اقتصاد دانش بنیان

ورود هوش جمعی به اینترنت اشیای صنعتی

مدلی کارآمد و بـهینه

از زمان ظهور رایانه ها، زبان هایی برای تسهیل ارتباط بین افراد و کامپیوترها طراحی شدند اما چشم انداز تغییر کرده و در عصر اینترنت اشیای صنعتی آن روش قدیم کارساز نیست. در حال حاضر یک زبان نرم  افزاری لازم است تا امکان ارتباطات ماشین به ماشین و همچنین ماشین به کامپیوتر را میسر سازد.
این دقیقا همان چیزی است که اتمیشن (  Atomiton) با زبان TQL خود (Thing Query Language) بر آن استوار شده است. نرم افزار آن ها در حال حاضر در صنایع نفت و گاز، شهرهای هوشمند، کشاورزی و اتوماسیون صنعتی مورد استفاده قرار می گیرد. این شرکت تولید کننده نرم افزارهای صنعتی در شهر سن خوزه در ایالت کالیفرنیا پنج سال پیش توسط جین رن تاسیس شد که پیش از این یکی از بنیانگذاران بازوی دیجیتال GE بود. نقشه راه این پیش بینی شده که یک سیستم عامل یا یک دسته عامل (آن گونه که مدیرعامل شرکت ترجیح می دهد، برنامه خود را توصیف کند) طراحی شود که اجازه می دهد ماشین آلات، تجهیزات و دستگاه ها به صورت قابل برنامه  ریزی با یکدیگر صحبت کنند. او توضیح می دهد: «ما به خودمان نگاه می کنیم، تقریبا مانند یک سیستم عامل به نظر می رسیم که با دنیای فیزیکی رفتاری مشابه سخت افزار دارد. آنچه در فناوری فعلی وجود ندارد، یک زبان نرم افزاری است که  توانایی درک جهان صنعتی را داشته باشد. ما زبان های نرم افزاری مانند جاوا و رست داریم که عملیات منطقی را درک می کنند، آن ها می فهمند که منفی، مثبت یا مجموع چه معنایی دارد، اما خود زبان ها به راحتی نمی توانند معنای یک موتور را رمزنگاری  کنند یا این که نمی فهمند پمپاژ یا گرمایش چیست.»

دسته عامل
رن ادامه می دهد: «بخشی از هسته این نوآوری در سیستم نرم افزاری ما که به همین دلیل آن را دسته عامل می نامیم، یک زبان به نام TQL است که می تواند جهان فیزیکی را درک کند.» او آن را با زبان برنامه نویسی ویژوال بیسیک مایکروسافت مقایسه می کند که نیاز به نوشتن کد سطح پایین را برای اتصال و به روز رسانی سنسور ها و فعالگرها حذف می کند. با این سیستم عامل جدید، رفتار و ویژگی های اشیا مدل سازی می شود. این مدل های به دست آمده از اشیا، رابط هایی را برای آن ها (اشیا) فراهم می آورند  تا با یکدیگر ارتباط برقرار کنند و همچنین برای افراد تا به عنوان مثال بتوانند آن ها را تحت کنترل داشته باشند. همچنین این امکان به وجود می آید تا اشیا با کمک پروتکل های متفاوت به طور مستقیم با هر برنامه  کاربردی ارتباط برقرار کنند. اشیا می تواننند بر اساس آی پی یا پروتکل های صنعتی عملیاتی شوند.
اپ ها می توانند برای دستیابی به اهداف جمعی اشیا را مدیریت کنند. اشیا با کمک ارتباطات اشتراکی، اطلاع رسانی و استعلامی ارتباط برقرار می کنند و به یکدیگر پاسخ می دهند. آن ها می توانند برنامه های زمانی برای انجام اقدامات هماهنگ ایجاد کنند یا با خواسته های یکدیگر هماهنگ شوند.

داده های کثیف
مشکل اصلی با داده های جمع آوری شده از دستگاه ها و سنسورهای صنعتی این جاست که بر اساس آن ها امکان تصمیم گیری در مورد کسب وکار وجود ندارد. در ابتدا سنسورها اطلاعات بسیار خام را ارسال می کنند و برای مثال، یک سنسور دما یا ارتعاش ممکن است پنج بیت داده را هر ثانیه ارسال کند و این احتمال وجود دارد که همه آن ها معنی دار نباشند. مهم تر از همه، تصمیم گیری های تجاری به کمک اطلاعات مرکب اتخاذ می شوند که تنها از یک سنسور نمی آیند، بلکه مجموعه ای از سنسورها این داده ها را خلق می کنند. بنابراین به ترکیب آن ها برای ایجاد اطلاعات معنی دار احتیاج است.
و چالش سوم این است که شبکه ای بین نقاطی که در آن مکان ها داده تولید می شوند و افراد در حال تصمیم گیری در یک مرکز عملیاتی، اتاق کنترل یا دفتر مرکزی وجود دارد. رن می گوید: «این همان جایی است که نیاز به نرم افزار برای پر کردن شکاف از حسگرها تا کسب وکار وجود دارد و این یکی از چالش هایی است که در صنعت دیده می شود.»

پایان فرهنگ همکاری نکردن بخش ها
رن توضیح می دهد که مدیرعامل یکی از شرکت های نفت و گاز از مشتریان محصولات او زمانی گفته: ما در ابتدا تصور می کردیم این فقط فرایندی شامل نصب سنسورهاست، اما در حال حاضر متوجه شده ایم که باید از هفت لایه عبور کنیم تا بتوانیم تصمیم تجاری اتخاذ کنیم. با وجود جمع آوری داده های بزرگ از بسیاری از عملیات ها، تصمیم گیری در کسب وکارها هنوز سخت به نظر می رسد. رن می افزاید: «در ابتدا مردم خود را بر اساس حجم داده هایی که جمع آوری می کردند می سنجیدند. اما ما اعتقاد داریم حجم جمع آوری داده یا سرعت انجام جمع آوری اطلاعات زیاد اهیمتی ندارد، ولی این که شما چقدر سریع می توانید از داده ها استفاده کنید یا بر اساس آن ها تصمیم بگیرید ، یک ماه بعد یا در همان روز یا حتی همان ساعت یا دقیقه، این مهم است.»

راندمان های پایین دست
در بخش پایین دستی نفت و گاز ، بسیاری از فرایندهای صنعتی واکنش پذیر، دستی و در ذات خود تک کاره هستند که سبب  می شود بسیار ناکارآمد باشند. به عنوان مثال، به دلیل عدم هماهنگی، زمانی که کشتی ها و کامیون ها در ایستگاه ها قرار می گیرند، ساعت ها وقت تلف می شود. در مکان هایی مانند پایانه ها و پالایشگاه ها با استفاده از این سیستم بهره وری زیادی حاصل می شود. در این بخش ها، سود حاشیه ای به طور سنتی بسیار کم است و بنابراین بازده بسیار پراهمیت به حساب می آید. رن می گوید: «ما دو نوع هزینه های عملیاتی را می بینیم که برای این بخش مهم در نظر گرفته می شوند تا بتوانند با کمک دیجیتال سازی آن را بهبود بخشند؛ اول، افزایش بهره وری از کار و دوم، مدیریت و کاهش استفاده از منابع.

پایش انرژی
در این شرایط، نخستین منبع انرژی، اغلب گاز طبیعی است که می تواند به صورت بخار و گرما باشد. یک پالایشگاه بسیار کوچک قادر خواهد بود در هر سال بیش از یک میلیون دلار برای فرایند بخار به حرارت هزینه داشته باشد. بخار یک منبع به حساب می آید که باید از آن استفاده کنید یا از دست بدهید. اگر شما بیش از آنچه که در طول روز نیاز دارید، تولید کنید، در نتیجه باید از مقدار اضافی صرف نظر کرد که نه تنها سبب گران تمام شدن فرایندها می شود، بلکه بر محیط زیست هم تاثیر منفی دارد.
رن عنوان می دارد: «با نصب سنسورها نه تنها می توانیم تقاضای بخار را یاد بگیریم، بلکه می توانیم آن را پیش بینی کنیم و سپس به اپراتورها بگوییم تا سیستم را به گونه ای مدیریت و برنامه ریزی کنند که مقدار مناسب بخار تولید شود. این اطلاعات حتی می تواند بر اساس عواملی مانند شرایط آب و هوایی باشد زیرا فشار بر کارایی بخار تاثیر می گذارد.»
اتمیشن در یک ترمینال ذخیره سازی در ساوانا، ایالت جورجیا، هزینه انرژی را تقریبا تا حدود 25 درصد و همچنین مصرف انرژی را تا حدود 15 درصد (با کاستن از حرارت دهی لوله هایی که محصول را انتقال می دهند) کاهش داد. به جای گرم کردن آن ها در طول 24 ساعت شبانه روز، تنها زمانی که محصول انتقال می یابد، گرم می شوند.

راه حل در هر لحظه
در مورد مزایای کسب وکار، رن می گوید: «در زمان گفت و گو با مسئولان و مدیران شرکت های نفت و گاز، از دیدگاه پلتفرم اتمیشن این امکان فراهم می آید که با دسترسی به داده های متنوع و تفسیرشان آن ها به صورت لحظه ای و انتها به انتها عملیات در جریان را زیر نظر بگیرند. در گذشته آن ها تصمیماتی واکنشی را با حدس زدن آنچه احتمالا اتفاق می افتد، اتخاذ می کردند. اکنون می توانند آینده را بررسی کنند، بنابراین آن ها قادرند نه تنها بر اساس آنچه اتفاق افتاده تصمیم گیری داشته باشند، بلکه وقایعی را که اکنون اتفاق می افتند یا برای یک ساعت یا روز آینده پیش بینی شده اند، در نظر بگیرند. این به شما در استفاده کارآمدتر از منابع، بهره وری کار بهتر یا حتی مدل های جدید کسب وکار برای قدرت رقابت بالاتر مزیت می بخشد.»

منبع: مجله دانش بنیان