نویسندگان:
دکتر محمود شهرخی
(دانشیار گروه مهندسی صنایع دانشگاه کردستان- مدیر بخش مدیریت دارایی‌های فیزیکی آکادمی کارشناسان ایران)
مهندس هانا رنجبر (دانشجوی کارشناسی ارشد مهندسی صنایع – دانشگاه کردستان)
1. مقدمه
انقلاب صنعتی چهارم، با ظهور فناوری‌های جدیدی شناخته می‌شود که بی‌تردید تاثیرات شگرفی بر شیوه مدیریت سازمان‌ها و تصمیمات آن‌ها خواهد گذاشت. یکی از زمینه هایی که به شدت تحت این تکنولوژی‌ها، قابلیت‌های منحصر به فردی در صنایع مختلف ایجاد نموده‌است، حوزه مدیریت دارایی‌های فیزیکی است. این مقاله به بررسی اثرات برخی از فناوری‌های انقلاب صنعتی چهارم ، همچون هوش مصنوعی ([1]AI)، یادگیری عمیق، اینترنت اشیای صنعتی (IIoT[2]) و تکنیک‌های علوم داده (DataScience) همچون تحلیل داده‌های کلان ((Big Data Analytics بر مدیریت دارایی‌های فیزیکی پرداخته است. این فناوری‌ها آنچنان گسترده بوده و کاربرد آن‌ها به سرعت در حال افزایش است که نمی‌توان به همه آن‌ها در یک فرصت محدود پرداخت. فناوری‌های مدیریت دارایی‌های فیزیکی 0/4 می‌توانند بهبود عملکرد و کاهش هزینه‌ها را ممکن سازند. این فناوری‌ها به ویژه، با تجمیع و تحلیل داده‌ها، الگوها و روندهای پنهان داده‌ها را شناسایی کرده و از آن‌ها در تصمیم‌گیری‌های آینده و برنامه‌ریزی‌های مدیریتی استفاده کرده و به این ترتیب، به شرکت‌ها کمک می‌کنند تا اطلاعات دقیقتری در مورد دارایی‌هایشان بدست آورده و روش‌های بهینه‌سازی برای مدیریت بهتر آن‌ها را پیاده کنند. مفاهیم و اصطلاحات
در این بخش مهمترین تعاریف و مفاهیم به کار رفته در این مقالعه معرفی می‌گردند.
- اینترنت اشیاء صنعتی
اینترنت اشیاء صنعتی (IIoT[3]) شامل اجتماع مجموعه‌ای شامل حسگرها، ابزارها و دستگاه‌های صنعتی مستقل از هم هستند که از طریق اینترنت به برنامه‌های صنعتی متصل شده و به تبادل داده‌ها و اطلاعات می‌پردازند.
- هوش مصنوعی
هوش مصنوعی به طور کلی به مجموعه‌ای از روش‌ها، مدل‌ها و آلگوریتم‌ها اطلاق می‌شود که یک سیستم رایانه‌ای را در تشخیص و تفسیر دقیق داده‌های خارجی، یادگیری از این داده‌ها و کاوش هوشمندانه در آن‌ها توانمند می‌کند. این سیستم سپس قادر است از آموخته‌های به دست آمده برای دستیابی به اهداف و انجام وظایف خاص، در انطباق با شرایط جدید و خواسته‌های کاربر استفاده کند.
- سیستم خبره[4]
سیستم خبره یک برنامه کامپیوتری است که از فناوری‌های هوش مصنوعی (AI) برای شبیه‌سازی قضاوت و رفتار یک انسان یا سازمانی که در زمینه خاصی دارای تخصص و تجربه است، استفاده می‌کند. تابحال سیستم‌های خبره معمولاً برای تکمیل و نه جایگزینی متخصصان انسانی به کار گرفته شده‌اند. ولی توانمندی این سیستم‌ها در سال‌های اخیر بسیار گسترش یافته و به نظر می‌رسد که در آینده نزدیک به طور مستقل، به جای بسیاری از کارشناسان انسانی به کار گرفته شوند. این فناوری در حال حاضر در پزشکی و علوم کاربرد داشته و کاربرد آن برای کارهای سرمایه گذاری مانند تخصیص دارایی و انتساب عملکرد در حاشیه قرارگرفته است. کلید یک سیستم خبره، پایگاه دانش آن یعنی مجموعه قوانینی است که سیستم در پایگاه داده حقایق اعمال می‌کند.
- یادگیری ماشین
یادگیری ماشین[5] یکی از اصلی‌ترین حوزه‌های هوش مصنوعی است که به توسعه و مطالعه الگوریتم‌های آماری مربوط می‌شود و می‌توانند از داده‌ها یاد گرفته و روابط آن‌ها را به داده‌های مشاهده نشده تعمیم دهند. شبکه‌های عصبی مصنوعی مولد نمونه بسیار موفقی از رویکردهای یادگیری ماشین هستند. تکنیک‌های یادگیری ماشین به دو دسته تحت نظارت (مانند : رگرسیون خطی، رگرسیون لجستیک، تجزیه و تحلیل تفکیک خطی، درخت تصمیم، جنگل تصادفی) و یادگیری بدون نظارت (مانند : تجزیه و تحلیل مؤلفه های اصلی، خوشه بندی و قوانین انجمنی) تقسیم می‌شوند. همچنین دو تکنیک یادگیری عمیق و یادگیری تقویتی از جمله موثرترین تکنیک‌های یادگیری ماشین هستند که در ادامه به آن‌ها اشاره می‌شود.
- یادگیری عمیق
یادگیری عمیق شاخه ای از یادگیری ماشین است که متکی بر یک معماری محاسباتی خاص به نام شبکه عصبی مصنوعی[6] بوده و کلیه نیازمهند ی‌های یک سیستم یادگیری ماشینی فراگیر (از آغاز تا پایان) را پوشش می‌دهد.
- یادگیری تقویتی
یادگیری تقویتی[7] به تکنیک‌های مربوط به یادگیری رفتار بهینه در یک محیط، برای به دست آوردن حداکثر پاداش برمی‌گردد. این رفتار بهینه از طریق تعامل با محیط و مشاهدات نحوه واکنش آن آموخته می شود.
- علم داده
علم داده[8] شامل مطالعه داده‌های تجاری، نظامی یا علمی برای استخراج یک بینش معنادار است. این رویکرد چند رشته‌ای اصول و شیوه‌های حوزه‌های ریاضی، آمار، هوش مصنوعی و مهندسی کامپیوتر را برای تجزیه و تحلیل حجم زیادی از داده‌ها ترکیب می‌کند. داده‌های کلان به شرکت‌ها کمک می‌کند تا اطالاعات بزرگی که به طور معمول در سیستم‌های ذخیره‌سازی داده‌ها قرار دارند را بررسی کرده و الگوها و روابط مختلفی را در داده‌ها شناسایی کنند. این تجزیه و تحلیل داده‌ها می‌تواند به شرکت‌ها کمک کند تا پیشبینی‌های دقیقتری در مورد دارایی‌ها و نیازهای آینده آن‌ها داشته باشند.
- داده‌کاوی
داده‌کاوی[9] فرآیند استخراج و کشف الگوها در مجموعه داده های بزرگ بوده و شامل مجموعه‌ای از روش‌های یادگیری ماشین، آمار و مدیریت سیستم‌های پایگاه داده است.
- مدیریریت دارایی‌های فیزیکی
مدیریت دارایی‌های فیزیکی (PAM[10]) یک رویکرد سیستماتیک برای مدیریت همزمان هزینه، ریسک و عملکرد دارایی هایی مانند تجهیزات، کارخانه، ساختمان‌ها و زیرساخت‌ها است. استانداردهای سری ISO55000 چارچوب سیستم مدیریت دارایی‌های فیزیکی را بیان می‌کنند.
2. کاربرد فناوری‌های انقلاب صنعتی چهارم در مدیریت دارایی‌های فیزیکی
همانگونه که شکل 1 نشان می‌دهد، در این بخش مهمترین حوزه‌های کاربردهای مدیریت دارایی‌های فیزیکی 0/4، به صورت طبقه‌بندی شده بیان می‌شوند.
هدف استفاده از این تکنیک‌ها کاهش ریسک و افزایش عملکرد و بهبود عمر مفید دارایی‌ها با هزینه‌ها در بلندمدت است.
- نظارت و پایش دارایی‌ها
اینترنت اشیاء صنعتی (IIoT) سازمان ها را قادر می‌سازد تا بر عملکرد بلادرنگ دارایی‌های خود نظارت کنند، عملیات را بهینه کنند و طول عمر تجهیزات خود را افزایش دهند. این فناوری همچنین به عنوان یکی از مهمترین ابزارهای نت پیش‌بینانه[11] است که مبتنی بر پایش مستمر وضعیت دارایی‌ها و برنامه‌ریزی برای ورود، در صورت نیاز است. سیستم‌های خبره می‌توانند به خوبی برای شناسائی عیوب[12]و رفع آن‌ها مورد استفاده قرارگیرند. فناوری‌های ردیابی همچون شناسائی فرکانس رادیوی (RFID) و رمزینه‌ها و سیستم‌های اطلاعات مکانی همچون GPS[13]، GIS [14] کاربرد فراوانی در ردیابی دارایی‌های فیزیکی و برنامه‌ریزی و ثبت عملیات نگهداری و تعمیرات و تحلیل سوابق آن‌ها یافته‌اند. همچنین، پردازش هوشمند تصویر و پردازش نتایج آزمون‌های لرزش و اولتراسونیک نیز راهکار مناسبی برای کشف زودهنگام خرابی‌های پنهان هستند.
- پیشبینی نیازهای دارایی‌ها
با استفاده از الگوریتم‌های یادگیری ماشینی (از جمله شبکه عصبی مصنوعی) و تحلیل داده‌های گذشته، میتوان نیاز به نگهداری و تعمیرات دارایی‌ها را پیشبینی کرده و برنامه‌های مؤثرتری برای این عملیات ایجاد کرد. این فناوری‌ها نیاز به منابع تعمیرات پیشگیرانه و نیاز به تعمیرات اضطراری در آینده، را پیشبینی و سیستم‌های تولید و نگهداری تجهیزات را بهینه کرده و با بهبود کیفیت و ایمنی، کمک شایانی به بهبود عملکرد سازمان‌ها و کسب و کارهای آن‌ها می‌نمایند. این روش‌ها می‌توانند به خوبی برای تحلیل عوامل موثر بر کارآئی فرآیندهای تولید و شناسائی عوامل موثر بر خرابی تجهیزات به کار گرفته شده و مدل‌های دقیقی از روابط بین ورودی و خروجی این فرآیندها ارائه کنند. تکنیک‌های داده‌کاوی و سیستم‌های خبره به خوبی می‌توانند سوابق و دلایل خرابی تجهیزات را، که برطبق استانداردهای مشخص؛ همچون استاندارد بین‌المللی ISO14224 گردآوری شده‌اند را تحلیل نموده و با انجام تحلیل ریشه‌ای خرابی‌ها (RCA[15]) بهترین و موثرترین راه‌های مقابله با آن‌ها را مشخص نمایند
- بهینه‌سازی فرآیندها
استفاده از هوش مصنوعی در تحلیل داده‌های کلان می‌تواند در بهینه‌سازی فرآیندها نقش مهمی ایفا کند. با تجمیع و تحلیل داده‌های مربوط به فعالیت‌ها و فرآیندها، میتوان مقدار مصرف انرژ ی، زمانهای تولید، تعداد خطاها و… را تجزیه و تحلیل کرد تا در نهایت فرآیندها بهینه‌سازی شوند. این بهبود در عملکرد فرآیندها می‌تواند منجر به افزایش بهره‌وری و کاهش هزینه‌ها شود. با استفاده از اینترنت اشیاء میتوان بر پایش دقیق و هوشمند پارامترهای فرآیندها و مصرف انرژی، میتوان به سرعت نقاط گلوگاهی و عیوب را شناسائی و برنامه‌های اصلاحی و بهبود را اجرا نمود. همچنین، نقش شبیه‌سازی کامپیوتری و سیستم‌های خبره در تدوین برنامه‌های تولید و تخصیص منابع نگهداری و تعمیرات در شرایط اضطراری و بحران، بسیار اساسی است. یک سیستم خبره می‌تواند تمام راه‌حل‌های ممکن برای هدف تعیین‌شده برای آن را نشان دهد، نحوه یافتن آن راه‌حل‌ها را شرح دهد و اندازه‌گیری کمی از احتمال درستی هر راه‌حل ارائه دهد.
- پیشبینی مصرف و تقاضا
پیشبینی مصرف و تقاضای مواد اولیه، قطعات یدکی، انرژی و محصول از جمله کاربردهای هوش مصنوعی و تحلیل داده‌های کلان در مدیریت دارایی‌های فیز یکی است. با تحلیل داده‌های سابقه مصرف/فروش و عوامل موثر بر آن‌ها، میتوان پیشبینی کرد که در چه زمانی و در چه مقداری نیاز به محصولات و خدمات خاصی خواهد بود و در نتیجه میتوان موجودی‌ها را بهینه کرده و هزینه‌ها را تقلیل داد. تکنیک‌های به کار رفته برای پیشبینی با تکنیک‌های بهینه‌سازی فرآیندها یکسان هستند.
- طراحی
سیستم‌های خبره، شیبه‌سازی [16]کامپیوتری و آلگوریتم‌های بهینه‌سازی هوشمند (مانند روش‌های بهینه‌سازی فراابتکاری) از دیرباز در طراحی تجهیزات، واحدهای تولیدی و شبکه‌های توزیع آب، برق، گاز، هوا و بخار به کار گرفته می‌شوند. این سیستم‌ها به سرعت گزینه‌های طراحی را مقایسه و پارامترهای عملیاتی و هزینه‌های آن‌ها را برآورد می‌کنند.
- افزایش قابلیت اطمینان و بهبود کیفیت و ایمنی
افزایش قابلیت اطمینان و بهبود کیفیت محصول و ایمنی از دیگر مزایای استفاده از شبیه‌سازی کامپیوتر پیامدهای حوادث، هوش مصنوعی و تحلیل داده‌های کلان در مدیریت دارایی‌های فیزیکی است. با تجمیع و تحلیل داده‌های مربوط به نقاط ضعف، عیوب و حوادث قبلی، میتوان دلایل آن‌ها را شناسائی کرده و اقدامات پیشگیرانه را انجام داد و در نهایت کیفیت و ایمنی را بهبود بخشید.
1. نتیجه‌گیری
این مقاله، با هدف تاکید به تحولات نوین در عرصه مدیریت دارایی‌های فیزیکی، به معرفی مهمترین فناوری‌های انقلاب صنعتی چهارم و کاربرد آن‌ها در مدیریت دارایی‌های فیزیکی پرداخته است. لازم به ذکر است که با توجه به تنوع و گستردگی این فناوری‌ها، مجال بررسی بسیاری از این فناوری‌ها و مفاهیم همچون واقعیت افزوده، ربات‌های مستقل، شبیه‌سازی ماشین، محاسبات ابری، یکپارچه‌سازی سیستم افقی و عمودی، تولید افزودنی، داده‌های بزرگ و یادگیری ماشینی، تاب‌آوری در مقابل قابلیت اطمینان، امنیت سایبری در این مقاله، نبوده است. با این وجود، این امر به معنای عدم لزوم توجه و اهمیت این فناوری‌ها، از دیدگاه نویسندگان، نبوده است.
[1] Artificial Intelligence
[2] Industrial Internet of Things (I
[3] Industrial Internet of Things
[4] Expert system
[5]Machine Learning
[6] Artificial Neural Network
[7] Reinforcement Learning
[8] Data Science
[9] Data mining
[10] Physical Asset Management
[11] Predictive maintenace
[12] Fault diagnosis
[13] Global Positioning System
[14] Geographic Information Systems
[15] Root Cause Analysis
[16] Simulation