توسعه سیستم تخصصی برای تحلیل خطاهای خط تولید: رویکرد یکپارچه با سنسورهای هوشمند

مقدمه: اهمیت نظارت هوشمند بر خطوط تولید

در دنیای صنعتی امروزی، که به شدت پویا و رقابتی است، **کارایی و قابلیت اطمینان خطوط تولید** به طور مستقیم بر موفقیت یا شکست یک کسب و کار تأثیر می‌گذارد. هرگونه خرابی یا نقص در فرآیندهای تولیدی می‌تواند منجر به تأخیر در تحویل، کاهش کیفیت محصول و هزینه‌های سنگین تعمیر و نگهداری شود. به همین دلیل، تمرکز روزافزون بر روی سیستم‌های شناسایی و طبقه‌بندی نقص‌ها در خطوط تولید کاملاً منطقی به نظر می‌رسد.

سنسورهای شتاب (Acceleration)، دما (Temperature) و رطوبت (Humidity) امروزه به ابزارهای **ضروری** برای نظارت بر وضعیت ماشین‌آلات و فرآیندهای تولیدی تبدیل شده‌اند. تحلیل جامع داده‌های حاصل از این سنسورها، امکان **تشخیص زودهنگام** مشکلات بالقوه را فراهم می‌کند و از بروز خرابی‌های جدی‌تر جلوگیری می‌نماید. با استفاده از فناوری‌های نوین جمع‌آوری، پردازش و تحلیل داده‌ها، می‌توان سامانه‌های نظارت پیشرفته‌ای ایجاد کرد که قادر به شناسایی علائم ظریف آسیب‌دیدگی هستند [1–5].

ساختار مقاله

در بخش اول، به بررسی اهمیت نظارت بر خطوط تولید و تاثیر خرابی‌ها بر فرآیندهای تولیدی و سازمان به طور کلی می‌پردازیم. در بخش بعد، به معرفی سنسورهای شتاب، دما و رطوبت و نحوه ادغام آنها در سیستم نظارت می‌پردازیم. سپس، به بررسی تکنیک‌های پردازش داده — از جمله فیلترسازی (Filtering)، نرمال‌سازی (Normalization) و تجمع (Aggregation) — که کلید دستیابی به نتایج تحلیل قابل اعتماد هستند، می‌پردازیم.

در بخش اصلی مقاله، رویکردهای مختلف تحلیل داده‌های سنسوری معرفی می‌شوند. استفاده از روش‌های آماری برای شناسایی انحراف‌ها از مقادیر طبیعی و ساخت مدل‌های پیش‌بینی مبتنی بر داده‌های تاریخی تشریح می‌شود. علاوه بر این، مزایای استفاده از **یادگیری ماشین (Machine Learning)**، از جمله شبکه‌های عصبی (Neural Networks) و الگوریتم‌های طبقه‌بندی، در تشخیص خودکار الگوها بررسی می‌شود. در پایان مقاله، به بررسی مزایای پیاده‌سازی سامانه‌های پیشرفته نظارت مبتنی بر تحلیل داده‌های سنسوری می‌پردازیم: کاهش قابل توجه ریسک خرابی، بهبود کارایی فرآیندهای تولیدی و کاهش هزینه‌های نگهداری. تأکید می‌شود که فناوری‌های تحلیل داده و هوش مصنوعی (AI) چشم‌اندازهای جدیدی را در حوزه مدیریت نگهداری و کیفیت در صنعت تولید ایجاد کرده‌اند.

نقش سنسورهای شتاب، دما و رطوبت در تشخیص نقص

سنسورهای **شتاب** به ویژه در شناسایی لرزش و نوسانات ماشین‌آلات کاربرد دارند. افزایش دامنه لرزش یا پدیدار شدن الگوی غیرعادی لرزش می‌تواند نشانه‌ای از آسیب‌دیدگی در حال وقوع قطعات مکانیکی یا تنظیم نادرست ماشین باشد. از سوی دیگر، **نظارت بر دما** می‌تواند افزایش بیش از حد دمای قطعات را آشکار سازد — عله‌ای که منجر به فرسایش شتاب‌گرفته مواد و کاهش طول عمر خدماتی می‌شود. **رطوبت** نیز نقشی حیاتی ایفا می‌کند، به ویژه در فرآیندهایی که به شرایط محیطی خاص نیاز دارند، مانند تولید قطعات الکترونیکی حساس به رطوبت [6–9].

توصیف سامانه: خط تولید نمونه اولیه با سنسورهای هوشمند

به همین منظور، یک **خط تولید نمونه اولیه (Prototype)** مجهز به سنسورهای هوشمند طراحی و اجرا شده است. این سامانه امکان بهبود مدیریت ساختار هوشمند شرکت را در ابعاد مختلف عملیات فراهم می‌کند. با وجود یک سامانه جامع، تمام داده‌های تولیدشده توسط سنسورهای هوشمند در یک پلتفرم جمع‌آوری شده و برای پردازش در سامانه تحلیل — که وظیفه نظارت و بهینه‌سازی فرآیندهای مشکل‌دار را بر عهده دارد — در دسترس هستند [10–11].

برای تضمین عملکرد بهینه سامانه، ضروری است که تمام پارامترهای سیستم در تنظیمات پیکربندی (Configuration Settings) گنجانده شوند. در مورد خطوط تولید، تدوین **Safety Procedures (Protsedury Iasnosti)** برای رعایت در طول عملیات نیز از اهمیت بالایی برخوردار است. از جمله این رویه‌ها می‌توان به اقدامات اضطراری، دستورالعمل‌های ایمنی و تدابیر حفاظتی برای اپراتورهای خط تولید اشاره کرد.

شکل ۱. خط تولید نمونه اولیه مجهز به سنسورها

خط نمونه اولیه به صورت یک خط بسته با شکل بیضی طراحی شده است. قطعات در امتداد خط به حرکت درمی‌آیند. این خط قابلیت کنترل سرعت نوار نقاله را دارد. برای جمع‌آوری داده‌ها، سنسورهای هوشمند در نقاط مختلف سامانه استقرار یافته‌اند: روی موتور، گیره‌های فشاردهنده (Clamping Jaws) و خود بستر خط [12–13].

مدل‌سازی

در این مرحله، با استفاده از داده‌های جمع‌آوری‌شده از سنسورها، فرآیند مدل‌سازی برای تحلیل و پیش‌بینی نقص‌ها آغاز می‌شود…

برای امکان شناسایی خطا، یک مدل کنترل‌کننده مبتنی بر منطق فازی توسعه یافته است. در یک کنترل‌کننده منطق فازی معمولی، چهار ماژول بنیادین قابل تشخیص‌اند: ماژول فازی‌سازی، ماژول استنتاج، پایگاه قوانین و ماژول تیزسازی (defuzzification). فرآیند در کنترل‌کننده با تبدیل داده‌های ورودی از حالت تیز (crisp) به حالت فازی از طریق ماژول فازی‌سازی آغاز می‌شود. فازی‌سازی از طریق توابع عضویت انجام می‌شود، جایی که مقادیر تیز به مقادیر فازی تبدیل می‌گردند. در این مرحله، مقادیر عضویت فازی به پارامترهای تیز خاص اختصاص داده می‌شوند. سپس، مقادیر فازی بر اساس قوانین مکانیزم استنتاج که در یک پایگاه دانش ذخیره شده‌اند، پردازش می‌شوند. این پایگاه داده شامل قوانین از پیش تعریف شده می‌باشد. استنتاج فازی فرآیندی پردازش دانش است که در آن از منطق فازی بهره برده می‌شود. در طول استنتاج، تصمیم‌گیری با تفسیر صحیح دانش موجود تقلید می‌شود. این فرآیند از قوانین ذخیره شده در یک پایگاه قوانین یا دانش استفاده می‌کند [14].

پایگاه قوانین، تفسیری از دانش متخصص در مورد مقادیر ممکن متغیرهای حالت یک شیء است. برای اینکه اطلاعات پردازش شده قابل استفاده عملی باشد، ضروری است که آن را با استفاده از ماژول تیزسازی دوباره به مقادیر تیز تبدیل کنیم. فرآیند تیزسازی، داده‌های فازی را به مقادیر دقیق تبدیل می‌کند تا در عمل مورد استفاده قرار گیرند. نتایج توابع عضویت با تیزسازی به یک مقدار عددی واحد کاهش می‌یابند.

آماده‌سازی داده‌ها و مدل

یک خط برای جمع‌آوری داده‌ها و آزمایش قوانین ساخته شده و اجرا گردید. محصولات تولیدی در طول خط حرکت می‌کردند. سنسورها در حین کار در شرایط عادی (بدون خطا) داده‌ها را جمع‌آوری نمودند. داده‌های اندازه‌گیری شده در یک پایگاه داده ذخیره شدند. بر اساس داده‌های جمع‌آوری شده، مدل منطق فازی ساخته شده مورد آزمایش قرار گرفت. سپس، اصلاحاتی در خط انجام شد به‌گونه‌ای که امکان بروز برخی خطاها را نشان دهد. الگوریتم‌های مختلفی برای تحلیل داده‌ها و بهینه‌سازی به کار گرفته شدند [14-24]. داده‌های جمع‌آوری شده برای ساختن مدلی جهت شناسایی خطاها در خط تولید مورد استفاده قرار گرفتند [25].

شکل ۲: نحوه کار مدل استنتاج جمعی فازی (مamdani) برای دما و ارتعاش.

شکل ۳: سطح پاسخ حاصل از قوانین دفرازی‌سازی بسته به احتمال خطا در موتور (دما) و احتمال خطا در موتور (ارتعاش).

ورودی‌های کنترل‌کننده فازی اول عبارتند از: ارتعاشات حاصل بر روی محفظه موتور (ارتعاش_۴)، ارتعاشات حاصل بر روی فک‌ها (ارتعاش_۵) و ارتعاشات حاصل بر روی خط تولید (ارتعاش_۶). قوانین استنتاج منطقی مamdani مورد تجزیه و تحلیل قرار گرفتند. ورودی‌های کنترل‌کننده فازی دوم شامل: دما در واحد مرکزی (Temp_۱)، دما در محفظه موتور (Temp_۲)، دما در فک‌ها (Temp_۳) و فشار اتمسفری (Pressure_۱) می‌باشند. ورودی کنترل‌کننده فازی سوم: جابجایی فک‌ها در محور Z (جابجایی). ورودی‌های کنترل‌کننده جمعی فازی عبارتند از: خروجی‌های کنترل‌کننده‌های فازی برای ارتعاش و دما، از جمله: احتمال خطا در موتور – ارتعاش، احتمال خطا در فک‌ها – ارتعاش، احتمال خطا در خط تولید – ارتعاش، احتمال خطا در دستگاه مرکزی – دما، احتمال خطا در موتور – دما و احتمال خطا در فک‌ها – دما.

هدف از ساخت مدلی مبتنی بر منطق فازی، نشان دادن وجود یا عدم وجود خطا در ناحیه سنسورهای ارتعاش است. در مجموع، چهار مدل فازی ساخته شدند. مدل اول از نه قانون ارتعاش ساخته شده، مدل دوم مربوط به دما است، مدل سوم مربوط به آماده‌سازی فک‌های گیره‌ای می‌باشد و مدل چهارم یک مدل جمعی برای دما و ارتعاش است.

شش ستون اول در شکل ۲ متغیرهای ورودی هستند و ستون آخر نتایج قوانین را نشان می‌دهد. شکل پایین، در ستون آخر سطر ۵، نحوه تعیین نتیجه با استفاده از روش مرکز جرم (centroid) را نمایش می‌دهد. قوانین طوری طراحی شده‌اند که نتایج نزدیک به ۰ به معنای عدم وقوع خطا و نتایج نزدیک به ۱ به معنای وقوع خطا باشند.

مثالی از سطح پاسخ حاصل از قوانین دفرازی‌سازی بسته به احتمال خطا در موتور (دما) و احتمال خطا در موتور (ارتعاش) در شکل ۳ نشان داده شده است.

شکل ۴: نحوه کار مدل استنتاج جمعی فازی (مamdani) برای دما و ارتعاش.

نتایج

مدل از ۸ ورودی تشکیل شده است که ورودی‌های کنترل‌کننده‌های فازی نیز می‌باشند. در خروجی مدل، ما به یک تصمیم می‌رسیم: آیا خطایی وجود دارد یا خیر؟ مدل شامل کنترل‌کننده‌های فازی است و نمایشگرهایی در خروجی هر کنترل‌کننده قرار داده شده‌اند تا بتوان نتایج را رصد کرد.

شکل ۵: نتایج عملکرد مدل (تصمیم – ۰: بدون خطا)

نمودارهای عملکرد کنترل‌کننده‌های فازی منفرد نشان می‌دهند که پاسخ در چه شکلی است زمانی که مشکلی در خط وجود ندارد. این موضوع در شکل ۵ نشان داده شده است. موج دیگری از پاسخ‌ها را تنها کنترل‌کننده مرتبط با ارتعاش نمایش می‌دهد و در اینجا، احتمال بالای خطا آشکار است (شکل ۶).

پاسخ سنسورهای دما به عنوان یکی دیگر از پاسخ‌ها نشان داده شده است، اینجا با احتمال بالای عدم خطا (شکل ۷). پاسخ کنترل‌کننده با پاسخ‌های ترکیبی برای ارتعاش و دما در شکل ۸ نمایش داده شده است. در این موج، احتمال متوسط خطا حدود ۵۵ درصد برآورد شده است.

شکل ۶: نتایج عملکرد کنترل‌کننده فازی ارتعاش.

شکل ۷: نتایج کنترل‌کننده فازی دما.

بررسی مدل‌های فردی نشان‌دهنده خطاهایی در عملکرد سنسورهای تکی است. با این حال، وقتی سیستم به‌صورت کلی در نظر گرفته می‌شود، واکنش کنترل‌کننده فازی حاکی از آن است که هیچ خطایی وجود ندارد و سیستم به درستی کار می‌کند.

شکل ۸. نتایج عملکرد کنترل‌کننده فازی بر دما و ارتعاش

شکل ۹. نتایج کنترل‌کننده فازی مربوط به جابجایی فک (jaw displacement)

نتایج فوق مؤید صحت عملکرد مدل هستند.

REFERENCES

1. Kong XT, Zhong RY, Zhao Z, Shao S, Li M, Lin P, et al. Cyber physical ecommerce logistics system: an implementation case in Hong Kong. Comput Ind Eng 139 (2020), 106170.
2. He J, Jia G, Han G, Wang H, Yang X. Locality-aware replacement algorithm in flash memory to optimize cloud computing for smart factory of industry 4.0. IEEE Access, 5 (2017), 16252-62.
3. Shang C, Bao X, Fu L, Xia L, Xu X, Xu C . A novel key-value based real-time data management framework for ship integrated power cyber-physical system. 2019 IEEE innovative smart grid technologies — Asia (ISGT Asia) (2019), 854-8
4. Manavalan E, Jayak rishna K. A review of internet of things (iot) embedded sustainable supply chain for industry 4.0 requirements. Comput Ind Eng ,127 (2019), 925-53.
5. Assawaarayakul C, Srisawat W, Ayuthaya SDN, Wattanasirichaigoon S. Integrate digital twin to exist production system for industry 4.0. 2019 4th technology innovation management and engineering science international conference (TIMES-iCON), (2019), 1-5.
6. Akhtari S, Pickhardt F, Pau D, Pietro AD, Tomarchio G. Intelligent embedded load detection at the edge on industry 4.0 powertrains applications. 2019 IEEE 5th international forum on research and technology for society and industry, (2019), 427-30
7. Poor P, Basl J, Zenisek D. Predictive maintenance 4.0 as next evolution step in industrial maintenance development. 2019 international research conference on smart computing and systems engineering (SCSE), (2019), :245-53
8. Occhiuzzi C, Amendola S, Nappi S, D’Uva N, Marrocco G. Rfid technology for industry 4.0: architectures and challenges. 2019 IEEE international conference on RFID technology and applications (RFID-TA), (2019), 181-6.
9. Król K., Marciniak A., Gudowski A, Bojanowska J., Intelligent Sensor Platform with Open Architecture for Monitoring and Control of Industry 4.0 Systems, European Research Studies Journal, 24 (2021), No. 2, 597-606.
10. Lins T, Oliveira RAR. Cyber-physical production systems retrofitting in context of industry 4.0. Comput Ind Eng, 139 (2020), 106193.
11. Saarikko T., Westergren U. H., Blomquist T., The Internet of Things: Are you ready for what’s coming?, Business Horizons, 60 (2107), No.7.
12. Kozłowski, E., Mazurkiewicz, D., Żabiński, T., Prucnal, S., Sęp, J ., Assessment model of cutting tool condition for real-time supervision system. Eksploatacja i Niezawodność – Maintenance and Reliability, 21 (2019), No.4, 679-685.
13. Kozłowski, E., Antosz, K., Mazurkiewicz, D., Sęp, J., Żabiński, T. (2021). Integrating advanced measurement and signal processing for reliability decisionmaking. Eksploatacja i Niezawodność – Maintenance and Reliability, 23(4), 777-787.
14. Gnaś, D., Adamkiewicz, P., Indoor localization system using UWB, Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12 (2022), No. 1, 15-19.
15. Koulountzios P., Aghajanian S., Rymarczyk T., Koiranen T., Soleimani M. , An Ultrasound Tomography Method for Monitoring CO2 Capture Process Involving Stirring and CaCO3 Precipitation, Sensors, 21 (2021), No. 21, 6995.
16. Kłosowski G, Rymarczyk T, Niderla K, Kulisz M, Skowron Ł, Soleimani M., Using an LSTM network to monitor industrial reactors using electrical capacitance and impedance tomography – a hybrid approach. Eksploatacja i Niezawodnosc – Maintenance and Reliability, 25 (2023), No. 1,11.
17. Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors supported by deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22 (2020), No 1,138–147.
18. Styła, M., Adamkiewicz, P., Optimisation of commercial building management processes using user behaviour analysis systems supported by computational intelligence and RTI, Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12 (2022), No 1, 28-35.
19. Kropidłowska P., Irzmańska E. Korzeniewska E., Tomczyk M., Jurczyk -Kowalska M., Evaluation of laser texturing in fabricating cut-resistant surfaces for protective gloves, Textile Research Journal, 93 (2023), No. 9-10), 1917–1927.
20. Pawłowski S., Plewako J., Korzeniewska E., Field Modeling of the Influence of Defects Caused by Bending of Conductive Textronic Layers on Their Electrical Conductivity, Sensors, 23 (2023), No. 3, 1487.
21. Rymarczyk T., Kłosowski G., Hoła A., Hoła J., Sikora J., Tchórzewski P., Skowron Ł., Historical Buildings Dampness Analysis Using Electrical Tomography and Machine Learning Algorithms, Energies, 14 (2021), No. 5, 1307.
22. Kłosowski G., Rymarczyk T., Niderla K., Rzemieniak M., Dmowski A., Maj M., Comparison of Machine Learning Methods for Image Reconstruction Using the LSTM Classifier in Industrial Electrical Tomography, Energies 2021, 14 (2021), No. 21, 7269.
23. Rymarczyk T., Kłosowski G., Hoła A., Sikora J., Tchórzewski P., Skowron Ł ., Optimising the Use of Machine Learning Algorithms in Electrical Tomography of Building Walls: Pixel Oriented Ensemble Approach, Measurement, 188 (2022), 110581.
24. Koulountzios P., Rymarcz yk T., Soleimani M., A triple-modality ultrasound computed tomography based on fullwaveform data for industrial processes, IEEE Sensors Journal, 21 (2021), No. 18, 20896-20909.
25. Kłosowski G., Cloud Manufacturing Concept as a Tool of Multimodal Manufacturing Systems Integration. Foundations of Management, 4 (2012), No.1, 17-42.

نویسندگان

دکتر گرژگورژ کُووسوفسکی (Grzegorz Kłosowski) با مدرک دکترای مهندسی از دانشگاه صنعتی لوبلین (Lublin University of Technology) واقع در خیابان نادبیستژیتسکا 38A (Nadbystrzycka 38A)، لوبلین، لهستان. ایمیل: g.klosowski@pollub.pl
کریستوف کرول (Krzysztof Król) وابسته به دانشگاه WSEI (WSEI University) در خیابان پرویِکتووا 4 (Projektowa 4)، لوبلین، و مرکز تحقیق و توسعه Netrix S.A. (Research & Development Centre Netrix S.A.) در خیابان زویانزکووا 26 (Związkowa 26)، لوبلین. ایمیل: krzysztof.krol@netrix.com.pl
مونیکا کولیش (Monika Kulisz) دارای مدرک دکترای مهندسی از دانشگاه صنعتی لوبلین، آدرس: خیابان نادبیستژیتسکا 38A، لوبلین، لهستان. ایمیل: m.kulisz@pollub.pl
آرکادیوش ماوِک (Arkadiusz Małek) با مدرک دکترای مهندسی از دانشگاه WSEI، واقع در خیابان پرویِکتووا 4، لوبلین. ایمیل: arkadiusz.malek@wsei.lublin.pl

منبع و شناسه ناشر

منبع و شناسه ناشر (Source & Publisher Item Identifier): PRZEGLĄD ELEKTROTECHNICZNY با ISSN 0033-2097، دوره ۱۰۱، شماره ۱/۲۰۲۵ (R. 101 NR 1/2025). doi:10.15199/48.2025.01.38

منتشر شده توسط PQBlog

دسته‌بندی: مهندس برق (Electrical Engineer)

مشاهده پست‌های بیشتر

پرسش‌های متداول

چرا ترکیب داده‌های شتاب، دما و رطوبت برای تحلیل نقص حیاتی است؟

هر یک از این سه پارامتر جنبه‌ای از سلامت ماشین را نشان می‌دهد: شتاب لرزش‌های مکانیکی را كشف می‌کند، دما داغ‌کردگی و فرسودت حرارتی را نشان می‌دهد، و رطوبت شرایط محیطی را کنترل می‌کند. تلفیق آن‌ها دیت این داده‌ها دیدی چندبعدی و دقیق‌تر از حالت سیستم فراهم می‌آورد.

سنسورهای هوشمند در خط نمونه اولیه در کجاهای قرار گرفته‌اند؟

سنسورها روی موتور (برای پایش لرزش و دما)، گیره‌های فشاردهنده (Clamping Jaws) و روی خود بستر خط (نوار) مستقر شده‌اند تا پوشش کامل نقاط بحرانی را đảmتی کنند.

مراحل اصلی پردازش داده سنسوری قبل از تحلیل چیست؟

سه گام کلیدی: فیلتر کردن نویز، نرمال‌سازی مقیاس‌ها برای همگام‌سازی داده‌های سنسورهای متفاوت، و تجمع (Aggregation) داده‌های سری زمانی برای استخراج ویژگی‌های معنادار.

منبع: powerquality.blog