Cortergy Industrial

راهکارهای صنعتی

تجهیزات و راهکارهای صنعتی برای نیروگاه‌ها، پست‌های برق و خطوط تولید؛ سخت‌افزار، ابزار دقیق و پروژه‌های اجرایی.

تجهیزات صنعتیپروژه‌ها

تجهیزات صنعتی و پروژه‌های اجراشده این بخش را مرور کنید.

// راهکارهای مهندسی

فعالیت‌های ما در صنعت هوشمند

سه محور تخصصی که در آن‌ها دانش فرآیند، شبیه‌سازی مهندسی و هوش مصنوعی را کنار هم می‌گذاریم تا عملکرد واقعی تجهیزات صنعتی بهتر شود؛ از طراحی قطعه تا کنترل لحظه‌ای و نگهداری.

AI-Driven Process Control

کنترل و فرمان هوشمند فرآیند با هوش مصنوعی و یادگیری ماشین

حلقه‌های کنترل کلاسیک را با مدل‌های داده‌محور ارتقا می‌دهیم تا تجهیزات صنعتی — از بویلر و چیلر تا کمپرسور، پمپ و شبکه‌ی بخار — پایدارتر، دقیق‌تر و با مصرف انرژی کمتر کار کنند. خروجی کار ما کنترلری است که روی PLC و سیستم کنترل موجود شما سوار می‌شود، نه یک گزارش روی کاغذ.

در بسیاری از واحدهای صنعتی، کنترلرهای PID با تنظیمات کارخانه یا تجربی کار می‌کنند و در برابر تغییر بار، کیفیت سوخت، دمای محیط یا فرسایش تجهیز واکنش بهینه ندارند. نتیجه‌ی این وضعیت نوسان متغیرهای فرآیند، مصرف انرژی اضافه و استهلاک زودهنگام عملگرها و شیرهای کنترلی است.

رویکرد ما ترکیب دانش فرآیند با مدل‌های یادگیری ماشین است. ابتدا از داده‌های تاریخی SCADA و سنسورها یک مدل دینامیکی از فرآیند می‌سازیم؛ سپس بر پایه‌ی آن کنترل پیش‌بین مبتنی بر مدل (MPC)، تنظیم خودکار و تطبیقی PID یا سیاست‌های کنترلی مبتنی بر یادگیری تقویتی طراحی می‌کنیم. پیش از هر تغییری روی تجهیز واقعی، کنترلر در محیط شبیه‌سازی و بعد در حالت «مشاوره‌ای» در کنار اپراتور آزموده می‌شود.

ایمنی و قابلیت اطمینان همیشه در اولویت است: کنترلر هوشمند فقط درون محدوده‌های مجاز و قفل‌های ایمنی تعریف‌شده در PLC عمل می‌کند و اگر داده خطا داشته باشد یا ارتباط قطع شود، خودکار به کنترل کلاسیک برمی‌گردد.

مدل هوش مصنوعی + MPCPLCقفل‌های ایمنیFCV-101فرآیندFTPTTT
طرحواره‌ی حلقه‌ی کنترل هوشمند: سنسورها (TT، PT، FT) داده را به مدل یادگیری ماشین می‌دهند و کنترلر پیش‌بین فرمان شیر کنترلی را از طریق PLC صادر می‌کند.

معماری راهکار · حلقه‌ی کنترل هوشمند

  1. سنسورها و SCADAدما، فشار، دبی، بار
  2. مدل یادگیری ماشینپیش‌بینی رفتار فرآیند
  3. کنترلر پیش‌بینMPC / PID تطبیقی
  4. PLC و عملگرهاشیر، VFD، مشعل
  5. فرآیندبویلر، چیلر، کمپرسور

بازخورد لحظه‌ای از فرآیند به مدل

نمودارهای عملکرد

پاسخ دمای خروجی به تغییر نقطه‌ی تنظیم و اغتشاش بار

مقایسه‌ی PID کلاسیک و کنترل پیش‌بین هوشمند (نمونه‌ی شبیه‌سازی‌شده)

  • کنترل پیش‌بین هوشمند
  • PID کلاسیک
  • نقطه‌ی تنظیم
۵۵۶۰۶۵۷۰۷۵۸۰۸۵۹۰۰۲۰۴۰۶۰۸۰۱۰۰۱۲۰۱۴۰۱۶۰زمان (ثانیه)دمای خروجی (°C)اغتشاش بار
نمایش داده‌ها به‌صورت جدول
زمان (ثانیه)کنترل پیش‌بین هوشمندPID کلاسیکنقطه‌ی تنظیم
۰۶۰۶۰۶۰
۲۰۷۰٫۱۶۹٫۳۸۰
۴۰۷۹٫۷۸۴٫۱۸۰
۶۰۸۰۷۹٫۷۸۰
۸۰۸۰۷۹٫۶۸۰
۱۰۰۷۹٫۲۷۴۸۰
۱۲۰۸۰۸۱٫۷۸۰
۱۴۰۸۰۷۹٫۷۸۰
۱۶۰۸۰۷۹٫۹۸۰

فرمان شیر کنترلی در همان آزمون

حرکت نرم‌تر عملگر یعنی استهلاک کمتر و مصرف انرژی پایدارتر

  • کنترل پیش‌بین هوشمند
  • PID کلاسیک
۰۲۰۴۰۶۰۸۰۱۰۰۰۲۰۴۰۶۰۸۰۱۰۰۱۲۰۱۴۰۱۶۰زمان (ثانیه)بازشدگی شیر (%)اغتشاش بار
نمایش داده‌ها به‌صورت جدول
زمان (ثانیه)کنترل پیش‌بین هوشمندPID کلاسیک
۰۴۰۴۰
۲۰۶۱۷۴
۴۰۶۵۵۸
۶۰۶۵۶۷
۸۰۶۵۶۵
۱۰۰۷۴۸۰
۱۲۰۷۷۷۳
۱۴۰۷۷۷۸
۱۶۰۷۷۷۷

نمودارها نمونه‌های شبیه‌سازی‌شده برای نمایش رفتار معمول هستند، نه داده‌ی یک پروژه‌ی مشخص.

آنچه انجام می‌دهیم

۰۱
کنترل پیش‌بین مبتنی بر مدل (MPC)

پیش‌بینی رفتار فرآیند در چند گام آینده و بهینه‌سازی هم‌زمان چند متغیر با رعایت قیدهای فرآیندی.

۰۲
تنظیم خودکار و تطبیقی PID

شناسایی سیستم از روی داده‌های بهره‌برداری و به‌روزرسانی ضرایب کنترلر با تغییر شرایط کاری.

۰۳
سنسورهای نرم (Soft Sensors)

تخمین لحظه‌ای متغیرهایی که اندازه‌گیری مستقیمشان گران یا کند است، مثل راندمان احتراق یا کیفیت محصول.

۰۴
یادگیری تقویتی برای فرمان

آموزش سیاست کنترلی در محیط شبیه‌سازی‌شده و انتقال کنترل‌شده و امن آن به فرآیند واقعی.

۰۵
بهینه‌سازی نقطه‌ی تنظیم

تعیین بهترین نقاط کاری بر اساس بار، تعرفه‌ی انرژی و شرایط محیطی، به‌صورت خودکار و پیوسته.

۰۶
یکپارچه‌سازی با PLC و SCADA

اتصال از طریق OPC UA، Modbus و MQTT بدون نیاز به تعویض سخت‌افزار موجود.

مشخصات فنی

چرخه‌ی کنترل
۱۰۰ میلی‌ثانیه تا ۵ ثانیه، بسته به دینامیک فرآیند
پروتکل‌های ارتباطی
OPC UA، Modbus TCP/RTU، MQTT؛ Profinet از طریق گیت‌وی
محل اجرا
کامپیوتر صنعتی Edge کنار PLC یا سرور داخلی؛ بدون وابستگی به اینترنت
داده‌ی مورد نیاز
داده‌ی تاریخی SCADA یا Historian، ترجیحاً ۳ تا ۶ ماه
ایمنی
اجرا درون محدوده‌ها و قفل‌های PLC؛ بازگشت خودکار به PID در صورت خطا
به‌روزرسانی مدل
دوره‌ای یا خودکار با پایش افت دقت مدل
رابط اپراتور
صفحات HMI و داشبورد وب با حالت‌های مشاوره‌ای، خودکار و دستی

نتایج معمول

۵–۱۵٪کاهش مصرف انرژی در حلقه‌های حرارتی و برودتی
۳۰–۶۰٪کاهش نوسان متغیرهای کلیدی فرآیند
۲۰–۴۰٪کوتاه‌تر شدن زمان نشست پس از تغییر بار
۱۰–۳۰٪کاهش حرکات غیرضروری عملگرها و شیرها

بازه‌های معمولی که در گزارش‌های صنعتی و منابع علمی برای این نوع پروژه‌ها آمده است؛ نتیجه‌ی هر پروژه به شرایط فرآیند و داده‌ها بستگی دارد.

روش اجرای پروژه

  1. ۰۱ممیزی و جمع‌آوری داده

    بررسی حلقه‌های کنترل موجود، کیفیت داده‌ها و شناسایی بیشترین فرصت‌های بهبود.

  2. ۰۲مدل‌سازی فرآیند

    ساخت مدل دینامیکی ترکیبی (فیزیکی + داده‌محور) و اعتبارسنجی آن با داده‌های واقعی.

  3. ۰۳طراحی و شبیه‌سازی کنترلر

    طراحی MPC یا PID تطبیقی و آزمون آن در سناریوهای مختلف بار و اغتشاش.

  4. ۰۴استقرار مرحله‌ای

    اجرا در حالت مشاوره‌ای، سپس حلقه‌ی بسته با محدودیت‌ها و قفل‌های ایمنی.

  5. ۰۵پایش و بهبود مستمر

    داشبورد عملکرد، مقایسه‌ی قبل و بعد و به‌روزرسانی دوره‌ای مدل‌ها.

کاربردها

  • بویلر و شبکه‌ی بخار
  • چیلر و برج خنک‌کن
  • تهویه مطبوع ساختمان‌های بزرگ
  • کمپرسورهای هوا و گاز
  • ایستگاه‌های پمپاژ
  • کوره‌ها و مبدل‌های حرارتی
  • خطوط تولید و فرآیندهای دسته‌ای
  • نیروگاه‌های تجدیدپذیر و ذخیره‌سازی

ابزارها و فناوری‌ها

  • Python
  • PyTorch / TensorFlow
  • MPC (CasADi / do-mpc)
  • System Identification
  • Reinforcement Learning
  • OPC UA
  • Modbus TCP
  • MQTT
  • Siemens / Schneider PLC
  • SCADA / HMI

پروژه‌ای در این زمینه دارید؟

شرح فرآیند یا تجهیزتان را برای ما بفرستید؛ امکان‌سنجی اولیه، داده‌های لازم و مسیر پیشنهادی را با شما بررسی می‌کنیم.

درخواست مشاورهتجهیزات صنعتی
از من بپرس