هوش مصنوعی صنعتی از دوقلوهای دیجیتال به عملیات واقعی کارخانه می رود

Oct 28, 2026

پیام بگذارید

هوش مصنوعی به طور فزاینده ای در تولید صنعتی ادغام می شود و فراتر از تجزیه و تحلیل داده ها و کاربردهای تجربی به سمت برنامه ریزی عملی تولید، بازرسی کیفیت و عملیات کارخانه حرکت می کند.

 

یک پیشرفت قابل توجه در 19 اکتبر 2026 رخ داد، زمانی که زیمنس و انویدیا برنامه های کاربردی جدید هوش مصنوعی صنعتی را در کارخانه الکترونیک زیمنس در ارلانگن، آلمان ارائه کردند. این پروژه‌ها دوقلوهای دیجیتال، داده‌های آموزشی تولید شده توسط هوش مصنوعی و برنامه‌ریزی تولید با پشتیبانی از هوش مصنوعی را با هم ترکیب می‌کنند تا به تولیدکنندگان کمک کند فرآیندهای تولید را به صورت مجازی آماده کنند و به شرایط عملیاتی در حال تغییر واکنش موثرتری نشان دهند.

 

این اعلامیه نشان‌دهنده مسیر وسیع‌تری در اتوماسیون صنعتی است: تولیدکنندگان به‌طور فزاینده‌ای به دنبال راه‌هایی برای اتصال نرم‌افزارهای مهندسی، داده‌های تولید و تجهیزات فیزیکی در یک محیط تولید سازگارتر هستند.

 

Introduction To Power Supplies

 

دوقلوهای دیجیتال در حال تبدیل شدن به ابزارهای عملی تولید هستند

 

دوقلوهای دیجیتال به طور سنتی برای نمایش محصولات، ماشین‌ها یا امکانات تولید در یک محیط مجازی استفاده می‌شوند. آنها به مهندسان اجازه می دهند تا طرح ها را مطالعه کنند، شرایط عملیاتی را شبیه سازی کنند و تغییرات بالقوه را قبل از اجرای فیزیکی آنها ارزیابی کنند.

 

تحولات اخیر در حال گسترش این نقش است.

 

در کارخانه ارلانگن، زیمنس و انویدیا از دوقلوهای دیجیتال در کنار فناوری‌های هوش مصنوعی برای آماده‌سازی فرآیندهای تولید و ارزیابی سناریوهای تولید استفاده می‌کنند. سازندگان می توانند به جای تکیه کامل بر نمونه های اولیه فیزیکی و تنظیمات مکرر در خط تولید، آماده سازی و اعتبارسنجی بیشتری را به صورت دیجیتالی انجام دهند.

 

این رویکرد به‌ویژه به تولید الکترونیک مربوط می‌شود، جایی که تغییرات تولید، تغییرات اجزا و الزامات بازرسی می‌تواند کار مهندسی قابل‌توجهی ایجاد کند.

 

به گفته زیمنس، رویکرد آماده سازی تولید مجازی آن می تواند تلاش مهندسی را تا 85 درصد برای فرآیندهای مونتاژ مدار چاپی جدید کاهش دهد و زمان عرضه به بازار را تا 40 درصد کاهش دهد. اینها اهداف و نتایج گزارش شده توسط شرکت مرتبط با برنامه های کاربردی خاص هستند، نه بهبودهای تضمین شده برای هر کارخانه.

 

اصل اساسی مهم است: تولیدکنندگان می توانند به طور فزاینده ای تغییرات تولید را قبل از اختصاص تجهیزات، مواد و زمان تولید به اجرای فیزیکی ارزیابی کنند.

 

هوش مصنوعی نحوه آماده سازی بازرسی کیفیت را توسط سازندگان تغییر می دهد

 

یکی از کاربردهای نشان داده شده توسط زیمنس و انویدیا بر بازرسی نوری خودکار (AOI) برای مجموعه های برد مدار چاپی تمرکز دارد.

 

در جریان های کاری معمولی، آماده سازی یک سیستم بازرسی ممکن است به نمونه های فیزیکی، جمع آوری تصاویر، شناسایی نقص و تنظیمات مکرر پارامترهای بازرسی نیاز داشته باشد. این فعالیت‌ها می‌توانند زمان مهندسی را مصرف کنند، به ویژه زمانی که محصولات به طور مکرر تغییر می‌کنند.

 

رویکرد جدید از دوقلوهای دیجیتال و داده های مصنوعی تولید شده توسط هوش مصنوعی برای کمک به آماده سازی فرآیندهای بازرسی قبل از شروع تولید فیزیکی استفاده می کند. تابلوهای مرجع مجازی و تصاویر نقص شبیه سازی شده می توانند از توسعه و کالیبراسیون برنامه های بازرسی پشتیبانی کنند.

 

زیمنس گزارش می دهد که این پروژه تا 85٪ تلاش مهندسی دستی کمتری در تولید برنامه AOI، بیش از 40٪ تماس های نادرست کمتر و بهبود بیش از 5٪ در بازده اولین گذر را هدف قرار داده است.

 

این ارقام اهداف اعلام شده پروژه را توصیف می کنند، نه نتایج جهانی در تمام سیستم های بازرسی.

 

مفهوم گسترده‌تر صنعت این است که هوش مصنوعی می‌تواند به تولیدکنندگان کمک کند تا برخی از کارهای مهندسی را به سمت بالا حرکت دهند، و اجازه می‌دهد آماده‌سازی بازرسی زودتر شروع شود و وابستگی به نمونه‌های فیزیکی در طول توسعه اولیه کاهش یابد.

 

برای تولیدکنندگانی که با تغییرات مکرر محصول سروکار دارند، این می‌تواند انعطاف‌پذیری آماده‌سازی تولید را بهبود بخشد و در عین حال به تیم‌های با کیفیت کمک کند تا مشکلات احتمالی را زودتر شناسایی کنند.

 

برنامه ریزی تولید تطبیق پذیرتر می شود

 

هوش مصنوعی همچنین در زمان‌بندی تولید و تصمیم‌گیری عملیاتی استفاده می‌شود.

 

در پروژه زیمنس و انویدیا، عوامل هوش مصنوعی می توانند سناریوهای تولید متفاوتی را هنگام رسیدن سفارشات جدید ایجاد کنند. این سناریوها را می توان بر اساس الزامات عملیاتی و شاخص های عملکرد ارزیابی کرد، در حالی که یک دوقلو دیجیتال به اعتبارسنجی طرح های پیشنهادی قبل از اجرا کمک می کند.

 

این مهم است زیرا شرایط تولید به ندرت ثابت می ماند. کمبود مواد، تغییر در اولویت‌های سفارش، محدودیت‌های ظرفیت و تغییر الزامات تحویل، همگی می‌توانند بر برنامه‌های تولید تأثیر بگذارند.

 

فرآیندهای برنامه ریزی سنتی ممکن است به هماهنگی دستی قابل توجهی برای ارزیابی این متغیرها نیاز داشته باشد. برنامه ریزی مبتنی بر هوش مصنوعی می تواند به تیم ها کمک کند تا جایگزین ها را مقایسه کنند و پیامدهای عملیاتی بالقوه آنها را سریعتر درک کنند.

 

زیمنس بیان می‌کند که رویکرد برنامه‌ریزی تولید مبتنی بر عامل می‌تواند تا 20 درصد در هزینه صرفه‌جویی کند.

 

ارزش صرفاً استفاده از هوش مصنوعی برای تولید توصیه ها نیست. این ارتباط بین آن توصیه ها، داده های تولید واقعی و اعتبار سنجی مجازی تغییرات پیشنهادی است.

 

برای تولید کنندگان، این فرصتی را ایجاد می کند تا برنامه ریزی تولید را بدون اتکا به تجزیه و تحلیل دستی یا تنظیمات آزمون و خطا در کف کارخانه، پاسخگوتر کنند.

 

هوش مصنوعی صنعتی همچنان به زیرساخت اتوماسیون قابل اعتماد بستگی دارد

 

علیرغم نقش رو به رشد هوش مصنوعی، تولید هوشمند همچنان به تجهیزات فیزیکی که تولید را کنترل و نظارت می کند، وابسته است.

 

PLC ها, ماژول های ورودی/خروجیسنسورها، دستگاه های ارتباطی صنعتی، درایوهای فرکانس متغیر و اجزای کنترل موتور همچنان به اتصال برنامه های نرم افزاری با ماشین آلات و فرآیندهای تولید ادامه می دهند.

 

هوش مصنوعی ممکن است به تعیین نحوه برنامه ریزی تولید، شناسایی مشکلات بالقوه کیفیت یا توصیه تنظیمات عملیاتی کمک کند. با این حال، تجهیزات فیزیکی همچنان باید دستورات کنترلی را اجرا کنند، سیگنال ها را جمع آوری کنند و شرایط عملیاتی مورد نیاز را حفظ کنند.

 

این تمایز به ویژه برای کارخانه‌هایی که هوش مصنوعی را در محیط‌های تولید موجود معرفی می‌کنند، مهم است.

 

بسیاری از تأسیسات، تجهیزاتی را از نسل‌های مختلف، با سیستم‌های کنترل مستقر پشتیبانی می‌کنند که از ماشین‌آلاتی پشتیبانی می‌کنند که نمی‌توانند به یکباره جایگزین شوند. بنابراین برنامه های دیجیتال جدید باید با سخت افزار اتوماسیون نصب شده، شبکه های صنعتی و رویه های تولید موجود همزیستی داشته باشند.

 

نوسازی اغلب به صورت تدریجی صورت می گیرد. یک سازنده ممکن است نرم افزار بازرسی جدید را با حفظ تجهیزات کنترلی موجود معرفی کند، یا برنامه ریزی تولید را بدون جایگزینی PLC ها و PLC های زیرین بهبود بخشد.درایوها.

 

همانطور که هوش مصنوعی صنعتی گسترش می یابد، توانایی ادغام قابلیت های جدید با زیرساخت های اتوماسیون موجود همچنان یک نکته مهم باقی خواهد ماند.

 

What Does The Signaling Device Include?

 

برنامه ریزی تعمیر و نگهداری و جایگزینی ضروری است

 

ادغام رو به رشد سیستم های تولیدی همچنین قابلیت اطمینان تجهیزات و برنامه ریزی تعمیر و نگهداری را مهم می کند.

 

یک محیط تولید ممکن است بازرسی دیجیتال، کنترل خودکار، کنترل‌کننده‌های صنعتی، شبکه‌های ارتباطی و سیستم‌های درایو را ترکیب کند. خرابی در یک جزء می تواند عملکرد تجهیزات متصل را مختل کند یا تولید را تحت تأثیر قرار دهد.

 

برای تیم های تعمیر و نگهداری و تدارکات، این بدان معناست که تحول دیجیتال نیاز به تاسیس را برطرف نمی کندقطعات یدکی اتوماسیون.

 

PLC ها، ماژول های ورودی/خروجی، درایوها، رله ها، سنسورها واجزای ارتباطیممکن است در چندین مرحله نوسازی کارخانه در خدمت باقی بماند. هنگامی که تجهیزات باید تعمیر یا تعویض شوند، شناسایی مدل صحیح و ایمن سازی اجزای سازگار می تواند به کاهش خرابی های غیر ضروری کمک کند.

 

بنابراین تولیدکنندگان با دو اولویت موازی روبرو هستند: پذیرش قابلیت‌های دیجیتال جدید و حفظ تجهیزاتی که از تولید فعلی پشتیبانی می‌کنند.

 

تامین قطعات یدکی قابل اعتماد حتی زمانی که فرآیندهای تولید بیشتر به کمک هوش مصنوعی می‌شوند، همچنان مرتبط است.

 

از آماده سازی مجازی تا ساخت تطبیقی

 

پیشرفت‌های زیمنس و انویدیا نشان می‌دهند که چگونه هوش مصنوعی صنعتی شروع به اتصال چندین مرحله تولید از جمله آماده‌سازی تولید، بازرسی، زمان‌بندی و تصمیم‌گیری عملیاتی می‌کند.

 

دوقلوهای دیجیتال نمایش مجازی محصولات و فرآیندهای کارخانه را ارائه می دهند. هوش مصنوعی می‌تواند از این زمینه برای تولید داده‌های آموزشی، ارزیابی گزینه‌های جایگزین و حمایت از تصمیم‌های برنامه‌ریزی استفاده کند. سپس تجهیزات اتوماسیون مستقر مسئول کنترل فرآیندهای فیزیکی و اتصال آن تصمیمات به تولید باقی می ماند.

 

این رویکرد جایگزینی جهانی برای اتوماسیون معمولی نیست، و همچنین یک نمونه کارخانه ثابت نمی کند که تولید کاملاً مستقل در همه جا عملی است.

 

در عوض، تغییر تدریجی به سمت سیستم های تولیدی را نشان می دهد که اعتبار سنجی مجازی، تصمیمات به کمک هوش مصنوعی و فن آوری های کنترل صنعتی ایجاد شده را ترکیب می کند.

 

برای سازندگان، چالش بعدی این است که تعیین کنند این قابلیت‌ها کجا ارزش قابل اندازه‌گیری را ارائه می‌کنند، چگونه می‌توانند در عملیات موجود ادغام شوند و چگونه می‌توان سیستم کامل را به طور قابل اعتماد حفظ کرد.

 

با نزدیک‌تر شدن هوش مصنوعی صنعتی به عملیات‌های روزمره کارخانه، ترکیب نرم‌افزار هوشمند، سخت‌افزار اتوماسیون قابل اعتماد و شیوه‌های تعمیر و نگهداری مؤثر، محور عملکرد تولید باقی خواهد ماند.