مروری بر دو مفهوم 

Internet of Things & Artificial Intelligence

 

1. اینترنت اشیا (Internet of Things - IoT)

ارتباط اینترنتی بین اشیاء (تجهیزات) را که در محیط پیرامون ما قرار دارند، اینترنت اشیاء (IoT) می‌گویند. این اشیاء با اتصال به شبکه اینترنت می‌توانند با استفاده از نرم افزارهای موجود درتلفن هوشمند، کامپیوتر و .... به صورت کنترل از راه دور مدیریت شوند. به کارگیری از فناوری اینترنت اشیا در صنعت موجب پیدایش مفهوم اینترنت اشیا صنعتی گردید. اینترنت اشیا صنعتی (IIoT) به شبکه ارتباطی بین سنسورها، ابزارهای اندازه گیری دقیق و سایر ادوات با رایانه‌های صنعتی اشاره دارد که مدیریت انرژی و فرایند تولید را در بر می‌گیرد. این ارتباطات، امکان جمع آوری، تبادل و تحلیل اطلاعات را فراهم نموده و سبب بهبود در بهره‌وری و بازدهی می‌گردد. به شکل خلاصه می‌توان این دو مفهوم را به شکل زیر از یکدیگر تمیز داد.

در  اینترنت اشیاء (IoT)  تمرکز بر ارائه خدمات برای مشتریان عادی است.

در اینترنت اشیا صنعتی (IIoT) تمرکز بر بالا بردن امنیت و بهره‌وری در فضاهای صنعتی است.

Iot

 

2. هوش مصنوعی ( Artificial Intelligence-AI)

بهره گیری از  هوش مصنوعی (AI) با ویژگی رایانش مرزی ( Edge Computing)، ابزار قدرتمندی به حوزه پایش وضعیت ارتعاشی اضافه نموده است که توانایی تشخیص دقیق علت، جهت و شدت ارتعاشات را به همراه دارد. این پیشرفت بیانگر تحولی بنیادین از رویکرد نگهداری واکنشی (reactive maintenance) به نگهداری پیشگویانه (predictive maintenance) بوده است. پایش وضعیت با بهره گیری از  هوش مصنوعی (AI) با ویژگی رایانش مرزی کمک می‌کند که تغییرات مقادیر ارتعاشی و نیز الگوهای غیرمعمول را پیش از وقوع خرابی شناسایی نموده و با فاصله زمانی مناسبی پیش از وقوع پیش بینی نماید. این رویکرد باعث پیش گیری از آسیب، کاهش هزینه تعمیرات و افزایش بهره‌وری می‌گردد.

AI in condition monitoring

دو روش مرسوم هوش مصنوعی (AI) عبارتند از:

1. یادگیری ماشین (Machine Learning)

2. یادگیری عمیق (Deep Learning)

روش یادگیری عمیق (DL) در زمینه پایش وضعیت به روش یادگیری ماشین (ML) برتری دارد. در روش یادگیری عمیق (DL)، تکنیک‌های متفاوتی وجود دارد، تکنیک مرسوم برای پایش وضعیت، شبکه‌های عصبی پیچشی (Convolutional Neural Network-CNN) است. شبکه‌های عصبی پیچشی ویژگی‌های داده ورودی را استخراج و به لایه بالاتر میفرستند تا ویژگی سطح بالایی تولید کند. ساختار شبکه‌های عصبی پیچشی شامل لایه ورودی، لایه پیچشی، لایه ادغام (Pooling) و لایه شبکه عصبی غلیظ (Fully Connected) است.

 

Machine Learning