تاثیر هوش مصنوعی در بومی‌سازی ماشین‌آلات معدنی و راه‌سازی در ایران

‌می‌متالز - مقاله «فرشاد ابراهیم‌نژاد» مجری طرح ساماندهی تجهیزات و ماشین‌آلات معدنی: بومی‌سازی تجهیزات معدنی می‌تواند گام بلندی در استقلال صنعتی کشور برداشته و همچنین این شرایط می‌تواند صرفه‌جویی در هزینه تعمیر، نگهداری و واردات را فراهم آورد. در این میان هوش مصنوعی (AI) به عنوان یک فناوری پیشرفته، می‌تواند نقش کلیدی در سرعت‌بخشی، بهینه‌سازی و افزایش کیفیت فرآیند بومی‌سازی ایفا کند.

تعریف هوش مصنوعی (AI) Artificial intelligence:

هوش مصنوعی به معنای توانایی کامپیوتر‌ها و ماشین‌ها برای یادگیری، تصمیم گیری و حل مساله شبیه انسان است.

به زبان ساده هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و روش‌های محاسباتی است که به سیستم‌های کامپیوتری این توانایی را می‌دهد که شبیه انسان یاد بگیرند، تصمیم‌گیری کنند، الگو پیدا کنند و پیش‌بینی انجام دهند.

مثال ساده‌تر:

• بازکردن قفل گوشی با تشخیص چهره (face id)؛
• انتخاب مسیر بهینه توسط گوگل مپ؛
• تحلیل داده‌های عملکردی ماشین‌آلات معدنی و پیش‌بینی خرابی‌ها.

نقش هوش مصنوعی در صنعت ماشین‌آلات معدنی

• طراحی و مهندسی معکوس با کمک الگوریتم‌های یادگیری ماشین؛
• عیب‌یابی و پیش‌بینی خرابی دستگاه‌های معدنی؛
• بهینه‌سازی مصرف انرژی و سوخت در ماشین‌آلات؛
• ارتقاء ایمنی عملیات معدنی و کاهش ریسک حوادث.

سوال کلیدی

آیا هوش مصنوعی در صنعت ماشین‌آلات معدنی ایران کاربردی است یا خیر؟

در نگاه اول به دلیل محدودیت‌های زیرساختی، کمبود داده و ضعف در انتقال فناوری، ممکن است تصور شود هوش مصنوعی در ایران کاربرد کم‌تری دارد.

اما واقعیت این است که در شرایطی که کشور با تحریم و وابستگی به واردات قطعات مواجه است هوش مصنوعی می‌تواند یکی از کارآمد‌ترین ابزار‌ها برای تسریع فرآیند بومی‌سازی باشد.

در بسیاری از حوزه‌ها مانند عیب‌یابی تجهیزات، مهندسی معکوس، بهینه‌سازی مصرف انرژی، طراحی قطعات و دیجیتال‌سازی خطوط تولید، حتی با امکانات موجود در ایران نیز قابلیت پیاده‌سازی وجود دارد؛ بنابراین پاسخ این سوال مثبت است؛ هوش مصنوعی نه تنها کاربردی است بلکه می‌تواند مزیت رقابتی اصلی برای بومی‌سازی ماشین‌آلات معدنی در ایران محسوب شود.

نقش هوش مصنوعی در صنعت ماشین‌آلات معدنی (با توضیحات و مثال‌های خارج از کشور)

۱- عیب‌یابی و پیش‌بینی خرابی

در استرالیا شرکت Rio Tinto با نصب سنسور‌های هوشمند روی دامپتراک‌ها و بیل‌های مکانیکی توانسته است با استفاده از هوش مصنوعی زمان دقیق خرابی‌ها را پیش‌بینی کند و هزینه‌های نگهداری را تا ۱۵% کاهش دهد.

این تجربه نشان می‌دهد در ایران هم می‌توان با نصب حسگر روی ماشین‌آلات وارداتی و تحلیل داده‌ها، به جای تعمیرات پرهزینه و واردات قطعات، از پیش‌بینی و تعمیر به موقع استفاده کرد.

۲- بهینه‌سازی مصرف سوخت و انرژی

شرکت Caterpillar الگوریتم‌های هوش مصنوعی را برای تنظیم هوشمند موتور‌های دیزلی دامپتراک‌ها به کار گرفته است که باعث کاهش ۱۰ تا ۱۲ درصدی مصرف سوخت شده است.

برای کشور ایران که واردکننده سوخت گران‌قیمت دیزل در معدن است چنین الگوریتم‌هایی می‌تواند به راحتی بومی‌سازی و پیاده سازی شود.

۳- مدل‌سازی دیجیتال “Digital Twin”

در فنلاند شرکت Sandvik از "دو قلوی دیجیتال" برای طراحی و شبیه‌سازی قطعات حفاری استفاده کرده است این مدل‌ها پیش از ساخت واقعی، عملکرد قطعات را در شرایط واقعی معدن شبیه‌سازی می‌کنند.

در ایران هم می‌توان قبل از تولید قطعات حساس مثل چرخدنده با سیستم هیدرولیک، نسخه دیجیتال را طراحی و تست کرد تا هزینه‌های آزمایش فیزیکی کاهش یابد.

۴- ایمنی و کاهش ریسک عملیات معدنی

در کانادا شرکت Barrick Gold از سیستم بینایی ماشین “Computer Vision” مبتنی بر AI برای شناسایی مناطق پرخطر در معادن رو باز استفاده می‌کنند.

این سیستم‌ها با پردازش تصویر ماهواره‌ای و دوربین‌های معدن، ریزش یا شکست احتمالی دیواره معدن را پیش‌بینی می‌کنند. چنین الگوریتم‌هایی می‌تواند در معادن روباز ایران مانند معدن مس سرچشمه، گل‌گهر و ... جان صد‌ها معدن‌کار را نجات دهد.

مطالعات موردی بین‌المللی با جزئیات

۱- چین: کشور چین با توسعه سیستم‌های هوشمند در معادن زغال سنگ توانست وابستگی خود را به واردات کاهش دهد. این کشور که یکی از بزرگ‌ترین مصرف‌کنندگان ماشین‌آلات دنیاست با اتکا به هوش مصنوعی توانسته است:

• کامیون‌های معدنی بدون راننده در معادن زغال سنگ راه‌اندازی کند؛
• سیستم‌های هوشمند کنترل حفاری را برای افزایش سرعت استخراج به کار گیرد؛
• نتیجه آن کاهش۲۰% هزینه‌های عملیاتی و کاهش وابستگی به ماشین‌آلات وارداتی غربی.

۲- هند: کشور هند با استفاده از تحلیل داده و هوش مصنوعی در طراحی قطعات ماشین‌آلات معدنی بخش بزرگی از نیاز داخلی خود را تأمین کرده است.

هند با استفاده از AI و یادگیری ماشین شرکت Coal India Limited را دیجیتال کرده است این شرکت با ایجاد پایگاه داده عملکرد، تجهیزات توانسته است قطعات حساس مثل موتور‌های برقی و سیستم‌های هیدرولیک را بومی‌سازی کند.

نتیجه: صرفه‌جویی بیش از ۵۰۰ میلیون دلار هزینه واردات تجهیزات معدنی طی ۵ سال.

۳- روسیه: کشور روسیه نیز با بهره‌گیری از شبیه‌سازی دیجیتال توانسته بخش قابل‌توجهی از ماشین‌آلات معدنی را بومی‌سازی کند.

روسیه به دلیل تحریم‌ها مجبور شد به سمت بومی‌سازی حرکت کند در شرکت Norilsk Nickel با کمک الگوریتم‌های شبیه‌سازی دیجیتال و یادگیری عمیق، تولیدات داخلی قطعات دامپتراک‌های ۱۳۰ تنی را آغاز کردند.

نتیجه: کاهش ۳۰% وابستگی به قطعات غربی در ۳ سال.

۴- استرالیا: کشور استرالیا با هوشمندسازی ماشین‌آلات خود اپراتور‌ها یا رانندگان را از گردنه خارج نموده است.

شرکت BHP Billiton استرالیا در معادن سنگ آهن خود کامیون‌های هوشمند خودران را جایگزین رانندگان کرده است؛ این کامیون‌ها توسط هوش مصنوعی هدایت می‌شوند و داده‌های مربوط به بارگیری و مسیر را به صورت لحظه‌ای تحلیل می‌کنند.

نتیجه: افزایش بهره‌وری حمل مواد تا ۲۵%و کاهش هزینه‌های انسانی.

جمع‌بندی تقویت‌شده

این نمونه‌ها نشان می‌دهد که هوش مصنوعی دیگر یک فناوری لوکس یا آینده‌نگرانه نیست، بلکه یک ابزار عملیاتی و استراتژیک برای کشور‌هایی است که به دنبال بومی‌سازی و کاهش وابستگی هستند.

برای کشور ایران، استفاده از تجربیات چین، روسیه و هند که شرایط مشابهی در محدودیت واردات دارند، می‌تواند مسیر راهبردی موفقی باشد.

هوش مصنوعی در بومی‌سازی ماشین‌آلات معدنی و راه‌سازی

هوش مصنوعی می‌تواند در فرآیند بومی‌سازی این ماشین‌آلات نقش کلیدی ایفا کند.

۱- مهندسی معکوس هوشمند

با استفاده از اسکن سه بعدی و الگوریتم‌های یادگیری ماشین، می‌توان مدل قطعات پیچیده را بازسازی و حتی بهینه‌تر از نسخه اصلی طراحی کرد.

مثلا روسیه از AI برای باز طراحی موتور دامپتراک‌های بلاروسی (Belaz) استفاده کرده است.

۲- تحلیل داده‌های عملکردی

داده‌های واقعی از کارکرد دامپتراک‌ها در معادن ایران جمع‌آوری می‌شود و AI با تحلیل آن‌ها نقاط ضعف قطعات وارداتی را شناسایی می‌کند.

مثلا چین برای طراحی سیستم تعلیق کامیون‌های معدنی هوشمند از داده‌های میدانی هزاران کامیون استفاده کرد.

۳- بهینه‌سازی تولیدات داخلی

در خطوط تولید داخلی هوش مصنوعی می‌تواند فرآیند‌های جوشکاری، ریخته‌گری و ماشین‌کاری قطعات بزرگ را کنترل کند و کیفیت را افزایش دهد.

مثلا شرکت لیبهر آلمان از AI در کنترل کیفی قطعات ریخته‌گری سنگین استفاده می‌کند.

۴- ایمنی و نگهداری هوشمند

در بومی‌سازی ماشین‌آلات AI می‌تواند سیستم‌های نظارت هوشمند روی موتور، گیربکس و سیستم ترمز را طراحی کند تا قبل از خرابی هشدار دهد.

این موضوع برای دامپتراک‌های سنگین حیاتی است، چون توقف یک دستگاه می‌تواند تولید کل معدن را مختل کند.

۵- بومی‌سازی ماشین‌آلات راه‌سازی (لودرها، بولدوزر‌ها و گریدرها)

AI در طراحی بهینه سیستم‌های هیدرولیک و موتور‌های کم‌مصرف نقش کلیدی دارند.

در هند الگوریتم‌های AI به شرکت JBC کمک کرد مصرف سوخت لودر‌های بومی‌سازی‌شده را تا ۱۰% کاهش دهد.

جمع‌بندی

بومی‌سازی دامپتراک‌های ۱۳۰ تا ۱۵۰ تنی نیازمند یک استراتژی ترکیبی از مهندسی معکوس، استفاده از داده‌های میدانی و هوش مصنوعی است.

هوش مصنوعی می‌تواند زیان و هزینه بومی‌سازی را به شکل چشم‌گیری کاهش دهد و کیفیت محصول نهایی را به استاندارد جهانی نزدیک کند.

در بخش ماشین‌آلات راه‌سازی و معدنی سبک‌تر نیز AI می‌تواند به بهبود طراحی موتور، کاهش مصرف سوخت، افزایش عمر قطعات و ارتقاء ایمنی کمک کند.

چرا AI در صنعت ماشین‌آلات معدنی مهم است؟

چون با کمک آن می‌توانیم قبل از خراب شدن دامپتراک یا لودر، خرابی را پیش‌بینی کنیم. هزینه تعمیر را کاهش دهیم.

می‌توانیم مصرف سوخت ماشین‌آلات را کم‌تر کنیم و بهره‌وری را بالا ببریم.

در فرآیند بومی‌سازی AI کمک می‌کند قطعات پیچیده مثل موتور و گیربکس برا دقیق‌تر طراحی و شبیه‌سازی کنیم.

یعنی هوش مصنوعی می‌تواند هم در ساخت داخل و هم در بهره‌برداری از ماشین‌آلات یک ابزار کلیدی باشد.

توان فعلی کشور در بومی‌سازی ماشین‌آلات راه‌سازی و معدنی

۱- بومی‌سازی دامپتراک‌های سنگین

ساخت دامپتراک‌های ۱۵۰ تنی تمام برقی

دامپتراک ۱۵۰ تنی بومی‌سازی‌شده (بخش کنترل مرکزی، شاسی، اتاق بار، کابین راننده و بخشی از سیستم هیدرولیک)

• نخستین نمونه دامپتراک ۱۵۰ تنی با رانش تمام برقی برای اولین بار در ایران بومی‌سازی شد. این دستاورد حاصل دو سال تلاش و همکاری یک تیم متخصص ایرانی در شرکت فنی مهندسی گهر صنعت که در سال ۱۴۰۱ در نمایشگاه ماشین‌آلات معدنی و راه‌سازی زنجان رونمایی شد و کشور ایران را جزو معدود کشور‌های دارنده فناوری ساخت کامیون‌های غول پیکر قرار داد؛
• مهم‌ترین و پیچیده‌ترین بخش این غول معدنی، «سیستم کنترل مرکزی» آن است که به عنوان مغز متفکر دامپتراک عمل می‌کند؛ این سامانه پیشرفته، مسوولیت هماهنگی بین برق تولیدی ژنراتور و فرامین اپراتور را بر عهده دارد و توان الکتریکی را از طریق کابل‌ها به موتور‌های درون چرخ‌ها (ترکشن موتور) هدایت می‌کند؛
• این بخش حیاتی، به طور کامل در داخل کشور توسعه یافته است؛
• علاوه بر این، بخش‌های دیگری مانند شاسی، اتاق بار، کابین راننده و بخشی از سیستم هیدرولیک نیز با تکیه بر توان داخلی طراحی و ساخته شده‌اند.

قرارداد مهندسی و ساخت دامپتراک ۱۳۶ تنی

نمونه دامپتراک ۱۳۶ تنی بومی‌سازی‌شده توسط شرکت ملی صنایع مس ایران و شرکت مپنا (۶۵ درصد بومی‌سازی‌شده)

ایران قرارداد مهندسی و ساخت اولین دامپتراک ۱۳۶ تنی الکترومکانیکال AC-AC بومی‌سازی‌شده را بین گروه مپنا و شرکت ملی صنایع مس ایران به امضاء رسانیده است. عمق ساخت داخل پیش‌بینی‌شده حدود ۶۵ درصد است.

رونمایی از دامپتراک ۶۰ تنی بومی‌سازی‌شده

نمونه دامپتراک ۶۰ تنی که توسط شرکت ایمیدرو و گل‌گهر بومی‌سازی‌شده

پروژه بومی‌سازی‌شده دامپتراک ۶۰ تنی با راهبری ایمیدرو و کارفرمایی شرکت گل‌گهر به سرانجام رسید و وزیر صمت از آن رونمایی کرد. ساخت داخل هر دستگاه دامپتراک در داخل کشور موجب صرفه‌جویی به میزان ۴۰۰ هزار یورو می‌شود.

۲- بومی‌سازی ماشین‌آلات راه‌سازی

بومی‌سازی ۴۰ درصدی ماشین‌آلات راه‌سازی

رئیس انجمن تولید کنندگان و وارد کنندگان ماشین‌آلات راه‌سازی با بیان اینکه میانگین عمق ساخت داخل ماشین‌آلات سنگین در کشور ۴۰ درصد است گفت تولید داخل جواب‌گوی نیاز کشور نیست.

فرسودگی ۱۷ هزار دستگاه ماشین‌آلات راه‌سازی و معدنی

بر اساس آمار وزارت صمت حدود ۱۷ هزار دستگاه ماشین‌آلات فرسوده معدنی و راه‌سازی در کشور وجود دارد که باید از رده خارج و ماشین‌آلات نو جایگزین آن‌ها شوند.

صرفه‌جویی ۱/۷ میلیارد دلاری با بومی‌سازی تجهیزات معدنی

رئیس هیأت عامل ایمیدرو گفت: با اجرای برنامه‌های بومی‌سازی بیش از یک میلیاردوهفتصد میلیون دلار در سه سال گذشته صرفه‌جویی ارزی به دست آمده است.

بومی‌سازی سامانه‌های توزین صنایع معدنی

یک شرکت دانش‌بنیان با بومی‌سازی و کرنش‌سنجی در سال ۵۰۰ هزار دلار از واردات و ارزبری جلوگیری می‌کند.

ضرورت ورود به هوش مصنوعی در بومی‌سازی ماشین‌آلات معدنی و راه‌سازی

۱- افزایش بهره‌وری و کاهش هزینه‌ها: همان طور که گفتیم ماشین‌آلات معدنی سنگین مانند دامپتراک ۱۳۰ تا ۱۵۰ تن هزینه نگهداری بالایی دارند هوش مصنوعی با پیش‌بینی خرابی‌ها و بهینه‌سازی مصرف سوخت می‌تواند هزینه‌های تعمیر و نگهداری را به شکل چشم‌گیری کاهش دهد.

۲- سرعت بخشیدن به فرآیند بومی‌سازی طراحی و تولید قطعات پیچیده بدون شبیه‌سازی دیجیتالی و تحلیل داده، زمان‌بر و پرهزینه است و هوش مصنوعی امکان شبیه‌سازی و مهندسی معکوس هوشمند را فراهم می‌کند بنابراین روند بومی‌سازی سریع‌تر می‌شود.

۳- ارتقاء کیفیت و ایمنی می‌تواند نظارت لحظه‌ای بر عملکرد قطعات و سیستم‌های هیدرولیکی و الکتریکی ماشین‌آلات داشته باشد.

نتیجه: افزایش ایمنی و کاهش ریسک حوادث.

۴- مدیریت داده‌های عملیاتی: معادن و پروژه‌های بزرگ حجم عظیمی از داده‌ها را تولید می‌کنند (عملکرد موتور، بار، شیب مسیر، دما و لرزش).

• بدون AI تحلیل دستی این داده‌ها غیرممکن است؛
• AI کمک می‌کند تصمیم‌گیری بر پایه داده‌ها و بهینه‌سازی-استراتژی انجام شود.

۵- رقابت‌پذیری و استقلال صنعتی: کشور‌های صنعتی مانند چین، هند و روسیه با بهره‌گیری از هوش مصنوعی توانسته‌اند وابستگی خود به واردات ماشین‌آلات را کاهش دهند.

• برای کشور ایران ورود به این مسیر به معنی حفظ رقابت‌پذیری، کاهش ارزبری، ایجاد مزیت صنعتی و توسعه پایدار است.

نتیجه‌گیری

هوش مصنوعی امروزه به یکی از مهم‌ترین ابزار‌های تحول در صنعت معدن و بومی‌سازی ماشین‌آلات معدنی تبدیل شده است. این فناوری با تحلیل داده‌های پیچیده، شبیه‌سازی شرایط کاری و یادگیری از عملکرد تجهیزات توانسته فرآیند طراحی، ساخت و نگهداری ماشین‌آلات را متحول کند و نقش مهمی در کاهش وابستگی به خارج ایفا کند. در فرآیند بومی‌سازی هوش مصنوعی باعث تسریع طراحی، بهینه‌سازی عملکرد، قطعات، پیش‌بینی خرابی‌ها و افزایش بهره‌وری تجهیزات می‌شود و در نتیجه هزینه‌ها را کاهش و کارایی را افزایش می‌دهد.

در کشور ما، شرکت‌هایی نظیر گهر صنعت، هپکو، ایمیدرو و برخی مراکز تحقیقاتی دانشگاهی گام‌های ابتدایی، اما موثر در استفاده از الگوریتم‌های هوش مصنوعی برای طراحی قطعات سیستم‌های کنترل و تحلیل داده‌های عملکردی ماشین‌آلات برداشته‌اند. هر چند این مسیر هنوز در مراحل آغازین خود قرار دارد، اما زیرساخت دانشی و نیروی انسانی متخصص به تدریج در حال شکل‌گیری است و می‌توان آینده‌ای روشن برای بومی‌سازی هوشمند ماشین‌آلات معدنی در ایران متصور بود.

ضرورت ورود جدی به عرصه هوش مصنوعی در صنعت معدن امروز بیش از هر زمان دیگری احساس می‌شود، استفاده هدفمند از این فناوری نه تنها موجب کاهش وابستگی به واردات و ارتقاء سطح دانش فنی داخلی می‌گردد، بلکه زمینه‌ساز توسعه فناوری‌های نوین هم‌چون دامپتراک‌های برقی و سیستم‌های حفاری هوشمند نیز خواهد بود؛ در واقع هوش مصنوعی می‌تواند کشور را از مرحله مونتاژ و مهندسی معکوس به مرحله طراحی و توسعه مستقل فناوری ارتقاء دهد.

با این حال مسیر توسعه و بهره‌گیری از هوش مصنوعی در بومی‌سازی ماشین‌آلات معدنی خالی از چالش نیست و نبود داده‌های دقیق و استاندارد برای آموزش مدل‌ها، کمبود نیروی انسانی متخصص میان رشته‌ای، محدودیت زیرساخت‌های محاسباتی و مقاومت سازمانی در برابر فناوری‌های نو از جمله موانعی هستند که باید با برنامه‌ریزی دقیق و همکاری نهاد‌های صنعتی و علمی برطرف شوند.

در جمع‌بندی می‌توان گفت هوش مصنوعی قلب تپنده آینده بومی‌سازی در حوزه ماشین‌آلات معدنی است. با سرمایه‌گذاری هوشمند، تربیت نیروی انسانی متخصص و ایجاد بستر‌های همکاری میان صنعت و دانشگاه می‌توان از ظرفیت عظیم این فناوری برای توسعه پایدار، افزایش بهره‌وری و ارتقاء جایگاه فناورانه کشور در عرصه معدن استفاده کرد.