً خودکار تعریف شود.
جهت‌گیری واقع‌بینانه‌تر، اتوماسیون مشارکتی است؛ در این رویکرد، ماشین‌ها مسئولیت وظایف تکراری، دقیق و داده‌محور را بر عهده می‌گیرند و انسان‌ها مسئولیت تفسیر، رسیدگی به موارد استثنایی، بهبود و تصمیم‌هایی را که به زمینه گسترده‌تری نیاز دارند، حفظ می‌کنند.
این مدل، نحوه طراحی پروژه‌های اتوماسیون را تغییر می‌دهد.
مهندسان به‌جای اینکه بپرسند «این سیستم می‌تواند جای چند کارگر را بگیرد؟» باید بپرسند «کدام وظایف انسانی تلاش، ریسک یا تأخیر غیرضروری ایجاد می‌کنند و فناوری چگونه می‌تواند این بار را کاهش دهد؟»
این تغییر نگرش، نوع متفاوتی از اتوماسیون را به وجود می‌آورد.
هدف، کاهش تعداد افراد به هر قیمتی نیست. هدف، استفاده بهتر از تخصص انسانی است.
تعریفی کاربردی‌تر از هوشمندی صنعتی
هوشمندی صنعتی را نباید صرفاً با حضور هوش مصنوعی، ربات‌ها یا دستگاه‌های متصل تعریف کرد.
یک سیستم تولید واقعاً هوشمند باید بداند چه چیزهایی را می‌تواند خودکار کند، محدودیت‌های منطق تصمیم‌گیری خودش را تشخیص دهد، اطلاعات مفیدی در اختیار انسان‌ها بگذارد و هنگامی که شرایط از محدوده عملیاتی تعریف‌شده آن خارج می‌شود، به‌صورت کنترل‌شده از کار بیفتد.
انسان‌ها زمینه، قضاوت و پاسخ‌گویی را فراهم می‌کنند.
ماشین‌ها تکرارپذیری، سرعت، محاسبات و پایش مداوم را فراهم می‌کنند.
داده این دو را به هم متصل می‌کند.
وقتی این عناصر با هم مهندسی شوند، اتوماسیون چیزی فراتر از مجموعه‌ای از فناوری‌های کنترلی می‌شود. اتوماسیون به یک مدل عملیاتی تبدیل می‌شود که در آن فناوری کارهای غیرضروری را حذف می‌کند، درحالی‌که تخصص انسانی در جایی که بیشترین ارزش را ایجاد می‌کند، همچنان در دسترس است.
بنابراین آینده تولید اساساً رقابتی میان انسان‌ها و ماشین‌ها نیست. بلکه مهندسی یک سیستم تولید است که در آن هرکدام کاری را انجام می‌دهند که برای آن مناسب‌ترند.
