القياس عن بعد هو علم قديم نسبيًا يزدهر بإمكانيات جديدة. مع انتشار إنترنت الأشياء (IoT) ووفرة أجهزة الاستشعار لمراقبة كل شيء من أمن المنزل إلى البيانات البيومترية، يتبنى المستهلكون استخدامًا واسعًا لها لتبسيط وإدارة حياتهم اليومية. لكن الشركات لديها المزيد لتكسبه. توفر البيانات التي يتم التقاطها من خلال القياس عن بُعد رؤى حول الآلات، مما يمنح القادة رؤية في الوقت الفعلي لمقاييس الأداء. إلى جانب الذكاء الاصطناعي والتعلم الآلي (AI/ML) وثروة البيانات غير المستغلة المخزنة داخل العمليات وعلى طول العمليات، يمكن للفرق اكتساب كفاءات تقلل من وقت التوقف عن العمل والمخاطر مع تحسين الإيرادات.

في هذه المقالة، سنغطي...

• ما هو القياس عن بعد؟
• كيف نستخدم بيانات القياس عن بعد؟
• ثلاث حالات استخدام لبيانات القياس عن بُعد والذكاء الاصطناعي/التعلم الآلي في عمليات المؤسسة
• كيف تستخدم إحدى الشركات الكبرى في صناعة النفط والغاز القياس عن بُعد

ما هو القياس عن بعد؟

القياس عن بُعد هو ممارسة استخدام أجهزة استشعار متصلة رقميًا لتسجيل البيانات عن بُعد والإبلاغ عنها من المعدات. تقوم أجهزة الاستشعار هذه بإنشاء ما يُعرف عمومًا بإنترنت الأشياء (IoT) و، وفقًا لـ IDC، من المتوقع أن تولد أجهزة إنترنت الأشياء ما يقرب من 80 مليار زيتابايت (ZB) بحلول عام 2025. هذه كمية كبيرة من البيانات! جنبًا إلى جنب مع الزملاء مثل المدير المساعد للتحليلات المتقدمة هارديك ريجواني، أستخدم بيانات القياس عن بُعد لتحسين عمليات مؤسسة عملائنا. من خلال خدمات البيانات والذكاء الاصطناعي، نحصل على رؤى مهمة من أجهزة استشعار القياس عن بُعد التي تساعد الفرق الفنية وفرق الأعمال على اتخاذ قرارات تعتمد على مؤشرات الأداء الرئيسية بشكل أسرع.

كيف نستخدم بيانات القياس عن بعد؟

هناك العديد من تحديات علوم البيانات والتحليلات بين جمع البيانات وتقديم رؤى قابلة للتنفيذ. تنتج مستشعرات القياس عن بُعد كمية هائلة من البيانات غير المهيكلة. لهيكلة البيانات، نقوم بتنظيفها وتحويلها ووضعها في سياقها وربطها لعزل ما هو مهم وكيفية تنظيمه وفقًا لمؤشرات الأداء الرئيسية.

في هذه المرحلة، نطبق أدوات الذكاء الاصطناعي والتحليلات مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP) وقاعدة بيانات الرسم البياني (Graph DB) لأتمتة وتبسيط عملية جمع البيانات القابلة للاستخدام. على سبيل المثال، في Graph DB، نستخدم نماذج الرسم البياني للخصائص، والتي تتكون من العقد (تخزين البيانات) والحواف (العلاقات بين تلك العقد)، لتحليل البيانات وتفسير البيانات. يتم تطبيق النمذجة الإحصائية لاستنتاج العتبات وأجزاء الأداء بناءً على مخرجات المستشعر. تسمح لنا لغة استعلام الرسم البياني واستعلام Cypher بتحليل كميات معقدة وغير منظمة وهائلة من البيانات بسرعة وفي الوقت الفعلي.

«إن كيفية تكوين النظام مهمة لالتقاط البيانات،» قال ريجواني. «لكن التحليلات والرؤى التي يمكننا هيكلتها واستخراجها من البيانات هي ما هو مهم لعملائنا اليوم.»

أولئك منا الذين يعملون مع بيانات القياس عن بُعد وأجهزة الاستشعار يهتمون أيضًا بمكان إنشاء الذكاء ومكان اتخاذ القرارات. في حين أن الحوسبة السحابية شائعة في هذا المجال، فإننا نتحرك باستمرار نحو الممارسات المتقدمة مع الحوسبة المتطورة، حيث يمكن اتخاذ القرارات في الموقع على الجهاز. يعد هذا استخدامًا متطورًا وحاسمًا للقياس عن بُعد، حيث يتم توصيل العديد من أجهزة الاستشعار هذه بالآلات في المواقف الحساسة للوقت. في حين أننا نهدف غالبًا إلى التنبؤ بالصيانة وتجنب التعطل غير المتوقع أو مخاطر السلامة، يمكن أن توفر الحوسبة المتطورة وقاية إضافية من خلال، على سبيل المثال، إيقاف تشغيل الصمام المتآكل قبل كسره.

3 حالات استخدام للقياس عن بُعد والذكاء الاصطناعي/التعلم الآلي في عمليات المؤسسة

في البيئات الصناعية والتجارية، حالات استخدام القياس عن بُعد هي الحالات التي يتم فيها تطبيق أجهزة الاستشعار على أجهزة معينة لجمع بيانات أجهزة استشعار محددة. تساعد هذه المعلومات الفرق في مجموعة متنوعة من الصناعات - بما في ذلك التكنولوجيا العالية والنفط والغاز وسلسلة التوريد والتصنيع - على فهم كيفية أداء هذه الآلات. فيما يلي ثلاثة أمثلة لحالات الاستخدام:

1. استكشاف أخطاء الكمبيوتر وإصلاحها بشكل أسرع وعن بُعد مع العملاء

ستقوم الشركات المصنعة للمعدات عالية التقنية، مثل أجهزة الكمبيوتر، بتثبيت أجهزة استشعار متصلة في أجهزتها لتسجيل مقاييس الأداء. يمكن بعد ذلك استخدام المعلومات بعدة طرق.

قال ريجواني: «نحن نعمل مع شركة تصنيع أجهزة كمبيوتر عالمية واحدة تجعل هذه السجلات متاحة لوكلاء الدعم». «في الماضي، ربما كان على أحد الخبراء رؤية الجهاز فعليًا لإصلاحه. والآن، عندما يواجه العميل مشكلة، يمكن لهؤلاء الوكلاء الوصول إلى المعلومات عن بُعد في الوقت الفعلي لاستكشاف الأخطاء وإصلاحها».

قال Rijhwani إنه يساعد أيضًا فرق المنتجات على فهم جودة المنتج. لديهم إمكانية الوصول إلى السجلات من مئات الآلاف من الأصول من نفس الطراز المباعة. باستخدام AI/ML، من الممكن تحليل عدة آلاف من خطوط البيانات تلقائيًا وبسرعة بحثًا عن الأخطاء، مثل ارتفاع درجة حرارة الجهاز، لتحسين النموذج التالي.

تفيد هذه المعلومات أيضًا مديري الحسابات، الذين يمكن أن يكونوا مستعدين بشكل أفضل لمساعدة العملاء ودفع علاقات أكثر إيجابية في هذه العملية.

2. المراقبة التنبؤية للمعدات من أجل الكفاءة والسلامة

سواء في مجال التكنولوجيا العالية أو الطاقة أو تصنيع المنتجات، فإن القياس عن بُعد يربط وينسق الآلات والمعدات الثقيلة لمساعدة الفرق على التخطيط للصيانة وتجنب فترات التوقف غير المجدولة. تعمل هذه الممارسة على تعزيز تدابير السلامة مع تحسين النتيجة النهائية للشركة.

في البيئات الصناعية، مثل مصافي النفط، هناك مئات الآلاف من الآلات التي يجب مراقبتها. عندما تتعطل الآلة، يؤدي ذلك إلى خسارة الإيرادات. كما أنه يزيد من المخاطر على سلامة الموظفين وحتى البيئة.

تستخدم الشركات القياس عن بُعد لمراقبة صحة النظام ومنع التعطل غير المخطط له. يساعد تحليل AI/ML للبيانات المجمعة الفرق على فهم الظروف التي تعرض هذه الآلات للخطر. ويمكنه أيضًا تنبيه الفرق إلى هذه الظروف وإعداد جدول صيانة وقائي منتظم لمنع وقوع حادث. من خلال توصيل أجهزة الاستشعار بالمعدات، يمكن للفرق جدولة الصيانة بشكل استباقي بدلاً من الاستجابة للجهاز المعطل.

3. تحسين كفاءة لوجستيات الشحن من خلال ربط أجهزة الاستشعار بالشاحنات للحصول على رؤى حول أوقات السفر والسلامة والمزيد.

وقال ريجواني: «يمكننا استخدام البيانات التاريخية لاتخاذ القرارات، مثل اقتراح طرق أفضل أو جدولة الصيانة الوقائية للأساطيل». «قد تعمل المستشعرات أيضًا على تحسين السلامة من خلال مراقبة سرعة القيادة أو التغييرات المفاجئة، مثل الانحراف. قد تشير المعلومات إلى أن السائق متعب أو مشتت الذهن وتصدر إنذارًا لإشارته بأخذ قسط من الراحة».

بالإضافة إلى ذلك، تعد السيارات والشاحنات ذاتية القيادة التي يتم تطويرها الآن في طليعة الحوسبة المتطورة، حيث يمكن أن يؤدي قرار الماكينة في جزء من الثانية إلى عواقب بعيدة المدى.

لا يمكن لهذه البيانات أن تؤثر فقط على سلامة الفرد وكفاءته؛ بل يمكن أن تساعد في تحسين النظام اللوجستي بشكل كلي. إنها تساعد الفرق على تحليل الأساطيل بأكملها وحركتها للتوصية بمسارات جديدة تبسط التسليم أو حتى تقرر ما إذا كنت ستستخدم وسائل نقل مختلفة.

كيف تستخدم إحدى الشركات الكبرى في صناعة النفط والغاز القياس عن بُعد

وفقًا لقادة شركة شل، وهي شركة نفط عالمية كبرى، تراقب الشركة آلاف الأميال من خطوط الأنابيب، وما يصل إلى 10000 صمام ومليون أداة مزودة بأجهزة استشعار مدمجة. بصفتها شركة مبتكرة في الصناعة، واصلت شل التحول الرقمي من خلال القياس عن بُعد والذكاء الاصطناعي/التعلم الآلي وعلوم البيانات. لقد نجحوا في تقليل وقت التوقف عن العمل وتحسين السلامة وحماية هوامشهم في هذه العملية.

الأتمتة المتوافقة: شريكك في التحول الرقمي

تواجه الشركات انفجارًا في البيانات وتشعر بالضغط لاستخدامها بشكل استراتيجي لتبسيط العمليات. في Aligned Automation، نجمع بين المعرفة الوظيفية المبتكرة والخبراء الفنيين المتخصصين في البيانات والعمليات وخدمات ML/AI، مما يسرع رحلتك إلى العمليات الذكية. من إثراء البيانات المختلفة وتنظيمها وربطها إلى تمكين التكنولوجيا المتقدمة، نعمل جنبًا إلى جنب مع فرق المؤسسة لتحقيق أهداف الأعمال الطموحة.