اتوماسیون و رباتیک شکاف نیروی کار را از بین نمیبرند؛ آن را بازتعریف میکنند
اتوماسیون اغلب بهعنوان راهحل کمبود نیروی کار در تولید مطرح میشود. از دیدگاه مهندسی، این فرض ناقص است. رباتها، رباتهای همکار، بینایی ماشین، پلتفرمهای خودکار و سیستمهای کنترل مجهز به هوش مصنوعی میتوانند وظایف تکراری را حذف کنند، اما در عین حال نیازهای جدیدی برای راهاندازی، برنامهنویسی، نگهداری، عیبیابی، بهینهسازی فرایند، امنیت سایبری و آموزش اپراتورها ایجاد میکنند.
وقتی یک عملیات دستی خودکار میشود، مشکل نیروی کار از بین نمیرود. در عوض، مشخصات مهارتی موردنیاز تغییر میکند.
اتوماسیون وظایف را حذف میکند، نه مسئولیت را
اتوماسیون صنعتی دهههاست که تولید را متحول میکند. از زمان معرفی Unimate در خط تولید جنرال موتورز در سال ۱۹۶۱، سیستمهای رباتیک بهتدریج جوشکاری، جابهجایی مواد، مونتاژ، بستهبندی، بازرسی و دیگر عملیات تکراری را بر عهده گرفتهاند.
سیستمهای امروزی بسیار پیشرفتهتر هستند. رباتها میتوانند با سیستمهای بینایی، حسگرهای نیرو، ناوبری خودکار، یادگیری ماشین و معماریهای نرمافزاری هرچه پیچیدهتر کار کنند. بااینحال، هر سلول خودکار همچنان به افرادی نیاز دارد که فرایند را درک کنند، تجهیزات را پیکربندی کنند، سختافزار را نگهداری کنند، اطلاعات تشخیصی را تفسیر کنند و پس از بروز شرایط غیرعادی، سیستم را بازیابی کنند.
این تمایز مهم است.
یک ربات میتواند بدون دخالت انسان توالی تولید را اجرا کند، اما سیستم تولید پیرامون آن ربات همچنان به دانش مهندسی وابسته است. برنامههای PLC، مدارهای ایمنی، درایوهای سروو، شبکههای صنعتی، حسگرها، HMIها، رباتها و تجهیزات فرایندی باید بهعنوان یک سیستم یکپارچه عمل کنند.
گلوگاه واقعی نیروی کار در حال انتقال به بخشهای بالادستی است
تولیدکنندگان هنگام ارزیابی پروژههای اتوماسیون، اغلب بر کاهش نیاز به اپراتور تمرکز میکنند. پرسش دشوارتر این است که پس از نصب چه اتفاقی میافتد.
یک خط خودکار میتواند تعداد افراد موردنیاز برای انجام عملیات تکراری را کاهش دهد، در حالی که نیاز به تکنسینهایی را افزایش میدهد که بتوانند خطاها را در چندین لایه کنترلی عیبیابی کنند.
توقف تولید ممکن است از خرابی حسگر مجاورتی، وضعیت نادرست PLC، پایان مهلت ارتباط، خطای سروو، وضعیت اینترلاک، فعالشدن کنترلر ایمنی یا یک مشکل مکانیکی ناشی شود. شناسایی علت ریشهای واقعی به دانش در سطح سیستم نیاز دارد، نه صرفاً مهارت کار با تجهیزات.
به همین دلیل، مهندسی نگهداری و مهندسی کنترل روزبهروز اهمیت بیشتری پیدا میکنند.
فردی که یک خط تولید خودکار را در حال کار نگه میدارد، ممکن است لازم باشد نقشههای الکتریکی، منطق PLC، اترنت صنعتی، کنترل حرکت، ابزار دقیق، سیستمهای ایمنی، رباتیک و رابطهای مکانیکی را درک کند. یافتن چنین ترکیبی از مهارتها بسیار دشوارتر از یافتن یک اپراتور تولید سنتی است.
اتوماسیون بیشتر میتواند مشاغل تخصصی بیشتری ایجاد کند
این فرض رایج است که اتوماسیون مستقیماً اشتغال را کاهش میدهد. در عمل، این تأثیر تا حد زیادی به نحوه بهکارگیری فناوری توسط تولیدکنندگان بستگی دارد.
یک تأسیسات با سطح بالای اتوماسیون ممکن است برای عملیات دستی تکراری به نیروی انسانی کمتری نیاز داشته باشد، اما همزمان موقعیتهای شغلی بیشتری در مهندسی کنترل، رباتیک، نگهداری ماشینآلات، مهندسی فرایند، یکپارچهسازی سیستمها، تحلیل داده و آموزش فنی ایجاد کند.
از دیدگاه مهندسی، این موضوع تناقضی ندارد.
اتوماسیون نحوه توزیع کار انسانی را تغییر میدهد. مداخله دستی کاهش مییابد، در حالی که مسئولیت فنی افزایش پیدا میکند.
چالش این است که این موقعیتهای شغلی جدید را همیشه نمیتوان صرفاً با آموزش مجدد چندساعته یک اپراتور پر کرد. عیبیابی یک سیستم کنترل صنعتی به تجربه عملی، روشهای تشخیص ساختاریافته و آشنایی با تعامل میان سختافزار و نرمافزار نیاز دارد.
قابلیت نگهداری باید در خود سیستم اتوماسیون طراحی شود
تولیدکنندگان باید قابلیت نگهداری را بهعنوان یک الزام مهندسی در نظر بگیرند، نه موضوعی که بعداً به آن پرداخته شود.
اگر کارکنان نگهداری نتوانند یک سیستم اتوماسیون را بهطور مؤثر عیبیابی کنند، پیشرفتهبودن فنی آن لزوماً به معنای مناسببودنش برای تولید نیست.
در طول طراحی سیستم، مهندسان باید قابلیت مشاهده وضعیت عیبیابی، شناسایی خطا، نیازمندیهای قطعات یدکی، دسترسی به اجزای الکتریکی، پایش شبکه، مدیریت هشدارها، رویههای پشتیبانگیری و مستندات نگهداری را در نظر بگیرند.
برنامههای PLC باید شامل تگهای معنادار و منطق عیبیابی ساختاریافته باشند. رابطهای کاربری ماشین (HMI) باید بهجای پیامهای هشدار عمومی، اطلاعات مفیدی درباره خطا ارائه دهند. معماریهای شبکه باید امکان شناسایی خرابیهای ارتباطی را فراهم کنند. سیستمهای ایمنی باید اطلاعات تشخیصی مناسب ارائه دهند، بدون اینکه کاربران را به روشهای ناایمنِ دور زدن سیستم ترغیب کنند.
این تصمیمها مستقیماً بر زمان ازکارافتادگی تأثیر میگذارند.
سیستمی که در هر رویداد عیبیابی چند ثانیه صرفهجویی کند، در طول هزاران چرخه تولید میتواند دستاوردهای عملیاتی قابلتوجهی ایجاد کند. بنابراین، تلاش مهندسی صرفشده برای عیبیابی و قابلیت تعمیر و نگهداری میتواند بهاندازه افزودن قابلیتهای بیشتر به اتوماسیون ارزشمند باشد.
آموزش را نمیتوان از مهندسی اتوماسیون جدا کرد
آموزش اغلب بهعنوان مرحله نهایی پروژه اتوماسیون در نظر گرفته میشود. این رویکرد مشکلات غیرضروری ایجاد میکند.
اپراتورها و تکنسینها باید از ابتدای پروژه بهعنوان کاربران سیستم در نظر گرفته شوند. الزامات آموزشی آنها باید بر طراحی HMI، ساختار هشدارها، رویههای تعمیر و نگهداری، مستندسازی و فعالیتهای راهاندازی اثر بگذارد.
آموزش مؤثر باید به پرسشهای عملی پاسخ دهد.
وضعیت عادی دستگاه چگونه است؟ اپراتور چگونه میتواند مشکل فرایند را از خرابی تجهیزات تشخیص دهد؟ کدام هشدارها به مداخله فوری نیاز دارند؟ چه زمانی باید با کارکنان تعمیر و نگهداری تماس گرفت؟ تکنسینها چگونه میتوانند تشخیص دهند که منشأ مشکل حسگر، PLC، شبکه، درایو یا تجهیزات مکانیکی است؟
این پرسشها ارزشمندتر از آن هستند که صرفاً به کارکنان آموزش دهیم دکمهها را کجا فشار دهند.
بهترین تکنسین همیشه بهترین مربی نیست
تولیدکنندگان اغلب مسئولیت آموزش را به باتجربهترین کارمند واگذار میکنند. این کار ممکن است مؤثر باشد، اما شایستگی فنی و توانایی آموزش دو قابلیت متفاوت هستند.
یک تکنسین باتجربه ممکن است پس از سالها کار با دستگاهی خاص، خطا را بهصورت شهودی تشخیص دهد. اما تکنسین جدید به روشی تکرارپذیر نیاز دارد که توضیح دهد چرا هر مرحله عیبیابی انجام میشود.
بنابراین، آموزش مؤثر صنعتی باید تجربه فردی را به رویههای مستند تبدیل کند.
درختهای عیبیابی، نقشههای الکتریکی، نمونههای عیبیابی PLC، سوابق هشدارها، چکلیستهای تعمیر و نگهداری، تمرینهای شبیهسازی و سناریوهای خطای کنترلشده میتوانند به تبدیل دانش مستندسازینشده به دانش قابلانتقال کمک کنند.
این موضوع بهویژه زمانی اهمیت دارد که کارکنان باتجربه بازنشسته میشوند یا به نقشهای دیگری منتقل میشوند. اگر دانش حیاتی عیبیابی فقط در حافظه یک فرد وجود داشته باشد، تولیدکننده با ریسک عملیاتی قابلتوجهی مواجه است.
پروژههای اتوماسیون باید شامل معماری مهارتها باشند
یکی از روشهای مفید برای توسعه نیروی کار، نگاشت مستقیم مهارتهای فنی به معماری اتوماسیون است.
برای مثال، یک اپراتور ممکن است به کاربری پایه HMI، تفسیر هشدارها و روشهای بازیابی ایمن نیاز داشته باشد. یک تکنسین نگهداری ممکن است به مهارتهای عیبیابی الکتریکی، تشخیص وضعیت حسگرها، کنترل موتور و پیکربندی درایو نیاز داشته باشد. یک تکنسین کنترل ممکن است به تواناییهای برنامهنویسی PLC، شبکهسازی صنعتی، کنترل حرکت و عیبیابی ساختاریافته نیاز داشته باشد.
مهندسان ارشد ممکن است علاوه بر این، به مهارتهایی در معماری سیستم، امنیت سایبری، یکپارچهسازی داده، بهینهسازی فرایند و مدیریت چرخه عمر نیاز داشته باشند.
این رویکرد، آموزش را قابلاندازهگیری میکند.
بهجای پرسیدن اینکه آیا کارکنان دورهای را گذراندهاند، تولیدکنندگان میتوانند ارزیابی کنند که آیا کارکنان قادرند وظایف فنی مشخص را بهطور مستقل و در زمان و نرخ خطای قابلقبول انجام دهند یا نه.
تولید با تنوع بالا معادله اتوماسیون را تغییر میدهد
چالش نیروی کار در تولید با تنوع بالا و حجم پایین، پیچیدهتر نیز میشود.
تولید با حجم بالا میتواند اتوماسیون بسیار تخصصی را توجیه کند، زیرا همان توالی ممکن است هزاران یا میلیونها بار اجرا شود. تولید سفارشی با تغییرات مکرر محصول، ابزار، دستور ساخت، الزامات بازرسی و تنظیمات فرایند همراه است.
در این محیطها، انعطافپذیری میتواند از حداکثر اتوماسیون ارزشمندتر باشد.
یک سیستم کاملاً خودکار که هر بار با تغییر محصول به مداخله گسترده مهندسی نیاز دارد، ممکن است ارزش عملی کمتری از یک سیستم نیمهخودکار داشته باشد که تکنسینها بتوانند آن را بهسرعت بازپیکربندی کنند.
در اینجا تخصص انسانی همچنان ارزش ویژهای دارد.
بنابراین، تولیدکنندگان باید اتوماسیون را بر اساس اقتصاد کل فرایند ارزیابی کنند، نه تعداد رباتها. زمان تعویض، تلاش مهندسی، الزامات نگهداری، پیچیدگی برنامهنویسی، الزامات کیفیت و انعطافپذیری اپراتور، همگی باید در محاسبات لحاظ شوند.
هوش مصنوعی نیاز به قضاوت مهندسی را افزایش خواهد داد
اتوماسیون مبتنی بر هوش مصنوعی این معادله را بیشازپیش تغییر خواهد داد.
هوش مصنوعی میتواند به شناسایی الگوها در دادههای ماشین، تشخیص رفتار غیرعادی، پشتیبانی از نگهداری پیشبینانه، بهینهسازی پارامترهای تولید و کمک به تکنسینها در عیبیابی کمک کند. بااینحال، هوش مصنوعی نیاز به قضاوت مهندسی را از بین نمیبرد.
یک سیگنال ارتعاشی غیرعادی همچنان به فردی نیاز دارد که ماشین را درک کند. یک انحراف غیرمنتظره در فرایند نیز همچنان به فردی نیاز دارد تا مشخص کند علت، ابزار دقیق، منطق کنترل، تجهیزات مکانیکی، تغییرات مواد یا شرایط فرایند است.
هوش مصنوعی میتواند زمان لازم برای یافتن اطلاعات را کاهش دهد، اما بهطور خودکار مسئولیت تصمیم نهایی مهندسی را بر عهده نمیگیرد.
به همین دلیل، سازمانهای تولیدی آینده به افرادی نیاز خواهند داشت که هم سامانههای صنعتی و هم فناوریهای دیجیتال را درک کنند.
راهبرد نیروی کار باید همراه با راهبرد کنترل تغییر کند
تولیدکنندگان باید سرمایهگذاری در اتوماسیون و توسعه نیروی کار را بهعنوان برنامههایی جداگانه تلقی نکنند.
وقتی کارخانه رباتها، تجهیزات تحت کنترل PLC، بازرسی بینایی، جابهجایی خودکار مواد یا سامانههای پیشرفته حرکت را اضافه میکند، نیازمندیهای نیروی کار آن بلافاصله تغییر میکند. بنابراین، برنامههای آموزشی باید همزمان با معماری اتوماسیون تدوین شوند.
مؤثرترین کارخانهها احتمالاً سه عنصر را ترکیب خواهند کرد: اتوماسیون برای کارهای تکراری، سامانههای مهندسی با قابلیتهای قدرتمند عیبیابی، و آموزش ساختاریافتهای که قابلیت فنی مرتبط با این سامانهها را توسعه دهد.
این امر، مدل عملیاتی پایدارتری ایجاد میکند.
اتوماسیون را نباید فقط بر اساس تعداد وظایف دستی حذفشده سنجید. اثربخشی نیروی کار باقیمانده در بهرهبرداری، نگهداری، عیبیابی و بهبود سامانه خودکار نیز باید سنجیده شود.
مزیت بعدی تولید، قابلیت فنی خواهد بود
نیروی کار تولیدی در دهه آینده با نیروی کار دهه گذشته متفاوت خواهد بود.
رباتها همچنان توانمندتر خواهند شد. رباتهای همکار وارد کاربردهایی خواهند شد که پیشتر به نیروی کار دستی نیاز داشتند. هوش مصنوعی بهطور فزاینده به بازرسی، نگهداری، زمانبندی و بهینهسازی فرایند کمک خواهد کرد. سامانههای متحرک خودران، بخش بیشتری از لجستیک داخلی را بر عهده خواهند گرفت.
هیچیک از این تحولات نیاز به افراد ماهر را از بین نمیبرد.
در عوض، آنها سطح فنی افرادی را که مسئول کارخانه هستند، ارتقا میدهند.
تولیدکنندگانی که بیشترین بهره را از اتوماسیون میبرند، لزوماً آنهایی نیستند که بیشترین تعداد ربات را نصب میکنند. آنها سازمانهایی خواهند بود که بتوانند اتوماسیون را با معماریهای کنترلی قابلنگهداری، عیبیابی عملی، انتقال ساختاریافته دانش و توسعه مستمر نیروی کار یکپارچه کنند.
بنابراین، مشکل فوری نیروی کار صرفاً کمبود افراد نیست.
این کمبود، کمبود افرادی با قابلیتهای فنی مناسب برای سامانههای صنعتی هرچه پیچیدهتر است.
رباتها در حال تغییر کار هستند. تولیدکنندگان باید شیوه پرورش افرادی را که آنها را راهاندازی و نگهداری میکنند، تغییر دهند.
