هوشمندی صنعتی به ماشین نزدیک‌تر می‌شود
هوش مصنوعی در حال تغییر شیوه پردازش اطلاعات، تصمیم‌گیری و واکنش به تغییر شرایط عملیاتی در سامانه‌های اتوماسیون صنعتی است. تولیدکنندگان به‌جای اتکای کامل به منابع پردازشی متمرکز یا تحلیل‌های مبتنی بر رایانش ابری، بیش از پیش در حال بررسی هوش مصنوعی لبه‌ای هستند؛ رویکردی که پردازش داده‌ها و تصمیم‌گیری هوشمند را به حسگرها، کنترل‌کننده‌ها، پلتفرم‌های تعبیه‌شده و تجهیزات تولید نزدیک‌تر می‌کند.
مجمع IIoT در نمایشگاه electronica 2026، روزهای ۱۰ و ۱۱ نوامبر در سالن C6 و در بخش Future Tech Stage در مونیخ آلمان، این تحولات را بررسی خواهد کرد. این مجمع با همکاری Embedded Computing Design برگزار می‌شود و موضوعاتی چون هوش مصنوعی لبه‌ای، اتصال‌پذیری صنعتی، امنیت سایبری، کنترل موتور، رباتیک و نگهداری پیش‌بینانه را پوشش می‌دهد.
برای مهندسان صنعتی، بحث فراتر از توان پردازشی است. چالش اصلی، ادغام هوش مصنوعی در معماری‌های اتوماسیون موجود است؛ آن هم به‌گونه‌ای که رفتار کنترلی قابل‌پیش‌بینی حفظ شود، از داده‌های عملیاتی محافظت شود و کارکردهای هوشمند در چارچوب محدودیت‌های فنی محیط‌های صنعتی عمل کنند.
از نظر من، مهم‌ترین پرسش این نیست که چه میزان هوشمندی را می‌توان در لبه قرار داد، بلکه این است که چطور می‌توان آن هوشمندی را بدون ایجاد خطرهای عملیاتی تازه، به‌شکلی مؤثر در سامانه تولید ادغام کرد.
روز اول: پلتفرم‌های رایانش صنعتی و امنیت سایبری بلندمدت
روز نخست ساعت ۲ بعدازظهر با ارائه «Qualcomm Dragonwing: نوسازی اتوماسیون صنعتی برای عصر هوش مصنوعی» آغاز می‌شود. Anand Venkatesan، مدیر ارشد مدیریت محصول در Qualcomm Technologies، درباره نقش پلتفرم‌های رایانشی مدرن در پشتیبانی از کاربردهای صنعتی مجهز به هوش مصنوعی صحبت خواهد کرد.
با افزایش توان پردازنده‌های تعبیه‌شده برای مدیریت بارهای کاری سنگین‌تر، طراحان سیستم‌های اتوماسیون گزینه‌های بیشتری برای بینایی ماشین، تحلیل محلی داده‌ها و پایش وضعیت در اختیار دارند. بااین‌حال، انتخاب پردازنده تنها بخشی از طراحی سیستم است. مهندسان باید سازگاری نرم‌افزاری، رابط‌های ارتباطی، مدیریت حرارتی، مصرف برق و یکپارچه‌سازی با معماری‌های موجود PLC و کنترل صنعتی را نیز در نظر بگیرند.
ساعت ۲:۴۵ بعدازظهر، Balraj Kathiresan، مهندس ارشد در Infineon، ارائه «کاهش خطرهای امنیتی در عصر حملات کوانتومی» را برگزار می‌کند. این جلسه بر پیامدهای امنیتی قابلیت‌های نوظهور رایانش کوانتومی و عمر عملیاتی طولانی تجهیزات صنعتی متصل تمرکز دارد.
سامانه‌های صنعتی اغلب سال‌های زیادی پس از راه‌اندازی اولیه به کار خود ادامه می‌دهند. سازوکارهای امنیتی که امروز کافی هستند، ممکن است با تحول استانداردهای رمزنگاری و توانمندی‌های مهاجمان به به‌روزرسانی نیاز پیدا کنند. این مسئله چالشی عملی برای تولیدکنندگان تجهیزات و بهره‌برداران کارخانه‌ها ایجاد می‌کند: امنیت سایبری باید در سراسر چرخه عمر محصول در نظر گرفته شود، نه اینکه آن را کاری یک‌باره هنگام راه‌اندازی دانست.
برای مهندسان اتوماسیون، این یعنی ارزیابی ارتباطات امن، احراز هویت، سازوکارهای به‌روزرسانی میان‌افزار، کنترل دسترسی و امکان حفظ حفاظت‌های رمزنگاری در تجهیزات قدیمی و جدید.
برنامه روز با میزگرد «هوش مصنوعی در لبه برای IIoT» از ساعت ۴:۳۰ تا ۵:۱۵ بعدازظهر به پایان می‌رسد. شرکت‌کنندگان عبارت‌اند از Vinay Agarwal از Texas Instruments، Karthi Gopalan از Renesas، Robin Saltnes از Nordic Semiconductor و Yankin Tanurhan از MIPS/GlobalFoundries. Rich Nass از Embedded Computing Design مدیریت این گفت‌وگو را بر عهده خواهد داشت.
این میزگرد فرصت‌ها و ملاحظات مهندسی پردازش بارهای کاری هوش مصنوعی در نزدیکی تجهیزات صنعتی را بررسی می‌کند. پردازش محلی می‌تواند وابستگی به اتصال ابری را کاهش دهد و به پاسخ‌گویی سریع‌تر کمک کند؛ بااین‌حال، عملکرد واقعی به کاربرد، معماری شبکه، بار پردازشی و الزامات کنترلی بستگی دارد.
از دیدگاه مهندسی، هوش مصنوعی لبه‌ای باید مکمل کارکردهای جاافتاده اتوماسیون باشد، نه اینکه خودبه‌خود جایگزین آن‌ها شود. حلقه‌های کنترلی قطعی، اینترلاک‌ها و کارکردهای مرتبط با ایمنی باید رفتار تعریف‌شده خود را حفظ کنند، حتی وقتی کاربردهای مبتنی بر هوش مصنوعی برای بهینه‌سازی یا پشتیبانی از تصمیم‌گیری به کار گرفته می‌شوند.
روز دوم: هوش مصنوعی فیزیکی و سامانه‌های رباتیک هوشمند
روز دوم تمرکز را به هوش مصنوعی فیزیکی، رباتیک، ذخیره‌سازی تعبیه‌شده و رفتار خودمختار ماشین‌ها معطوف می‌کند.
ساعت ۲ بعدازظهر، Jean-Jacques Adragna، مدیر ارشد در Qualcomm France، ارائه «پیشبرد هوش مصنوعی فیزیکی با Qualcomm Dragonwing Robotics» را برگزار می‌کند. در این ارائه، پلتفرم‌های رایانشی برای سامانه‌های رباتیک هوشمند بررسی می‌شوند؛ سامانه‌هایی که در آن‌ها ادراک، تصمیم‌گیری و تعامل فیزیکی باید در محدوده‌های عملی پردازش و توان عمل کنند.
برخلاف کاربردهایی که پیشنهاد تولید می‌کنند یا داده‌های تاریخی را تحلیل می‌کنند، سامانه‌های رباتیک باید اطلاعات را به کنش‌های فیزیکی تبدیل کنند. دوربین‌ها، حسگرها، عملگرها، درایوهای موتور، پردازنده‌های تعبیه‌شده و نرم‌افزار کنترل باید با هم و در محدوده‌های زمانی و عملیاتی ماشین کار کنند.
این موضوع برای کاربردهای صنعتی تمایزی مهم ایجاد می‌کند: تشخیص یک شیء یا پیش‌بینی یک وضعیت به‌خودی‌خود به این معنا نیست که ربات می‌تواند بر مبنای آن اطلاعات با ایمنی عمل کند. کل سامانه باید دقت حسگرها، تأخیر ارتباطی، پاسخ عملگرها، محدودیت‌های حرکتی و پیامدهای تصمیم‌های نادرست را در نظر بگیرد.
ساعت ۲:۴۵ بعدازظهر، Donnie Garcia، مدیر بازاریابی PSoC در Infineon، ارائه «فراتر از حافظه بزرگ‌تر: ذخیره‌سازی هوشمند و عملکرد هوش مصنوعی در PSoC Edge» را برگزار می‌کند.
این جلسه به رابطه میان حافظه، معماری ذخیره‌سازی و اجرای هوش مصنوعی می‌پردازد. عملکرد هوش مصنوعی تعبیه‌شده به چیزی بیش از توان عملیاتی پردازنده وابسته است. ظرفیت حافظه، نرخ انتقال داده، دسترسی به ذخیره‌سازی و تخصیص منابع همگی می‌توانند بر عملکرد کاربرد اثر بگذارند.
برای طراحان تجهیزات، این عوامل هنگام پیاده‌سازی بینایی ماشین، ترکیب داده‌های حسگرها یا چند کارکرد هوش مصنوعی روی پلتفرمی با منابع محدود اهمیت ویژه‌ای پیدا می‌کنند. بنابراین، انتخاب سخت‌افزار باید بر مبنای کل بار کاری کاربرد انجام شود، نه صرفاً مشخصات پردازنده.
ساعت ۳:۳۰ بعدازظهر، Ivo Marocco، معاون رئیس و مدیر تجربه کاربری در Renesas، درباره «مدیریت پیچیدگی در زیست‌بوم رباتیک انسان‌نما: رویکردی سیستمی برای خودمختاری مقیاس‌پذیر» صحبت خواهد کرد.
ربات‌های انسان‌نما، حسگری، عملگرها، محاسبات، ارتباطات و نرم‌افزار کنترل را در معماری‌هایی روزبه‌روز پیچیده‌تر کنار هم قرار می‌دهند. هماهنگ‌سازی این زیرسامانه‌ها مستلزم مدیریت دقیق رابط‌ها، تخصیص منابع، رفتار سیستم و وضعیت‌های خطاست.
همین اصل درباره رباتیک صنعتی به‌طور کلی نیز صدق می‌کند. هرچه ماشین‌ها خودمختارتر می‌شوند، یکپارچه‌سازی سیستم اهمیت بیشتری پیدا می‌کند. پردازنده توانمند یا مدل پیشرفته هوش مصنوعی نمی‌تواند ضعف هماهنگی زیرسامانه‌ها، سازوکارهای ناکافی بازخورد یا راهبردهای مبهم مدیریت خطا را جبران کند.
هوش مصنوعی فیزیکی در فضای کارخانه: از نمایش تا پیاده‌سازی
آخرین میزگرد روز دوم، با عنوان «هوش مصنوعی فیزیکی در فضای کارخانه»، ساعت ۴:۳۰ بعدازظهر آغاز می‌شود. در این گفت‌وگو Lee Gonzales-Fuentes، مدیر بازاریابی جهانی محصول در حوزه میکروکنترلرهای PSoC Control در Infineon، و Larry Olivas، معاون رئیس بخش Secure Connected Edge در NXP Semiconductors، شرکت می‌کنند. Rich Nass بار دیگر مدیریت میزگرد را بر عهده خواهد داشت.
این گفت‌وگو دوباره به نیازهای عملی تولید صنعتی می‌پردازد؛ جایی که ماشین‌های هوشمند باید با تجهیزات، فرایندها و محیط‌های کاری واقعی تعامل داشته باشند. پیاده‌سازی هوش مصنوعی در فضای کارخانه چیزی فراتر از اجرای محلی یک مدل است. مهندسان باید مشخص کنند خروجی‌های هوش مصنوعی چطور با کنترل ماشین، توالی‌های تولید، سازوکارهای ایمنی و سامانه‌های نظارتی تعامل می‌کنند.
برای نمونه، یک کاربرد پایش وضعیت مبتنی بر هوش مصنوعی ممکن است الگوی لرزش غیرعادی را تشخیص دهد و بازرسی را پیشنهاد کند. ادغام این اطلاعات در روند کاری نگهداری با واگذاری اختیار تغییر مستقیم حرکت ماشین یا پارامترهای فرایند به سامانه هوش مصنوعی تفاوت دارد. هر کاربرد به سطح اختیار مشخص، اعتبارسنجی مناسب و واکنش‌های متناسب با نتایج نامطمئن یا نادرست نیاز دارد.
به ارزیابی من، پیاده‌سازی موفق هوش مصنوعی فیزیکی به تعیین مرزهای روشن میان کارکردهای احتمالاتی هوش مصنوعی و کارکردهای کنترلی قطعی بستگی دارد. هوش مصنوعی می‌تواند قابلیت‌های ارزشمندی در زمینه ادراک، طبقه‌بندی و بهینه‌سازی فراهم کند، درحالی‌که منطق کنترلی متعارف همچنان توالی‌های حساس به زمان و اینترلاک‌های اعتبارسنجی‌شده را مدیریت می‌کند. کارکردهای مرتبط با ایمنی باید از معماری ایمنی قابل‌اعمال پیروی کنند و نمی‌توان صرفاً به یک مدل هوش مصنوعی اتکا کرد، مگر اینکه کل پیاده‌سازی برای این منظور به‌درستی ارزیابی و تأیید شده باشد.
این رویکرد به تولیدکنندگان امکان می‌دهد قابلیت‌های هوش مصنوعی را بررسی کنند و در عین حال، انضباط عملیاتی لازم برای تولید صنعتی را حفظ کنند.
نگهداری پیش‌بینانه و اتصال‌پذیری صنعتی همچنان از نیازهای اصلی‌اند
نگهداری پیش‌بینانه و اتصال‌پذیری صنعتی نیز بخشی از برنامه گسترده‌تر مجمع IIoT هستند. این فناوری‌ها زیرساخت لازم را برای جمع‌آوری داده‌های تجهیزات، شناسایی خرابی‌های در حال شکل‌گیری و هماهنگی فعالیت‌های نگهداری فراهم می‌کنند.
پردازش لبه‌ای می‌تواند به تحلیل لرزش، دما، جریان، فشار و دیگر اندازه‌گیری‌های عملیاتی در نزدیکی منبع آن‌ها کمک کند. این کار ممکن است حجم داده‌های ارسالی به سامانه‌های متمرکز را کاهش دهد و شناسایی سریع‌تر وضعیت‌های غیرعادی را ممکن سازد. بااین‌حال، سودمندی نگهداری پیش‌بینانه همچنان به کیفیت حسگرها، سازگاری داده‌ها، مدل‌های تحلیلی مناسب و اعتبارسنجی در برابر رفتار واقعی تجهیزات وابسته است.
اتصال‌پذیری نیز چالشی مرتبط به همراه دارد. محیط‌های صنعتی اغلب تجهیزاتی از نسل‌ها و تولیدکنندگان مختلف دارند که هرکدام رابط‌ها، پروتکل‌ها و نیازهای نگهداری خاص خود را دارند. ادغام تجهیزات لبه‌ای در محیط‌های موجود PLC، SCADA، DCS و اجرای تولید مستلزم توجه دقیق به همکاری‌پذیری، بخش‌بندی شبکه، مالکیت داده‌ها و دسترس‌پذیری سیستم است.
بنابراین، یک راهبرد عملی برای پیاده‌سازی باید با تعریف مسئله‌ای عملیاتی و روشن آغاز شود. مهندسان باید عملکرد پایه را تعیین کنند، مشخص سازند چه داده‌هایی لازم است، پیامدهای خرابی ارتباطات یا پردازش را ارزیابی کنند و بسنجند که آیا کاربرد حاصل، نتایج نگهداری یا تولید را بهبود می‌دهد یا نه.
مهندسان صنعتی از electronica 2026 چه نکاتی باید دریابند؟
مجمع IIoT چند اولویت مهندسی مرتبط را برجسته می‌کند: رایانش لبه‌ای، امنیت سایبری بلندمدت، مدیریت منابع تعبیه‌شده، خودمختاری ربات‌ها و ادغام هوش مصنوعی با سامانه‌های کنترل فیزیکی.
این موضوعات را نباید روندهای فناوری مستقل از هم دانست. آن‌ها اجزای یک معماری صنعتی واحد هستند. پردازنده‌های توانمندتر لبه‌ای فرصت‌هایی برای هوشمندی محلی فراهم می‌کنند، اما در عین حال نیازهای نرم‌افزاری و امنیتی را افزایش می‌دهند. خودمختاری بیشتر ربات‌ها به الزامات تازه‌ای برای یکپارچه‌سازی می‌انجامد، درحالی‌که نگهداری پیش‌بینانه به جمع‌آوری داده‌های قابل‌اعتماد و تحلیل معنادار وابسته است.
برای تولیدکنندگان، اولویت باید شناسایی کاربردهایی باشد که هوشمندی لبه‌ای در آن‌ها سودی قابل‌اندازه‌گیری ایجاد می‌کند؛ مانند کاهش تأخیر در عیب‌یابی، بهبود تشخیص خرابی یا استفاده کارآمدتر از منابع ماشین. سپس باید آن کاربردها را با توجه به محدودیت‌های عملیاتی، الزامات امنیت سایبری، هزینه‌های چرخه عمر و نیاز به حفظ کارکردهای کنترلی و ایمنی موجود ارزیابی کرد.
گذار از آزمایش هوش مصنوعی به پیاده‌سازی صنعتی را تنها توان پردازشی تعیین نخواهد کرد. این گذار به کیفیت ادغام نرم‌افزار هوشمند با اصول آزموده‌شده اتوماسیون، سخت‌افزار قابل‌نگهداری، ارتباطات امن و مسئولیت‌های عملیاتی به‌روشنی تعریف‌شده بستگی دارد.
مجمع IIoT در electronica 2026 بستری برای بررسی این چالش‌ها از طریق ارائه‌های فنی و گفت‌وگو با متخصصان فراهم می‌کند. شرکت‌کنندگان همچنین در پایان هر جلسه فرصت پرسش‌وپاسخ خواهند داشت تا درباره کاربرد فناوری‌های نوظهور در سامانه‌های صنعتی خود گفت‌وگو کنند.
در نهایت، بهترین راهکارهای صنعتی هوش مصنوعی راهکارهایی هستند که مسائل مشخص مهندسی را حل می‌کنند، با معماری‌های عملیاتی موجود سازگارند و بدون به‌خطر انداختن الزامات کنترلی، امنیتی و ایمنی تجهیزات، بهبودهای قابل‌اندازه‌گیری ارائه می‌دهند.
