பாலியூரிதேன் (PU) பூச்சுகள் மற்றும் பசைகளின் உற்பத்தி என்பது, நுட்பமான வேதி வினைகளால் கட்டுப்படுத்தப்படும் ஒரு சிக்கலான, பல-கட்ட செயல்முறையாகும். பல்வேறு தொழில்துறைகளில் இந்தப் பொருட்களுக்கான தேவை தொடர்ந்து அதிகரித்து வந்தாலும், அவற்றின் உற்பத்தியானது, பொருளின் தரம், உற்பத்தித் திறன் மற்றும் ஒட்டுமொத்த இலாபம் ஆகியவற்றை நேரடியாகப் பாதிக்கும் பல முக்கிய சவால்களை முன்வைக்கிறது. மேம்பாட்டிற்கான ஒரு உத்திசார்ந்த மற்றும் நடைமுறைச் செயல்திட்டத்தை உருவாக்குவதற்கு, இந்த அடிப்படைச் சிக்கல்களைப் பற்றிய முழுமையான புரிதல் மிகவும் அவசியமாகும்.
1.1. உள்ளார்ந்த வேதியியல் சிக்கல்தன்மை மற்றும் மாறுபாடு: விரைவாகக் குணப்படுத்துவதில் உள்ள சவால்
பாலியூரிதேன் உற்பத்தி என்பது பாலியோல்கள் மற்றும் ஐசோசயனேட்டுகளுக்கு இடையேயான ஒரு பாலிகூட்டு வினையாகும். இந்த செயல்முறை பெரும்பாலும் வேகமானதாகவும், அதிக வெப்ப உமிழ்வு கொண்டதாகவும் இருக்கும். இந்த வினையின் வேகமும், அதனால் உருவாகும் வெப்பமும், அதன் மீது துல்லியமான கட்டுப்பாட்டைச் செலுத்துவதை மிகவும் கடினமாக்குகின்றன. வெப்பநிலை, ஈரப்பதம் மற்றும் வினையூக்கிகளின் இருப்பு போன்ற வெளிப்புறக் காரணிகளுக்கு இந்த வினை காட்டும் உணர்திறனால், அதன் உள்ளார்ந்த சிக்கலானது மேலும் அதிகரிக்கிறது. இந்தச் சுற்றுச்சூழல் நிலைமைகளிலோ அல்லது மூலப்பொருட்களின் அளவிலோ ஏற்படும் சிறிய, கட்டுப்பாடற்ற ஏற்ற இறக்கங்கள், இறுதிப் பொருளின் பதப்படுத்தும் நேரம் மற்றும் இயற்பியல் செயல்திறன் உள்ளிட்ட அதன் பண்புகளில் குறிப்பிடத்தக்க மாறுபாடுகளுக்கு வழிவகுக்கும்.
இந்தச் சூழலில் உள்ள ஒரு அடிப்படைச் சவால், பல விரைவாக இறுகும் PU அமைப்புகளின் "குறுகிய பயன்பாட்டுக் காலம்" ஆகும். வாயு உற்பத்தி மற்றும் PU குறுக்குப்பிணைப்பு ஆகியவற்றின் கால அளவுகள், பாரம்பரியப் பண்புக்கூறு கண்டறியும் முறைகளுடன் பொருந்துவதற்கு பெரும்பாலும் மிகவும் குறைவாக உள்ளன. இது ஒரு மையப் பொறியியல் மற்றும் பொருளாதாரப் பிரச்சனையாகும். உலைக்கலனிலிருந்து ஒரு மாதிரியை எடுத்து, பகுப்பாய்விற்காக ஆய்வகத்திற்குக் கொண்டு செல்வதை உள்ளடக்கிய பாரம்பரியத் தரக்கட்டுப்பாட்டு (QC) நடைமுறைகள், இயல்பாகவே குறைபாடுடையவை. ஆய்வக டைட்ரேஷன் செயல்முறை மெதுவாக உள்ளது, மேலும் முக்கியமாக, மாதிரியானது உலைக்கலனிலிருந்து அகற்றப்பட்டு சுற்றுப்புறச் சூழலுக்கு வெளிப்படும் கணத்திலேயே அதன் வேதியியல் பண்புகள் மாறத் தொடங்குகின்றன. இந்தத் தாமதம், ஆய்வக முடிவுகள் ஏற்கனவே உற்பத்தி செய்யப்பட்ட ஒரு தொகுதியின் பிந்தையப் பகுப்பாய்வாகவே அமைகின்றன என்பதைக் குறிக்கிறது. இந்தத் தரவுகள், தலையிடுவதற்கு மிகவும் தாமதமாக வருவதால், நடவடிக்கை எடுக்க இயலாதவையாக இருப்பது மட்டுமல்லாமல், உற்பத்திக் கலனுக்குள் இருக்கும் பொருளின் நிலையை இனி பிரதிபலிக்காததால், துல்லியமற்றவையாகவும் இருக்கக்கூடும். பாரம்பரிய, தாமதத்தை அடிப்படையாகக் கொண்ட தரக்கட்டுப்பாட்டிற்கும் PU வேதியியலின் வேகமான இயக்கவியலுக்கும் இடையிலான இந்த அடிப்படைப் பொருந்தாமையே, மேம்பட்ட கண்காணிப்பு மற்றும் மாதிரியாக்கம் தீர்க்க வேண்டிய முதன்மைப் பிரச்சனையாகும்.
1.2. தொகுதி சீரற்ற தன்மை மற்றும் குறைபாடு உருவாதலுக்கான மூல காரணங்கள்
தொகுதிக்குத் தொகுதி ஏற்படும் சீரற்ற தன்மையும் குறைபாடுகளின் உருவாக்கமும் தற்செயலான நிகழ்வுகள் அல்ல, மாறாக முக்கியமான செயல்முறை அளவுருக்களைக் கட்டுப்படுத்துவதில் உள்ள துல்லியமின்மையின் நேரடி விளைவாகும். இறுதித் தயாரிப்பானது, செயல்முறை முழுவதும் உள்ள கூறுகளின் விகிதம், கலக்கும் நுட்பம் மற்றும் வெப்பநிலை அமைப்பு ஆகியவற்றைப் பொறுத்து மிகவும் உணர்திறன் கொண்டது. உதாரணமாக, ஒரு முறையற்ற கலவையானது, நிரப்பிகள் அல்லது கடினமாக்கிகள் சீரற்ற முறையில் பரவுவதற்கு வழிவகுத்து, இறுதித் தயாரிப்பிற்குள் "உள்ளமைந்த அழுத்தங்களையும்" குறைபாடுகளையும் ஏற்படுத்தும்.
தரத் தொடர்ச்சியைப் பராமரிப்பதற்கு, மூலப்பொருட்களின் உள்ளீட்டின் துல்லியம், குறிப்பாக ஐசோசயனேட் (NCO) மற்றும் ஹைட்ராக்சில் (OH) குழுக்களின் மோலார் விகிதம், மிகவும் முக்கியமானது. இந்த NCO/OH விகிதமே இறுதிப் பொருளின் பண்புகளை நேரடியாகத் தீர்மானிக்கிறது; இந்த விகிதம் அதிகரிக்கும்போது, இழுவிசை வலிமை, மட்டு மற்றும் கடினத்தன்மை போன்ற முக்கிய இயற்பியல் பண்புகளும் அதிகரிக்கின்றன. இந்த விகிதம் பொருளின் பாகுத்தன்மை மற்றும் பதப்படுத்தும் தன்மையையும் பாதிக்கிறது. வெப்ப சுயவிவரம் போன்ற பிற முக்கியமான செயல்முறை நிலைமைகளும் சம முக்கியத்துவம் வாய்ந்தவை. போதுமான அல்லது சீரற்ற வெப்பமூட்டல், சீரற்ற பதப்படுத்துதலையும் குறிப்பிட்ட இடங்களில் சுருக்கத்தையும் ஏற்படுத்தக்கூடும், அதே நேரத்தில் ஆவியாகும் கூறுகள் திடீரென ஆவியாகி, குமிழ்கள் மற்றும் கறைகளுக்கு வழிவகுக்கும்.
குறைபாட்டின் மூலக் காரணங்களை விரிவாகப் பகுப்பாய்வு செய்யும்போது, துல்லியமான நோயறிதலுக்கு ஒற்றை உணரி அல்லது அளவுரு பெரும்பாலும் போதுமானதாக இல்லை என்பது தெரியவருகிறது. "ஜெல் வரவில்லை அல்லது கெட்டியாகவில்லை" போன்ற ஒரு பிரச்சனை, தவறான கலவை விகிதம், போதுமான வெப்பம் இல்லாமை அல்லது முறையற்ற கலவை ஆகியவற்றால் ஏற்படலாம். இந்தக் காரணங்கள் பெரும்பாலும் ஒன்றுக்கொன்று தொடர்புடையவை. உதாரணமாக, மிகக் குறைந்த வெப்பநிலை கெட்டியாகும் செயல்முறையை மெதுவாக்கும், மேலும் இது மூலப்பொருள் விகிதத்தில் உள்ள சிக்கலாகத் தவறாகக் கண்டறியப்படலாம். மூலக் காரணத்தை உண்மையாகப் புரிந்துகொண்டு அதைச் சரிசெய்ய, பல அளவுருக்களை ஒரே நேரத்தில் அளவிடுவது அவசியம். இதற்கு, பல்வேறு மூலங்களிலிருந்து நிகழ்நேரத் தரவுகளைத் தொடர்புபடுத்தி, அதன் விளைவாக ஏற்படும் அறிகுறிகளிலிருந்து உண்மையான காரணக் காரணியைப் பிரித்தெடுக்கக்கூடிய ஒரு விரிவான உணரித் தொகுப்பு தேவைப்படுகிறது; இது பாரம்பரிய, ஒற்றைப் புள்ளி கண்காணிப்பின் எல்லைக்கு அப்பாற்பட்ட ஒரு பணியாகும்.
1.3. செயல்திறன் குறைபாடுகளின் பொருளாதார மற்றும் சுற்றுச்சூழல் தாக்கம்
பாலியூரிதேன் உற்பத்தியில் உள்ள தொழில்நுட்ப சவால்கள், நேரடியான மற்றும் குறிப்பிடத்தக்க பொருளாதார மற்றும் சுற்றுச்சூழல் பின்விளைவுகளை ஏற்படுத்துகின்றன. பாலியோல்கள் மற்றும் ஐசோசயனேட்டுகள் போன்ற உயர்தர மூலப்பொருட்கள் விலை உயர்ந்தவை, மேலும் விநியோகச் சங்கிலித் தொடர்ச்சியின்மை, கச்சா எண்ணெயைச் சார்ந்திருத்தல் மற்றும் உலகளாவிய தேவை ஆகியவற்றால் அவற்றின் விலைகள் ஏற்ற இறக்கங்களுக்கு உள்ளாகின்றன. ஒரு தொகுதி தயாரிப்புகள் தர விவரக்குறிப்புகளைப் பூர்த்தி செய்யத் தவறும்போது, வீணாகும் மூலப்பொருட்கள் ஒரு நேரடி நிதி இழப்பை ஏற்படுத்துகின்றன, இது இந்த அதிக செலவுகளை மேலும் மோசமாக்குகிறது. செயல்முறை விலகல்களைக் கண்டறிந்து சரிசெய்ய வேண்டியதன் விளைவாக ஏற்படும் திட்டமிடப்படாத செயல்பாடின்மை, மற்றொரு பெரிய நிதிச் சுமையாகும்.
சுற்றுச்சூழல் ரீதியாகப் பார்த்தால், பாரம்பரிய உற்பத்தி முறைகளில் உள்ள செயல்திறன் குறைபாடுகளும் கழிவுகளும் ஒரு குறிப்பிடத்தக்க கவலையாக உள்ளன. பல வழக்கமான பாலியூரித்தேன் பூச்சுகள் கரைப்பான் அடிப்படையிலானவை மற்றும் ஆவியாகும் கரிமச் சேர்ம (VOC) வெளியேற்றங்கள் மூலம் காற்று மாசுபாட்டிற்கு பங்களிக்கின்றன. தொழில்துறைகள் நீர் அடிப்படையிலான மற்றும் குறைந்த VOC மாற்றுகளை அதிகளவில் ஏற்றுக்கொண்டாலும், உயர் செயல்திறன் பயன்பாடுகளில் இவை பெரும்பாலும் அவற்றின் கரைப்பான் அடிப்படையிலான மாற்றுகளின் செயல்திறனுக்கு ஈடாகத் தவறுகின்றன. மேலும், பாரம்பரிய PU உற்பத்தியில் பயன்படுத்தப்படும் மூலப்பொருட்கள் பெட்ரோலியம் சார்ந்தவை, புதுப்பிக்க முடியாதவை மற்றும் மக்கும் தன்மையற்றவை. கழிவுகளாக மாறும் குறைபாடுள்ள பொருட்கள், 200 ஆண்டுகள் வரையிலான காலத்தில் சிதைவடையும்போது, சுற்றுச்சூழலில் தீங்கு விளைவிக்கும் இரசாயனங்களை வெளியிடக்கூடும்.
இந்தப் பொருளாதார மற்றும் சுற்றுச்சூழல் காரணிகளின் ஒருங்கிணைப்பு, டிஜிட்டல்மயமாக்கலுக்கு ஒரு வலுவான வணிக வாய்ப்பை உருவாக்குகிறது. இந்த அறிக்கையில் முன்மொழியப்பட்டுள்ள தீர்வுகளைச் செயல்படுத்துவதன் மூலம், ஒரு நிறுவனம் ஒரே நேரத்தில் செலவுகளைக் குறைக்கவும், லாபத்தை மேம்படுத்தவும், அதன் நிலைத்தன்மைத் தன்மையை வலுப்படுத்தவும் முடியும். தொகுதி முரண்பாடு என்ற தொழில்நுட்பச் சிக்கலை நேரடியாகக் கையாள்வது, நிதி மற்றும் சுற்றுச்சூழல் பிரச்சனைகளைத் தணித்து, ஒரு தொழில்நுட்ப மேம்பாட்டை ஒரு மூலோபாய வணிகத் தேவையாக மாற்றுகிறது.
பாலியூரித்தேனில் உள்ள இலவச ஐசோசயனேட் உள்ளடக்கத்தின் இன்லைன் கண்காணிப்பு
II. மேம்பட்ட நிகழ்நேர கண்காணிப்பு தொழில்நுட்பங்கள்
PU உற்பத்தியின் உள்ளார்ந்த சவால்களைச் சமாளிக்க, பாரம்பரிய ஆய்வக அடிப்படையிலான சோதனையிலிருந்து நிகழ்நேர, உற்பத்தி வரிசைக் கண்காணிப்பிற்கு மாறுவது அவசியமாகும். இந்த புதிய செயல்முறையானது, முக்கிய செயல்முறை அளவுருக்கள் குறித்த தொடர்ச்சியான, செயல்படுத்தக்கூடிய தரவுகளை வழங்கக்கூடிய மேம்பட்ட சென்சார் தொழில்நுட்பங்களின் தொகுப்பைச் சார்ந்துள்ளது.
2.1. இன்லைன் ரியாலஜிக்கல் கண்காணிப்பு
பாகுத்தன்மை மற்றும் அடர்த்தி போன்ற பாய்வியல் பண்புகள், ஒரு பாலியூரிதேன் வினையின் வெற்றிக்கு அடிப்படையானவை. அவை வெறும் இயற்பியல் பண்புகள் மட்டுமல்ல, பாலிமராக்கம் மற்றும் குறுக்குப்பிணைப்பு செயல்முறைகளின் நேரடிக் குறிகாட்டிகளாகவும் செயல்படுகின்றன. இந்த பண்புகளை நிகழ்நேரத்தில் கண்காணிப்பது, செயல்முறையிலேயே பொருத்தப்படும் பாகுமானிகள் மற்றும் அடர்த்திமானிகளைப் பயன்படுத்தி மேற்கொள்ளப்படுகிறது.
போன்ற கருவிகள்Lonnசந்தித்தர்Polyமெர்விஐஎஸ்சிஓமெட்erமற்றும்Visகோசிடைபுரோசெஸ்sorஇவை குழாய்கள் மற்றும் வினைக்கலன்களில் நேரடியாகச் செருகுவதற்காக வடிவமைக்கப்பட்டுள்ளன, இதன் மூலம் ஒரு திரவத்தின் பாகுத்தன்மை, அடர்த்தி மற்றும் வெப்பநிலையைத் தொடர்ச்சியாக அளவிட முடிகிறது. இந்தச் சாதனங்கள் அதிர்வுறும் முள் தொழில்நுட்பம் போன்ற கொள்கைகளின் அடிப்படையில் செயல்படுகின்றன; இது உறுதியானது, நகரும் பாகங்கள் தேவையில்லை, மேலும் வெளிப்புற அதிர்வுகள் மற்றும் ஓட்ட மாறுபாடுகளால் பாதிக்கப்படாது. இந்தத் திறன், பாலிமரைசேஷன் செயல்முறையைக் கண்காணிக்க ஒரு அழிவற்ற, நிகழ்நேர முறையை வழங்குகிறது. உதாரணமாக, NCO/OH மோலார் விகிதம் மற்றும் முனைவுப் பிணைப்புகளின் உருவாக்கம் ஆகியவை பாகுத்தன்மையை நேரடியாகப் பாதிக்கின்றன, இதனால் இது வினையின் முன்னேற்றத்திற்கான ஒரு நம்பகமான அளவீடாக அமைகிறது. பாகுத்தன்மை ஒரு குறிப்பிட்ட வரம்பிற்குள் இருப்பதை உறுதி செய்வதன் மூலம், ஒரு உற்பத்திக் குழு, வினை விரும்பியபடி நடைபெறுகிறதா என்பதை உறுதிப்படுத்தவும், இலக்கு மூலக்கூறு எடை மற்றும் குறுக்குப்பிணைப்பை அடைய சங்கிலி நீட்டிப்பான்களின் சேர்க்கையைக் கட்டுப்படுத்தவும் முடியும். இந்தத் துல்லியமான, நிகழ்நேரக் கட்டுப்பாடு, தயாரிப்புத் தரத்தை மேம்படுத்துகிறது மற்றும் தரமற்ற தொகுதிகளின் உற்பத்தியைத் தடுப்பதன் மூலம் கழிவுகளைக் குறைக்கிறது.
2.2. வேதியியல் கலவைக்கான நிறமாலையியல் பகுப்பாய்வு
பாய்மவியல் பண்புகள் ஒரு பொருளின் இயற்பியல் நிலையைக் குறிக்கும் அதே வேளையில்,நிகழ்நேர நிறமாலை பகுப்பாய்வுவினையைப் பற்றிய ஆழமான, வேதியியல் அளவிலான புரிதலை இது வழங்குகிறது. அண்மை அகச்சிவப்பு (NIR) நிறமாலையியல் என்பது, ஐசோசயனேட் (%NCO) மற்றும் ஹைட்ராக்சில் தொகுதிகளின் செறிவை அளவிடுவதன் மூலம், மைய வினையைத் தொடர்ச்சியாகக் கண்காணிப்பதற்கான ஒரு மேம்பட்ட முறையாகும்.
இந்த முறையானது, மெதுவாக நடைபெறுவதோடு, முறையாக அப்புறப்படுத்தப்பட வேண்டிய வேதிப்பொருட்களையும் பயன்படுத்தும் பாரம்பரிய ஆய்வக டைட்ரேஷன் முறையை விட ஒரு குறிப்பிடத்தக்க முன்னேற்றத்தைக் குறிக்கிறது. ஒரே ஒரு பகுப்பாய்வியிலிருந்து பல செயல்முறைப் புள்ளிகளைக் கண்காணிக்கும் ஒரு நிகழ்நேர NIR அமைப்பின் திறன், செயல்திறன் மற்றும் பாதுகாப்பு ஆகியவற்றின் அடிப்படையில் ஒரு குறிப்பிடத்தக்க நன்மையை வழங்குகிறது. NCO/OH விகிதம் என்பது ஒரு செயல்முறை மாறி மட்டுமல்ல; அது இழுவிசை வலிமை, மட்டு மற்றும் கடினத்தன்மை உள்ளிட்ட இறுதிப் பொருளின் பண்புகளை நேரடியாகத் தீர்மானிக்கும் ஒரு காரணியாகும். இந்த முக்கியமான விகிதம் குறித்த தொடர்ச்சியான, நிகழ்நேரத் தரவை வழங்குவதன் மூலம், ஒரு NIR சென்சார் மூலப்பொருள் உள்ளீட்டு விகிதங்களை முன்கூட்டியே சரிசெய்ய அனுமதிக்கிறது. இது கட்டுப்பாட்டு செயல்முறையை, குறைபாடுகளை அடிப்படையாகக் கொண்ட ஒரு எதிர்வினை அணுகுமுறையிலிருந்து, ஒரு உயர் தரமான விளைவை உறுதி செய்வதற்காக வினை முழுவதும் ஒரு துல்லியமான NCO/OH விகிதம் பராமரிக்கப்படும் ஒரு முன்கூட்டிய, வடிவமைப்பிலேயே தரத்தை உறுதி செய்யும் உத்தியாக மாற்றுகிறது.
2.3. பதப்படுத்தும் நிலையைக் கண்காணிப்பதற்கான மின்காப்புப் பகுப்பாய்வு (DEA)
மின்காப்புப் பகுப்பாய்வு (DEA), மின்காப்பு வெப்பப் பகுப்பாய்வு (DETA) என்றும் அழைக்கப்படுகிறது, இது இறுதிப் பொருளின் தரத்திற்கு இன்றியமையாத "கண்ணுக்குப் புலப்படாத அச்சுவழி இறுகுதலை" கண்காணிப்பதற்கான ஒரு சக்திவாய்ந்த நுட்பமாகும். இது ஒரு சைனசாய்டல் மின்னழுத்தத்தைப் பயன்படுத்துவதன் மூலமும், அதன் விளைவாக மின்னூட்டக் கடத்திகளின் (அயனிகள் மற்றும் இருமுனைகள்) இயக்கத்தில் ஏற்படும் மாற்றங்களை அளவிடுவதன் மூலமும், ஒரு பொருளின் பாகுத்தன்மை மற்றும் இறுகும் நிலையில் ஏற்படும் மாற்றங்களை நேரடியாக அளவிடுகிறது. ஒரு பொருள் இறுகும்போது, அதன் பாகுத்தன்மை வியத்தகு முறையில் அதிகரிக்கிறது, மேலும் இந்த மின்னூட்டக் கடத்திகளின் இயக்கம் குறைகிறது. இது இறுகுதலின் முன்னேற்றத்தை நேரடியாகவும், அளவிடக்கூடிய வகையிலும் அளவிடுகிறது.
DEA ஆனது, வேகமாக இறுகும் அமைப்புகளுக்குக் கூட, ஜெல் புள்ளியையும் இறுகும் செயல்முறையின் முடிவையும் துல்லியமாகத் தீர்மானிக்க முடியும். இது மற்ற தொழில்நுட்பங்களுக்குத் துணையாக அமையும் ஒரு நுணுக்கமான பார்வையை வழங்குகிறது. ஒரு இன்லைன் விஸ்கோமீட்டர் பொருளின் ஒட்டுமொத்த மொத்த பாகுத்தன்மையை அளவிடும் அதே வேளையில், ஒரு DEA சென்சார் குறுக்குப்பிணைப்பு வினையின் வேதியியல்-நிலை முன்னேற்றம் குறித்த நுண்ணறிவை வழங்குகிறது. இவற்றின் கலவையானது, ஒரு பொருளின் ஒட்டுமொத்த பாகுத்தன்மையை அளவிடும் போது, அதன் வேதியியல்-நிலை முன்னேற்றத்தைப் பற்றிய நுண்ணறிவை வழங்குகிறது.இன்லைன் விஸ்கோமீட்டர்(அளவிடுதல்முடிவுசிகிச்சையின்) மற்றும் ஒரு DEA சென்சார் (அளவிடும்முன்னேற்றம்சிகிச்சையின் ஒரு விரிவான, இரு-படிநிலைப் பார்வையை இது வழங்குகிறது, இதன் மூலம் மிகவும் துல்லியமான கட்டுப்பாடு மற்றும் நோயறிதலைச் சாத்தியமாக்குகிறது. பல்வேறு சேர்க்கைப் பொருட்கள் மற்றும் நிரப்பிகளின் செயல்திறனைக் கண்காணிக்கவும் DEA-ஐப் பயன்படுத்தலாம்.
இந்தத் தொழில்நுட்பங்களை ஒப்பிட்டுப் பார்க்கும்போது, அவை ஒன்றையொன்று பூர்த்தி செய்யும் தன்மையைக் கொண்டிருப்பது தெளிவாகிறது. எந்தவொரு தனிப்பட்ட உணரியாலும் சிக்கலான PU வினையின் முழுமையான சித்திரத்தை வழங்க முடியாது. ஒரு முழுமையான தீர்விற்கு, வெவ்வேறு இயற்பியல் மற்றும் வேதியியல் பண்புகளை ஒரே நேரத்தில் கண்காணிக்க, பல உணரிகளை ஒருங்கிணைப்பது அவசியமாகும்.
| கண்காணிக்கப்பட்ட அளவுரு | தொழில்நுட்பக் கொள்கை | முதன்மை பயன்பாட்டு வழக்குகள் |
| பாகுத்தன்மை, வெப்பநிலை | அதிர்வுறும் முட்கரண்டி பாகுமானி | மூலப்பொருள் தரக்கட்டுப்பாடு, நிகழ்நேர வினை கண்காணிப்பு, இறுதிநிலை கண்டறிதல். |
| %NCO, ஹைட்ராக்சில் எண் | அண்மை அகச்சிவப்பு (NIR) நிறமாலையியல் | நிகழ்நேர வேதியியல் கலவைக் கண்காணிப்பு, மூலப்பொருள் விகிதக் கட்டுப்பாடு, வினையூக்கி உகப்பாக்கம். |
| க்யூர் ஸ்டேட், ஜெல் பாயிண்ட் | மின்காப்புப் பகுப்பாய்வு (DEA) | அச்சுவழி இறுகுதல் கண்காணிப்பு, கூழ்மமாதல் நேரச் சரிபார்ப்பு, சேர்க்கைப்பொருளின் செயல்திறன் பகுப்பாய்வு. |
அட்டவணை 2.1: PU உற்பத்திக்கான மேம்பட்ட இன்லைன் கண்காணிப்பு தொழில்நுட்பங்களின் ஒப்பீடு
III. அளவுசார் முன்கணிப்பு மாதிரியாக்கக் கட்டமைப்புகள்
மேம்பட்ட கண்காணிப்புத் தொழில்நுட்பங்களிலிருந்து கிடைக்கும் செறிவான தரவுப் பாய்ச்சல்கள் டிஜிட்டல்மயமாக்கலுக்கு ஓர் முன்நிபந்தனையாகும், ஆனால் அவை அளவுசார் முன்கணிப்பு மாதிரிகளை உருவாக்கப் பயன்படுத்தப்படும்போதுதான் அவற்றின் முழு மதிப்பும் உணரப்படுகிறது. இந்த மாதிரிகள் மூலத் தரவைச் செயல்படுத்தக்கூடிய நுண்ணறிவுகளாக மாற்றி, செயல்முறையைப் பற்றிய ஆழமான புரிதலையும் செயலூக்கமான உகப்பாக்கத்தை நோக்கிய ஒரு மாற்றத்தையும் சாத்தியமாக்குகின்றன.
3.1. வேதிப்பாய்வியல் மற்றும் குணப்படுத்தும் இயக்கவியல் மாதிரியாக்கம்
உண்மையான செயல்முறைக் கட்டுப்பாட்டை அடைவதற்கு, உணரித் தரவுப் புள்ளிகளைச் சேகரிப்பது மட்டும் போதுமானதல்ல; வேதிவினையின் உள்ளார்ந்த நடத்தையை விளக்கும் ஒரு மாதிரியை உருவாக்குவதற்கு அந்தத் தரவுகள் பயன்படுத்தப்பட வேண்டும். வேதிப்பாய்வியல் மற்றும் பதப்படுத்தும் இயக்கவியல் மாதிரிகள், வேதி மாற்றத்தை, பாகுத்தன்மை அதிகரிப்பு மற்றும் கூழ்மமாதல் நேரம் போன்ற இயற்பியல் மாற்றங்களுடன் இணைக்கின்றன. ஒரு நிகழ்வின் நிலையற்ற தன்மையானது பாரம்பரியப் பகுப்பாய்வைக் கடினமாக்கும் விரைவாகப் பதப்படுத்தும் அமைப்புகளுக்கு இந்த மாதிரிகள் குறிப்பாக மதிப்புமிக்கவை.5
மாதிரி-சாரா அணுகுமுறைகள் என்றும் அழைக்கப்படும் ஐசோகன்வெர்ஷனல் முறைகள், விரைவாக இறுகும் பிசின்களின் வினை இயக்கவியலைக் கணிக்க, சமவெப்பமற்ற தரவுகளுக்குப் பயன்படுத்தப்படலாம். இத்தகைய மாதிரிகள் மிகவும் பிணைக்கப்பட்ட வெப்ப-வேதி-பாயியல் பகுப்பாய்வை உள்ளடக்கியுள்ளன, அதாவது அவை வெப்பநிலை, வேதியியல் கலவை மற்றும் பொருள் பாய்வுப் பண்புகளின் இடைவினையைக் கருத்தில் கொள்கின்றன. முழு வினையின் கணிதப் பிரதிநிதித்துவத்தை உருவாக்குவதன் மூலம், இந்த மாதிரிகள் எளிய கண்காணிப்பைத் தாண்டி, உண்மையான செயல்முறைப் புரிதலை வழங்குகின்றன. கொடுக்கப்பட்ட வெப்பநிலை சுயவிவரத்திற்கு காலப்போக்கில் பாகுத்தன்மை எவ்வாறு மாறும் என்பதையோ, அல்லது ஒரு வினையூக்கியில் ஏற்படும் மாற்றம் வினை விகிதத்தை எவ்வாறு மாற்றும் என்பதையோ அவற்றால் கணிக்க முடியும், இதன் மூலம் கட்டுப்பாடு மற்றும் உகப்பாக்கத்திற்கான ஒரு அதிநவீன கருவியை வழங்குகின்றன.
3.2. வேதியியல் அளவியல் பகுப்பாய்வு மற்றும் பன்மாறி பின்னடைவு
பாலியூரிதேன் உற்பத்தி என்பது ஒரு பன்மாறிச் செயல்முறையாகும், இதில் இறுதிப் பொருளின் தரத்தைத் தீர்மானிக்கப் பல காரணிகள் ஒன்றோடொன்று தொடர்பு கொள்கின்றன. பாரம்பரியமான, ஒற்றைக் காரணிச் சோதனையானது அதிக நேரம் எடுப்பதுடன், மாறிகளுக்கு இடையேயான சிக்கலான, நேர்கோட்டற்ற உறவுகளைப் புரிந்துகொள்ளவும் தவறுகிறது. பகுதி குறைந்தபட்ச வர்க்கங்கள் (PLS) பின்னடைவு மற்றும் மறுமொழி மேற்பரப்பு வழிமுறை (RSM) போன்ற வேதியியல் அளவியல் நுட்பங்கள், இந்தச் சவாலை எதிர்கொள்ளும் வகையில் வடிவமைக்கப்பட்டுள்ளன.
பகுதி குறைந்தபட்ச வர்க்கங்கள் (PLS) பின்னடைவு என்பது, நிகழ்நேர NIR நிறமாலைமானி மூலம் உருவாக்கப்படும் பெரிய, தொடர்புடைய தரவுத்தொகுப்புகளைப் பகுப்பாய்வு செய்வதற்கு மிகவும் பொருத்தமான ஒரு நுட்பமாகும். PLS, அதிக எண்ணிக்கையிலான ஒன்றோடொன்று தொடர்புடைய மாறிகளிலிருந்து, பிரித்தெடுக்கப்பட்ட குறைந்த எண்ணிக்கையிலான காரணிகளாக சிக்கலைக் குறைக்கிறது, இதனால் இது முன்கணிப்பு நோக்கங்களுக்கு மிகச் சிறந்ததாக அமைகிறது. பாலியூரிதேன் உற்பத்தியின் சூழலில், செயல்முறைச் சிக்கல்களைக் கண்டறியவும், ஒரு பொருளுக்குள் தர மாறிகள் இடரீதியாக எவ்வாறு வேறுபடுகின்றன என்பதை வெளிப்படுத்தவும் PLS-ஐப் பயன்படுத்தலாம்.
எதிர்வினை மேற்பரப்பு வழிமுறை (RSM) என்பது சோதனை நிலைமைகளை மாதிரியாக்குவதற்கும் மேம்படுத்துவதற்கும் குறிப்பாகப் பயன்படும் ஒரு சக்திவாய்ந்த கணித மற்றும் புள்ளியியல் முறையாகும். இழுவிசை வலிமை போன்ற விரும்பிய எதிர்வினை மாறியின் மீது, NCO/OH விகிதம், சங்கிலி நீட்டிப்புக் குணகம் மற்றும் பதப்படுத்தும் வெப்பநிலை போன்ற பல காரணிகளின் ஒருங்கிணைந்த விளைவுகளைப் பகுப்பாய்வு செய்ய RSM அனுமதிக்கிறது. முக்கியமான பகுதிகளில் சோதனைப் புள்ளிகளை உத்தியோகபூர்வமாக வைப்பதன் மூலம், காரணிகளுக்கு இடையேயான அடிப்படை நேரியல் அல்லாத உறவுகளையும் ஊடாடும் விளைவுகளையும் RSM துல்லியமாக வகைப்படுத்த முடியும். ஒரு ஆய்வு இந்த அணுகுமுறையின் செயல்திறனை நிரூபித்தது; அதில் ஒரு மாதிரி, இறுதிப் பண்புகளை வெறும் 2.2% என்ற ஈர்க்கக்கூடிய துல்லியப் பிழையுடன் கணித்தது, இது இந்த வழிமுறைக்கு ஒரு வலுவான சரிபார்ப்பை வழங்குகிறது. ஒரு தர அளவீட்டிற்கான முழு "எதிர்வினை மேற்பரப்பையும்" வரைபடமாக்கும் திறன், ஒரு பொறியாளருக்கு அனைத்து காரணிகளின் உகந்த கலவையை ஒரே நேரத்தில் அடையாளம் காண உதவுகிறது, இது ஒரு சிறந்த தீர்வுக்கு வழிவகுக்கிறது.
3.3. உற்பத்தி செயல்முறையின் டிஜிட்டல் இரட்டை
டிஜிட்டல் ட்வின் என்பது ஒரு பௌதீக சொத்து, அமைப்பு அல்லது செயல்முறையின் இயங்குநிலை கொண்ட மெய்நிகர் பிரதி ஆகும். இரசாயன உற்பத்தியில், இந்த பிரதி IoT சென்சார்கள் மற்றும் முன்கணிப்பு மாதிரிகளிலிருந்து வரும் நிகழ்நேரத் தரவுகளால் இயக்கப்படுகிறது. இது உற்பத்தி வரிசையின் உயிருள்ள, உயர்-துல்லியமான உருவகப்படுத்துதலாகச் செயல்படுகிறது. அதிக முக்கியத்துவம் வாய்ந்த உகப்பாக்கத்திற்கு குறைந்த இடர் கொண்ட சூழலை வழங்கும் திறனில்தான் டிஜிட்டல் ட்வின்னின் உண்மையான மதிப்பு அடங்கியுள்ளது.
விலையுயர்ந்த மூலப்பொருட்கள் மற்றும் அதிக ஆற்றல் நுகர்வு காரணமாக பாலியூரிதேன் உற்பத்தி ஒரு செலவுமிக்க செயல்முறையாகும். எனவே, இந்த செயல்முறையை மேம்படுத்துவதற்காக நேரடி சோதனைகளை மேற்கொள்வது அதிக இடர் மற்றும் அதிக செலவு கொண்ட ஒரு முயற்சியாகும். ஒரு டிஜிட்டல் ட்வின், எந்தவொரு மூலப்பொருளையோ அல்லது உற்பத்தி நேரத்தையோ பயன்படுத்தாமல், ஒரு மெய்நிகர் மாதிரியில் ஆயிரக்கணக்கான "என்ன நடந்தால் என்ன?" என்ற சாத்தியக்கூறுகளை பொறியாளர்கள் சோதித்துப் பார்க்க அனுமதிப்பதன் மூலம், இந்த சவாலை நேரடியாக எதிர்கொள்கிறது. இந்தத் திறன், புதிய கலவைகளை சந்தைக்குக் கொண்டுவரும் நேரத்தை விரைவுபடுத்துவது மட்டுமல்லாமல், செயல்முறை மேம்படுத்தலின் செலவையும் இடரையும் கணிசமாகக் குறைக்கிறது. மேலும், டிஜிட்டல் ட்வின்கள், தற்போதுள்ள உள்கட்டமைப்பிலிருந்து நிகழ்நேரத் தரவை ஒருங்கிணைப்பதன் மூலம், புதிய டிஜிட்டல் தொழில்நுட்பங்களுக்கும் பழைய, மரபுசார் அமைப்புகளுக்கும் இடையிலான இடைவெளியைக் குறைக்கின்றன. இதன்மூலம், விரிவான சீரமைப்புகள் தேவையின்றி ஒரு ஒருங்கிணைந்த டிஜிட்டல் சூழலை வழங்குகின்றன.
IV. செயல்முறைக் கட்டுப்பாடு மற்றும் முறைகேடு கண்டறிதலுக்கான செயற்கை நுண்ணறிவு/இயந்திரக் கற்றல்
முன்கணிப்பு மாதிரிகள் தரவுகளைப் புரிதலாக மாற்றுகின்றன, ஆனால் செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திரக் கற்றல் (ML) ஆகியவை அடுத்த கட்டத்திற்குச் செல்கின்றன: அதாவது, புரிதலைத் தன்னாட்சிச் செயல் மற்றும் அறிவார்ந்த கட்டுப்பாடாக மாற்றுகின்றன.
4.1. முரண்பாடு மற்றும் பிழை கண்டறியும் அமைப்புகள்
பாரம்பரிய செயல்முறைக் கட்டுப்பாட்டு அமைப்புகள், எச்சரிக்கைகளைத் தூண்டுவதற்கு நிலையான, நிரலில் நேரடியாகக் குறிப்பிடப்பட்ட வரம்புகளைச் சார்ந்துள்ளன. இந்த அணுகுமுறை பிழைகளுக்கு ஆளாகக்கூடியது, ஏனெனில் இது ஏற்றுக்கொள்ளக்கூடிய வரம்பிற்குள் இருக்கும் படிப்படியான விலகல்களைக் கண்டறியத் தவறலாம் அல்லது இயக்குபவர்களின் கவனத்தைச் சிதறடிக்கும் தேவையற்ற எச்சரிக்கைகளை உருவாக்கலாம். செயற்கை நுண்ணறிவால் இயக்கப்படும் இயல்புமீறல் கண்டறிதல் ஒரு குறிப்பிடத்தக்க முன்னுதாரண மாற்றத்தைக் குறிக்கிறது. இந்த அமைப்புகள், ஒரு செயல்முறையின் இயல்பான இயக்க முறைகளைக் கற்றுக்கொள்வதற்காக, வரலாற்றுத் தரவுகளின் அடிப்படையில் பயிற்சி அளிக்கப்படுகின்றன. ஒரு அளவுரு இன்னும் ஒரு நிலையான வரம்பைக் கடக்கவில்லை என்றாலும் கூட, கற்றுக்கொண்ட இந்த முறையிலிருந்து ஏற்படும் எந்தவொரு விலகலையும் அவை தானாகவே அடையாளம் கண்டு கொடியிட முடியும்.
உதாரணமாக, ஒரு குறிப்பிட்ட காலப்பகுதியில் பாகுத்தன்மை படிப்படியாகவும் சீராகவும் அதிகரிப்பது, அது ஏற்றுக்கொள்ளக்கூடிய வரம்பிற்குள் இருந்தாலும், ஒரு பாரம்பரிய அமைப்பு கண்டறியத் தவறும் ஒரு வரவிருக்கும் சிக்கலின் அறிகுறியாக இருக்கலாம். ஒரு செயற்கை நுண்ணறிவு (AI) முரண்பாடு கண்டறியும் அமைப்பு, இதை ஒரு அசாதாரணப் போக்காக அடையாளம் கண்டு, ஒரு முன்கூட்டிய எச்சரிக்கையை உருவாக்கும். இது, குறைபாடுள்ள தொகுதி உருவாவதைத் தடுக்க, குழுவினர் முன்னெச்சரிக்கை நடவடிக்கைகளை எடுக்க உதவுகிறது. இந்தத் திறன், விரும்பிய விவரக்குறிப்புகளிலிருந்து ஏற்படும் விலகல்களைக் கண்டறிவதன் மூலம் தரக் கட்டுப்பாட்டை கணிசமாக மேம்படுத்துகிறது, குறைபாடுள்ள தயாரிப்புகளின் அபாயத்தைக் குறைக்கிறது மற்றும் விதிமுறைகளுக்கு இணங்குவதை உறுதி செய்கிறது.
4.2. முக்கிய சொத்துக்களுக்கான முன்கணிப்பு பராமரிப்பு
திட்டமிடப்படாத பணிநிறுத்தம் என்பது தொழில்துறை உற்பத்தியில் ஏற்படும் மிக முக்கியமான செலவுகளில் ஒன்றாகும். பாரம்பரிய பராமரிப்பு உத்திகள், பழுது ஏற்பட்டால் சரிசெய்வது ("உடைந்தால் சரிசெய்வது") அல்லது காலத்தை அடிப்படையாகக் கொண்டவை (எ.கா., ஒரு பம்பின் நிலையைப் பொருட்படுத்தாமல் ஆறு மாதங்களுக்கு ஒருமுறை அதை மாற்றுவது). இயந்திர கற்றல் (ML) மாதிரிகளின் உதவியுடன் செய்யப்படும் முன்கணிப்புப் பராமரிப்பு, இதற்கு மிகவும் மேம்பட்ட ஒரு மாற்று வழியை வழங்குகிறது.
சென்சார்களிலிருந்து (எ.கா., அதிர்வு, வெப்பநிலை, அழுத்தம்) வரும் நிகழ்நேரத் தரவுகளைத் தொடர்ந்து பகுப்பாய்வு செய்வதன் மூலம், இந்த மாதிரிகள் உபகரணச் சிதைவின் ஆரம்ப அறிகுறிகளைக் கண்டறிந்து, ஏற்படக்கூடிய பழுதைக் கணிக்க முடியும். இந்த அமைப்பு "பழுதடைவதற்கான கால முன்னறிவிப்பை" வழங்க முடியும், இது திட்டமிடப்பட்ட பணிநிறுத்தத்தின் போது, வாரங்கள் அல்லது மாதங்களுக்கு முன்பே பழுதுபார்ப்புகளைத் திட்டமிட குழுவை அனுமதிக்கிறது. இது எதிர்பாராத பழுதினால் ஏற்படும் அதிக செலவுமிக்க பணிநிறுத்த நேரத்தை நீக்குகிறது மற்றும் பணியாளர்கள், உதிரிபாகங்கள் மற்றும் தளவாடங்களைச் சிறப்பாகத் திட்டமிட அனுமதிக்கிறது. இந்த அணுகுமுறைக்கான முதலீட்டின் மீதான வருமானம் (ROI) கணிசமானது மற்றும் இது நிகழ்வு ஆய்வுகளில் நன்கு ஆவணப்படுத்தப்பட்டுள்ளது. உதாரணமாக, ஒரு சுத்திகரிப்பு நிறுவனம் ஒரு செயலூக்கமான ஆய்வுத் திட்டத்தைச் செயல்படுத்துவதன் மூலம் 3 மடங்கு முதலீட்டு வருமானத்தை அடைந்தது, அதே நேரத்தில் ஒரு எண்ணெய் மற்றும் எரிவாயு நிறுவனம் உபகரணக் குறைபாடுகளைக் கண்டறிந்த ஒரு ஆரம்ப எச்சரிக்கை அமைப்பு மூலம் மில்லியன் கணக்கான டாலர்களைச் சேமித்தது. இந்த உறுதியான நிதி நன்மைகள், பழுது ஏற்பட்ட பிறகு செயல்படும் பராமரிப்பு உத்தியிலிருந்து, பழுது ஏற்பட்ட பிறகு செயல்படும் பராமரிப்பு உத்திக்கு மாறுவதற்கான தேவையை வலுப்படுத்துகின்றன.
4.3. முன்கணிப்பு தரக் கட்டுப்பாடு
முன்கணிப்புத் தரக் கட்டுப்பாடு, தர உறுதிப்படுத்தலின் பங்கை உற்பத்திக்குப் பிந்தைய சோதனையிலிருந்து, ஒரு செயலூக்கமான, செயல்முறைக்குள்ளான செயல்பாடாக அடிப்படையாக மாற்றுகிறது. கடினத்தன்மை அல்லது இழுவிசை வலிமை போன்ற பண்புகளுக்காக ஒரு இறுதித் தயாரிப்பு சோதிக்கப்படும் வரை காத்திருப்பதற்குப் பதிலாக, இயந்திர கற்றல் (ML) மாதிரிகள் அனைத்து உணரிகளிலிருந்தும் வரும் நிகழ்நேர செயல்முறைத் தரவைத் தொடர்ந்து பகுப்பாய்வு செய்து, இறுதித் தரப் பண்புகள் என்னவாக இருக்கும் என்பதை மிக அதிக நம்பிக்கையுடன் கணிக்க முடியும்.
ஒரு முன்கணிப்புத் தர மாதிரியானது, மூலப்பொருளின் தரம், செயல்முறை அளவுருக்கள் மற்றும் சுற்றுச்சூழல் நிலைமைகள் ஆகியவற்றுக்கு இடையேயான சிக்கலான இடைவினையை அடையாளம் கண்டு, விரும்பிய விளைவுக்கான உகந்த உற்பத்தி அமைப்புகளைத் தீர்மானிக்க முடியும். இறுதித் தயாரிப்பு தரக்குறைவாக இருக்கும் (எ.கா., மிகவும் மென்மையாக) என்று அந்த மாதிரி கணித்தால், அது இயக்குபவரை எச்சரிக்கலாம் அல்லது நிகழ்நேரத்தில் அந்த விலகலைச் சரிசெய்ய ஒரு செயல்முறை அளவுருவை (எ.கா., வினையூக்கி ஊட்ட விகிதம்) தானாகவே சரிசெய்யலாம். இந்தத் திறன், குறைபாடுகள் ஏற்படுவதற்கு முன்பே அவற்றைத் தடுக்க உதவுவது மட்டுமல்லாமல், பண்புகளின் வேகமான கணிப்புகளை வழங்குவதன் மூலமும், தரவுகளில் உள்ள அடிப்படை வடிவங்களை அடையாளம் காண்பதன் மூலமும் ஆராய்ச்சி மற்றும் மேம்பாட்டைத் துரிதப்படுத்துகிறது. உற்பத்தியை அதிகரிக்கவும் செயல்பாட்டுத் திறனை மேம்படுத்தவும் விரும்பும் உற்பத்தியாளர்களுக்கு இந்த அணுகுமுறை ஒரு மூலோபாயத் தேவையாகும்.
V. தொழில்நுட்பச் செயலாக்க செயல்திட்டம்
இந்த மேம்பட்ட தீர்வுகளைச் செயல்படுத்துவதற்கு, தரவு ஒருங்கிணைப்பு மற்றும் பழைய உள்கட்டமைப்பின் சிக்கல்களைக் கையாளும் ஒரு கட்டமைக்கப்பட்ட, படிப்படியான அணுகுமுறை தேவைப்படுகிறது. இடர்களைக் குறைப்பதற்கும், முதலீட்டின் மீதான வருவாயை (ROI) முன்கூட்டியே நிரூபிப்பதற்கும் நன்கு வரையறுக்கப்பட்ட ஒரு செயல்திட்டம் இன்றியமையாதது.
5.1. டிஜிட்டல் உருமாற்றத்திற்கான படிப்படியான அணுகுமுறை
ஒரு வெற்றிகரமான டிஜிட்டல் உருமாற்றப் பயணம், ஒரு முழு அளவிலான சீரமைப்புடன் தொடங்கக்கூடாது. புதிய அமைப்புகளை ஒருங்கிணைப்பதில் உள்ள அதிக ஆரம்ப முதலீட்டுச் செலவுகளும் சிக்கலான தன்மையும், குறிப்பாக சிறு மற்றும் நடுத்தர நிறுவனங்களுக்குத் தடையாக இருக்கலாம். ஒரு ஒற்றை முன்னோட்ட உற்பத்தி வரிசையில் கருத்தாக்கச் சான்றுடன் (Proof of Concept - PoC) தொடங்கி, படிப்படியான செயலாக்கத்தை மேற்கொள்வதே மிகவும் பயனுள்ள அணுகுமுறையாகும். குறைந்த இடர் கொண்ட இந்த சிறிய அளவிலான திட்டம், ஒரு நிறுவனம் பரந்த அளவில் செயல்படுத்துவதற்கு முன்பு, புதிய சென்சார்கள் மற்றும் மென்பொருள்களின் இயங்குதிறனை ஏற்கனவே உள்ள உள்கட்டமைப்புடன் சோதிக்கவும், செயல்திறனை மதிப்பிடவும் அனுமதிக்கிறது. இந்த ஆரம்ப வெற்றியிலிருந்து கிடைக்கும் அளவிடப்பட்ட முதலீட்டு மீதான வருவாயை (ROI), பரந்த அளவிலான செயலாக்கத்திற்கான ஒரு வலுவான வணிகத் திட்டத்தை உருவாக்கப் பயன்படுத்தலாம். இந்த அணுகுமுறை, இயங்குதிறன், நிகழ்நேரத் திறன் மற்றும் கூறுநிலை ஆகியவற்றை வலியுறுத்தும் தொழில் 4.0-இன் அடிப்படைக் கொள்கைகளுடன் ஒத்துப்போகிறது.
5.2. தரவு மேலாண்மை மற்றும் ஒருங்கிணைப்பு கட்டமைப்பு
அனைத்து முன்கணிப்பு மற்றும் செயற்கை நுண்ணறிவு சார்ந்த தீர்வுகளுக்கும் ஒரு வலுவான தரவு உள்கட்டமைப்பே அடித்தளமாகும். தரவுக் கட்டமைப்பு, ஒரு திறன்மிகு தொழிற்சாலையால் உருவாக்கப்படும் மிகப்பெரிய அளவிலான மற்றும் பல்வேறு வகையான தரவுகளைக் கையாளும் திறன் கொண்டதாக இருக்க வேண்டும். இதில் பொதுவாக, ஒரு தரவு வரலாற்றுப் பதிவாளர் மற்றும் ஒரு தரவு ஏரியை உள்ளடக்கிய ஒரு அடுக்கு அணுகுமுறை அடங்கும்.
தரவு வரலாற்றாளர்:டேட்டா ஹிஸ்டோரியன் என்பது தொழில்துறை செயல்முறைகளிலிருந்து வரும் பெருமளவிலான காலத் தொடர் தரவுகளைச் சேகரிக்கவும், சேமிக்கவும் மற்றும் நிர்வகிக்கவும் வடிவமைக்கப்பட்ட ஒரு சிறப்புத் தரவுத்தளமாகும். இது ஒவ்வொரு வெப்பநிலை ஏற்ற இறக்கம், அழுத்த அளவீடு மற்றும் பாய்வு விகிதம் ஆகியவற்றைத் துல்லியமான நேர முத்திரையுடன் பதிவுசெய்து, மிக நேர்த்தியாக ஒழுங்கமைக்கப்பட்ட ஒரு டிஜிட்டல் காப்பகமாகச் செயல்படுகிறது. செயல்முறை சென்சார்களிலிருந்து வரும் அதிக அளவிலான, தொடர்ச்சியான தரவுப் பாய்ச்சல்களைக் கையாள்வதற்கான உகந்த கருவியாக டேட்டா ஹிஸ்டோரியன் விளங்குகிறது, மேலும் இது மேம்பட்ட பகுப்பாய்வுகளுக்கு ஒரு "சரியான எரிபொருளாகவும்" திகழ்கிறது.
தரவு ஏரி:டேட்டா லேக் என்பது மூலத் தரவை அதன் சொந்த வடிவத்தில் வைத்திருக்கும் ஒரு மையக் களஞ்சியமாகும். இது கட்டமைக்கப்பட்ட நேரத் தொடர் தரவு, தரமான கேமராக்களிலிருந்து வரும் கட்டமைக்கப்படாத படங்கள் மற்றும் இயந்திரப் பதிவுகள் உள்ளிட்ட பல்வேறு தரவு வகைகளைக் கையாளும் திறன் கொண்டது. ஒரு நிறுவனத்தின் அனைத்துப் பகுதிகளிலிருந்தும் வரும் பெருமளவிலான பல்வேறு தரவுகளைக் கையாளும் வகையில் டேட்டா லேக் வடிவமைக்கப்பட்டுள்ளது, இது ஒரு முழுமையான, தொடக்கத்திலிருந்து இறுதி வரையிலான பார்வையை வழங்குகிறது. ஒரு வெற்றிகரமான செயலாக்கத்திற்கு, முக்கிய செயல்முறைத் தரவுகளுக்கான டேட்டா ஹிஸ்டோரியன் மற்றும் மூல காரணப் பகுப்பாய்வு மற்றும் சென்சார் அல்லாத தரவுகளுடன் தொடர்புபடுத்துதல் போன்ற சிக்கலான பகுப்பாய்வுகளைச் செயல்படுத்தும் ஒரு பரந்த, விரிவான பார்வைக்கான டேட்டா லேக் ஆகிய இரண்டும் தேவைப்படுகின்றன.
தரவு ஒருங்கிணைப்புக்கான தர்க்கரீதியான அடுக்குக் கட்டமைப்பு பின்வருமாறு அமையும்:
| அடுக்கு | கூறு | செயல்பாடு | தரவு வகை |
| எட்ஜ் | IoT சென்சார்கள், கேட்வேகள், PLC-கள் | நிகழ்நேர தரவு சேகரிப்பு மற்றும் உள்ளூர் செயலாக்கம் | காலத் தொடர், இரும, தனித்த |
| தரவு அறக்கட்டளை | தரவு வரலாற்றாளர் | செயல்முறைத் தரவுகளின் உயர் செயல்திறன் மிக்க, நேர முத்திரையிடப்பட்ட சேமிப்பகம் | கட்டமைக்கப்பட்ட நேரத் தொடர்கள் |
| மத்திய களஞ்சியம் | தரவு ஏரி | அனைத்து தரவு மூலங்களுக்குமான மையப்படுத்தப்பட்ட, விரிவாக்கக்கூடிய களஞ்சியம் | கட்டமைக்கப்பட்ட, ஓரளவு கட்டமைக்கப்பட்ட, கட்டமைக்கப்படாத |
| பகுப்பாய்வு மற்றும் செயற்கை நுண்ணறிவு | பகுப்பாய்வு தளம் | முன்கணிப்பு மாதிரிகள், இயந்திரக் கற்றல் மற்றும் வணிக நுண்ணறிவு ஆகியவற்றை இயக்குகிறது. | அனைத்து தரவு வகைகளும் |
அட்டவணை 5.1: முக்கிய தரவு ஒருங்கிணைப்பு மற்றும் மேலாண்மைக் கூறுகள்
5.3. மரபு அமைப்பு ஒருங்கிணைப்புச் சவால்களை எதிர்கொள்ளுதல்
பல இரசாயன ஆலைகள் இன்னும் ஒரு தசாப்தத்திற்கும் மேலான பழமையான செயல்பாட்டுத் தொழில்நுட்ப (OT) அமைப்புகளையே சார்ந்துள்ளன; இவை பெரும்பாலும் நவீன தரநிலைகளுடன் பொருந்தாத தனியுரிம நெறிமுறைகளைப் பயன்படுத்துகின்றன. பரவலாக்கப்பட்ட கட்டுப்பாட்டு அமைப்புகள் (DCS) அல்லது நிரல்படுத்தக்கூடிய தர்க்கக் கட்டுப்பாட்டாளர்கள் (PLC) போன்ற இந்தப் பழைய அமைப்புகளை மாற்றுவது என்பது பல மில்லியன் டாலர் செலவாகும் ஒரு திட்டமாகும், இது குறிப்பிடத்தக்க உற்பத்தி முடக்கத்தை ஏற்படுத்தக்கூடும். IoT நுழைவாயில்கள் மற்றும் API-களை ஒரு பாலமாகப் பயன்படுத்துவதே மிகவும் நடைமுறைக்கு உகந்த மற்றும் செலவு குறைந்த தீர்வாகும்.
IoT கேட்வேக்கள் இடைத்தரகர்களாகச் செயல்பட்டு, புதிய IoT சென்சார்களிலிருந்து வரும் தரவுகளை, பழைய அமைப்புகள் புரிந்துகொள்ளக்கூடிய வடிவத்திற்கு மாற்றுகின்றன. அவை ஒரு நிறுவனம் முழு அளவிலான சீரமைப்பு இல்லாமல் மேம்பட்ட கண்காணிப்பைச் செயல்படுத்த உதவுகின்றன, செலவுத் தடையை நேரடியாகக் கையாள்வதோடு, முன்மொழியப்பட்ட தீர்வுகளை மிகவும் எளிதில் அணுகக்கூடியதாகவும் ஆக்குகின்றன. மேலும், தரவுகள் நேரடியாக மூலத்திலேயே செயலாக்கப்படும் எட்ஜ் கம்ப்யூட்டிங்கைச் செயல்படுத்துவது, நெட்வொர்க் அலைவரிசையைக் குறைத்து, நிகழ்நேரப் பதிலளிப்புத் திறனை மேம்படுத்தும்.
5.4. உள்ளக மற்றும் கிளவுட் கட்டமைப்பு குறித்த முடிவு
தரவு மற்றும் பகுப்பாய்வுத் தளங்களை எங்கு ஹோஸ்ட் செய்வது என்ற முடிவு, செலவு, பாதுகாப்பு மற்றும் விரிவாக்கத் திறன் ஆகியவற்றில் குறிப்பிடத்தக்க தாக்கங்களைக் கொண்ட ஒரு முக்கியமான முடிவாகும். இந்தத் தேர்வு ஒரு எளிய 'இது அல்லது அது' என்பதல்ல, மாறாக குறிப்பிட்ட பயன்பாட்டுச் சூழல்களைக் கவனமாகப் பகுப்பாய்வு செய்ததன் அடிப்படையில் அமைய வேண்டும்.
| அளவுகோல் | வளாகத்தில் | மேகம் |
| கட்டுப்பாடுகள் | வன்பொருள், மென்பொருள் மற்றும் பாதுகாப்பு ஆகியவற்றின் மீது முழுமையான கட்டுப்பாடு. அதிக ஒழுங்குமுறைப்படுத்தப்பட்ட தொழில்களுக்கு மிகவும் உகந்தது. | குறைவான நேரடிக் கட்டுப்பாடு; பகிரப்பட்ட பொறுப்பு மாதிரி. |
| செலவு | அதிக ஆரம்ப வன்பொருள் செலவுகள்; தேய்மானம் மற்றும் பராமரிப்பு ஆகியவை நிறுவனத்தின் பொறுப்பாகும். | 'பயன்பாட்டிற்கு மட்டும் பணம் செலுத்தும்' மாதிரி மூலம் ஆரம்பச் செலவைக் குறைக்கவும். |
| அளவிடுதல் | வரையறுக்கப்பட்ட நெகிழ்வுத்தன்மை; விரிவாக்கத்திற்கு கைமுறை ஒதுக்கீடும் மூலதன முதலீடும் தேவைப்படுகிறது. | அளப்பரிய விரிவாக்கத் திறனும் நெகிழ்வுத்தன்மையும் கொண்டது; தேவைக்கேற்ப அளவை அதிகரிக்கவும் குறைக்கவும் முடியும். |
| தாமதம் | தரவு மூலத்திற்கு இயற்பியல் ரீதியாக அருகில் இருப்பதால், தாமதம் குறைவாக இருக்கும். | சில நிகழ்நேரக் கட்டுப்பாட்டுப் பணிகளுக்கு அதிகப்படியான தாமதம் ஏற்படலாம். |
| புதுமை | புதிய தொழில்நுட்பங்களை அணுகுவதில் தாமதம்; மென்பொருள் மற்றும் வன்பொருளைக் கைமுறையாகப் புதுப்பிக்க வேண்டியுள்ளது. | செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் போன்ற புதுமைகளால் அம்சங்களின் தொகுப்பு வேகமாக விரிவடைந்து வருகிறது. |
| பாதுகாப்பு | அனைத்து பாதுகாப்பு நடைமுறைகளுக்கும் அந்த நிறுவனமே முழுப் பொறுப்பு வகிக்கிறது. | பல பாதுகாப்பு அடுக்குகளைக் கையாளும் சேவை வழங்குநருடன் பொறுப்பைப் பகிர்ந்து கொள்ளுதல். |
அட்டவணை 5.2: கிளவுட் மற்றும் ஆன்-பிரமைஸ் முடிவெடுக்கும் அணி
ஒரு வெற்றிகரமான டிஜிட்டல் உத்தி பெரும்பாலும் ஒரு கலப்பின மாதிரியைப் பயன்படுத்துகிறது. மிக முக்கியமான, குறைந்த தாமதக் கட்டுப்பாட்டுச் சுழல்கள் மற்றும் மிகவும் தனியுரிமை வாய்ந்த சூத்திரத் தரவுகள் ஆகியவை அதிகபட்ச பாதுகாப்பு மற்றும் கட்டுப்பாட்டிற்காக நிறுவனத்திற்குள்ளேயே வைத்திருக்கப்படலாம். அதே நேரத்தில், ஒரு மையப்படுத்தப்பட்ட தரவு ஏரிக்காக கிளவுட் அடிப்படையிலான தளம் பயன்படுத்தப்படலாம். இது நீண்ட கால வரலாற்றுப் பகுப்பாய்வு, வெளிப்புறக் கூட்டாளர்களுடனான கூட்டு ஆராய்ச்சி மற்றும் அதிநவீன செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) கருவிகளுக்கான அணுகலைச் சாத்தியமாக்குகிறது.
VI. நடைமுறை உகப்பாக்கம் மற்றும் கண்டறிதல் கையேடு
உற்பத்தி மேலாளர்கள் மற்றும் பொறியாளர்களுக்காகச் செயல்படுத்தக்கூடிய கருவிகளை உருவாக்க, மேம்பட்ட கண்காணிப்பு மற்றும் மாதிரியாக்கம் பயன்படுத்தப்படும்போதுதான் அவற்றின் உண்மையான மதிப்பு வெளிப்படுகிறது. இந்தக் கருவிகள், முடிவெடுக்கும் செயல்முறையைத் தானியக்கமாக்கி மேம்படுத்துவதன் மூலம், சிக்கல் தீர்ந்தபின் உடனடியாகச் சரிசெய்யும் நிலையிலிருந்து, முன்கூட்டியே செயல்படும், மாதிரி அடிப்படையிலான கட்டுப்பாட்டிற்கு வழிவகுக்கின்றன.
6.1. ஒரு மாதிரி-சார்ந்த கண்டறியும் கட்டமைப்பு
பாரம்பரிய உற்பத்திச் சூழலில், ஒரு குறைபாட்டைக் கண்டறிந்து சரிசெய்வது என்பது, இயக்குபவரின் அனுபவத்தையும் முயன்று-பிழை திருத்தும் அணுகுமுறையையும் சார்ந்த ஒரு நேரத்தை எடுத்துக்கொள்ளும், கைமுறையான செயல்முறையாகும். ஒரு மாதிரி-சார்ந்த கண்டறியும் கட்டமைப்பு, நிகழ்நேரத் தரவுகளையும் மாதிரி வெளியீடுகளையும் பயன்படுத்தி, ஒரு சிக்கலின் மிகவும் சாத்தியமான மூலக் காரணத்தை உடனடியாகக் கண்டறிவதன் மூலம் இந்தச் செயல்முறையைத் தானியக்கமாக்குகிறது.
இந்தக் கட்டமைப்பு ஒரு முடிவெடுக்கும் மரம் அல்லது தர்க்கரீதியான பாய்வு வரைபடமாகச் செயல்படுகிறது. ஒரு குறைபாட்டின் அறிகுறி கண்டறியப்படும்போது (எ.கா., ஒரு இன்லைன் விஸ்கோமீட்டரிலிருந்து வரும் அசாதாரண பாகுத்தன்மை அளவீடு), இந்த அமைப்பு அந்த அறிகுறியை மற்ற சென்சார்களிலிருந்து வரும் தரவுகளுடனும் (எ.கா., வெப்பநிலை, NCO/OH விகிதம்) மற்றும் முன்கணிப்பு மாதிரிகளின் வெளியீடுகளுடனும் (எ.கா., கடினத்தன்மைக்கான RSM மாதிரி) தானாகவே தொடர்புபடுத்துகிறது. பின்னர் இந்த அமைப்பு, சாத்தியமான மூலக் காரணங்களின் முன்னுரிமைப் பட்டியலை இயக்குபவருக்கு வழங்குகிறது. இது, குறைபாட்டைக் கண்டறியும் நேரத்தை மணிநேரங்களிலிருந்து நிமிடங்களாகக் குறைத்து, மிக வேகமான திருத்த நடவடிக்கையை மேற்கொள்ள உதவுகிறது. இந்த அணுகுமுறை, வெறுமனே ஒரு குறைபாட்டைக் கண்டுபிடிப்பதிலிருந்து, அதன் அடிப்படைக் சிக்கலை முன்கூட்டியே கண்டறிந்து சரிசெய்வதை நோக்கி நகர்கிறது.
படம் 6.1: நிகழ்நேர உணரித் தரவு மற்றும் முன்கணிப்பு மாதிரிகளைப் பயன்படுத்தி, இயக்குபவர்களை ஒரு குறிப்பிட்ட மூலக் காரணம் மற்றும் சரிசெய்யும் நடவடிக்கையை நோக்கி வழிநடத்தும் செயல்முறையை விளக்கும் ஒரு எளிமையான செயல்முறை வரைபடம்.
இந்த அணுகுமுறையை, இலக்கு பார்வையாளர்களுக்கு விரைவான குறிப்பு வழிகாட்டியாகச் செயல்படும் ஒரு கண்டறியும் அட்டவணையில் சுருக்கமாகக் கூறலாம்.
| குறைபாடு/அறிகுறி | தொடர்புடைய தரவு ஓடை | சாத்தியமான மூல காரணம் |
| சீரற்ற கடினத்தன்மை | NCO/OH விகிதம், வெப்பநிலை விவரம் | தவறான பொருள் விகிதம், சீரற்ற வெப்பநிலை விவரம் |
| மோசமான ஒட்டுதல் | மேற்பரப்பு வெப்பநிலை, ஈரப்பதம் | முறையற்ற மேற்பரப்பு தயாரிப்பு, சுற்றுச்சூழல் ஈரப்பத குறுக்கீடு |
| குமிழ்கள் அல்லது கறைகள் | பாகுத்தன்மை விவரம், வெப்பநிலை | ஆவியாகும் கூறுகள், முறையற்ற கலவை அல்லது வெப்ப சுயவிவரம் |
| சீரற்ற குணப்படுத்தும் நேரம் | NCO/OH விகிதம், வெப்பநிலை, வினையூக்கி ஊட்ட விகிதம் | தவறான வினையூக்கி செறிவு, வெப்பநிலை ஏற்ற இறக்கம் |
| பலவீனமான கட்டமைப்பு | கூழ்மமாதல் நேரம், பாகுத்தன்மை விவரம் | போதுமான வெப்பம் இல்லாததால், குளிர்ச்சியான பகுதியில் மட்டும் சுருக்கம் ஏற்படுகிறது. |
அட்டவணை 6.2: குறைபாட்டிலிருந்து நுண்ணறிவுக்கான கண்டறியும் அணி
6.2. ஸ்மார்ட் தரநிலை இயக்க நடைமுறைகள் (SOPs)
பாரம்பரிய தரநிலை இயக்க நடைமுறைகள் (SOPs) என்பவை, உற்பத்தி செயல்முறைகளுக்கு ஒரு கண்டிப்பான, படிப்படியான வழிகாட்டியை வழங்கும் நிலையான, காகித அடிப்படையிலான ஆவணங்கள் ஆகும். செயல்பாடுகளைத் தரப்படுத்துவதற்கும் இணக்கத்தை உறுதி செய்வதற்கும் அவை அவசியமானவை என்றாலும், நிகழ்நேர செயல்முறை விலகல்களை அவற்றால் கணக்கில் கொள்ள இயலாது. ஒரு "ஸ்மார்ட் SOP" என்பது, நேரடி செயல்முறைத் தரவுகளுடன் ஒருங்கிணைக்கப்பட்ட ஒரு புதிய, மாறும் தன்மையுடைய நடைமுறைத் தலைமுறையாகும்.
உதாரணமாக, ஒரு கலவைச் செயல்முறைக்கான பாரம்பரிய SOP, ஒரு நிலையான வெப்பநிலை மற்றும் கலக்கும் நேரத்தைக் குறிப்பிடலாம். மறுபுறம், ஒரு ஸ்மார்ட் SOP ஆனது, நிகழ்நேர வெப்பநிலை மற்றும் பாகுத்தன்மை உணரிகளுடன் இணைக்கப்பட்டிருக்கும். சுற்றுப்புற வெப்பநிலை குறைந்துவிட்டதை ஒரு உணரி கண்டறிந்தால், அந்த மாற்றத்தை ஈடுசெய்வதற்காக, ஸ்மார்ட் SOP தேவையான கலக்கும் நேரத்தையோ அல்லது வெப்பநிலையையோ மாறும் தன்மையுடன் சரிசெய்து, இறுதிப் பொருளின் தரம் சீராக இருப்பதை உறுதிசெய்யும். இது SOP-ஐ ஒரு உயிருள்ள, தகவமைத்துக் கொள்ளும் ஆவணமாக மாற்றுகிறது. இது, மாறிக்கொண்டே இருக்கும் நிகழ்நேரச் சூழலில் இயக்குபவர்கள் உகந்த முடிவை எடுக்க உதவுவதோடு, மாறுபாடுகளைக் குறைத்து, பிழைகளைத் தணித்து, ஒட்டுமொத்த செயல்திறனையும் மேம்படுத்துகிறது.
6.3. கட்டுப்பாட்டு வளையங்களின் உகப்பாக்கம்
செயல்முறையைத் தீவிரமாகக் கட்டுப்படுத்தும் ஒரு அமைப்பில் உணரிகளும் முன்கணிப்பு மாதிரிகளும் ஒருங்கிணைக்கப்படும்போது, அவற்றின் முழு மதிப்பும் வெளிப்படுகிறது. இதில், கட்டுப்பாட்டு வளையங்களைச் சரிசெய்வதற்கான சிறந்த நடைமுறைகளைப் பின்பற்றுவதும், மேம்பட்ட கட்டுப்பாட்டு உத்திகளைச் செயல்படுத்துவதும் அடங்கும்.
கட்டுப்பாட்டு வளைய உகப்பாக்கம் என்பது ஒரு முறையான செயல்முறையாகும். இது செயல்முறையைப் பற்றிய ஆழமான புரிதலுடன் தொடங்கி, கட்டுப்பாட்டு நோக்கத்தை வரையறுத்து, பின்னர் நிகழ்நேரத் தரவைப் பயன்படுத்தி வளையத்தைச் சரிசெய்கிறது. அடுக்குமுறை மற்றும் முன்னோக்குக் கட்டுப்பாடு போன்ற மேம்பட்ட செயல்முறைக் கட்டுப்பாட்டு (APC) உத்திகள், நிலைத்தன்மையையும் துரிதப் பதிலளிப்பையும் மேம்படுத்தப் பயன்படுத்தப்படலாம். தரவிலிருந்து செயலுக்கான சுழற்சியை நிறைவு செய்வதே இதன் இறுதி இலக்காகும்: ஒரு உள்ளமைந்த அகச்சிவப்பு உணரி (NIR sensor) NCO/OH விகிதம் குறித்த நிகழ்நேரத் தரவை வழங்குகிறது, ஒரு முன்கணிப்பு மாதிரி அதன் விளைவை முன்னறிவிக்கிறது, மேலும் கட்டுப்பாட்டு வளையம் இந்தத் தகவலைப் பயன்படுத்தி ஐசோசயனேட் ஊட்டப் பம்பைத் தானாகவே சரிசெய்து, உகந்த விகிதத்தைப் பராமரித்து, மாறுபாடுகளை நீக்குகிறது. வளையத்தின் செயல்திறனைத் தொடர்ச்சியாகக் கண்காணிப்பது, விலகலைக் கண்டறியவும், உணரிச் சிக்கல்களை அடையாளம் காணவும், செயல்முறை செயல்திறன் குறைவதற்கு முன்பு எப்போது மீண்டும் சரிசெய்ய வேண்டும் என்பதைத் தீர்மானிக்கவும் மிகவும் முக்கியமானது.
VII. வழக்கு ஆய்வுகள் மற்றும் சிறந்த நடைமுறைகள்
மேம்பட்ட கண்காணிப்பு மற்றும் அளவுசார் மாதிரியாக்கத்தின் நன்மைகள் வெறும் கோட்பாட்டு ரீதியானவை அல்ல; அவை நிஜ உலக வெற்றிகள் மற்றும் அளவிடக்கூடிய முதலீட்டுப் பலன்களால் (ROI) உறுதிப்படுத்தப்பட்டுள்ளன. தொழில்துறைத் தலைவர்களின் அனுபவங்கள், டிஜிட்டல்மயமாக்கலுக்கான மதிப்புமிக்க பாடங்களையும் வலுவான வணிக அடிப்படையையும் வழங்குகின்றன.
7.1. தொழில்துறை தலைவர்களிடமிருந்து கற்றுக்கொண்ட பாடங்கள்
முக்கிய இரசாயன நிறுவனங்களின் டிஜிட்டல்மயமாக்கல் முயற்சிகள் ஒரு தெளிவான போக்கைக் காட்டுகின்றன: வெற்றி என்பது துண்டு துண்டான அணுகுமுறையிலிருந்து வருவதல்ல, மாறாக ஒரு முழுமையான, தொடக்கத்திலிருந்து இறுதி வரையிலான உத்தியிலிருந்தே வருகிறது.
டுபாண்ட்:நிலையற்ற சந்தையில் ஒரு மீள்திறன் கொண்ட விநியோகச் சங்கிலியின் தேவையை உணர்ந்து, 'என்ன நடந்தால் என்ன' என்ற சூழ்நிலைகளை மாதிரியாக்குவதற்காக ஒரு பிரத்யேக டிஜிட்டல் தளத்தை அவர்கள் செயல்படுத்தினர். இது, அவர்கள் புத்திசாலித்தனமான வணிக முடிவுகளை எடுக்கவும், மேம்படுத்தப்பட்ட முன்கணிப்புத் திறன்களுடன் 1,000-க்கும் மேற்பட்ட தயாரிப்புகளைத் திறம்பட விநியோகிக்கவும் உதவியது. விநியோகச் சங்கிலி முதல் செயல்பாடுகள் வரையிலான பல்வேறு அமைப்புகளை ஒரு மையப்படுத்தப்பட்ட தளத்துடன் இணைப்பது, முழு மதிப்புச் சங்கிலியின் ஒரு விரிவான பார்வையை வழங்குகிறது என்பதே இதிலிருந்து நாம் கற்றுக்கொள்ளும் பாடம்.
கோவெஸ்ட்ரோ:விரிதாள்களைச் சார்ந்திருக்கும் நிலையிலிருந்து விலகி, திட்டத் தரவுகளுக்கு ஒரு மையப்படுத்தப்பட்ட "ஒற்றை உண்மை மூலத்தை" உருவாக்கும் நோக்கில், ஒரு உலகளாவிய பெருநிறுவன எண்ணிமமயமாக்கல் உத்தி தொடங்கப்பட்டது. இந்த ஒருங்கிணைந்த அணுகுமுறை, முன்பு கைமுறையாகத் தரவு சேகரிப்பு மற்றும் சரிபார்ப்பிற்காகச் செலவிடப்பட்ட நேரத்தில் 90%-ஐ மிச்சப்படுத்தியதுடன், நம்பகத்தன்மையையும் கணிசமாக அதிகரித்தது. மேலும், இந்நிறுவனம் எண்ணிமமயமாக்கலைப் பயன்படுத்தி, புதிய தயாரிப்புகளை விரைவாக உருவாக்கவும், தயாரிப்புத் தரம் மற்றும் உற்பத்தி இலாபத்தை அதிகரிக்கவும் செய்தது.
SABIC:மூலப்பொருட்களின் தரம், செயல்முறை அளவுருக்கள் மற்றும் சுற்றுச்சூழல் நிலைமைகளை டிஜிட்டல் முன்கணிப்புக் கருவிகளில் ஒருங்கிணைக்கும் ஒரு நிறுவனம் தழுவிய டிஜிட்டல் செயல்பாட்டுத் தளம் நிறுவப்பட்டது. உதாரணமாக, ஒரு செயற்கை நுண்ணறிவு அடிப்படையிலான சொத்துப் பராமரிப்புத் தீர்வு, உலகெங்கிலும் உள்ள அதன் ஆலைகளில் செயல்பட்டு, முக்கிய உபகரணங்களில் ஏற்படக்கூடிய பழுதுகளை முன்கணித்து, செயலூக்கமான பராமரிப்பை மேற்கொள்ள உதவுகிறது. இந்த முழுமையான அணுகுமுறை, ஆற்றல் திறன், சொத்து நம்பகத்தன்மை மற்றும் செயல்பாட்டுத் தடம் ஆகியவற்றில் மேம்பாடுகளை ஏற்படுத்தியுள்ளது.
7.2. முதலீட்டின் மீதான வருவாய் மற்றும் உறுதியான நன்மைகள்
இந்தத் தொழில்நுட்பங்களில் செய்யப்படும் முதலீடு, தெளிவான மற்றும் கணிசமான வருவாயைத் தரும் ஒரு உத்திசார்ந்த வணிக முடிவாகும். பல்வேறு தொழில்துறைகளிலிருந்து எடுக்கப்பட்ட நிகழ்வு ஆய்வுகள், அதன் நிதி மற்றும் செயல்பாட்டு நன்மைகளுக்கு வலுவான சான்றை வழங்குகின்றன.
முன்கணிப்பு பகுப்பாய்வு:AVEVA முன்கணிப்புப் பகுப்பாய்வு மென்பொருளானது, 24 மாதங்களுக்குள் 37 மில்லியன் டாலர் வரையிலான செயல்திறன் சேமிப்பை அடைவதாகவும், தொடர்ச்சியான பராமரிப்புச் செலவுகளில் 10% குறைப்பை ஏற்படுத்துவதாகவும், மற்றும் ஆண்டுதோறும் 3,000 மணிநேரப் பராமரிப்பை நீக்குவதாகவும் நிரூபிக்கப்பட்டுள்ளது. ஒரு எண்ணெய் மற்றும் எரிவாயு நிறுவனம், உபகரணங்களில் உள்ள கோளாறுகளைக் கண்டறிய கிளவுட் தொழில்நுட்பத்தில் இயங்கும் முன்கூட்டிய எச்சரிக்கை அமைப்பைப் பயன்படுத்தி 33 மில்லியன் டாலரைச் சேமித்தது. ஒரு சுத்திகரிப்பு நிறுவனத்தின் திட்டம், முதலீட்டின் மீதான வருவாயை (ROI) 3 மடங்காக உயர்த்தியதுடன், அரிப்பு கண்காணிப்பு இடங்களின் எண்ணிக்கையை 27.4% பாதுகாப்பாகக் குறைத்தது.
செயல்திறன் மேம்பாடுகள்:ஒரு சிறப்பு இரசாயன உற்பத்தியாளர், செயல்பாட்டுச் செலவுகளைக் குறைப்பதிலும் உற்பத்தி முன்கணிப்புத்தன்மையை மேம்படுத்துவதிலும் சவால்களை எதிர்கொண்டார். மேம்பாட்டு வாய்ப்புகளைக் கண்டறிய ஒரு விரிவான பகுப்பாய்வைச் செயல்படுத்தியதன் மூலம், அவர்கள் மூலப்பொருளின் அலகு விளைச்சலில் முன்னேற்றங்கள் மற்றும் அலகு உற்பத்தியில் அதிகரிப்புடன், குறிப்பிடத்தக்க 2.7:1 முதலீட்டுப் பலனை (ROI) அடைந்தனர்.
பாதுகாப்பு மற்றும் தளவாடங்கள்:பாதுகாப்புத் தணிக்கைகளில் மீண்டும் மீண்டும் தோல்வியடைந்த ஒரு எரிவாயு ஆலை, தானியக்கமயமாக்கல் மூலம் வெளியேற்றம் மற்றும் ஆள்சேர்ப்பு நேரங்களை 70% குறைக்க முடிந்தது. SABIC-இன் டிஜிட்டல் தளம், முன்பு நான்கு நாட்கள் எடுத்த கைமுறை ஆவணப்படுத்தல் செயல்முறைகளைத் தானியக்கமாக்கி, அந்த நேரத்தை வெறும் ஒரு நாளாகக் குறைத்தது; இதன்மூலம் முக்கியத் தடைகள் நீக்கப்பட்டு, தாமதக் கட்டணங்களும் தவிர்க்கப்பட்டன.
முன்மொழியப்பட்ட உத்திகள் ஒரு கருத்தியல் அல்ல, மாறாக அதிக இலாபம், செயல்திறன் மற்றும் பாதுகாப்பை அடைவதற்கான நிரூபிக்கப்பட்ட, அளவிடக்கூடிய ஒரு வழி என்பதை இந்த முடிவுகள் நிரூபிக்கின்றன.
7.3. கோட்பாட்டு வழக்கு ஆய்வு: NCO/OH விகிதத்தை உகந்ததாக்குதல்
PU உற்பத்தியில் உள்ள ஒரு பொதுவான, செலவுமிக்க சிக்கலைத் தீர்ப்பதற்கு, இந்த அறிக்கை முழுவதும் முன்வைக்கப்பட்டுள்ள கருத்துக்களை எவ்வாறு ஒரே, சீரான விவரிப்பில் பயன்படுத்தலாம் என்பதை இந்த இறுதி ஆய்வு எடுத்துக்காட்டுகிறது.
சூழ்நிலை:PU பூச்சுகளைத் தயாரிக்கும் ஒரு நிறுவனம், அதன் இறுதித் தயாரிப்பின் கடினத்தன்மை மற்றும் உலரும் நேரம் ஆகியவற்றில் தொகுதிக்குத் தொகுதி முரண்பாடுகளை எதிர்கொள்கிறது. வழக்கமான ஆய்வகச் சோதனைகள், தொகுதியைக் காப்பாற்றும் வகையில் சரியான நேரத்தில் சிக்கலைக் கண்டறிய மிகவும் மெதுவாகச் செயல்படுவதால், கணிசமான மூலப்பொருள் வீணாகிறது. ஏற்ற இறக்கமான NCO/OH விகிதமே இதற்குக் காரணம் என அக்குழு சந்தேகிக்கிறது.
தீர்வு:
நிகழ்நேரக் கண்காணிப்பு:NCO/OH விகிதத்தைத் தொடர்ந்து கண்காணிப்பதற்காக, அந்தக் குழு ஊட்டக் குழாயில் ஒரு நிகழ்நேர NIR நிறமாலையியல் உணரியைப் பொருத்துகிறது.2இந்த சென்சாரிலிருந்து வரும் தரவுகள் ஒரு டேட்டா ஹிஸ்டோரியனுக்கு அனுப்பப்பட்டு, இந்த முக்கியமான அளவுருவின் தொடர்ச்சியான, துல்லியமான பதிவை வழங்குகிறது.
அளவுசார் மாதிரியாக்கம்:வரலாற்று NIR தரவுகளைப் பயன்படுத்தி, NCO/OH விகிதத்திற்கும் இறுதிப் பொருளின் கடினத்தன்மை மற்றும் பதப்படுத்தும் நேரத்திற்கும் இடையிலான துல்லியமான தொடர்பை நிறுவும் ஒரு RSM மாதிரியை இந்தக் குழு உருவாக்குகிறது. இந்த மாதிரி, விரும்பிய பண்புகளை அடைவதற்கான உகந்த விகிதத்தைத் தீர்மானிக்கவும், ஒரு தொகுதி உலையில் இருக்கும்போதே அதன் இறுதித் தரத்தைக் கணிக்கவும் அவர்களுக்கு உதவுகிறது.
செயற்கை நுண்ணறிவு மூலமான முறைகேடு கண்டறிதல்:NIR சென்சாரிலிருந்து வரும் தரவுத் தொடரில் ஒரு AI முரண்பாடு கண்டறியும் மாதிரி பயன்படுத்தப்படுகிறது. இந்த மாதிரி, NCO/OH விகிதத்திற்கான இயல்பான இயக்க முறையைக் கற்றுக்கொள்கிறது. கற்றுக்கொண்ட இந்த முறையிலிருந்து ஒரு சிறிய, படிப்படியான விலகலைக் கண்டறிந்தால்கூட, அது உற்பத்திக் குழுவிற்கு ஒரு முன்கூட்டிய எச்சரிக்கையை அனுப்புகிறது. இதன்மூலம், வழக்கமான ஆய்வக மாதிரிகள் மூலம் ஒரு சிக்கல் கண்டறியப்படுவதற்குப் பல வாரங்களுக்கு முன்பே ஒரு எச்சரிக்கை கிடைக்கிறது.
தானியங்கு செயல்முறைக் கட்டுப்பாடு:இறுதிக் கட்டம் என்பது சுழற்சியை நிறைவு செய்வதாகும். NIR சென்சாரிலிருந்து வரும் நிகழ்நேரத் தரவைப் பயன்படுத்தி, ஐசோசயனேட்டிற்கான ஊட்டப் பம்பைத் தானாகவே சரிசெய்யும் ஒரு முன்கணிப்புக் கட்டுப்பாட்டு அமைப்பு செயல்படுத்தப்படுகிறது. இது மனிதத் தலையீட்டை நீக்கி, வினை முழுவதும் NCO/OH விகிதம் உகந்த மதிப்பில் பராமரிக்கப்படுவதை உறுதிசெய்து, மாறுபாட்டை அகற்றி, சீரான தரத்திற்கு உத்தரவாதம் அளிக்கிறது.
இந்த விரிவான கட்டமைப்பைப் பயன்படுத்துவதன் மூலம், உற்பத்தியாளர், குறைபாடுகளால் ஏற்படும் எதிர்வினை சார்ந்த உற்பத்தி மாதிரியிலிருந்து, முன்கூட்டியே செயல்படும் தரவு சார்ந்த மாதிரிக்கு மாற முடியும். இதன்மூலம், ஒவ்வொரு தொகுதியும் தர நிர்ணயங்களைப் பூர்த்தி செய்வதை உறுதிசெய்து, கழிவுகளைக் குறைத்து, ஒட்டுமொத்த இலாபத்தையும் மேம்படுத்திக்கொள்ள முடியும்.
பதிவிட்ட நேரம்: செப்-08-2025
