
مدرس: دکتر مجتبی قلیزاده
در طول قرن بیستم، ما شاهد انقلاب اتوماسیون (Automation) بودیم؛ رباتهایی که یاد گرفتند یک کار تکراری را سریعتر و دقیقتر از انسان انجام دهند. اما امروز، در آستانه یک انقلاب بزرگتر هستیم: Industrial AI.
تفاوت اصلی چیست؟ اتوماسیون یعنی “انجام دادن” کار، اما هوش مصنوعی صنعتی یعنی “فهمیدن” و “بهبود دادن” کار.
به عنوان مدرس این حوزه، همیشه به دانشجویان مهندسی و مدیران صنعتی میگویم: هوش مصنوعی در صنعت یک کالای لوکس نیست؛ بلکه تنها راه بقا در بازاری است که هر ثانیه توقف خط تولید (Downtime) میلیونها تومان هزینه دارد.
هوش مصنوعی صنعتی، کاربرد سیستماتیک الگوریتمهای یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning) و سایر تکنولوژیهای شناختی در محیطهای سخت صنعتی است.
این یعنی ترکیب دانش فیزیک و مکانیک با قدرت دادهها.
دقت و قابلیت اطمینان (Reliability): اگر ChatGPT در نوشتن یک شعر اشتباه کند، اتفاقی نمیافتد. اما اگر AI صنعتی در کنترل دمای کوره ذوب اشتباه کند، فاجعه رخ میدهد.
دادههای کم اما باکیفیت: برخلاف وب که میلیاردها داده دارد، در صنعت گاهی ما فقط چند صد رکورد از خرابی یک پمپ خاص داریم و باید با همین داده کم، مدل دقیقی بسازیم.
زمان واقعی (Real-time): تصمیمگیری باید در میلیثانیه انجام شود.
بسیاری از مهندسان فکر میکنند هوش مصنوعی صنعتی بسیار پیچیده است. بیایید با یک مثال ساده پایتون، نحوه تشخیص وضعیت نرمال و غیرنرمال یک سنسور دما در توربین را ببینیم.
ما از روش Isolation Forest استفاده میکنیم که برای تشخیص ناهنجاری (Anomaly Detection) در صنعت بسیار پرکاربرد است.
content_copy pythonimport numpy as np import pandas as pd from sklearn.ensemble import IsolationForest import matplotlib.pyplot as plt # ۱. شبیهسازی دادههای سنسور دما (دادههای نرمال) # فرض کنیم ۱۰۰۰ داده داریم که حول دمای ۵۰۰ درجه نوسان میکنند rng = np.random.RandomState(42) X_train = 0.5 * rng.randn(1000, 1) + 500 # اضافه کردن چند داده پرت (خرابیهای احتمالی) - مثلا دمای ۵۱۰ یا ۴۸۰ X_outliers = rng.uniform(low=480, high=520, size=(20, 1)) X = np.r_[X_train, X_outliers] # ۲. ساخت مدل هوش مصنوعی صنعتی # contamination=0.02 یعنی ما حدس میزنیم حدود ۲ درصد دادهها خرابی باشند clf = IsolationForest(contamination=0.02, random_state=42) clf.fit(X) # ۳. پیشبینی وضعیت y_pred = clf.predict(X) # ۴. نتایج # مقدار ۱ یعنی نرمال، مقدار ۱- یعنی ناهنجاری (Anomaly) n_outliers = (y_pred == -1).sum() print(f"تعداد ناهنجاریهای شناسایی شده توسط AI: {n_outliers}") # نمایش نمونهای از دادههایی که برچسب خرابی خوردهاند df = pd.DataFrame(X, columns=['Temperature']) df['Status'] = y_pred print("نمونه دادههای شناسایی شده به عنوان خطر (۱-):") print(df[df['Status'] == -1].head())
در این کد، ما به مدل یاد ندادیم که “دمای بالای ۵۰۵ بد است”. مدل خودش با دیدن الگوی دادههای نرمال (که دور و بر ۵۰۰ هستند)، یاد گرفت که هر چیزی که از این الگو فاصله زیادی داشته باشد، یک ناهنجاری است. این همان هوشمندی است که ما در صنعت نیاز داریم.
کاهش هزینههای انرژی: AI میتواند مصرف انرژی کمپرسورها و چیلرها را بر اساس نیاز لحظهای تنظیم کند.
بهبود کیفیت: به جای کنترل کیفیت رندوم، صد در صد محصولات توسط بینایی ماشین چک میشوند.
حفظ دانش: وقتی یک اپراتور باتجربه بازنشسته میشود، دانش او با او میرود. اما مدلهای AI دانش اپراتورها را در خود ذخیره میکنند.
برای ورود به این حوزه، مسیر زیر را پیشنهاد میکنم:
پایتون مقدماتی: یادگیری زبان پایه.
کتابخانههای داده: Pandas و NumPy (برای کار با دادههای سنسورها).
یادگیری ماشین کلاسیک: Scikit-learn (برای رگرسیون و دستهبندی).
تخصص صنعتی: یادگیری پروتکلهای ارتباطی صنعتی مثل MQTT یا OPC-UA برای دریافت داده از PLC.