در تولید کامپاندهای پلیمری، تغییرپذیری مواد اولیه، پیچیدگی فرمولاسیون و ضرورت حفظ کیفیت محصول، از چالش‌های مهم مهندسی فرایند هستند. این مسائل با افزایش استفاده از مواد بازیافتی پسامصرف (Post-Consumer Recycled یا PCR) اهمیت بیشتری پیدا می‌کنند؛ زیرا ویژگی‌های مواد ورودی ممکن است از یک محموله به محموله دیگر تغییر کند و تنظیمات مناسب تولید را تحت تأثیر قرار دهد.
در چنین شرایطی، تجربه اپراتور و دانش متخصص فرمولاسیون همچنان ارزشمندند، اما به‌تنهایی همیشه برای تحلیل حجم زیادی از داده‌ها و تشخیص سریع تغییرات کافی نیستند. هوش مصنوعی، تحلیل داده‌های تاریخی، اتوماسیون و حسگرهای پیشرفته می‌توانند به شناسایی تغییرات مواد، انتخاب فرمولاسیون مناسب و پایش بهتر فرایند کمک کنند. این رویکرد، محور بحث متخصصان صنعت در نشستی درباره آینده کامپاندینگ بود که در جریان رویدادهای AMI در کلیولند، اوهایو، برگزار شد.
۱. چرا مواد بازیافتی، کنترل فرایند کامپاندینگ را دشوارتر می‌کنند؟
در فراوری مواد اولیه نو، تولیدکننده معمولاً با موادی نسبتاً یکنواخت و دارای مشخصات شناخته‌شده کار می‌کند. همین ثبات نسبی، توسعه فرمولاسیون و تعیین شرایط مناسب فرایند را ساده‌تر می‌کند. در مقابل، رزین‌های بازیافتی پسامصرف ممکن است از نظر ترکیب، خواص و کیفیت بین محموله‌های مختلف تفاوت داشته باشند. این تغییرپذیری می‌تواند پیش‌بینی رفتار مواد در اکسترودر و دستیابی به کیفیت یکنواخت محصول نهایی را دشوارتر کند.
یان یارولاینن، مدیر ارشد خدمات فنی گروه Premix، در این نشست به تغییر ماهیت مواد اولیه مورد استفاده در صنعت بازیافت اشاره کرد. به گفته او، تجربه‌ای که صنعت طی سال‌ها در فراوری رزین‌های نو به دست آورده است، لزوماً برای مدیریت تمام پیچیدگی‌های مواد بازیافتی کافی نیست؛ به‌ویژه زمانی که ترکیب و ویژگی‌های مواد ورودی از پیش به‌طور کامل مشخص نشده باشد.
ویکتور کالگاری از شرکت Buss نیز بر همین مسئله تأکید کرد. استفاده از مواد بازیافتی برای پیشبرد اهداف پایداری اهمیت دارد، اما تولیدکنندگان باید راهی برای مدیریت تغییرپذیری این مواد و حفظ کیفیت محصول پیدا کنند. در غیر این صورت، تغییرات مواد اولیه می‌توانند فرایندهای تثبیت‌شده تولید را مختل کنند.
از دیدگاه مهندسی، مسئله فقط شناخت مشخصات اسمی ماده نیست؛ بلکه باید مشخص شود تغییرات واقعی مواد ورودی چه اثری بر رفتار فرایند و خواص محصول خواهند داشت. شناسایی تغییرپذیری مواد پیش از ورود به خط تولید می‌تواند مبنای تصمیم‌گیری بهتر درباره انتخاب فرمولاسیون و تنظیم شرایط فراوری باشد.
۲. هوش مصنوعی چگونه به مدیریت مواد بازیافتی کمک می‌کند؟
یکی از کاربردهای بالقوه هوش مصنوعی در کامپاندینگ، تحلیل داده‌های مربوط به ترکیب و ویژگی‌های مواد اولیه پیش از آغاز تولید است. اگر داده‌های قابل اتکایی از مشخصات مواد ورودی، نتایج آزمون‌های آزمایشگاهی و سوابق تولید در دسترس باشند، می‌توان از روش‌های محاسباتی برای شناسایی الگوها و بررسی ارتباط میان ویژگی‌های مواد و نتایج فرایند استفاده کرد.
یارولاینن و کالگاری بر این نکته تأکید کردند که شناخت بهتر تغییرات مواد بازیافتی پیش از فراوری می‌تواند به مدیریت مؤثرتر فرایند کمک کند. هدف، حذف تغییرپذیری ذاتی مواد بازیافتی نیست؛ بلکه باید این تغییرات تا حد امکان شناسایی شوند تا تولیدکننده بتواند تصمیم‌های مناسب‌تری درباره نحوه استفاده از مواد و شرایط تولید اتخاذ کند.
برای مثال، در یک سامانه داده‌محور می‌توان سوابق مشخصات مواد ورودی را در کنار اطلاعات فرایندی و نتایج کنترل کیفیت بررسی کرد. چنین تحلیلی ممکن است به شناسایی ارتباط میان تفاوت محموله‌ها و تغییرات کیفیت محصول کمک کند. البته میزان موفقیت این رویکرد به کیفیت داده‌ها، نمایندگی نمونه‌ها از مواد واقعی و اعتبارسنجی نتایج بستگی دارد.
بنابراین، هوش مصنوعی را باید ابزاری برای تقویت تصمیم‌گیری مهندسی دانست، نه جایگزینی برای شناسایی مواد، آزمون‌های فیزیکی یا تجربه متخصصان. ارزش آن زمانی مشخص می‌شود که خروجی تحلیل به تصمیمی عملی در انتخاب مواد، طراحی فرمولاسیون یا کنترل فرایند منجر شود.
۳. استخراج دانش از داده‌های تاریخی فرمولاسیون
بخش دیگری از بحث به استفاده از داده‌هایی اختصاص داشت که شرکت‌های کامپاندینگ طی سال‌ها از توسعه فرمولاسیون‌ها گردآوری کرده‌اند. این اطلاعات می‌توانند شامل تعداد زیادی فرمولاسیون، سوابق توسعه محصول و تجربه‌های انباشته‌شده در پروژه‌های گذشته باشند. با این حال، داشتن داده به‌تنهایی به معنای دسترسی آسان به دانش قابل استفاده نیست؛ چالش اصلی، استخراج اطلاعاتی است که بتواند تصمیم‌های امروز را بهبود دهد.
استفاده مؤثر از داده‌ها تنها به تحلیل سوابق تولید محدود نمی‌شود؛ دسترسی ساختاریافته به اطلاعات گریدهای پلیمری نیز می‌تواند فرایند بررسی و انتخاب مواد اولیه را هدفمندتر کند. برای این منظور، ابزار تعیین گرید هوشمند پلیمر می‌تواند به مهندسان کمک کند گزینه‌های مناسب را بر اساس مشخصات و نیازهای کاربردی بررسی کنند. ترکیب چنین ابزارهایی با داده‌های تولید و تجربه فنی، زمینه تصمیم‌گیری آگاهانه‌تر درباره انتخاب مواد را فراهم می‌کند؛ هرچند انتخاب نهایی همچنان باید با الزامات کاربرد و اطلاعات معتبر فنی تطبیق داده شود.
دین چاندوری، مدیر ارشد فناوری شرکت Plastics Compounding LLC، توضیح داد که این شرکت برای کاهش حجم گزینه‌های فرمولاسیون و شناسایی مجموعه‌ای محدودتر از گزینه‌های معنادار، مدل‌های پایه‌ای توسعه داده است. چنین رویکردی به جای شروع دوباره از ابتدا، از تجربه و داده‌های قبلی برای هدایت مسیر توسعه استفاده می‌کند.
به گفته چاندوری، هوش مصنوعی می‌تواند این فرایند را سریع‌تر کند و امکان تحلیل مجموعه‌داده‌های بزرگ را فراهم آورد. در صنعتی که فرصت‌های تجاری ممکن است در مدت کوتاهی ایجاد شوند، دسترسی سریع‌تر به گزینه‌های مناسب فرمولاسیون می‌تواند برای پاسخ‌گویی به نیاز مشتری و توسعه محصول اهمیت داشته باشد.
از منظر مهندسی پلیمر، ارزش چنین سامانه‌ای فقط در سرعت جست‌وجو نیست. سامانه باید بتواند فرمولاسیون‌های گذشته را بر اساس نیاز کاربردی، مواد در دسترس و نتایج ثبت‌شده بررسی کند و گزینه‌هایی ارائه دهد که امکان ارزیابی فنی آن‌ها وجود داشته باشد. در این مسیر، ابزار پیش‌بینی خواص پلیمر می‌تواند نقطه شروعی برای آشنایی با کاربرد تحلیل داده در بررسی خواص مواد باشد. البته اعتبار هر پیش‌بینی به کیفیت داده‌ها، دامنه مدل و اعتبارسنجی نتایج بستگی دارد.
این رویکرد با کاربردهای پیش‌بینی خواص پلیمر ارتباط دارد؛ جایی که داده‌های موجود می‌توانند برای بررسی روابط میان مشخصات مواد، شرایط فرایند و خواص محصول به کار گرفته شوند. میزان کارایی هر مدل به دامنه داده‌های آموزشی و شرایطی بستگی دارد که مدل در آن توسعه یافته و اعتبارسنجی شده است.
۴. آیا هوش مصنوعی جایگزین تجربه متخصص فرمولاسیون می‌شود؟
اعضای نشست بر این نکته تأکید داشتند که هوش مصنوعی قرار نیست جایگزین هوش انسانی شود؛ بلکه می‌تواند زمان لازم برای بررسی داده‌ها و یافتن گزینه‌های مناسب را کاهش دهد. متخصصان کامپاندینگ علاوه بر داده‌های عددی، از دانش مواد، شناخت سازوکارهای فرایندی و تجربه عملی در تفسیر نتایج استفاده می‌کنند. ترکیب این دانش با تحلیل محاسباتی می‌تواند مسیر توسعه محصول را هدفمندتر کند.
بهره‌گیری مؤثر از ابزارهای دیجیتال به توانایی تفسیر داده‌ها و ارتباط دادن نتایج تحلیل با مسائل واقعی فرایند نیاز دارد. توسعه این مهارت‌ها در کنار دانش مهندسی پلیمر می‌تواند به متخصصان کمک کند از ابزارهای هوش مصنوعی و تحلیل داده به شکل کاربردی‌تری استفاده کنند. در این مسیر، دوره‌های آموزشی Polymer-IQ می‌توانند بخشی از مسیر یادگیری و توسعه مهارت‌های تخصصی باشند.
یارولاینن همچنین به ظرفیت بالقوه عامل‌های هوش مصنوعی (AI Agents) در محدود کردن گزینه‌ها و پیشنهاد راهکارهایی برای نیازهای مشخص مشتریان اشاره کرد. با این حال، او درباره توانایی ابزارهای عمومی مانند ChatGPT در ترکیب تحلیل داده‌ها با دانش تخصصی عمیق برای حل مسائل پیچیده توسعه محصول، با احتیاط صحبت کرد.
این تمایز در محیط صنعتی اهمیت دارد. یک ابزار عمومی ممکن است در سازمان‌دهی اطلاعات، تهیه گزارش یا انجام تحلیل‌های مقدماتی مفید باشد؛ اما توسعه فرمولاسیون برای یک کاربرد خاص به داده‌های معتبر، محدودیت‌های واقعی تولید و ارزیابی فنی نیاز دارد. بنابراین، خروجی هوش مصنوعی باید به‌عنوان پیشنهاد قابل بررسی تلقی شود، نه نسخه نهایی و تأییدشده تولید.
۵. حسگرهای صنعتی و پایش لحظه‌ای فرایند
تحلیل داده‌های تاریخی تنها بخشی از راهکار است. برای شناخت وضعیت واقعی خط تولید، به داده‌هایی نیاز است که در حین کار تجهیزات جمع‌آوری می‌شوند. حسگرها و فناوری‌های اندازه‌گیری درون‌خطی (Inline Measurement) می‌توانند اطلاعاتی درباره شرایط مواد و عملکرد فرایند فراهم کنند و به تشخیص سریع‌تر تغییرات کمک کنند.
در این نشست، به حسگرهای فراصوت و مایکروویو به‌عنوان نمونه‌هایی از فناوری‌های اندازه‌گیری اشاره شد. این فناوری‌ها، بسته به نوع حسگر و کاربرد آن، می‌توانند برای پایش پارامترهایی مانند رطوبت یا برخی ویژگی‌های مواد به کار روند. همچنین، داده‌های حسگرها می‌توانند در کنار اطلاعات مربوط به عملکرد تجهیزات برای بررسی روند استهلاک و شناسایی نشانه‌های ناهنجاری استفاده شوند.
ترکیب داده‌های حسگرها با روش‌های یادگیری ماشین (Machine Learning) و کنترل آماری فرایند (Statistical Process Control یا SPC) می‌تواند به شناسایی الگوهای غیرعادی و ارائه اطلاعات کاربردی به اپراتور کمک کند. در صورت وجود داده‌های مناسب و مدل معتبر، این اطلاعات می‌توانند مبنایی برای بررسی زودهنگام انحراف فرایند یا برنامه‌ریزی نگهداری و تعمیرات باشند.
با این حال، باید میان پایش لحظه‌ای و پیش‌بینی قطعی خرابی تفاوت قائل شد. ثبت یک تغییر در داده‌های حسگر لزوماً به معنای تشخیص علت آن نیست. برای تبدیل هشدار به اقدام مؤثر، لازم است اطلاعات اندازه‌گیری با شناخت تجهیزات، شرایط تولید و سوابق تعمیرات تفسیر شوند.
۶. چرا رابط کاربری ساده در کارخانه اهمیت دارد؟
داده‌های متعدد تنها زمانی ارزش عملی پیدا می‌کنند که اپراتور و مسئول تولید بتوانند آن‌ها را به‌راحتی مشاهده و تفسیر کنند. اگر اطلاعات حسگرها، گزارش‌های کیفیت و وضعیت تجهیزات در سامانه‌های جداگانه پراکنده باشند، بررسی هم‌زمان آن‌ها دشوار می‌شود و احتمال دارد اطلاعات مهم در جریان کار روزانه نادیده بمانند.
یکی از راهکارهای عملی برای تجمیع و نمایش داده‌های تولید، استفاده از داشبوردهای مدیریتی و تحلیلی است. برای مثال، داشبوردهای مبتنی بر Power BI می‌توانند اطلاعات تولید و شاخص‌های عملکرد را در قالبی قابل‌فهم ارائه کنند تا بررسی روندها و شناسایی نقاط نیازمند توجه آسان‌تر شود. البته ارزش داشبورد به کیفیت داده‌های ورودی، تعریف صحیح شاخص‌ها و تناسب گزارش‌ها با نیاز واقعی کاربران بستگی دارد.
یارولاینن بر اهمیت رابط‌های کاربری ساده و یکپارچه تأکید کرد؛ رابط‌هایی که داده‌های منابع مختلف را در بستری قابل‌فهم گردآوری کنند. از دیدگاه بهره‌برداری، داشبوردی که وضعیت فعلی فرایند، انحراف‌های مهم و موارد نیازمند بررسی را به‌روشنی نشان دهد، می‌تواند کاربردی‌تر از سامانه‌ای باشد که حجم زیادی از نمودارها و داده‌های خام را بدون اولویت‌بندی نمایش می‌دهد.
برای پیاده‌سازی چنین رویکردی، لازم نیست کارخانه از ابتدا به یک سامانه پیچیده و کاملاً خودکار مجهز شود. می‌توان با ثبت منظم اطلاعات تولید، تعریف شاخص‌های کلیدی، نمایش وضعیت تجهیزات و ایجاد هشدارهای ساده آغاز کرد. سپس، با افزایش کیفیت داده‌ها و مشخص شدن نیازهای واقعی، قابلیت‌هایی مانند تحلیل پیش‌بینانه یا مدل‌های یادگیری ماشین را به‌تدریج اضافه کرد.
در چنین مسیری، طراحی رابط کاربری باید با وظایف واقعی اپراتور هماهنگ باشد. اطلاعات باید به تصمیم یا اقدام مشخصی منتهی شوند و استفاده از سامانه نباید بار کاری غیرضروری ایجاد کند. این اصل برای موفقیت پروژه‌های هوشمندسازی به اندازه انتخاب فناوری مناسب اهمیت دارد.
۷. مسیر عملی حرکت به سوی کامپاندینگ هوشمند
بحث متخصصان نشان می‌دهد که هوشمندسازی کامپاندینگ را می‌توان از چند مسئله مشخص آغاز کرد: تغییرپذیری مواد اولیه، دشواری استفاده از داده‌های فرمولاسیون و محدودیت‌های پایش فرایند. به جای خرید هم‌زمان تجهیزات متعدد یا توسعه یک سامانه پیچیده، بهتر است ابتدا مسئله‌ای انتخاب شود که داده‌های آن قابل دسترسی و نتیجه آن قابل ارزیابی باشد.
تعیین نقطه شروع مناسب برای هوشمندسازی به شناخت فرایند، منابع داده، محدودیت‌های تجهیزات و مسئله‌ای که کارخانه قصد حل آن را دارد وابسته است. در پروژه‌هایی که به ارزیابی نیازهای دیجیتال، تحلیل داده‌های تولید یا طراحی راهکارهای مبتنی بر هوش مصنوعی نیاز دارند، خدمات مشاوره Polymer-IQ می‌تواند در بررسی مسیر مناسب پیاده‌سازی مورد توجه قرار گیرد.
برای مثال، یک پروژه اولیه می‌تواند بر ثبت مشخصات هر محموله مواد اولیه و ارتباط دادن آن‌ها با فرمولاسیون، شرایط تولید و نتایج کنترل کیفیت تمرکز کند. این داده‌ها به‌تدریج امکان تحلیل تغییرات بین محموله‌ها و بررسی عوامل مؤثر بر کیفیت را فراهم می‌کنند. در مرحله بعد، می‌توان نیاز به حسگرهای بیشتر، مدل‌های پیش‌بینی یا هشدارهای هوشمند را بر اساس شواهد واقعی مشخص کرد.
برای ارزیابی موفقیت این پروژه‌ها، باید شاخص‌هایی متناسب با مسئله انتخاب شوند؛ برای نمونه، میزان انطباق محصول با مشخصات موردنیاز، تکرارپذیری کیفیت، زمان لازم برای توسعه فرمولاسیون یا تعداد دفعات نیاز به اصلاح شرایط تولید. انتخاب شاخص مناسب کمک می‌کند مشخص شود فناوری به بهبود قابل‌اندازه‌گیری منجر شده است یا صرفاً حجم اطلاعات موجود را افزایش داده است.
جمع‌بندی
هوش مصنوعی، اتوماسیون و فناوری‌های حسگری می‌توانند به صنعت کامپاندینگ کمک کنند تا با تغییرپذیری مواد اولیه، پیچیدگی فرمولاسیون و نیاز به کنترل کیفیت پایدارتر مواجه شود. تحلیل داده‌های تاریخی، شناخت بهتر مواد بازیافتی و پایش وضعیت فرایند، فرصت‌هایی برای تصمیم‌گیری سریع‌تر و استفاده مؤثرتر از تجربه انباشته‌شده ایجاد می‌کنند.
با این حال، نتیجه مطلوب تنها از نصب ابزارهای دیجیتال به دست نمی‌آید. کیفیت داده‌ها، اعتبارسنجی تحلیل‌ها، شناخت فرایند و طراحی رابط کاربری متناسب با نیاز اپراتورها، اجزای مهم این مسیر هستند. هوشمندسازی مؤثر زمانی شکل می‌گیرد که داده به تصمیم مهندسی و تصمیم مهندسی به بهبود قابل‌اندازه‌گیری در تولید تبدیل شود.
منبع: AI and Automation: Advancing Compounding for a Sustainable Future، PlasticsToday، نویسنده: David Hutton.
