اختصاصی بسپار/ قبض برق زیر ذرهبین هوش مصنوعی؛ پایش هوشمند چگونه هزینهی انرژی کارخانههای پلاستیک را میکاهد؟
گروه ترحمه و تولید محتوا در بسپار/ایران پلیمر مصرف بالای انرژی یکی از هزینههای اجتنابناپذیر صنعت فراورش پلاستیک است؛ اما دادههای جدید نشان میدهند بخش قابلتوجهی از این هزینه الزاما ناشی از تولید نیست و میتواند نتیجهی کارکرد نامناسب تجهیزات، مصرف در زمانهای توقف یا مدیریت غیربهینهی خطوط باشد. سامانههای هوشمند پایش انرژی با ترکیب حسگرهای اینترنت اشیا (Internet of Things – IoT)، مدیریت دارایی سازمانی (Enterprise Asset Management – EAM) و تحلیلهای مبتنی بر هوش مصنوعی، اکنون به تولیدکنندگان امکان میدهند منشا این اتلاف را تا سطح هر ماشین شناسایی کنند. در یک نمونهی صنعتی، استفاده از چنین سامانهای شدت مصرف انرژی یک کارخانهی پلاستیک را ظرف شش ماه ۲۴ درصد کاهش داده و سرمایهگذاری انجامشده تنها در ۳٫۲ ماه بازگشته است.
مدیر شرکت Ultimo، میگوید تقریبا هر ماشین قالبگیری تزریقی، رانشگر (Extruder) و خنککننده در کارخانهی پلاستیک مصرفکنندهی قابلتوجه انرژی است. بنابراین مسئله دیگر این نیست که انرژی باید پایش شود یا خیر؛ سوال اصلی این است که آیا دادههای حاصل از پایش به تصمیمهایی منجر میشوند که واقعا مصرف را بکاهند؟
پس از مواد اولیه و نیروی کار، انرژی معمولا یکی از سه هزینهی عملیاتی اصلی فراورشگران پلاستیک است. قالبگیری تزریقی (Injection Molding)، رانشگری (Extrusion) و قالبگیری دمشی (Blow Molding) همگی به ترکیبی از دمای بالا، سامانههای هیدرولیکی، هوای فشرده و تجهیزات سرمایشی وابستهاند و به همین دلیل، مصرف انرژی در آنها قابلتوجه و تقریبا پیوسته است.
از سوی دیگر، انرژی دیگر یک هزینهی سربار ثابت و قابلپیشبینی نیست. نوسان قیمت برق و انرژی، هزینههای مربوط به اوج مصرف و فشارهای مقرراتی برای کاهش انتشار کربن، اثر آن را بر سودآوری بیشتر کردهاند. همزمان، مالکان نامهای تجاری و سازندگان تجهیزات اصلی (OEMs) نیز بیش از گذشته از تامینکنندگان خود اطلاعات مربوط به انتشار، ردپای کربن و شدت مصرف انرژی را مطالبه میکنند.
از کنتور ماهانه تا رصد لحظهای هر ماشین
در سادهترین سطح، کنتورهای فرعی هوشمند (Smart Submetering) با استفاده از حسگرهای متصل به IoT، مصرف برق را در سطح ماشین یا مدار و بهصورت بلادرنگ اندازهگیری میکنند. بهجای آنکه مدیر کارخانه در پایان ماه فقط یک عدد کلی از کنتور دریافت کند و حدس بزند انرژی در کجا مصرف شده است، دادهها بهطور مستمر به داشبوردهای ابری منتقل میشوند. به این ترتیب، مصرف انرژی را میتوان بر اساس ماشین، نوع تجهیز، شیفت کاری، دورهی تولید یا بخش کارخانه بررسی کرد.
مرحلهی بعد، اتصال این دادهها به سامانهی مدیریت دارایی سازمانی است. EAM مصرف انرژی را در کنار سابقهی تعمیر و نگهداری، سن، وضعیت و پارامترهای عملیاتی ماشین قرار میدهد. برای مثال، اگر یک ماشین قالبگیری تزریقی ناگهان ۱۸ درصد بیشتر از خط پایهی خود انرژی مصرف کند، سامانه میتواند این انحراف را با اطلاعات فنی تجهیز تطبیق دهد و در صورت احتمال بروز نقص، بهطور خودکار درخواست بازرسی یا دستور کار تعمیر و نگهداری صادر کند.
هوش مصنوعی و تحلیل پیشبینانه (Predictive Analytics) نیز امکان شناسایی الگوهایی را فراهم میکنند که تشخیص دستی آنها برای فنورز دشوار است. این سامانهها میتوانند مصرف غیرضروری ماشین در حالت آمادهبهکار، الگوی نامناسب روشنکردن تجهیزات در ساعات اوج مصرف یا روند افزایش مصرف یک ماشین را تشخیص دهند و حتی در ارزیابی اقتصادی تعمیر یا جایگزینی تجهیزات کمک کنند.
برای کارخانههایی که نمیخواهند روی تکتک مدارها حسگر نصب کنند، «اندازهگیری مجازی» (Virtual Metering) نیز امکان محاسبهی مصرف تجمعی یا تفاضلی گروهی از تجهیزات را فراهم میکند و هزینهی اولیهی اجرای پروژه را میکاهد.
تجهیزات قدیمی هم میتوانند هوشمند شوند
یکی از تصورات نادرست این است که چنین فناوریهایی فقط برای کارخانههای بزرگ یا خطوط کاملا جدید مناسباند. کاهش قیمت حسگرهای IoT و عرضهی پلتفرمهای ابری EAM با مدلهای اشتراکی، این فناوری را برای تولیدکنندگان کوچکتر نیز دسترسپذیر کرده است. حتی کارخانهای با هشت ماشین قالبگیری تزریقی میتواند از پایش در سطح ماشین بهره ببرد و ضرورتی ندارد که همهی کارخانه یکباره به حسگر مجهز شود. شروع کار با پنج تجهیز دارای بیشترین مصرف انرژی نیز ممکن است اطلاعات کافی برای توجیه سرمایهگذاری فراهم کند.
حتی در بسیاری از موارد، دادههای یک ماشین قالبگیری تزریقی ۲۰ ساله میتواند ارزشمندتر باشد؛ زیرا تجهیزات قدیمی بیشتر مستعد افت تدریجی بازده هستند و پایش انرژی میتواند این تغییر را پیش از تبدیلشدن به خرابی جدی آشکار کند.
کاهش ۲۴ درصدی شدت مصرف انرژی در شش ماه
نمونهای که iFactor
yAI گزارش کرده، ابعاد اقتصادی این فناوری را نشان میدهد. یک تولیدکنندهی پلاستیک با ۴۸ ماشین قالبگیری تزریقی در سه شیفت کاری، با افزایش سالانهی ۱۹ درصدی هزینهی انرژی مواجه شده بود. برق مصرفی پرسهای هیدرولیکی، تولید هوای فشرده و سامانههای سرمایش فرایند، نزدیک به ۲۲ درصد کل هزینهی تولید این شرکت را تشکیل میداد.
شش ماه پس از استقرار پلتفرم پایش iFactory و جمعآوری جزئی دادههای مصرف در سطح ماشین، خط و تجهیزات جانبی، بیش از ۳۴۰ هزار دلار اتلاف سالانهی انرژی شناسایی شد. بر اساس گزارش این شرکت، شدت مصرف انرژی در کل کارخانه ۲۴ درصد کاهش یافت و بازگشت سرمایهی پلتفرم تنها ۳٫۲ ماه طول کشید.
بخشی از این صرفهجویی الزاما به خود فرایند تولید مربوط نیست. ماشینهایی که آخر هفته در حالت آمادهبهکار همچنان گرمایش یا توان کامل هیدرولیکی مصرف میکنند، سامانههای هوای فشردهای که در برابر شیرهای بسته کار میکنند و خنککنندههایی که بدون نیاز روشن و خاموش میشوند، همگی میتوانند منابع پنهان اتلاف باشند.
مدیریت اوج مصرف نیز میتواند بازگشت سرمایهی سریعی ایجاد کند. در تعرفههای صنعتی، هزینه ممکن است بر اساس بیشترین مصرف در یک بازهی ۱۵ دقیقهای محاسبه شود. بنابراین، روشنکردن مرحلهای ماشینآلات و انتقال فرایندهای پرمصرف به خارج از ساعات اوج میتواند هزینهها را به میزان قابلتوجهی بکاهد.
انرژی؛ شاخصی برای پیشبینی خرابی
مزیت پایش انرژی فقط کاهش قبض برق نیست. افزایش تدریجی توان مصرفی یک رانشگر هنگام گرمشدن یا افزایش انرژی موردنیاز هر چرخهی یک پرس هیدرولیکی میتواند نشانهی اولیهی افت کارکرد تجهیز باشد. در نتیجه، دادهی انرژی به ابزاری برای نگهداری و تعمیرات پیشبینانه (Predictive Maintenance) تبدیل میشود و صرفهجویی حاصل از آن میتواند در قالب کاهش توقف تولید، کاهش پسماند و افزایش عمر تجهیزات ظاهر شود.
بااینحال، فناوری بهتنهایی کافی نیست. اجرای موفق نیازمند آموزش کارکنان، کیفیت مناسب دادهها و تعیین مسئول مشخص برای برنامهی پایش است. مهمتر از همه، هشدارهای انرژی باید مستقیما به گردشکار تعمیر و نگهداری متصل شوند؛ یعنی وقتی سامانه انحرافی را تشخیص میدهد، اقدام بعدی نیز مشخص باشد.
آیندهی این فناوری به سمت ادغام بیشتر انرژی، هوش مصنوعی و نگهداری پیشبینانه حرکت میکند. مصرف توان در کنار ارتعاش، دما و زمان چرخه به یکی از شاخصهای اصلی سلامت تجهیزات تبدیل خواهد شد و دوقلوهای دیجیتال (Digital Twins) نیز امکان شبیهسازی اثر تغییر برنامهی تولید یا تعویض تجهیزات را پیش از اجرای واقعی فراهم خواهند کرد.
در چنین شرایطی، دادههای انرژی دیگر فقط ابزاری برای کاهش هزینه نیستند. همان اطلاعاتی که امروز به تولیدکننده کمک میکنند مصرف برق را پایین بیاورد، فردا میتوانند برای گزارشدهی ESG، پاسخگویی به الزامات مشتریان و ایجاد مزیت رقابتی به کار روند. برای فراورشگران پلاستیک، هوشمندکردن مصرف انرژی در حال تبدیلشدن از یک پروژهی صرفهجویی به بخشی از راهبرد تولید و مدیریت دارایی است.
