ASDA-A2 ??? ????? ???? ???
چگونه حسگرهای هوشمند در اتوماسیون صنعتی انقلابی ایجاد می کنند
تاریخ انتشار: چهارشنبه 01/09/2021
3
سهام
اشتراک گذاری فیس بوک دکمه اشتراک گذاری دکمه اشتراک گذاری دکمه اشتراک گذاری دکمه اشتراک گذاری دکمه whatsapp اشتراک گذاری
استفاده تدریجی از فناوری سنسور ، فرصتی را برای صنایع هوشمند باز کرده است.
لوازم الکترونیکی جمع و جور ، دنیای جاسازی شده را دوباره شکل می دهد
به طور مرسوم ، از سنسورها برای جمع آوری داده های میدانی استفاده می شد ، که سپس به ماژول های ورودی و خروجی و کنترل کننده ها برای پردازش و ارائه خروجی های معنی دار ارسال می شد. با پایین آمدن سطح هوش ، حسگرهای هوشمند نه تنها قادر به کسب اطلاعات میدانی برای طیف وسیعی از فرایندهای مهم هستند ، بلکه قادر به پردازش داده ها و تصمیم گیری با استفاده از الگوریتم های منطق و یادگیری ماشین نیز هستند.
قطعات الکترونیکی با سرعت بالا و جمع و جور در حال شکل گیری مجدد دنیای جاسازی شده 1 برای ارائه فناوری های پیشرفته هستند. صنعت 4.0 چشم اندازی است که هر شرکت صنعتی به دنبال تحقق آن است و طراحی فناوری های نوآورانه راه رسیدن به آن است. افزایش قابل توجهی در استفاده از حسگرهای هوشمند در صنایع برای پردازش و جمع آوری اطلاعات دستگاه های میدانی به شیوه هایی که قبلاً شنیده نشده بود ، ایجاد شده است.
در حال حاضر ، قطعات الکترونیکی کم ردپا در حال تبدیل شدن به یک روند است. حسگرهایی با هوش نهفته ، نیاز به قدرت کم و رد پای کم حافظه ، راه هایی را برای نوآوری های فناوری جدید باز می کنند. راه حل های متعدد مبتنی بر حسگر مبتنی بر برنامه در حال ظهور هستند و جمع آوری داده ها را بهبود می بخشد ، بنابراین انقلابی در کارت پي ال سي دلتا دنیای تعبیه شده ایجاد می کند.
نیاز به سنسورها در صنعت 4.0
سنسورهای 2 عمدتا در دستگاه ها و تجهیزات مختلف تعبیه شده برای برنامه نويسي اچ ام اي دلتا طیف وسیعی از فرایندهای برآورد و سنجش استفاده می شوند. هجوم اخیر سیستم های حسگر ، قابلیت های مهندسی صنایع را به ارتفاع جدیدی رسانده است. بیایید راههای کمک سنسورها به صنایع را ببینیم:
ساخت سیستم های خودکار
تشکیل شبکه بی سیم در مناطق جغرافیایی
فناوری در مورد سیستم های تولید معجزه می کند. با این حال ، هنوز شکافی وجود دارد که مانع از دسترسی داده های فروشگاه به ابر در زمان واقعی می شود. با استفاده از حسگرهایی که قادر به جمع آوری داده های حیاتی میدانی هستند ، می توان چندین سیستم خودکار برای نظارت ، مدیریت کیفیت و غیره ایجاد کرد. این امر باعث می شود حتی کوچکترین دستگاه های تعبیه شده نیز کارآمدتر بوده و کمتر به مداخلات دستی وابسته باشند. نظارت بر محیط زیست ، مدیریت انرژی هوشمند ، شبکه های هوشمند ، تشخیص احساسات و غیره ، برخی از راه حل های گسترده ای هستند که با استفاده از سیستم های خودکار توسعه یافته اند.
بهبود تولید و مدیریت کیفیت
حسگرها به داده های گیاه اجازه می دهند شفاف تر شوند و جزئیات مهم را در انتهای IIoT قابل مشاهده می کنند. این امر تجزیه و تحلیل بهتر را تسهیل می کند و باعث افزایش دقت تولید می شود. در نتیجه ، عملکرد تولید بهبود می یابد. در سال های آینده ، سنسورها قادر خواهند بود با ادغام فن آوری های فیزیکی و سایبری ، کارخانه تولید کننده را به صورت دیجیتالی با کارآیی های جدید همراه کنند.
تشخیص خطاهای تولید
حسگرهای صنعتی روی تجهیزات قادر به جمع آوری داده های زیادی در مورد عملکرد در حداکثر کارایی هستند. داشتن گزارش داده ها امکان نظارت بر سلامت دستگاه و جلوگیری از هزینه صرف شده در تعمیر آسیب ها را فراهم می کند. این اطلاعات که به مدیران کارخانه منتقل می شود به آنها کمک می کند تا دارایی های جدید را برای تأمین آماده کرده یا خرابی ها و خسارت ها را کاهش دهند تا تأخیرها کاهش یابد.
مدیریت دارایی
هوش موجود در سنسورها انتخاب سیگنال را بهبود می بخشد
دارایی ها و تجهیزات مورد استفاده در کارخانه ها/کارخانه ها در طول چرخه عمر خود نیاز به نگهداری دوره ای دارند. عدم انجام تعمیر و نگهداری به موقع ممکن است هزینه زیادی داشته باشد. با این حال ، تعمیر و نگهداری یک فعالیت پرمصرف است که نیاز به بازرسی های دوره ای از محل توسط متخصصان ابزار دقیق دارد. قرار دادن سنسورها در دارایی ها به جمع آوری پارامترهای مهم دستگاه کمک می کند که امکان نظارت ، کالیبراسیون و کنترل عملکردها/موتورهای اتوماتیک را فراهم می کند ، بنابراین به برنامه ریزی آینده نگر و نگهداری موثر کمک می کند.
همانطور که دیدیم ، سنسورها قادر به انجام طیف وسیعی از فعالیت های صنعتی هستند. با این حال ، ارتباطات در سطح زمینه عمدتا در شبکه های سیمی اتفاق می افتد. این امر اجزای شبکه را در محدوده ساختاری (سیم کشی ، قطعات اتصال و غیره) محدود می کند و مقیاس پذیری را محدود می کند. با وجود شبکه های بی سیم ، اجزای شبکه را می توان بدون توجه به وابستگی ساختاری به راحتی مقیاس بندی کرد. نگهداری این آسان است و یک راه حل مقرون به صرفه است.
توانایی انتقال داده ها از طریق شبکه بی سیم نه تنها به دستگاه ها اجازه می دهد تا کمتر به گره های اضافی برای پردازش داده ها متکی باشند ، بلکه انعطاف پذیری بیشتری برای عملیات تشخیص/برآورد ارائه می دهد.
شبکه های حسگر بی سیم
پیشرفت های اخیر در سیستم های میکروالکترومکانیکی (MEMS) به شرکت های تعبیه شده اجازه می دهد تا گره های حسگر کم هزینه ، کم مصرف و کم ردپایی را طراحی کنند که قادر به حس ، پردازش ، ذخیره داده ها و انتقال اطلاعات به دیگر گره های حسگر هستند. این گره های حسگر در مقیاس کوچک همچنین کارت پي ال سي دلتا می توانند یک وایرل تشکیل دهند
شبکه عصبی در مناطق جغرافیایی ، به نام شبکه حسگر بی سیم (WSN).
WSN که بین سنسورهای توزیع شده فضایی شکل گرفته است از یک یا چند گره سینک تشکیل شده است که در غیر این صورت ایستگاه های پایه نامیده می شوند. گره های سینک داده ها را از سایر گره های حسگر برنامه نويسي اچ ام اي دلتا جمع آوری می کنند و با استفاده از اتصالات مستقیم ، اینترنت ، شبکه های بی سیم و غیره با کاربر نهایی ارتباط برقرار می کنند. یک گره حسگر می تواند به عنوان آغازگر داده و همچنین روتر داده عمل کند.
بر اساس برنامه های کاربردی ، WSN ها به چهار نوع طبقه بندی می شوند:
TinyML در حال ساختن دستگاه های هوشمند ظریف تر است
1. شبکه های حسگر چند رسانه ای بی سیم (WMSN): با ظهور سنسورهای دوربین مجتمع نیمه اکسید فلزی اکسید (CMOS) و میکروفون های یکپارچه ، WMSN ها قادر به ضبط جریانهای ویدئویی و صوتی چند رسانه ای هستند. یکی از کاربردهای مناسب WMSN ها نظارت چندرسانه ای در زمان واقعی است که در مناطق مستعد خطرات یا حوادث مانند کارخانه های کنترل فرآیند یا سیستم های کنترل تردد مستقر شده است.
2. شبکه های حسگر بی سیم موبایل و روباتیک (MRWSN): شبکه های بی سیم موبایل و روباتیک متشکل از ربات هایی با گره های حسگر است که در آنها شبکه قابلیت تغییر استقرار و پوشش به صورت مستقل را دارد. MRWSN ها می توانند برای ردیابی حرکت دارایی ها در گیاهان مناسب باشند.
3. شبکه های حسگر بی سیم زیرزمینی و زیر آب (WUSN): علاوه بر محیط های زمینی ، WSN ها همچنین می توانند برای مناطق زیرزمینی مانند غارها و معادن ، خاک متراکم یا سنگ و غیره برای نظارت بر شرایط محیطی ، مانند تشخیص سموم در مناطق مورد استفاده قرار گیرند. خاک ، نظارت بر فعالیتهای زیرساختی زیرزمینی و غیره به طور مشابه ، WSN های زیر آب می توانند برای اکتشافات زیر آب ، ارزیابی منابع کمیاب و غیره استفاده شوند.
4. شبکه های حسگر بی سیم مبتنی بر فضا (SWSNs): نحوه استفاده از WSN ها در محیط های زمینی ، آنها همچنین می توانند در فضا ، یعنی شبکه حسگر ماهواره ای استفاده شوند. در این مورد ، تعداد زیادی ماهواره با پیچیدگی پایین شبکه ای را برای دستیابی به اهداف متعدد تشکیل می دهند ، مانند پوشش مداوم زمین برای سنجش از دور چند نقطه ای ، ارتباطات ، حس شیمیایی یا فیزیکی خاک ، سطح و غیره ، سایر سیارات.
کاربردهای شبکه های حسگر بی سیم در حال رشد است. علاوه بر این ، مناطقی (مکان دور ، شرایط آب و هوایی شدید ، مناطق خطرناک و غیره) وجود دارد که در آنها چنین شبکه های هوشمند می توانند کارآیی و انعطاف پذیری را به همراه داشته باشند. انتظار می رود دستگاه های تعبیه شده در معرض چنین شرایطی داده ها را با قابلیت پردازش محدود ، رد پای حافظه و قدرت پردازش کنند.
این امر باعث ایجاد بخش جدیدی از دستگاه های جاسازی شده با کارت پي ال سي دلتا ردپای کم شده است. وسایل الکترونیکی مدرن بهینه شده دارای میکروکنترلرها/حسگرهایی هستند که آنها را برای استقرار الگوریتم های کوچک یادگیری ماشین مناسب می کند. توانایی پردازش منطق و استنباط استنتاج ، TinyML را به یکی از موضوعات مورد بحث در جهان تعبیه شده تبدیل کرده است.
هوش در حسگرها - TinyML
طبق معماری شبکه ، حسگرها وظیفه پردازش سیگنالهای توزیع شده را بر عهده دارند که به دو طریق کمک می کند:
1. حذف سر و صدا ، و
2. شفاف سازی ویژگی های شی مفید.
هوش موجود در سنسورها قابلیت انتخاب سیگنال را برای هر حسگری در سراسر نیروگاه بهبود می بخشد.
به طور معمول ، تجزیه و تحلیل ، پردازش و تصمیم گیری های شناختی حیاتی وظایف اصلی لایه فناوری اطلاعات بوده است. این امر مستلزم جمع آوری داده ها از سطح میدان و ارسال داده ها به ابر است تا از آن منطقی باشد. با این حال ، عملیات حیاتی ممکن است همیشه منتظر نماند تا اطلاعات از طریق ابر انجام شود. همچنین انتقال داده ها از دستگاه های میدانی به ابر نیز مصرف زیادی دارد. نه تنها این ، استفاده از الگوریتم های یادگیری ماشین و استنباط استنباط مستلزم قدرت پردازش بالا و ردپای حافظه بزرگتر است.
با این وجود ، اگر هوش به سطح میدانی کاهش یابد ، بسیاری از این چالشها برطرف می شوند. TinyML به این منظور خدمت می کند. TinyML مفهومی است که به منطق یادگیری ماشین اجازه می دهد تا بر روی میکروکنترلرها/ریزپردازنده های کوچک ، به همین دلیل نامگذاری شود. با افزایش سطح هوش ، TinyML به دستگاههای کوچک تعبیه شده مانند حسگرها برای پردازش داده ها و تصمیم گیری قدرت می دهد.
این به دستگاه های تعبیه شده اجازه می دهد سریعتر پاسخ دهند و عملیات حساس زمان را می توان به روشی روانتر انجام داد.
موارد استفاده صنعتی از حسگرهای هوشمند
استفاده تدریجی از فناوری سنسور ، فرصتی را برای صنایع هوشمند باز کرده است. یادگیری ماشین و برنامه های کاربردی یادگیری عمیق در سال های اخیر رونق داشته است و توسعه سخت افزار نیروی محرک اصلی آن بوده است. حسگرهای هوشمند دارایی های پیچیده صنعتی را زیر نظر دارند و سیگنال های مربوط به نظارت بر وضعیت را تجزیه و تحلیل می کنند. برخی از روشهای برجسته استفاده از حسگرهای هوشمند در زمینه صنعتی عبارتند از:
نظارت بر شرایط
مانیتورینگ مبتنی بر شرایط (CBM) روشی است که برای ایجاد پیش آگهی برای جلوگیری از خرابی دستگاه های میدانی و کاهش هزینه های تعمیر و نگهداری استفاده می شود. با برنامه نويسي اچ ام اي دلتا استفاده از حسگرهای هوشمند تعبیه شده در تراشه های یکپارچه ، فرآیندهایی مانند fمی توان ضبط داده ، پردازش داده ها ، تشخیص محلی ، بازخورد محلی ، به ویژه تشخیص حالت (SD) را به طور کارآمد مدیریت کرد. با مشاهده کامل داده های دستگاه ، جمع آوری داده ها و دستکاری اولیه داده ها در سنسورها متمرکز می شود و فرآیندهای نگهداری ، تولید و تدارکات را آسان می کند. این تکنیک می تواند در نظارت بر توربین های بادی م whereثر باشد ، جایی که پره ها بسیار مهم و گران هستند. نظارت بر وضعیت دو انسجام به راحتی می تواند تغییرات فیزیکی کوچک در دستگاه را از طریق یک سیگنال پر سر و صدا تشخیص دهد.
حسگر تصویر
حسگرهای تصویر به طور گسترده ای در دوربین های دید ماشین استفاده می شوند. این سنسورهای تصویر برای طیف گسترده ای از برنامه های کاربردی در رباتیک ، تشخیص الگو ، تشخیص اطلاعات و غیره استفاده می شود. نیاز به عملکرد بالا ، رد پای پایین و قابلیت اطمینان راه را برای حسگرهای یکپارچه که همه عملکردهای حسگر تصویر را با هم ترکیب می کنند ، هموار کرده است. به عنوان مثال ، یک سنسور تصویر مادون قرمز می تواند صرف نظر از شرایط نوری کار کند. با توجه به این توانایی ، سنسورهای تصویربرداری IR در نیروی دریایی ، نظامی ، هوایی و غیره برای گرفتن تصاویر حرارتی از اجسام استفاده می شود.
ایمنی عملکردی
ایمنی عملکردی جنبه مهمی از اقدامات ایمنی انجام شده برای حفظ سیستم صنعتی است. یک سیستم یا تجهیزات باید با فعال کردن مکانیسم محافظتی/اصلاحی به شرایط بالقوه خطرناک پاسخ دهند. به عنوان مثال ، یک مبدل موقعیت خطی می تواند در مدارهای ایمنی استفاده شود. این نوع سنسور بر روی مغناطیسی کار می کند و موقعیت ، فاصله و/یا سرعت اجسام را در یک گیاه تعیین می کند.
نتیجه
حسگرهای هوشمند در حال تکامل ما هستند. سیستم های هوشمند بیشتر و بیشتر مجهز به قابلیت تشخیص و خودآگاهی هستند که هسته اصلی سیستم های هوشمند نوآور را تشکیل می دهند. رساندن هوش به سطح اجزاء تأثیر عمیقی بر برنامه های کاربردی صنعتی دارد که امکان سنجش ، نظارت و پاسخ به تغییرات مختلف را برای بهینه سازی عملکرد کلی فراهم می کند. با نوآوری و تحقیقات مداوم ، بخش جدیدی از حسگرهای هوشمند به زودی ساخته می شوند که با فناوری های خرد و نانو ساخته شده اند. از آنجا که یادگیری ماشین به سرعت در حال پیشرفت است ، طیف وسیعی از سیستم های خودکار با شبکه های عصبی ، یادگیری ماشین و یادگیری عمیق در مرکز توجه قرار می گیرند.