صنایع تولیدی در آستانه انقلاب اتوماسیون قرار دارند. تولیدکنندگان با ترکیب ماهرانه فناوری‌های نوآورانه مانند یادگیری ماشین، سیستم‌های پردازش تصویر، و اتصال اینترنت با سرعت بالا، می‌توانند به بسیاری از موانع قدیمی چیره شوند و به آرزوی خود، یعنی یک کارخانه با اتوماسیون بسیار بالا برسند.
فناوری اتوماسیونی که هم‌اکنون در بیشتر کارخانه‌ها به کار می‌رود محدودیت‌های شدیدی دارد. ربات‌ها می‌توانند کارهای تکراری و قابل پیش‌بینی را انجام دهند، اما در انجام دادن کارهای پیچیده‌تر مانند مدیریت کابل‌ها یا همکاری با انسان‌ها در بالاترین سرعت، دچار محدودیت هستند و این محدودیت‌ها میان سطح کنونی تولید با سطحی که از نظر فنی و مالی امکان‌پذیر است، اختلاف ایجاد می‌کند (شکل 1 را ببینید.)
به تازگی یک پژوهش BCG نشان داد که کاهش این فاصله می‌تواند باعث افزایش توان و کیفیت کار بشود و هزینه تبدیل را تا 25 درصد کاهش دهد.
روی آوردن به سیستم‌های مکاترونیک، مانند ربات‌ها، بخشی از راه‌حل است. تولیدکنندگان باید محصولات، سازمان‌ها و سیستم‌های فناوری اطلاعات خود را تغییر بدهند تا به سطوح بالاتر اتوماسیون برسند. یک رویکرد جامع به این ترتیب است که ابتدا، کاربردهای با ارزش بالا شناسایی شده و در اولویت قرار بگیرند، و راه‌حل‌های فنی و انگیزه‌های تجاری با جزئیات کامل تعریف بشوند. تولیدکنندگان سپس می‌توانند تصویر اتوماسیون پیشرفته را بسازند که در آن از فناوری‌های نوآورانه با هدف افزایش کیفیت یا بیشترین صرفه‌جویی در هزینه تبدیل استفاده می‌شود. یک رویکرد چابک، هم‌گرا و کاربردی برای پیاده‌سازی این ابتکارات در سیستم‌ها ضروری است.
محدودیت‌های فناوری‌های رایج
از اواخر دهه 1960، اتوماسیون کارخانه‌ها مبتنی بر کنترل‌گرهای منطقی برنامه‌پذیر (PLC) بوده است که برنامه‌های قابل تنظیم و ورودی‌های قابل اندازه‌گیری را به ماشین‌های کنترل‌کننده می‌دادند. پی‌ال‌سی‌ها برای اتوماسیون فرایندهای تکراری که تغییرات زیادی ندارند، بسیار مفید هستند، اما در پیکربندی استانداردشان، نمی‌توانند خود را با رویدادهای پیش‌بینی‌نشده تنظیم کنند یا با همه حالات مختلف بصورت خودکار سازگار بشوند، چون این کنترل‌گرهای متعارف از برنامه‌نویسی ایستا استفاده می‌کنند و رویکردشان به اتوماسیون، برنامه‌نویسی مبتنی بر قواعد است.
برنامه‌نویسان تلاش می‌کنند که همه وضعیت‌هایی که یک ماشین (مثلا یک ربات) با آن روبرو می‌شود را مدل کنند و مجموعه‌ای از قواعد تعریف کنند تا ماشین در مقابله با این وضعیت‌ها از آنها استفاده کند. این قواعد می‌توانند در محیط‌هایی که تغییرات چندانی ندارند یا همه چیز به‌وضوح تعریف شده به کار بیایند، ولی نمی‌توانند همه وضعیت‌های دنیای واقعی را در بر بگیرند. در نتیجه، اگر یک ماشین به وضعیتی برخورد کند که نیاز داشته باشد رفتاری خارج از رفتار برنامه‌ریزی‌شده داشته باشد، وارد حالت غیر قابل پیش‌بینی شده و تولید متوقف می‌شود، درنتیجه برنامه‌نویسان باید قواعد را با وضعیت جدید سازگار کنند، یا امیدوار باشند که آن شرایط دیگر تکرار نشود.
جهش با پیشرفت‌های فناوری
شش پیشرفت اخیر فناوری باعث می‌شود که تولیدکنندگان به موانع غلبه کنند و به سطح بالاتری از اتوماسیون برسند. بسیاری از اینها ابتدا برای مصرف‌کنندگان طراحی شده بودند و حالا با تغییرات کارکردی برای استفاده صنعتی آماده شده‌اند.
هوش مصنوعی و یادگیری ماشین
هوش مصنوعی و یادگیری ماشین این امکان را فراهم می‌کند که داده‌ها را از حس‌گرها (مانند سیستم‌های بینایی) بگیریم و مدل‌های رایانه‌ای را برنامه‌ریزی کنیم تا ربات‌ها را کنترل کنند. پیشرفت‌های اخیر، مانند یادگیری بدون نظارت، بصورت بالقوه میزان داده‌های آموزشی مورد نیاز برای ساخت مدل‌های با کیفیت بالا را کاهش می‌دهد و زمان و میزان تلاش مورد نیاز برای جمع‌آوری داده‌ها را کم می‌کند.
شبیه‌سازی
محیط‌های شبیه‌سازی جدید، از موتورهای فیزیکی واقع‌گرایانه استفاده می‌کنند تا مدل‌های هوش مصنوعی و یادگیری ماشین مورد استفاده برای حرکت‌های رباتیک را آموزش دهند (که در اصل برای بازی‌های ویدیویی و فیلم‌ها طراحی شده بودند). با این روش می‌توانیم میلیون‌ها حالت مختلف محیطی را شبیه‌سازی کنیم و سرعت توسعه راه‌حل‌های هوش مصنوعی و یادگیری ماشین را شتاب بدهیم و همزمان دقت را بالا ببریم.
ابر
ابر، یک محیط آموزش مرکزی برای مدل‌های هوش مصنوعی و یادگیری ماشین فراهم می‌آورد و اجازه می‌دهد که برنامه‌های کنترل در سراسر ایستگاه‌های رباتیک، مقیاس‌پذیری و استقرار سریعی داشته باشند. ابر همچنین اطلاعات را بصورت مرکزی و به‌روز نگه می‌دارد (مانند داده‌های مرتبط با مراحل عملیاتی پیشین) و این اطلاعات از هر جای کارخانه قابل دسترسی است. ابزارهای مجازی هم از طریق ابر قابل دسترسی هستند، از جمله همزادهای دیجیتالی که اطلاعات خاصی درباره همه محصولات دارند؛ مانند سطح تحملی که تجهیزات در هر مرحله تولید دارند.
افزون بر این، رایانش ابری این امکان را می‌دهد که حجم زیادی از محاسبات انعطاف‌پذیر و مقیاس‌پذیر نیازمند توان پردازشی بالا انجام شود. خوشه‌های رایانشی را می‌توان در عرض چند دقیقه با هزاران گره راه‌اندازی کرد. هزینه کل این محاسبات کسری از هزینه محاسبات به روش سنتی است.
لبه
سیستم‌های لبه (که نزدیک به دستگاه‌های کارخانه هستند) داده‌ها را گردآوری می‌کنند، امکان ارتباط دوطرفه برای جریان داده‌ها بین کارخانه و ابر را فراهم می‌آورند، و حس‌گرها را به هم وصل می‌کنند. این سیستم‌ها همچنین الگوریتم‌ها را هم (بصورت سورس کد) بر روی دستگاه‌های کارخانه اجرا می‌کنند، و از تاخیر می‌کاهند و اتکاپذیری را بهبود می‌بخشند. مدیریت این سیستم‌ها از طریق ابر باعث تسهیل در استفاده و استقرار سورس کد می‌شود. قابلیت‌های لبه به تولیدکنندگان این امکان را می‌دهد که عناصر معماری شبکه را حفظ کنند و فناوری‌های منسوخ را کنار بگذارند.
سیستم روی تراشه (SoC)
«سیستم روی تراشه» یا به عبارت دیگر SoC، ریزتراشه‌ای که همه مدارهای الکترونیکی و اجزای لازم برای یک سیستم را دارد .
یک SoC، کارایی بالا، توان بالای مدیریت برق و امنیت یکپارچه را به ارمغان می‌آورد. از این سیستم می‌توانیم در دستگاه‌های لبه و همین‌طور در حس‌گرها و محرک مکانیکی بهره بگیریم. SoC در ترکیب با فناوری مدرن مجازی‌سازی، می‌تواند مدل‌های هوش مصنوعی و یادگیری ماشین، رابط‌های کاربری گرافیکی، و عملکردهای لبه را اجرا کند. این باعث می‌شود تغییری عمده از سمت سخت‌افزار به سمت PLCهای مجازی و تعریف‌شده از سوی نرم‌افزار به وجود بیاید.
یک «سیستم روی تراشه» این امکان را فراهم می‌آورد که PLCها با رابط‌های کاربری انسان و ماشین یکپارچه‌سازی شوند، و انتقال کارآمد داده‌ها سریع‌تر شود، هزینه‌ها کاهش یابد، و عملکرد ارتقا پیدا کند.
5G و WiFi 6
فناوری‌های پیشرفته شبکه ارتباطی مانند 5G و WiFi 6، می‌توانند گستره‌ای از دستگاه‌های حساس به زمان (مانند حس‌گرها) را بصورت اتکاپذیر و امن به کارخانه وصل کنند. برای اتوماسیون، به شبکه حساس به زمان نیاز هست تا اطمینان حاصل شود که ربات‌ها داده‌های صحیح را به محض نیاز در اختیار دارند.
