ပိုလီယူရီသိန်း (PU) အပေါ်ယံလွှာများနှင့် ကော်များ ထုတ်လုပ်ခြင်းသည် ရှုပ်ထွေးပြီး အဆင့်များစွာပါဝင်သော လုပ်ငန်းစဉ်တစ်ခုဖြစ်ပြီး ဓာတုဗေဒဆိုင်ရာ ဓာတ်ပြုမှုများက ထိန်းချုပ်ထားသည်။ ဤပစ္စည်းများအတွက် ဝယ်လိုအားသည် စက်မှုလုပ်ငန်းများတွင် ဆက်လက်တိုးပွားနေသော်လည်း ၎င်းတို့၏ ထုတ်လုပ်မှုသည် ထုတ်ကုန်အရည်အသွေး၊ ထုတ်လုပ်မှုထိရောက်မှုနှင့် အလုံးစုံအကျိုးအမြတ်ကို တိုက်ရိုက်သက်ရောက်မှုရှိသော အဓိကစိန်ခေါ်မှုများစွာကို တင်ပြသည်။ ဤအခြေခံပြဿနာများကို သေချာစွာနားလည်ခြင်းသည် တိုးတက်မှုအတွက် မဟာဗျူဟာကျပြီး လက်တွေ့ကျသော လမ်းပြမြေပုံတစ်ခု ရေးဆွဲရာတွင် အလွန်အရေးကြီးပါသည်။
၁.၁။ မွေးရာပါ ဓာတုဗေဒဆိုင်ရာ ရှုပ်ထွေးမှုနှင့် ပြောင်းလဲမှု- အလျင်အမြန် ပျောက်ကင်းစေသော စိန်ခေါ်မှု
ပိုလီယူရီသိန်းထုတ်လုပ်မှုသည် ပိုလီအောလ်များနှင့် အိုင်ဆိုဆိုင်ယာနိတ်များအကြား ပိုလီထည့်သွင်းမှုတုံ့ပြန်မှုတစ်ခုဖြစ်ပြီး မကြာခဏ မြန်ဆန်ပြီး အပူလွန်ကဲသော လုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ ဤတုံ့ပြန်မှုမှ ထုတ်ပေးသော အမြန်နှုန်းနှင့် အပူသည် တိကျသောထိန်းချုပ်မှုကို အလွန်ခက်ခဲစေသည်။ အပူချိန်၊ စိုထိုင်းဆနှင့် ဓာတ်ကူပစ္စည်းများရှိနေခြင်းကဲ့သို့သော ပြင်ပအချက်များအပေါ် တုံ့ပြန်မှု၏ အာရုံခံနိုင်စွမ်းကြောင့် မူလရှုပ်ထွေးမှုသည် ပိုမိုဆိုးရွားလာသည်။ ဤပတ်ဝန်းကျင်အခြေအနေများ သို့မဟုတ် ပစ္စည်းထည့်သွင်းမှုများတွင် သေးငယ်ပြီး မထိန်းချုပ်နိုင်သော အတက်အကျများသည် ၎င်း၏ ကုသမှုအချိန်နှင့် ရုပ်ပိုင်းဆိုင်ရာစွမ်းဆောင်ရည်အပါအဝင် နောက်ဆုံးထုတ်ကုန်၏ ဂုဏ်သတ္တိများတွင် သိသာထင်ရှားသော ကွဲပြားမှုများကို ဖြစ်ပေါ်စေနိုင်သည်။
ဤအခြေအနေတွင် အခြေခံစိန်ခေါ်မှုတစ်ခုမှာ မြန်ဆန်စွာအခြောက်ခံနိုင်သော PU စနစ်များစွာ၏ "အိုးသက်တမ်းတိုတောင်းခြင်း" ဖြစ်သည်။ ဓာတ်ငွေ့ထုတ်လုပ်မှုနှင့် PU crosslinking ၏ အချိန်အတိုင်းအတာများသည် ရိုးရာလက္ခဏာရပ်နည်းလမ်းများနှင့် တွဲဖက်အသုံးပြုရန် အလွန်တိုတောင်းလွန်းလေ့ရှိသည်။ ၎င်းသည် ဗဟိုအင်ဂျင်နီယာနှင့် စီးပွားရေးပြဿနာတစ်ခုဖြစ်သည်။ ဓာတ်ပေါင်းဖိုမှ နမူနာတစ်ခုကိုယူပြီး ခွဲခြမ်းစိတ်ဖြာရန်အတွက် ဓာတ်ခွဲခန်းသို့ ပို့ဆောင်ခြင်းပါဝင်သော ရိုးရာအရည်အသွေးထိန်းချုပ်မှု (QC) လုပ်ထုံးလုပ်နည်းများသည် မူလကတည်းက ချို့ယွင်းချက်များရှိသည်။ ဓာတ်ခွဲခန်း titration လုပ်ငန်းစဉ်သည် နှေးကွေးပြီး အရေးကြီးသည်မှာ နမူနာ၏ ဓာတုဂုဏ်သတ္တိများသည် ဓာတ်ပေါင်းဖိုမှ ဖယ်ရှားပြီး ပတ်ဝန်းကျင်အခြေအနေများနှင့် ထိတွေ့သည်နှင့် ပြောင်းလဲလာသည်။ ဤနှောင့်နှေးမှုသည် ဓာတ်ခွဲခန်းရလဒ်များသည် ထုတ်လုပ်ပြီးသော အသုတ်တစ်ခု၏ post-mortem ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုဖြစ်သည်။ ဒေတာသည် လုပ်ဆောင်၍မရသည့်အပြင် ဝင်ရောက်စွက်ဖက်ရန် နောက်ကျလွန်းသည်သာမက ထုတ်လုပ်မှုသင်္ဘောအတွင်းရှိ ပစ္စည်း၏အခြေအနေကို ကိုယ်စားမပြုတော့သောကြောင့် တိကျမှုလည်းရှိနိုင်သည်။ PU ဓာတုဗေဒ၏ မြန်ဆန်သော kinetics နှင့် ရိုးရာ၊ နှေးကွေးသော အရည်အသွေးထိန်းချုပ်မှု၏ ဤအခြေခံကျသော သဟဇာတမဖြစ်မှုသည် အဆင့်မြင့်စောင့်ကြည့်ခြင်းနှင့် မော်ဒယ်လ်လုပ်ခြင်းတို့ ဖြေရှင်းရမည့် အဓိကပြဿနာဖြစ်သည်။
၁.၂။ အသုတ်လိုက် မညီညွတ်မှုနှင့် ချို့ယွင်းချက်ဖွဲ့စည်းခြင်း၏ အရင်းခံအကြောင်းရင်းများ
အသုတ်လိုက် မညီညွတ်မှုနှင့် ချို့ယွင်းချက်များ ဖွဲ့စည်းခြင်းသည် ကျပန်းဖြစ်ရပ်များ မဟုတ်ဘဲ အရေးကြီးသော လုပ်ငန်းစဉ် ကန့်သတ်ချက်များကို ထိန်းချုပ်ရာတွင် တိကျမှုမရှိခြင်း၏ တိုက်ရိုက်အကျိုးဆက်ဖြစ်သည်။ နောက်ဆုံးထုတ်ကုန်သည် လုပ်ငန်းစဉ်တစ်လျှောက်လုံး အစိတ်အပိုင်းအချိုး၊ ရောစပ်နည်းစနစ်နှင့် အပူချိန်ပရိုဖိုင်ကို အလွန်ထိခိုက်လွယ်သည်။ ဥပမာအားဖြင့်၊ မသင့်လျော်သော ရောစပ်မှုသည် မညီမျှသော ပျံ့နှံ့နေသော ဖြည့်စွက်ပစ္စည်းများ သို့မဟုတ် မာကျောစေသည့်ပစ္စည်းများကို ဖြစ်ပေါ်စေပြီး "တည်ဆောက်ထားသော ဖိစီးမှုများ" နှင့် နောက်ဆုံးထုတ်ကုန်အတွင်း ချို့ယွင်းချက်များကို ဖြစ်ပေါ်စေနိုင်သည်။
ကုန်ကြမ်းထည့်သွင်းမှု၏ တိကျမှု၊ အထူးသဖြင့် isocyanate (NCO) နှင့် hydroxyl (OH) အုပ်စုများ၏ molar အချိုးသည် အရည်အသွေး ဆက်လက်တည်တံ့မှုကို ထိန်းသိမ်းရန်အတွက် အလွန်အရေးကြီးပါသည်။ ဤ NCO/OH အချိုးသည် နောက်ဆုံးထုတ်ကုန်၏ ဂုဏ်သတ္တိများ၏ တိုက်ရိုက်အဆုံးအဖြတ်ပေးသည့်အရာဖြစ်သည်။ အချိုးမြင့်တက်လာသည်နှင့်အမျှ tensile strength၊ modulus နှင့် hardness ကဲ့သို့သော အဓိက ရုပ်ပိုင်းဆိုင်ရာဂုဏ်သတ္တိများလည်း မြင့်တက်လာပါသည်။ အချိုးသည် ပစ္စည်း၏ viscosity နှင့် curing အပြုအမူကိုလည်း သက်ရောက်မှုရှိသည်။ အပူပရိုဖိုင်ကဲ့သို့သော အခြားအရေးကြီးသော လုပ်ငန်းစဉ်အခြေအနေများသည်လည်း အညီအမျှ အရေးကြီးပါသည်။ အပူမလုံလောက်ခြင်း သို့မဟုတ် မညီမျှခြင်းသည် မညီမညာ curing နှင့် ဒေသတွင်း ကျုံ့ခြင်းကို ဖြစ်စေနိုင်ပြီး၊ တည်ငြိမ်မှုမရှိသော အစိတ်အပိုင်းများသည် ပေါက်ကွဲပြီး ပူဖောင်းများနှင့် အစွန်းအထင်းများ ဖြစ်ပေါ်စေနိုင်သည်။
ချို့ယွင်းချက်၏ မူလအကြောင်းရင်းများကို အသေးစိတ်ခွဲခြမ်းစိတ်ဖြာကြည့်လျှင် တစ်ခုတည်းသော အာရုံခံကိရိယာ သို့မဟုတ် ကန့်သတ်ချက်သည် တိကျသောရောဂါရှာဖွေမှုအတွက် မကြာခဏ မလုံလောက်ကြောင်း ဖော်ပြသည်။ "ဂျယ်မရှိခြင်း သို့မဟုတ် မပျောက်ကင်းနိုင်ခြင်း" ကဲ့သို့သော ပြဿနာသည် ရောစပ်အချိုးအစား မမှန်ကန်ခြင်း၊ အပူမလုံလောက်ခြင်း သို့မဟုတ် မသင့်လျော်သော ရောစပ်မှုကြောင့် ဖြစ်ပေါ်လာနိုင်သည်။ ဤအကြောင်းရင်းများသည် မကြာခဏ အပြန်အလှန်ဆက်စပ်နေပါသည်။ ဥပမာအားဖြင့်၊ အပူချိန်အလွန်နိမ့်ခြင်းသည် ကုသမှုလုပ်ငန်းစဉ်ကို နှေးကွေးစေပြီး ပစ္စည်းအချိုးအစားနှင့်ပတ်သက်သည့် ပြဿနာတစ်ခုအဖြစ် မှားယွင်းစွာ ရောဂါရှာဖွေနိုင်သည်။ မူလအကြောင်းရင်းကို အမှန်တကယ်နားလည်ပြီး ဖြေရှင်းရန်အတွက် ကန့်သတ်ချက်များစွာကို တစ်ပြိုင်နက်တည်း တိုင်းတာရန် လိုအပ်ပါသည်။ ၎င်းတွင် ဖြစ်ပေါ်လာသော ရောဂါလက္ခဏာများမှ အကြောင်းရင်းအမှန်ကို ခွဲခြားသိရှိရန် မတူညီသောရင်းမြစ်များမှ အချိန်နှင့်တပြေးညီဒေတာများကို ဆက်စပ်ပေးနိုင်သော ပြည့်စုံသော အာရုံခံကိရိယာအစုံတစ်ခု လိုအပ်ပြီး ၎င်းသည် ရိုးရာတစ်ခုတည်းသော စောင့်ကြည့်ခြင်း၏ အတိုင်းအတာထက် ကျော်လွန်သော လုပ်ငန်းတစ်ခုဖြစ်သည်။
၁.၃။ စွမ်းဆောင်ရည်မပြည့်ဝမှုများ၏ စီးပွားရေးနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ သက်ရောက်မှုများ
ပိုလီယူရီသိန်း ထုတ်လုပ်မှုတွင် နည်းပညာဆိုင်ရာ စိန်ခေါ်မှုများသည် တိုက်ရိုက်နှင့် သိသာထင်ရှားသော စီးပွားရေးနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ အကျိုးဆက်များ ရှိသည်။ ပိုလီအောလ်နှင့် အိုင်ဆိုဆိုင်ယာနိတ်ကဲ့သို့သော အရည်အသွေးမြင့် ကုန်ကြမ်းများသည် ဈေးကြီးပြီး ၎င်းတို့၏ ဈေးနှုန်းများသည် ထောက်ပံ့ရေးကွင်းဆက် ပြတ်တောက်မှု၊ ရေနံစိမ်းအပေါ် မှီခိုမှုနှင့် ကမ္ဘာလုံးဆိုင်ရာ ဝယ်လိုအားတို့ကြောင့် အတက်အကျ ရှိနိုင်သည်။ ထုတ်ကုန်အသုတ်တစ်ခုသည် အရည်အသွေး သတ်မှတ်ချက်များနှင့် မကိုက်ညီသောအခါ၊ အလဟဿဖြစ်သော ကုန်ကြမ်းများသည် တိုက်ရိုက်ငွေကြေးဆုံးရှုံးမှုကို ကိုယ်စားပြုပြီး ဤမြင့်မားသော ကုန်ကျစရိတ်များကို ပိုမိုဆိုးရွားစေသည်။ ပြဿနာရှာဖွေဖြေရှင်းရန်နှင့် လုပ်ငန်းစဉ် သွေဖည်မှုများကို ပြုပြင်ရန် လိုအပ်ခြင်းကြောင့် ဖြစ်ပေါ်လာသော မမျှော်လင့်ထားသော ရပ်တန့်ချိန်သည် နောက်ထပ် အဓိက ငွေကြေးဆုံးရှုံးမှုတစ်ခု ဖြစ်သည်။
ပတ်ဝန်းကျင်ဆိုင်ရာရှုထောင့်အရ၊ ရိုးရာထုတ်လုပ်မှုနည်းလမ်းများတွင် ပါဝင်သော ထိရောက်မှုမရှိခြင်းနှင့် အလဟဿဖြစ်မှုများသည် သိသာထင်ရှားသော စိုးရိမ်မှုတစ်ခုဖြစ်သည်။ ရိုးရာ polyurethane အပေါ်ယံလွှာများစွာသည် ပျော်ရည်အခြေခံပြီး Volatile Organic Compound (VOC) ထုတ်လွှတ်မှုများမှတစ်ဆင့် လေထုညစ်ညမ်းမှုကို ဖြစ်စေသည်။ စက်မှုလုပ်ငန်းများသည် ရေအခြေခံနှင့် VOC နည်းသော အစားထိုးပစ္စည်းများကို ပိုမိုလက်ခံကျင့်သုံးလာသော်လည်း၊ ၎င်းတို့သည် မြင့်မားသောစွမ်းဆောင်ရည်အသုံးချမှုများတွင် ပျော်ရည်အခြေခံ မိတ်ဖက်များ၏ စွမ်းဆောင်ရည်နှင့် မကြာခဏ ကိုက်ညီမှုမရှိပါ။ ထို့အပြင်၊ ရိုးရာ PU ထုတ်လုပ်မှုတွင် အသုံးပြုသော ကုန်ကြမ်းများသည် ရေနံအခြေခံ၊ ပြန်လည်ပြည့်ဖြိုးမြဲမဟုတ်သော နှင့် ဇီဝပျက်စီးခြင်းမရှိသော ပစ္စည်းများဖြစ်သည်။ အညစ်အကြေးအဖြစ် အဆုံးသတ်သွားသော ချို့ယွင်းချက်ရှိသော ထုတ်ကုန်များသည် နှစ်ပေါင်း ၂၀၀ အထိ ပြိုကွဲသွားသည်နှင့်အမျှ ပတ်ဝန်းကျင်ထဲသို့ အန္တရာယ်ရှိသော ဓာတုပစ္စည်းများကို ထုတ်လွှတ်နိုင်သည်။
ဤစီးပွားရေးနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာအချက်များ ပေါင်းစည်းခြင်းသည် ဒစ်ဂျစ်တယ်အသွင်ပြောင်းမှုအတွက် အစွမ်းထက်သော စီးပွားရေးလုပ်ငန်းကိစ္စတစ်ခုကို ဖန်တီးပေးသည်။ ဤအစီရင်ခံစာတွင် အဆိုပြုထားသော ဖြေရှင်းချက်များကို အကောင်အထည်ဖော်ခြင်းဖြင့် ကုမ္ပဏီတစ်ခုသည် ကုန်ကျစရိတ်များကို တစ်ပြိုင်နက်တည်း လျှော့ချနိုင်သည်၊ အကျိုးအမြတ်ကို တိုးတက်စေနိုင်ပြီး ၎င်း၏ ရေရှည်တည်တံ့ခိုင်မြဲမှုပရိုဖိုင်ကို မြှင့်တင်နိုင်သည်။ အသုတ်လိုက် မကိုက်ညီမှုဆိုင်ရာ နည်းပညာဆိုင်ရာပြဿနာကို ဖြေရှင်းခြင်းသည် ဘဏ္ဍာရေးနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာပြဿနာများကို တိုက်ရိုက်လျော့ပါးစေပြီး နည်းပညာဆိုင်ရာ အဆင့်မြှင့်တင်မှုကို မဟာဗျူဟာမြောက် စီးပွားရေးလုပ်ငန်း မရှိမဖြစ်လိုအပ်ချက်အဖြစ်သို့ ပြောင်းလဲပေးသည်။
polyurethane တွင် free isocyanate ပါဝင်မှုကို inline စောင့်ကြည့်ခြင်း
II. အဆင့်မြင့် အချိန်နှင့်တပြေးညီ စောင့်ကြည့်ရေးနည်းပညာများ
PU ထုတ်လုပ်မှု၏ မွေးရာပါစိန်ခေါ်မှုများကို ကျော်လွှားရန်အတွက် ရိုးရာဓာတ်ခွဲခန်းအခြေပြုစမ်းသပ်မှုမှ အချိန်နှင့်တပြေးညီ၊ inline စောင့်ကြည့်ခြင်းသို့ ပြောင်းလဲရန် မရှိမဖြစ်လိုအပ်ပါသည်။ ဤပုံစံအသစ်သည် အရေးကြီးသောလုပ်ငန်းစဉ် parameters များအကြောင်း စဉ်ဆက်မပြတ်၊ လက်တွေ့လုပ်ဆောင်နိုင်သောဒေတာများကို ပံ့ပိုးပေးနိုင်သည့် အဆင့်မြင့်အာရုံခံနည်းပညာအစုံပေါ်တွင် မူတည်ပါသည်။
၂.၁။ လိုင်းတွင်း ရိုးလ်အိုလိုဂျီ စောင့်ကြည့်ခြင်း
viscosity နှင့် density ကဲ့သို့သော Rheological ဂုဏ်သတ္တိများသည် polyurethane ဓာတ်ပြုမှုအောင်မြင်ရန် အခြေခံအုတ်မြစ်ဖြစ်သည်။ ၎င်းတို့သည် ရုပ်ပိုင်းဆိုင်ရာ ဝိသေသလက္ခဏာများသာမက polymerization နှင့် crosslinking လုပ်ငန်းစဉ်များ၏ တိုက်ရိုက်ညွှန်ပြချက်များအဖြစ် ဆောင်ရွက်ပါသည်။ ဤဂုဏ်သတ္တိများကို အချိန်နှင့်တပြေးညီ စောင့်ကြည့်ခြင်းကို inline process viscometers နှင့် density meters များကို အသုံးပြု၍ ပြုလုပ်သည်။
တူရိယာများဖြစ်သည့်Lonnတွေ့ဆုံခဲ့သည်erPolyမာVအိုင်အက်စ်စီအိုမက်erနှင့်Visကိုစီတီပရိုစီအီးအက်စ်sor၎င်းတို့ကို ပိုက်လိုင်းများနှင့် ဓာတ်ပေါင်းဖိုများထဲသို့ တိုက်ရိုက်ထည့်သွင်းရန် ဒီဇိုင်းထုတ်ထားပြီး အရည်၏ viscosity၊ သိပ်သည်းဆနှင့် အပူချိန်ကို စဉ်ဆက်မပြတ် တိုင်းတာနိုင်စေပါသည်။ ဤကိရိယာများသည် ခိုင်မာပြီး ရွေ့လျားနေသော အစိတ်အပိုင်းများ မလိုအပ်ဘဲ ပြင်ပတုန်ခါမှုများနှင့် စီးဆင်းမှုပြောင်းလဲမှုများကို ထိခိုက်လွယ်ခြင်းမရှိသော vibrating fork နည်းပညာကဲ့သို့သော မူများအပေါ်တွင် လည်ပတ်ပါသည်။ ဤစွမ်းရည်သည် polymerization လုပ်ငန်းစဉ်ကို ခြေရာခံရန် ပျက်စီးခြင်းမရှိသော၊ အချိန်နှင့်တပြေးညီ နည်းလမ်းကို ပေးစွမ်းပါသည်။ ဥပမာအားဖြင့် NCO/OH မိုလာအချိုးနှင့် polar bonds ဖွဲ့စည်းခြင်းသည် viscosity ကို တိုက်ရိုက်အကျိုးသက်ရောက်စေပြီး ဓာတ်ပြုမှု၏ တိုးတက်မှုအတွက် ယုံကြည်စိတ်ချရသော ကိုယ်စားလှယ်တစ်ဦးဖြစ်စေသည်။ viscosity သည် သတ်မှတ်ထားသော အတိုင်းအတာအတွင်းတွင် ရှိနေစေရန် သေချာစေခြင်းဖြင့် ထုတ်လုပ်မှုအဖွဲ့သည် ဓာတ်ပြုမှုသည် ဆန္ဒအတိုင်း လုပ်ဆောင်နေကြောင်း အတည်ပြုနိုင်ပြီး ပစ်မှတ်မော်လီကျူးအလေးချိန်နှင့် crosslinking ကိုရရှိရန် chain extenders များထည့်သွင်းခြင်းကို ထိန်းချုပ်နိုင်သည်။ ဤတင်းကျပ်သော၊ အချိန်နှင့်တပြေးညီ ထိန်းချုပ်မှုသည် ထုတ်ကုန်အရည်အသွေးကို တိုးတက်စေပြီး သတ်မှတ်ချက်ပြင်ပ အသုတ်များ ထုတ်လုပ်ခြင်းကို ကာကွယ်ခြင်းဖြင့် အလဟဿဖြစ်မှုကို လျှော့ချပေးသည်။
၂.၂။ ဓာတုဖွဲ့စည်းမှုအတွက် ရောင်စဉ်တန်းစကုပ် ခွဲခြမ်းစိတ်ဖြာမှု
rheological ဂုဏ်သတ္တိများသည် ပစ္စည်း၏ ရုပ်ပိုင်းဆိုင်ရာ အခြေအနေကို ညွှန်ပြသော်လည်း၊အချိန်နှင့်တပြေးညီ ရောင်စဉ်တန်း ခွဲခြမ်းစိတ်ဖြာမှုဓာတ်ပြုမှု၏ ပိုမိုနက်ရှိုင်းသော ဓာတုဗေဒအဆင့် နားလည်မှုကို ပေးစွမ်းသည်။ အနီးကပ် အနီအောက်ရောင်ခြည် (NIR) ရောင်စဉ်တန်း စစ်ဆေးခြင်းသည် isocyanate (%NCO) နှင့် hydroxyl အုပ်စုများ၏ ပြင်းအားကို ပမာဏသတ်မှတ်ခြင်းဖြင့် အဓိက ဓာတ်ပြုမှုကို စဉ်ဆက်မပြတ် စောင့်ကြည့်ရန်အတွက် သာလွန်ကောင်းမွန်သော နည်းလမ်းတစ်ခုဖြစ်သည်။
ဤနည်းလမ်းသည် နှေးကွေးပြီး စနစ်တကျစွန့်ပစ်ရန် လိုအပ်သော ဓာတုပစ္စည်းများကို အသုံးပြုသည့် ရိုးရာဓာတ်ခွဲခန်း titration ထက် သိသာထင်ရှားသော တိုးတက်မှုတစ်ခုကို ကိုယ်စားပြုသည်။ တစ်ခုတည်းသော analyzer မှ လုပ်ငန်းစဉ်အမှတ်များစွာကို စောင့်ကြည့်နိုင်သည့် real-time NIR စနစ်၏စွမ်းရည်သည် ထိရောက်မှုနှင့် ဘေးကင်းရေးအရ သိသာထင်ရှားသော အားသာချက်ကို ပေးစွမ်းသည်။ NCO/OH အချိုးသည် လုပ်ငန်းစဉ်ပြောင်းလဲမှုတစ်ခုမျှသာမဟုတ်ပါ။ ၎င်းသည် tensile strength၊ modulus နှင့် hardness အပါအဝင် နောက်ဆုံးထုတ်ကုန်၏ ဂုဏ်သတ္တိများ၏ တိုက်ရိုက်ဆုံးဖြတ်ပေးသည့်အရာဖြစ်သည်။ ဤအရေးပါသောအချိုးအပေါ် စဉ်ဆက်မပြတ်၊ အချိန်နှင့်တပြေးညီဒေတာများကို ပံ့ပိုးပေးခြင်းဖြင့် NIR အာရုံခံကိရိယာသည် ပစ္စည်းထည့်သွင်းမှုနှုန်းများကို ကြိုတင်ချိန်ညှိနိုင်စေပါသည်။ ၎င်းသည် တုံ့ပြန်မှု၊ ချို့ယွင်းချက်အခြေပြုချဉ်းကပ်မှုမှ ထိန်းချုပ်မှုလုပ်ငန်းစဉ်ကို ကြိုတင်ပြင်ဆင်ထားသော၊ အရည်အသွေး-ဒီဇိုင်းဖြင့် အရည်အသွေးမြင့်ဗျူဟာသို့ ပြောင်းလဲပေးပြီး တုံ့ပြန်မှုတစ်လျှောက်လုံးတွင် တိကျသော NCO/OH အချိုးကို ထိန်းသိမ်းထားသောကြောင့် အရည်အသွေးမြင့်ရလဒ်ကို အာမခံပါသည်။
၂.၃။ ပျောက်ကင်းမှုအခြေအနေကို စောင့်ကြည့်ရန်အတွက် ဒိုင်အီလက်ထရစ် ခွဲခြမ်းစိတ်ဖြာမှု (DEA)
Dielectric Analysis (DEA) သို့မဟုတ် Dielectric Thermal Analysis (DETA) ဟုလည်း လူသိများသော ဒိုင်အီလက်ထရစ် ခွဲခြမ်းစိတ်ဖြာခြင်း (DEA) သည် နောက်ဆုံးထုတ်ကုန် အရည်အသွေးအတွက် အရေးကြီးသော "မမြင်ရသော မှိုအတွင်း အရည်ကျိုခြင်း" ကို စောင့်ကြည့်ရန်အတွက် အစွမ်းထက်သော နည်းပညာတစ်ခုဖြစ်သည်။ ၎င်းသည် sinusoidal voltage ကို အသုံးပြုခြင်းဖြင့် ပစ္စည်း၏ viscosity နှင့် အရည်ကျိုအခြေအနေတွင် ပြောင်းလဲမှုများကို တိုက်ရိုက်တိုင်းတာပြီး charge carriers (ions နှင့် dipoles) များ၏ mobility တွင် ရလဒ်အနေဖြင့် ပြောင်းလဲမှုများကို တိုင်းတာသည်။ ပစ္စည်းတစ်ခု အရည်ကျိုသည်နှင့်အမျှ ၎င်း၏ viscosity သိသိသာသာ မြင့်တက်လာပြီး ဤ charge carriers များ၏ mobility လျော့ကျသွားပြီး အရည်ကျိုခြင်း၏ တိုးတက်မှုကို တိုက်ရိုက်၊ တိုင်းတာနိုင်သော တိုင်းတာမှုကို ပေးပါသည်။
DEA သည် အမြန်အခြောက်ခံသည့်စနစ်များအတွက်ပင် ဂျယ်အမှတ်နှင့် အခြောက်ခံခြင်းလုပ်ငန်းစဉ်၏အဆုံးကို တိကျစွာဆုံးဖြတ်နိုင်သည်။ ၎င်းသည် အခြားနည်းပညာများနှင့် ဖြည့်စွက်ပေးသည့် သိမ်မွေ့သောမြင်ကွင်းကို ပေးစွမ်းသည်။ inline viscometer သည် ပစ္စည်း၏ ಒಟ್ಟಾರೆ viscosity ကို တိုင်းတာသော်လည်း DEA အာရုံခံကိရိယာသည် crosslinking ဓာတ်ပြုမှု၏ ဓာတုအဆင့်တိုးတက်မှုကို ထိုးထွင်းသိမြင်စေသည်။ တစ်ခုပေါင်းစပ်မှုအင်လိုင်း ဗစ်စကိုမီတာ(တိုင်းတာခြင်းရလဒ်ပျောက်ကင်းမှု၏) နှင့် DEA အာရုံခံကိရိယာ (တိုင်းတာခြင်းတိုးတက်မှု(ကုသမှု၏) သည် အလွန်တိကျသော ထိန်းချုပ်မှုနှင့် ရောဂါရှာဖွေမှုကို ပြုလုပ်နိုင်စေမည့် လုပ်ငန်းစဉ်၏ ပြည့်စုံသော၊ အဆင့်နှစ်ဆင့်ပါ မြင်ကွင်းကို ပေးစွမ်းသည်။ DEA ကို အမျိုးမျိုးသော ဖြည့်စွက်ပစ္စည်းများနှင့် ဖြည့်စွက်ပစ္စည်းများ၏ ထိရောက်မှုကို စောင့်ကြည့်ရန်လည်း အသုံးပြုနိုင်သည်။
ဤနည်းပညာများကို နှိုင်းယှဉ်ကြည့်ခြင်းဖြင့် ၎င်းတို့၏ အပြန်အလှန် အကျိုးပြုသည့် သဘောသဘာဝကို မီးမောင်းထိုးပြနေပါသည်။ မည်သည့်အာရုံခံကိရိယာတစ်ခုတည်းမျှ ရှုပ်ထွေးသော PU တုံ့ပြန်မှု၏ ပြီးပြည့်စုံသော ရုပ်ပုံကို မပေးနိုင်ပါ။ ပြီးပြည့်စုံသော ဖြေရှင်းချက်တစ်ခုတွင် မတူညီသော ရုပ်ပိုင်းဆိုင်ရာနှင့် ဓာတုဗေဒဆိုင်ရာ ဂုဏ်သတ္တိများကို တစ်ပြိုင်နက်တည်း စောင့်ကြည့်ရန် အာရုံခံကိရိယာများစွာကို ပေါင်းစပ်ရန် လိုအပ်ပါသည်။
| ကန့်သတ်ချက်များကို စောင့်ကြည့်ထားသည် | နည်းပညာမူ | အဓိကအသုံးပြုမှုကိစ္စရပ်များ |
| ပျစ်ချွဲမှု၊ အပူချိန် | တုန်ခါသော ခက်ရင်း Viscometer | ကုန်ကြမ်း QC၊ အချိန်နှင့်တပြေးညီ တုံ့ပြန်မှုစောင့်ကြည့်ခြင်း၊ အဆုံးမှတ်ထောက်လှမ်းခြင်း။ |
| %NCO၊ ဟိုက်ဒရောက်ဆိုဒ် နံပါတ် | အနီအောက်ရောင်ခြည်အနီး (NIR) ရောင်စဉ်တန်းစစ်ဆေးခြင်း | အချိန်နှင့်တပြေးညီ ဓာတုဗေဒဖွဲ့စည်းမှု စောင့်ကြည့်ခြင်း၊ အစာကျွေးအချိုးထိန်းချုပ်မှု၊ ဓာတ်ကူပစ္စည်း အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ |
| ပျောက်ကင်းမှုအခြေအနေ၊ ဂျယ်ပွိုင့် | ဒိုင်အီလက်ထရစ် ခွဲခြမ်းစိတ်ဖြာခြင်း (DEA) | မှိုအတွင်း ကုသမှုစောင့်ကြည့်ခြင်း၊ ဂျယ်လီဖွဲ့ချိန် အတည်ပြုခြင်း၊ ဖြည့်စွက်အာနိသင် ခွဲခြမ်းစိတ်ဖြာခြင်း။ |
ဇယား ၂.၁: PU ထုတ်လုပ်မှုအတွက် အဆင့်မြင့် Inline Monitoring နည်းပညာများ နှိုင်းယှဉ်ချက်
III. အရေအတွက်ဆိုင်ရာ ခန့်မှန်းမော်ဒယ်လ် မူဘောင်များ
အဆင့်မြင့်စောင့်ကြည့်နည်းပညာများမှ ကြွယ်ဝသောဒေတာစီးကြောင်းများသည် ဒစ်ဂျစ်တယ်အသွင်ပြောင်းခြင်းအတွက် မရှိမဖြစ်လိုအပ်ချက်တစ်ခုဖြစ်သော်လည်း ၎င်းတို့၏ အပြည့်အဝတန်ဖိုးကို အရေအတွက်ဆိုင်ရာ ခန့်မှန်းချက်ပုံစံများတည်ဆောက်ရန် အသုံးပြုသည့်အခါတွင် သိရှိလာပါသည်။ ဤပုံစံများသည် ကုန်ကြမ်းဒေတာကို လက်တွေ့လုပ်ဆောင်နိုင်သော ထိုးထွင်းသိမြင်မှုများအဖြစ်သို့ ပြောင်းလဲပေးပြီး လုပ်ငန်းစဉ်ကို ပိုမိုနက်ရှိုင်းစွာ နားလည်နိုင်စေပြီး ကြိုတင်ကာကွယ်မှုအကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ခြင်းဆီသို့ ပြောင်းလဲနိုင်စေပါသည်။
၃.၁။ ဓာတုဗေဒဆိုင်ရာနှင့် ကုသမှုဆိုင်ရာ ရွေ့လျားမှုပုံစံငယ်
စစ်မှန်သော လုပ်ငန်းစဉ်ထိန်းချုပ်မှုရရှိရန်အတွက် အာရုံခံကိရိယာဒေတာအချက်များကို ရိုးရှင်းစွာစုဆောင်းခြင်းသည် မလုံလောက်ပါ။ ဓာတုဓာတ်ပြုမှု၏ အခြေခံအပြုအမူကို ရှင်းပြသည့် မော်ဒယ်တစ်ခုတည်ဆောက်ရန် ဒေတာကို အသုံးပြုရမည်။ ဓာတုဗေဒဆိုင်ရာနှင့် ကုသရေးဆိုင်ရာ kinetics မော်ဒယ်များသည် ဓာတုဗေဒပြောင်းလဲမှုကို viscosity နှင့် gelation အချိန်တိုးလာခြင်းကဲ့သို့သော ရုပ်ပိုင်းဆိုင်ရာပြောင်းလဲမှုများနှင့် ချိတ်ဆက်ပေးသည်။ ဤမော်ဒယ်များသည် ဖြစ်စဉ်တစ်ခု၏ ယာယီသဘောသဘာဝကြောင့် ရိုးရာခွဲခြမ်းစိတ်ဖြာမှုကို ခက်ခဲစေသည့် မြန်ဆန်သော curing စနစ်များအတွက် အထူးတန်ဖိုးရှိပါသည်။5
Isoconversional နည်းလမ်းများ သို့မဟုတ် model-free approaches များဟုလည်း လူသိများပြီး fast-curing resins များ၏ reaction kinetics ကို ခန့်မှန်းရန် non-isothermal data များတွင် အသုံးချနိုင်ပါသည်။ ထိုကဲ့သို့သော မော်ဒယ်များတွင် အပူချိန်၊ ဓာတုဖွဲ့စည်းမှုနှင့် ပစ္စည်းစီးဆင်းမှုဂုဏ်သတ္တိများ၏ အပြန်အလှန်အကျိုးသက်ရောက်မှုကို ထည့်သွင်းစဉ်းစားသည့် အလွန်ချိတ်ဆက်ထားသော thermo-chemo-rheological analysis ပါဝင်ပါသည်။ ဓာတ်ပြုမှုတစ်ခုလုံး၏ သင်္ချာဆိုင်ရာကိုယ်စားပြုမှုကို တည်ဆောက်ခြင်းဖြင့် ဤမော်ဒယ်များသည် ရိုးရှင်းသောစောင့်ကြည့်ခြင်းထက် ကျော်လွန်၍ လုပ်ငန်းစဉ်ကို စစ်မှန်သောနားလည်မှုကို ပေးစွမ်းနိုင်ပါသည်။ ၎င်းတို့သည် ပေးထားသော အပူချိန်ပရိုဖိုင်အတွက် viscosity မည်သို့ပြောင်းလဲသွားမည် သို့မဟုတ် catalyst တွင်ပြောင်းလဲမှုသည် ဓာတ်ပြုမှုနှုန်းကို မည်သို့ပြောင်းလဲစေမည်ကို ခန့်မှန်းနိုင်ပြီး ထိန်းချုပ်မှုနှင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ရန်အတွက် ခေတ်မီသောကိရိယာတစ်ခုကို ပေးစွမ်းနိုင်ပါသည်။
၃.၂။ ဓာတုဗေဒဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် Multivariate Regression
ပိုလီယူရီသိန်းထုတ်လုပ်မှုသည် နောက်ဆုံးထုတ်ကုန်၏ အရည်အသွေးကို ဆုံးဖြတ်ရန် အချက်များစွာ အပြန်အလှန် သက်ရောက်မှုရှိသော ဘက်စုံပြောင်းလဲမှု လုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ ရိုးရာ၊ တစ်ခုတည်းသောအချက် စမ်းသပ်ချက်သည် အချိန်ကုန်ပြီး ကိန်းရှင်များအကြား ရှုပ်ထွေးပြီး မျဉ်းမတော်သော ဆက်နွယ်မှုများကို မဖမ်းယူနိုင်ပါ။ Partial Least Squares (PLS) regression နှင့် Response Surface Methodology (RSM) ကဲ့သို့သော ဓာတုဗေဒဆိုင်ရာ နည်းပညာများကို ဤစိန်ခေါ်မှုကို ဖြေရှင်းရန် ဒီဇိုင်းထုတ်ထားသည်။
Partial Least Squares (PLS) regression သည် real-time NIR spectrometer မှထုတ်ပေးသော dataset များကဲ့သို့သော ကြီးမားသော၊ ဆက်စပ်နေသော dataset များကို ခွဲခြမ်းစိတ်ဖြာရန်အတွက် အလွန်သင့်လျော်သော နည်းပညာတစ်ခုဖြစ်သည်။ PLS သည် အပြန်အလှန်ဆက်စပ်နေသော variable အများအပြားမှ ထုတ်ယူထားသော factor အရေအတွက်အနည်းငယ်အထိ ပြဿနာကို လျှော့ချပေးပြီး ခန့်မှန်းချက်ရည်ရွယ်ချက်များအတွက် အလွန်ကောင်းမွန်စေသည်။ polyurethane ထုတ်လုပ်မှုနှင့်စပ်လျဉ်း၍ PLS ကို လုပ်ငန်းစဉ်ပြဿနာများကို ရောဂါရှာဖွေရန်နှင့် ထုတ်ကုန်အတွင်း အရည်အသွေး variable များသည် နေရာအလိုက် မည်သို့ကွဲပြားသည်ကို ဖော်ပြရန် အသုံးပြုနိုင်သည်။
Response Surface Methodology (RSM) သည် စမ်းသပ်မှုအခြေအနေများကို မော်ဒယ်လ်လုပ်ခြင်းနှင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းအတွက် အထူးအစွမ်းထက်သော သင်္ချာနှင့် စာရင်းအင်းနည်းလမ်းတစ်ခုဖြစ်သည်။ RSM သည် tensile strength ကဲ့သို့သော လိုချင်သော တုံ့ပြန်မှုကိန်းရှင်တစ်ခုအပေါ် NCO/OH အချိုး၊ ကွင်းဆက်တိုးချဲ့မှုကိန်းဂဏန်းနှင့် ကုသမှုအပူချိန်ကဲ့သို့သော အချက်များစွာ၏ ပေါင်းစပ်အကျိုးသက်ရောက်မှုများကို ခွဲခြမ်းစိတ်ဖြာနိုင်စေပါသည်။ စမ်းသပ်မှုအမှတ်များကို အရေးကြီးသောဒေသများတွင် ဗျူဟာကျကျထားရှိခြင်းဖြင့် RSM သည် အခြေခံ nonlinear ဆက်နွယ်မှုများနှင့် အချက်များအကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုများကို တိကျစွာဖော်ပြနိုင်သည်။ လေ့လာမှုတစ်ခုအရ ဤချဉ်းကပ်မှု၏ ထိရောက်မှုကို ပြသခဲ့ပြီး၊ 2.2% သာရှိသော အထင်ကြီးလောက်သော တိကျမှုအမှားဖြင့် နောက်ဆုံးဂုဏ်သတ္တိများကို ခန့်မှန်းသည့် မော်ဒယ်တစ်ခုဖြင့် နည်းလမ်း၏ ဆွဲဆောင်မှုရှိသော အတည်ပြုချက်ကို ပေးစွမ်းသည်။ အရည်အသွေးစံနှုန်းအတွက် "တုံ့ပြန်မှုမျက်နှာပြင်" တစ်ခုလုံးကို မြေပုံဆွဲနိုင်စွမ်းသည် အင်ဂျင်နီယာတစ်ဦးအား အချက်အားလုံး၏ အကောင်းဆုံးပေါင်းစပ်မှုကို တစ်ပြိုင်နက်တည်း ဖော်ထုတ်နိုင်စေပြီး သာလွန်ကောင်းမွန်သော ဖြေရှင်းချက်တစ်ခုဆီသို့ ဦးတည်စေသည်။
၃.၃။ ထုတ်လုပ်မှုလုပ်ငန်းစဉ်၏ ဒစ်ဂျစ်တယ်အမွှာ
ဒစ်ဂျစ်တယ်အမွှာဆိုသည်မှာ ရုပ်ပိုင်းဆိုင်ရာပိုင်ဆိုင်မှု၊ စနစ် သို့မဟုတ် လုပ်ငန်းစဉ်တစ်ခု၏ တက်ကြွပြီး virtual ပုံတူတစ်ခုဖြစ်သည်။ ဓာတုဗေဒထုတ်လုပ်မှုတွင်၊ ဤပုံတူကို IoT အာရုံခံကိရိယာများနှင့် ခန့်မှန်းမော်ဒယ်များမှ အချိန်နှင့်တပြေးညီဒေတာဖြင့် စွမ်းအားပေးသည်။ ၎င်းသည် ထုတ်လုပ်မှုလိုင်း၏ အသက်ဝင်ပြီး မြင့်မားသောတိကျမှုရှိသော သရုပ်ဖော်မှုအဖြစ် ဆောင်ရွက်ပေးသည်။ ဒစ်ဂျစ်တယ်အမွှာ၏ စစ်မှန်သောတန်ဖိုးမှာ အန္တရာယ်များသော အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ရန်အတွက် အန္တရာယ်နည်းသောပတ်ဝန်းကျင်ကို ပံ့ပိုးပေးနိုင်စွမ်းတွင် တည်ရှိသည်။
ပိုလီယူရီသိန်းထုတ်လုပ်မှုသည် ကုန်ကြမ်းပစ္စည်းများစျေးကြီးခြင်းနှင့် စွမ်းအင်သုံးစွဲမှုမြင့်မားခြင်းကြောင့် စျေးကြီးသောလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ ထို့ကြောင့် လုပ်ငန်းစဉ်ကို အကောင်းဆုံးဖြစ်အောင် ရုပ်ပိုင်းဆိုင်ရာစမ်းသပ်မှုများပြုလုပ်ခြင်းသည် အန္တရာယ်များပြီး ကုန်ကျစရိတ်များသော ကြိုးပမ်းအားထုတ်မှုတစ်ခုဖြစ်သည်။ အင်ဂျင်နီယာများအား virtual မော်ဒယ်တွင် ကုန်ကြမ်းပစ္စည်း သို့မဟုတ် ထုတ်လုပ်မှုအချိန်ကို အသုံးမပြုဘဲ "ဘာဖြစ်မလဲ" အခြေအနေထောင်ပေါင်းများစွာကို လုပ်ဆောင်နိုင်စေခြင်းဖြင့် digital twin သည် ဤစိန်ခေါ်မှုကို တိုက်ရိုက်ဖြေရှင်းပေးသည်။ ဤစွမ်းရည်သည် ဖော်မြူလာအသစ်များအတွက် ဈေးကွက်သို့ရောက်ရှိရန်အချိန်ကို အရှိန်မြှင့်ပေးရုံသာမက လုပ်ငန်းစဉ်အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ခြင်း၏ ကုန်ကျစရိတ်နှင့် အန္တရာယ်ကိုလည်း သိသိသာသာလျှော့ချပေးသည်။ ထို့အပြင်၊ digital twin များသည် ရှိပြီးသားအခြေခံအဆောက်အအုံမှ အချိန်နှင့်တပြေးညီဒေတာကို ပေါင်းစပ်ခြင်းဖြင့် digital နည်းပညာအသစ်များနှင့် အဟောင်း၊ အမွေအနှစ်စနစ်များအကြား ကွာဟချက်ကို ပေါင်းကူးပေးနိုင်ပြီး ကျယ်ကျယ်ပြန့်ပြန့်ပြုပြင်မွမ်းမံရန်မလိုအပ်ဘဲ ပေါင်းစည်းထားသော digital ပတ်ဝန်းကျင်ကို ပေးစွမ်းနိုင်သည်။
IV. လုပ်ငန်းစဉ်ထိန်းချုပ်မှုနှင့် ပုံမှန်မဟုတ်သော ထောက်လှမ်းမှုအတွက် AI/စက်သင်ယူမှု
ခန့်မှန်းမော်ဒယ်များသည် ဒေတာကို နားလည်မှုအဖြစ်သို့ ပြောင်းလဲပေးသော်လည်း၊ အတုဥာဏ်ရည် (AI) နှင့် စက်သင်ယူမှု (ML) တို့သည် နောက်တစ်ဆင့်သို့ တက်လှမ်းကြသည်- နားလည်မှုကို ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရှိသော လုပ်ဆောင်ချက်နှင့် ဉာဏ်ရည်ထက်မြက်သော ထိန်းချုပ်မှုအဖြစ်သို့ ပြောင်းလဲပေးသည်။
၄.၁။ ပုံမှန်မဟုတ်မှုနှင့် ချို့ယွင်းချက် ထောက်လှမ်းခြင်း စနစ်များ
ရိုးရာလုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်များသည် အချက်ပေးမှုများကို စတင်ရန်အတွက် static၊ hard-coded thresholds များကို အားကိုးနေရသည်။ ဤချဉ်းကပ်မှုသည် လက်ခံနိုင်သောအတိုင်းအတာအတွင်း ရှိနေသည့် တဖြည်းဖြည်းသွေဖည်မှုများကို မတွေ့ရှိနိုင် သို့မဟုတ် အော်ပရေတာများကို အာရုံခံနိုင်စွမ်းနည်းစေသည့် nuisance alarms များကို ထုတ်ပေးနိုင်သောကြောင့် အမှားအယွင်းများဖြစ်လွယ်သည်။ AI မောင်းနှင်သည့် anomaly ထောက်လှမ်းခြင်းသည် သိသာထင်ရှားသော paradigm ပြောင်းလဲမှုတစ်ခုဖြစ်သည်။ ဤစနစ်များကို လုပ်ငန်းစဉ်တစ်ခု၏ ပုံမှန်လည်ပတ်မှုပုံစံများကို လေ့လာရန် သမိုင်းဝင်ဒေတာများအပေါ် အခြေခံ၍ လေ့ကျင့်သင်ကြားပေးထားသည်။ ထို့နောက် ၎င်းတို့သည် parameter တစ်ခုသည် static threshold ကို မဖြတ်ကျော်ရသေးသည့်တိုင် ဤသင်ယူထားသောပုံစံမှ သွေဖည်မှုများကို အလိုအလျောက် ခွဲခြားသတ်မှတ်ပြီး flag လုပ်နိုင်သည်။
ဥပမာအားဖြင့်၊ သတ်မှတ်ထားသော အချိန်ဘောင်အတွင်း viscosity တဖြည်းဖြည်း မြင့်တက်လာခြင်းသည် လက်ခံနိုင်သော အတိုင်းအတာအတွင်း ရှိနေသော်လည်း ရိုးရာစနစ်တစ်ခု လွတ်သွားနိုင်သည့် ပြဿနာတစ်ခု၏ ရှေ့ပြေးနိမိတ်တစ်ခု ဖြစ်နိုင်သည်။ AI ပုံမှန်မဟုတ်သော ထောက်လှမ်းမှုစနစ်သည် ၎င်းကို ပုံမှန်မဟုတ်သော ပုံစံတစ်ခုအဖြစ် သိရှိပြီး အစောပိုင်းသတိပေးချက်ကို ထုတ်ပေးမည်ဖြစ်ပြီး အဖွဲ့အနေဖြင့် ချို့ယွင်းနေသော အသုတ်ကို ကာကွယ်ရန် ကြိုတင်ကာကွယ်မှုများ လုပ်ဆောင်နိုင်စေမည်ဖြစ်သည်။ ဤစွမ်းရည်သည် လိုချင်သော သတ်မှတ်ချက်များမှ သွေဖည်မှုများကို ထောက်လှမ်းခြင်း၊ ချို့ယွင်းနေသော ထုတ်ကုန်များ၏ အန္တရာယ်ကို လျှော့ချခြင်းနှင့် လိုက်နာမှုကို သေချာစေခြင်းဖြင့် အရည်အသွေးထိန်းချုပ်မှုကို သိသိသာသာ မြှင့်တင်ပေးပါသည်။
၄.၂။ အရေးကြီးသောပိုင်ဆိုင်မှုများအတွက် ကြိုတင်ခန့်မှန်းထိန်းသိမ်းမှု
စက်မှုထုတ်လုပ်မှုတွင် မမျှော်လင့်ထားသော ရပ်တန့်ချိန်သည် အရေးအကြီးဆုံးကုန်ကျစရိတ်များထဲမှ တစ်ခုဖြစ်သည်။ ရိုးရာပြုပြင်ထိန်းသိမ်းမှုဗျူဟာများသည် တုံ့ပြန်မှု ("ပျက်စီးသွားသောအခါ ပြုပြင်ရန်") သို့မဟုတ် အချိန်ကိုအခြေခံသည် (ဥပမာ၊ ပန့်ကို ၎င်း၏အခြေအနေမည်သို့ပင်ရှိစေကာမူ ခြောက်လတစ်ကြိမ်ပြောင်းလဲခြင်း)။ ML မော်ဒယ်များမှ စွမ်းအားပေးသော ကြိုတင်ခန့်မှန်းပြုပြင်ထိန်းသိမ်းမှုသည် များစွာသာလွန်ကောင်းမွန်သော အခြားရွေးချယ်စရာတစ်ခုကို ပေးစွမ်းသည်။
အာရုံခံကိရိယာများ (ဥပမာ- တုန်ခါမှု၊ အပူချိန်၊ ဖိအား) မှ အချိန်နှင့်တပြေးညီ အချက်အလက်များကို စဉ်ဆက်မပြတ် ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် ဤမော်ဒယ်များသည် စက်ပစ္စည်းယိုယွင်းပျက်စီးမှု၏ အစောပိုင်းလက္ခဏာများကို ဖော်ထုတ်နိုင်ပြီး ဖြစ်နိုင်ခြေရှိသော ပျက်စီးမှုကို ခန့်မှန်းနိုင်သည်။ ဤစနစ်သည် "ပျက်စီးမှုမှ အချိန်ခန့်မှန်းချက်" ကို ပေးစွမ်းနိုင်ပြီး အဖွဲ့အား စီစဉ်ထားသော ပိတ်သိမ်းမှုအတွင်း ရက်သတ္တပတ်များ သို့မဟုတ် လပေါင်းများစွာ ကြိုတင်ပြင်ဆင်နိုင်စေပါသည်။ ၎င်းသည် မမျှော်လင့်ဘဲ ပျက်စီးမှု၏ ကုန်ကျစရိတ်များသော ရပ်တန့်ချိန်ကို ဖယ်ရှားပေးပြီး အလုပ်သမားအင်အား၊ အစိတ်အပိုင်းများနှင့် ထောက်ပံ့ပို့ဆောင်ရေးကို ပိုမိုကောင်းမွန်စွာ စီစဉ်နိုင်စေပါသည်။ ဤချဉ်းကပ်မှုအတွက် ရင်းနှီးမြှုပ်နှံမှုအပေါ် ပြန်ရငွေ (ROI) သည် သိသာထင်ရှားပြီး လေ့လာမှုများတွင် ကောင်းစွာမှတ်တမ်းတင်ထားသည်။ ဥပမာအားဖြင့် ရေနံချက်စက်ရုံတစ်ခုသည် ကြိုတင်စစ်ဆေးခြင်းအစီအစဉ်ကို အကောင်အထည်ဖော်ခြင်းဖြင့် 3X ROI ကို ရရှိခဲ့ပြီး၊ ရေနံနှင့် သဘာဝဓာတ်ငွေ့ကုမ္ပဏီတစ်ခုသည် စက်ပစ္စည်း မူမမှန်မှုများကို ရှာဖွေတွေ့ရှိသည့် ကြိုတင်သတိပေးစနစ်ဖြင့် ဒေါ်လာသန်းပေါင်းများစွာ ချွေတာနိုင်ခဲ့သည်။ ဤလက်တွေ့ကျသော ငွေကြေးအကျိုးကျေးဇူးများသည် တုံ့ပြန်မှုမှ ကြိုတင်ခန့်မှန်းပြုပြင်ထိန်းသိမ်းမှု မဟာဗျူဟာသို့ ကူးပြောင်းရန်အတွက် အထောက်အထားဖြစ်စေသည်။
၄.၃။ ခန့်မှန်းနိုင်သော အရည်အသွေးထိန်းချုပ်မှု
ကြိုတင်ခန့်မှန်းနိုင်သော အရည်အသွေးထိန်းချုပ်မှုသည် အရည်အသွေးအာမခံချက်၏ အခန်းကဏ္ဍကို ထုတ်လုပ်မှုအလွန်စစ်ဆေးမှုမှ ကြိုတင်ကာကွယ်သည့်၊ လုပ်ငန်းစဉ်အတွင်းလုပ်ဆောင်ချက်သို့ အခြေခံအားဖြင့် ပြောင်းလဲစေသည်။ မာကျောမှု သို့မဟုတ် ဆွဲဆန့်နိုင်အားကဲ့သို့သော ဂုဏ်သတ္တိများအတွက် နောက်ဆုံးထုတ်ကုန်ကို စမ်းသပ်ရန် စောင့်ဆိုင်းမည့်အစား ML မော်ဒယ်များသည် အာရုံခံကိရိယာအားလုံးမှ အချိန်နှင့်တပြေးညီ လုပ်ငန်းစဉ်ဒေတာများကို စဉ်ဆက်မပြတ် ခွဲခြမ်းစိတ်ဖြာနိုင်ပြီး နောက်ဆုံးအရည်အသွေးဂုဏ်သတ္တိများ မည်သို့ဖြစ်မည်ကို ယုံကြည်မှုမြင့်မားစွာ ခန့်မှန်းနိုင်သည်။
ခန့်မှန်းနိုင်သော အရည်အသွေး မော်ဒယ်တစ်ခုသည် ကုန်ကြမ်းအရည်အသွေး၊ လုပ်ငန်းစဉ် ကန့်သတ်ချက်များနှင့် ပတ်ဝန်းကျင်အခြေအနေများအကြား ရှုပ်ထွေးသော အပြန်အလှန်အကျိုးသက်ရောက်မှုကို ဖော်ထုတ်နိုင်ပြီး လိုချင်သော ရလဒ်အတွက် အကောင်းဆုံး ထုတ်လုပ်မှုဆက်တင်များကို ဆုံးဖြတ်နိုင်သည်။ မော်ဒယ်က နောက်ဆုံးထုတ်ကုန်သည် သတ်မှတ်ချက်နှင့် မကိုက်ညီ (ဥပမာ၊ အလွန်ပျော့လွန်းခြင်း) ဖြစ်လိမ့်မည်ဟု ခန့်မှန်းပါက၊ ၎င်းသည် အော်ပရေတာအား အသိပေးနိုင်သည် သို့မဟုတ် အချိန်နှင့်တပြေးညီ သွေဖည်မှုကို ပြုပြင်ရန် လုပ်ငန်းစဉ် ကန့်သတ်ချက် (ဥပမာ၊ ဓာတ်ကူပစ္စည်း ထည့်သွင်းမှုနှုန်း) ကိုပင် အလိုအလျောက် ချိန်ညှိနိုင်သည်။ ဤစွမ်းရည်သည် ချို့ယွင်းချက်များ မဖြစ်ပွားမီ ကာကွယ်ရန်သာမက ဂုဏ်သတ္တိများကို ပိုမိုမြန်ဆန်စွာ ခန့်မှန်းပေးခြင်းနှင့် အချက်အလက်များတွင် အခြေခံပုံစံများကို ဖော်ထုတ်ခြင်းဖြင့် သုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်မှုကို အရှိန်မြှင့်တင်ပေးသည်။ ဤချဉ်းကပ်မှုသည် အထွက်နှုန်းကို အမြင့်ဆုံးဖြစ်စေရန်နှင့် လုပ်ငန်းလည်ပတ်မှု ထိရောက်မှုကို မြှင့်တင်ရန် ရှာဖွေနေသော ထုတ်လုပ်သူများအတွက် မဟာဗျူဟာမြောက် မရှိမဖြစ်လိုအပ်ချက်တစ်ခုဖြစ်သည်။
V. နည်းပညာအကောင်အထည်ဖော်မှုလမ်းပြမြေပုံ
ဤအဆင့်မြင့်ဖြေရှင်းချက်များကို အကောင်အထည်ဖော်ရန်အတွက် ဒေတာပေါင်းစည်းမှုနှင့် အမွေအနှစ်အခြေခံအဆောက်အအုံ၏ ရှုပ်ထွေးမှုများကို ကိုင်တွယ်ဖြေရှင်းပေးသည့် ဖွဲ့စည်းတည်ဆောက်ပုံရှိပြီး အဆင့်ဆင့်ချဉ်းကပ်မှုတစ်ခု လိုအပ်ပါသည်။ အန္တရာယ်ကို လျှော့ချရန်နှင့် ရင်းနှီးမြှုပ်နှံမှုမှ အစောပိုင်းပြန်ရငွေ (ROI) ကို ပြသရန်အတွက် ကောင်းမွန်စွာသတ်မှတ်ထားသော လမ်းပြမြေပုံတစ်ခုသည် မရှိမဖြစ်လိုအပ်ပါသည်။
၅.၁။ ဒစ်ဂျစ်တယ်အသွင်ပြောင်းမှုအတွက် အဆင့်ဆင့်ချဉ်းကပ်မှု
အောင်မြင်သော ဒစ်ဂျစ်တယ်အသွင်ပြောင်းခရီးသည် အပြည့်အဝပြုပြင်မွမ်းမံခြင်းဖြင့် မစတင်သင့်ပါ။ ကနဦးရင်းနှီးမြှုပ်နှံမှုကုန်ကျစရိတ်မြင့်မားခြင်းနှင့် စနစ်အသစ်များပေါင်းစပ်ခြင်း၏ ရှုပ်ထွေးမှုများသည် အထူးသဖြင့် အသေးစားနှင့် အလတ်စားလုပ်ငန်းများအတွက် အတားအဆီးဖြစ်စေနိုင်သည်။ ပိုမိုထိရောက်သောချဉ်းကပ်မှုတစ်ခုမှာ တစ်ခုတည်းသော စမ်းသပ်ထုတ်လုပ်မှုလိုင်းတွင် Proof of Concept (PoC) ဖြင့်စတင်၍ အဆင့်ဆင့်အကောင်အထည်ဖော်မှုကို လက်ခံကျင့်သုံးရန်ဖြစ်သည်။ ဤအန္တရာယ်နည်းသော၊ အသေးစားစီမံကိန်းသည် ကုမ္ပဏီတစ်ခုအား ရှိပြီးသားအခြေခံအဆောက်အအုံနှင့် အာရုံခံကိရိယာများနှင့် ဆော့ဖ်ဝဲအသစ်များ၏ အပြန်အလှန်လုပ်ဆောင်နိုင်မှုကို စမ်းသပ်နိုင်စေပြီး ပိုမိုကျယ်ပြန့်သော မိတ်ဆက်မှုတွင် ကတိကဝတ်ပြုခြင်းမပြုမီ စွမ်းဆောင်ရည်ကို အကဲဖြတ်နိုင်စေပါသည်။ ဤကနဦးအောင်မြင်မှုမှ ပမာဏသတ်မှတ်ထားသော ROI ကို ပိုမိုကျယ်ပြန့်သော အကောင်အထည်ဖော်မှုအတွက် ဆွဲဆောင်မှုရှိသော စီးပွားရေးကိစ္စရပ်တစ်ခုတည်ဆောက်ရန် အသုံးပြုနိုင်ပါသည်။ ဤချဉ်းကပ်မှုသည် အပြန်အလှန်လုပ်ဆောင်နိုင်မှု၊ အချိန်နှင့်တပြေးညီလုပ်ဆောင်နိုင်စွမ်းနှင့် မော်ဂျူလာဖြစ်မှုကို အလေးပေးသည့် Industry 4.0 ၏ အဓိကမူများနှင့် ကိုက်ညီပါသည်။
၅.၂။ ဒေတာစီမံခန့်ခွဲမှုနှင့် ပေါင်းစပ်ဗိသုကာ
ခိုင်မာသောဒေတာအခြေခံအဆောက်အအုံသည် ခန့်မှန်းချက်နှင့် AI မောင်းနှင်သောဖြေရှင်းချက်အားလုံးအတွက် အခြေခံအုတ်မြစ်ဖြစ်သည်။ ဒေတာဗိသုကာသည် စမတ်စက်ရုံတစ်ခုမှထုတ်လုပ်သော များပြားလှသောပမာဏနှင့် မတူညီသောဒေတာအမျိုးအစားများကို ကိုင်တွယ်နိုင်စွမ်းရှိရမည်။ ၎င်းတွင် ဒေတာသမိုင်းပညာရှင်နှင့် ဒေတာကန်တစ်ခုပါဝင်သော အလွှာလိုက်ချဉ်းကပ်မှုတစ်ခု ပါဝင်လေ့ရှိသည်။
ဒေတာသမိုင်းပညာရှင်-ဒေတာသမိုင်းပညာရှင်ဆိုသည်မှာ စက်မှုလုပ်ငန်းစဉ်များမှ အချိန်စီးရီးဒေတာအမြောက်အမြားကို စုဆောင်းရန်၊ သိမ်းဆည်းရန်နှင့် စီမံခန့်ခွဲရန် ဒီဇိုင်းထုတ်ထားသော အထူးပြုဒေတာဘေ့စ်တစ်ခုဖြစ်သည်။ ၎င်းသည် အပူချိန်အတက်အကျ၊ ဖိအားဖတ်ရှုမှုနှင့် စီးဆင်းမှုနှုန်းတိုင်းကို တိကျသောအချိန်တံဆိပ်ဖြင့် မှတ်တမ်းတင်ထားပြီး ဂရုတစိုက်စီစဉ်ထားသော ဒစ်ဂျစ်တယ်မော်ကွန်းတိုက်တစ်ခုအဖြစ် ဆောင်ရွက်ပါသည်။ ဒေတာသမိုင်းပညာရှင်သည် လုပ်ငန်းစဉ်အာရုံခံကိရိယာများမှ မြင့်မားသော၊ စဉ်ဆက်မပြတ်ဒေတာစီးကြောင်းကို ကိုင်တွယ်ရန်အတွက် အကောင်းဆုံးကိရိယာဖြစ်ပြီး အဆင့်မြင့်ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် "ပြီးပြည့်စုံသောလောင်စာ" ဖြစ်သည်။
ဒေတာရေကန်-data lake ဆိုတာ မူရင်းပုံစံနဲ့ raw data တွေကို သိမ်းဆည်းထားတဲ့ central repository တစ်ခုဖြစ်ပြီး structured time-series data၊ အရည်အသွေးမြင့် ကင်မရာတွေကနေ unstructured image တွေနဲ့ machine log တွေ အပါအဝင် မတူညီတဲ့ data အမျိုးအစားတွေကို ထားရှိနိုင်ပါတယ်။ data lake ကို enterprise ရဲ့ ထောင့်ပေါင်းစုံက မတူညီတဲ့ data အမြောက်အမြားကို ကိုင်တွယ်ဖို့ ဒီဇိုင်းထုတ်ထားပြီး ပိုမိုပြည့်စုံတဲ့ end-to-end view ကို ပေးစွမ်းနိုင်ပါတယ်။ အောင်မြင်တဲ့ အကောင်အထည်ဖော်မှုတစ်ခုအတွက် core process data အတွက် data historian နဲ့ root cause analysis နဲ့ non-sensor data နဲ့ correlation လိုမျိုး ရှုပ်ထွေးတဲ့ analytics တွေကို လုပ်ဆောင်နိုင်တဲ့ ပိုမိုကျယ်ပြန့်ပြီး ပြည့်စုံတဲ့ view အတွက် data lake လိုအပ်ပါတယ်။
ဒေတာပေါင်းစပ်မှုအတွက် ယုတ္တိဗေဒဆိုင်ရာ အလွှာလိုက်ဗိသုကာပုံစံသည် အောက်ပါအတိုင်းဖြစ်လိမ့်မည်။
| အလွှာ | အစိတ်အပိုင်း | လုပ်ဆောင်ချက် | ဒေတာအမျိုးအစား |
| အနား | IoT အာရုံခံကိရိယာများ၊ ဂိတ်ဝေးများ၊ PLC များ | အချိန်နှင့်တပြေးညီ ဒေတာရယူခြင်းနှင့် ဒေသတွင်း စီမံဆောင်ရွက်ခြင်း | အချိန်စီးရီး၊ ဒွိစုံ၊ discrete |
| ဒေတာဖောင်ဒေးရှင်း | ဒေတာသမိုင်းပညာရှင် | လုပ်ငန်းစဉ်ဒေတာ၏ မြင့်မားသောစွမ်းဆောင်ရည်၊ အချိန်တံဆိပ်တုံးထုထားသော သိုလှောင်မှု | ဖွဲ့စည်းထားသော အချိန်စီးရီး |
| ဗဟိုသိုလှောင်ရုံ | ဒေတာလိတ်ခ် | ဒေတာရင်းမြစ်အားလုံးအတွက် ဗဟိုချုပ်ကိုင်ထားသော၊ တိုးချဲ့နိုင်သော သိုလှောင်ရုံ | ဖွဲ့စည်းတည်ဆောက်ထားသော၊ တစ်ဝက်တစ်ပျက်ဖွဲ့စည်းထားသော၊ ဖွဲ့စည်းတည်ဆောက်မထားသော |
| ခွဲခြမ်းစိတ်ဖြာမှုနှင့် AI | ခွဲခြမ်းစိတ်ဖြာမှု ပလက်ဖောင်း | ခန့်မှန်းမော်ဒယ်များ၊ စက်သင်ယူမှုနှင့် စီးပွားရေးအသိဉာဏ်တို့ကို လုပ်ဆောင်သည် | ဒေတာအမျိုးအစားအားလုံး |
ဇယား ၅.၁: အဓိကဒေတာပေါင်းစည်းမှုနှင့် စီမံခန့်ခွဲမှုအစိတ်အပိုင်းများ
၅.၃။ အမွေအနှစ်စနစ်ပေါင်းစည်းမှုဆိုင်ရာစိန်ခေါ်မှုများကို ကိုင်တွယ်ဖြေရှင်းခြင်း
ဓာတုဗေဒစက်ရုံများစွာသည် ဆယ်စုနှစ်တစ်ခုကျော်သက်တမ်းရှိသော လုပ်ငန်းလည်ပတ်မှုနည်းပညာ (OT) စနစ်များကို အားကိုးနေရဆဲဖြစ်ပြီး၊ ၎င်းတို့သည် ခေတ်မီစံနှုန်းများနှင့် မကိုက်ညီသော သီးသန့်ပရိုတိုကောများကို မကြာခဏအသုံးပြုလေ့ရှိသည်။ Distributed Control Systems (DCS) သို့မဟုတ် Programmable Logic Controllers (PLC) ကဲ့သို့သော ဤအမွေအနှစ်စနစ်များကို အစားထိုးခြင်းသည် ဒေါ်လာသန်းပေါင်းများစွာကုန်ကျသော စီမံကိန်းတစ်ခုဖြစ်ပြီး ထုတ်လုပ်မှုအချိန်များစွာ ရပ်တန့်သွားနိုင်သည်။ ပိုမိုလက်တွေ့ကျပြီး ကုန်ကျစရိတ်သက်သာသော ဖြေရှင်းချက်တစ်ခုမှာ IoT gateways နှင့် APIs များကို တံတားအဖြစ်အသုံးပြုရန်ဖြစ်သည်။
IoT gateways များသည် ကြားခံများအဖြစ် လုပ်ဆောင်ပြီး IoT အာရုံခံကိရိယာအသစ်များမှ အချက်အလက်များကို စနစ်ဟောင်းများ နားလည်နိုင်သော ပုံစံသို့ ဘာသာပြန်ဆိုပေးပါသည်။ ၎င်းတို့သည် ကုမ္ပဏီတစ်ခုအား အပြည့်အဝပြုပြင်မွမ်းမံခြင်းမရှိဘဲ အဆင့်မြင့်စောင့်ကြည့်ခြင်းကို အကောင်အထည်ဖော်နိုင်စေပြီး ကုန်ကျစရိတ်အတားအဆီးကို တိုက်ရိုက်ဖြေရှင်းပေးပြီး အဆိုပြုထားသော ဖြေရှင်းချက်များကို ပိုမိုလွယ်ကူစွာ ရယူနိုင်စေပါသည်။ ထို့အပြင်၊ အချက်အလက်များကို အရင်းအမြစ်တွင် တိုက်ရိုက်စီမံဆောင်ရွက်သည့် edge computing ကို အကောင်အထည်ဖော်ခြင်းသည် ကွန်ရက် bandwidth ကို လျှော့ချပေးနိုင်ပြီး အချိန်နှင့်တပြေးညီ တုံ့ပြန်မှုကို တိုးတက်စေပါသည်။
၅.၄။ On-Premise vs. Cloud Architecture ဆုံးဖြတ်ချက်
ဒေတာနှင့် ခွဲခြမ်းစိတ်ဖြာမှုပလက်ဖောင်းများကို မည်သည့်နေရာတွင် လက်ခံထားရှိရမည်ဆိုသည့် ဆုံးဖြတ်ချက်သည် ကုန်ကျစရိတ်၊ လုံခြုံရေးနှင့် တိုးချဲ့နိုင်မှုတို့အတွက် သိသာထင်ရှားသော သက်ရောက်မှုများရှိသည့် အရေးကြီးသော ဆုံးဖြတ်ချက်တစ်ခုဖြစ်သည်။ ရွေးချယ်မှုသည် ရိုးရှင်းသော "တစ်ခု သို့မဟုတ် တစ်ခု" မဟုတ်ဘဲ သီးခြားအသုံးပြုမှုကိစ္စရပ်များကို ဂရုတစိုက် ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် အခြေခံသင့်သည်။
| စံနှုန်း | အဆောက်အဦအတွင်း | မိုးတိမ် |
| ထိန်းချုပ်ခြင်း | ဟာ့ဒ်ဝဲ၊ ဆော့ဖ်ဝဲနှင့် လုံခြုံရေးကို အပြည့်အဝ ထိန်းချုပ်နိုင်သည်။ အလွန်အမင်း ထိန်းချုပ်ထားသော စက်မှုလုပ်ငန်းများအတွက် အသင့်တော်ဆုံး။ | တိုက်ရိုက်ထိန်းချုပ်မှုနည်းပါးခြင်း၊ မျှဝေတာဝန်ယူမှုပုံစံ။ |
| ကုန်ကျစရိတ် | ကနဦးဟာ့ဒ်ဝဲကုန်ကျစရိတ်မြင့်မားခြင်း၊ တန်ဖိုးလျော့ကျခြင်းနှင့် ပြုပြင်ထိန်းသိမ်းခြင်းသည် ကုမ္ပဏီ၏တာဝန်ဖြစ်သည်။ | "သင်အသုံးပြုသည့်အရာအတွက် ပေးချေခြင်း" မော်ဒယ်ဖြင့် ကနဦးကုန်ကျစရိတ်ကို လျှော့ချပါ။ |
| တိုးချဲ့နိုင်မှု | ပြောင်းလွယ်ပြင်လွယ်ရှိမှု အကန့်အသတ်ရှိသည်။ တိုးချဲ့ရန်အတွက် ကိုယ်တိုင်ပံ့ပိုးပေးခြင်းနှင့် မတည်ရင်းနှီးငွေများ လိုအပ်ပါသည်။ | ကြီးမားသော တိုးချဲ့နိုင်စွမ်းနှင့် ပျော့ပြောင်းနိုင်စွမ်း၊ ပြောင်းလဲနိုင်သော အတိုင်းအတာဖြင့် မြှင့်တင်နိုင်၊ လျှော့ချနိုင်သည်။ |
| နှောင့်နှေးမှု | ဒေတာသည် အရင်းအမြစ်နှင့် ရုပ်ပိုင်းဆိုင်ရာအရ နီးကပ်သောကြောင့် latency နည်းပါးသည်။ | အချိန်နှင့်တပြေးညီ ထိန်းချုပ်မှု အလုပ်ပမာဏအချို့အတွက် လွန်ကဲသော နှောင့်နှေးမှု ရှိနိုင်သည်။ |
| ဆန်းသစ်တီထွင်မှု | နည်းပညာအသစ်များသို့ ဝင်ရောက်ခွင့် နှေးကွေးခြင်း၊ ကိုယ်တိုင် software နှင့် hardware အပ်ဒိတ်များ လိုအပ်ခြင်း။ | AI နှင့် ML ကဲ့သို့သော ဆန်းသစ်တီထွင်မှုများဖြင့် လျင်မြန်စွာ တိုးချဲ့နေသော အင်္ဂါရပ်များ။ |
| လုံခြုံရေး | လုံခြုံရေးဆိုင်ရာ လုပ်ဆောင်မှုအားလုံးအတွက် လုပ်ငန်းသည် တစ်ဦးတည်းသော တာဝန်ရှိသည်။ | လုံခြုံရေးအလွှာများစွာကို ကိုင်တွယ်သည့် ဝန်ဆောင်မှုပေးသူနှင့် တာဝန်မျှဝေခြင်း။ |
ဇယား ၅.၂: Cloud vs. On-Premise Decision Matrix
အောင်မြင်သော ဒစ်ဂျစ်တယ် မဟာဗျူဟာတစ်ခုသည် မကြာခဏ hybrid မော်ဒယ်ကို အသုံးပြုလေ့ရှိသည်။ အမြင့်ဆုံးလုံခြုံရေးနှင့် ထိန်းချုပ်မှုအတွက် မစ်ရှင်-အရေးပါသော၊ low-latency control loops များနှင့် အလွန်ပိုင်ဆိုင်မှုမြင့်မားသော formulation data များကို on-premise တွင် သိမ်းဆည်းထားနိုင်သည်။ တစ်ချိန်တည်းမှာပင်၊ cloud-based platform ကို centralized data lake အတွက် အသုံးပြုနိုင်ပြီး ရေရှည်သမိုင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု၊ ပြင်ပမိတ်ဖက်များနှင့် ပူးပေါင်းသုတေသနပြုမှုနှင့် ခေတ်မီ AI နှင့် ML tools များကို ဝင်ရောက်အသုံးပြုနိုင်စေပါသည်။
VI. လက်တွေ့အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းနှင့် ရောဂါရှာဖွေရေးလက်စွဲ
အဆင့်မြင့် စောင့်ကြည့်ခြင်းနှင့် မော်ဒယ်လ်လုပ်ခြင်း၏ စစ်မှန်သောတန်ဖိုးကို ထုတ်လုပ်မှုမန်နေဂျာများနှင့် အင်ဂျင်နီယာများအတွက် လက်တွေ့လုပ်ဆောင်နိုင်သောကိရိယာများ ဖန်တီးရန်အသုံးပြုသောအခါတွင် သဘောပေါက်လာပါသည်။ ဤကိရိယာများသည် တုံ့ပြန်မှုဆိုင်ရာ ပြဿနာရှာဖွေဖြေရှင်းခြင်းမှ တက်ကြွသော၊ မော်ဒယ်လ်အခြေပြု ထိန်းချုပ်မှုသို့ ပြောင်းလဲခြင်းဖြင့် ဆုံးဖြတ်ချက်ချမှတ်ခြင်းလုပ်ငန်းစဉ်ကို အလိုအလျောက်လုပ်ဆောင်နိုင်ပြီး မြှင့်တင်ပေးနိုင်ပါသည်။
၆.၁။ မော်ဒယ်အခြေပြု ရောဂါရှာဖွေရေး မူဘောင်
ရိုးရာထုတ်လုပ်မှုပတ်ဝန်းကျင်တွင်၊ ချို့ယွင်းချက်ကိုရှာဖွေခြင်းသည် အချိန်ကုန်သော၊ အော်ပရေတာ၏အတွေ့အကြုံနှင့် စမ်းသပ်မှုနှင့်အမှားချဉ်းကပ်မှုအပေါ် မူတည်သည့် ကိုယ်တိုင်လုပ်ဆောင်ရသည့် လုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ မော်ဒယ်မောင်းနှင်သော ရောဂါရှာဖွေရေးဘောင်သည် အချိန်နှင့်တပြေးညီဒေတာနှင့် မော်ဒယ်အထွက်များကို အသုံးပြုခြင်းဖြင့် ပြဿနာတစ်ခု၏ဖြစ်နိုင်ခြေအရှိဆုံးဇာစ်မြစ်ကို ချက်ချင်းဖော်ထုတ်ခြင်းဖြင့် ဤလုပ်ငန်းစဉ်ကို အလိုအလျောက်လုပ်ဆောင်ပေးသည်။
ဒီ framework ဟာ decision tree ဒါမှမဟုတ် logical flow chart အနေနဲ့ လုပ်ဆောင်ပါတယ်။ ချို့ယွင်းချက်လက္ခဏာတစ်ခုကို တွေ့ရှိတဲ့အခါ (ဥပမာ၊ inline viscometer ကနေ ပုံမှန်မဟုတ်တဲ့ viscosity reading) စနစ်က ဒီလက္ခဏာကို တခြား sensor တွေကနေ data တွေ (ဥပမာ၊ အပူချိန်၊ NCO/OH အချိုး) နဲ့ predictive model တွေရဲ့ output တွေ (ဥပမာ၊ hardness အတွက် RSM model) နဲ့ အလိုအလျောက် ဆက်စပ်ပေးပါတယ်။ ပြီးရင် system က operator ကို ဖြစ်နိုင်ချေရှိတဲ့ root causes စာရင်းကို ဦးစားပေးတင်ပြနိုင်ပြီး ရောဂါရှာဖွေချိန်ကို နာရီကနေ မိနစ်အထိ လျှော့ချပေးနိုင်ပြီး ပြင်ဆင်မှုလုပ်ဆောင်ချက်တွေကို ပိုမိုမြန်ဆန်စေပါတယ်။ ဒီချဉ်းကပ်မှုက ချို့ယွင်းချက်ကို ရှာဖွေတာကနေ အခြေခံပြဿနာကို ကြိုတင်ဖော်ထုတ်ပြီး ပြင်ဆင်တာအထိ ရွေ့လျားပါတယ်။
ပုံ ၆.၁: အော်ပရေတာများအား သတ်မှတ်ထားသော မူလအကြောင်းရင်းနှင့် ပြင်ဆင်မှုလုပ်ဆောင်ချက်ဆီသို့ လမ်းညွှန်ရန် အချိန်နှင့်တပြေးညီ အာရုံခံကိရိယာဒေတာနှင့် ခန့်မှန်းမော်ဒယ်များကို အသုံးပြုခြင်းလုပ်ငန်းစဉ်ကို ဖော်ပြသည့် ရိုးရှင်းသော စီးဆင်းမှုဇယား။
ဤချဉ်းကပ်မှုကို ပစ်မှတ်ထားပရိသတ်အတွက် အမြန်ရည်ညွှန်းလမ်းညွှန်ပေးသည့် ရောဂါရှာဖွေရေးမက်ထရစ်တွင် အကျဉ်းချုပ်နိုင်ပါသည်။
| ချို့ယွင်းချက်/လက္ခဏာ | သက်ဆိုင်ရာဒေတာစီးကြောင်း | ဖြစ်နိုင်ခြေရှိသော အရင်းခံအကြောင်းရင်း |
| မညီမညာ မာကျောမှု | NCO/OH အချိုး၊ အပူချိန်ပရိုဖိုင် | ပစ္စည်းအချိုးအစား မမှန်ကန်ခြင်း၊ အပူချိန်ပရိုဖိုင် မညီမျှခြင်း |
| ကပ်ငြိမှု ညံ့ဖျင်းခြင်း | မျက်နှာပြင်အပူချိန်၊ စိုထိုင်းဆ | မျက်နှာပြင်ပြင်ဆင်မှု မမှန်ကန်ခြင်း၊ ပတ်ဝန်းကျင်စိုထိုင်းဆ အနှောင့်အယှက်ဖြစ်ခြင်း |
| ပူဖောင်းများ သို့မဟုတ် အစက်အပြောက်များ | Viscosity ပရိုဖိုင်၊ အပူချိန် | ပျံ့လွင့်လွယ်သော အစိတ်အပိုင်းများ၊ မသင့်လျော်သော ရောစပ်မှု သို့မဟုတ် အပူပရိုဖိုင် |
| ကုသမှုအချိန် မကိုက်ညီခြင်း | NCO/OH အချိုး၊ အပူချိန်၊ ဓာတ်ကူပစ္စည်းထည့်သွင်းနှုန်း | မှားယွင်းသော ဓာတ်ကူပစ္စည်း ပါဝင်မှု၊ အပူချိန် အတက်အကျ |
| ဖွဲ့စည်းပုံ အားနည်းခြင်း | ဂျယ်လာရှင်းအချိန်၊ စေးကပ်မှုပရိုဖိုင် | အပူမလုံလောက်ခြင်း၊ အေးမြသောနေရာတွင် ဒေသတွင်းကျုံ့ခြင်း |
ဇယား ၆.၂: ချို့ယွင်းချက်မှ ထိုးထွင်းသိမြင်မှုဆိုင်ရာ ရောဂါရှာဖွေရေး မက်ထရစ်
၆.၂။ စမတ်စံလုပ်ငန်းလည်ပတ်မှုလုပ်ထုံးလုပ်နည်းများ (SOPs)
ရိုးရာစံလုပ်ငန်းလည်ပတ်မှုလုပ်ထုံးလုပ်နည်းများ (SOPs) သည် ထုတ်လုပ်မှုလုပ်ငန်းစဉ်များအတွက် တင်းကျပ်သော အဆင့်ဆင့်လမ်းညွှန်ချက်ပေးသည့် စက္ကူအခြေခံစာရွက်စာတမ်းများဖြစ်သည်။ ၎င်းတို့သည် လုပ်ငန်းလည်ပတ်မှုကို စံသတ်မှတ်ခြင်းနှင့် လိုက်နာမှုကိုသေချာစေရန် မရှိမဖြစ်လိုအပ်သော်လည်း၊ ၎င်းတို့သည် အချိန်နှင့်တပြေးညီ လုပ်ငန်းစဉ်ကွဲလွဲမှုများကို ထည့်သွင်းစဉ်းစားနိုင်မည်မဟုတ်ပါ။ "smart SOP" သည် တိုက်ရိုက်လုပ်ငန်းစဉ်ဒေတာနှင့် ပေါင်းစပ်ထားသော လုပ်ငန်းစဉ်အသစ်၊ ပြောင်းလဲနေသော လုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။
ဥပမာအားဖြင့်၊ ရောစပ်ခြင်းလုပ်ငန်းစဉ်အတွက် ရိုးရာ SOP သည် တသမတ်တည်းသော အပူချိန်နှင့် ရောစပ်ချိန်ကို သတ်မှတ်ပေးနိုင်သည်။ အခြားတစ်ဖက်တွင်မူ smart SOP ကို အချိန်နှင့်တပြေးညီ အပူချိန်နှင့် viscosity အာရုံခံကိရိယာများနှင့် ချိတ်ဆက်ထားမည်ဖြစ်သည်။ အာရုံခံကိရိယာတစ်ခုက ပတ်ဝန်းကျင်အပူချိန် ကျဆင်းသွားသည်ကို သိရှိပါက smart SOP သည် လိုအပ်သော ရောစပ်ချိန် သို့မဟုတ် အပူချိန်ကို ပြောင်းလဲမှုအတွက် ပြန်လည်ချိန်ညှိပေးနိုင်ပြီး နောက်ဆုံးထုတ်ကုန်အရည်အသွေးသည် တသမတ်တည်းရှိနေစေရန် သေချာစေသည်။ ၎င်းသည် SOP ကို አዲስ၊ အချိန်နှင့်တပြေးညီပတ်ဝန်းကျင်တွင် အော်ပရေတာများအား အကောင်းဆုံးဆုံးဖြတ်ချက်ချရန်၊ ကွဲပြားမှုကို အနည်းဆုံးဖြစ်အောင်၊ အမှားများကို လျှော့ချရန်နှင့် အလုံးစုံထိရောက်မှုကို တိုးတက်စေရန် ကူညီပေးသည့် အသက်ဝင်ပြီး လိုက်လျောညီထွေဖြစ်သော စာရွက်စာတမ်းတစ်ခုဖြစ်စေသည်။
၆.၃။ Control Loop များကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း
အာရုံခံကိရိယာများနှင့် ခန့်မှန်းမော်ဒယ်များကို လုပ်ငန်းစဉ်ကို တက်ကြွစွာထိန်းချုပ်သည့် စနစ်တစ်ခုထဲသို့ ပေါင်းစပ်လိုက်သောအခါတွင် ၎င်းတို့၏ အပြည့်အဝတန်ဖိုးကို ရရှိမည်ဖြစ်သည်။ ၎င်းတွင် ထိန်းချုပ်မှုကွင်းဆက်များကို ချိန်ညှိခြင်းနှင့် အဆင့်မြင့်ထိန်းချုပ်မှုဗျူဟာများကို အကောင်အထည်ဖော်ခြင်းအတွက် အကောင်းဆုံးလုပ်ဆောင်မှုများကို အသုံးချခြင်း ပါဝင်သည်။
Control loop optimization ဆိုသည်မှာ လုပ်ငန်းစဉ်ကို နက်နက်ရှိုင်းရှိုင်းနားလည်ခြင်း၊ ထိန်းချုပ်မှုရည်မှန်းချက်ကို သတ်မှတ်ခြင်းနှင့် ထို့နောက် loop ကိုချိန်ညှိရန် real-time data ကိုအသုံးပြုခြင်းဖြင့် စတင်သည့် စနစ်တကျလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ cascade နှင့် feed-forward control ကဲ့သို့သော Advanced Process Control (APC) ဗျူဟာများကို တည်ငြိမ်မှုနှင့် တုံ့ပြန်မှုကို မြှင့်တင်ရန် အသုံးပြုနိုင်သည်။ အဓိကရည်မှန်းချက်မှာ data-to-action cycle ကိုပိတ်ရန်ဖြစ်သည်- inline NIR sensor သည် NCO/OH အချိုးအပေါ် real-time data ကိုပေးသည်၊ predictive model သည် ရလဒ်ကိုခန့်မှန်းပြီး control loop သည် ဤအချက်အလက်ကို အသုံးပြု၍ isocyanate feed pump ကို အလိုအလျောက်ချိန်ညှိပေးပြီး အကောင်းဆုံးအချိုးကို ထိန်းသိမ်းပြီး variability ကိုဖယ်ရှားပေးသည်။ loop စွမ်းဆောင်ရည်ကို စဉ်ဆက်မပြတ်စောင့်ကြည့်ခြင်းသည် drift ကိုဖမ်းရန်၊ sensor ပြဿနာများကိုဖော်ထုတ်ရန်နှင့် လုပ်ငန်းစဉ်စွမ်းဆောင်ရည်ကျဆင်းမှုမတိုင်မီ မည်သည့်အချိန်တွင်ပြန်လည်ချိန်ညှိရမည်ကိုဆုံးဖြတ်ရန် အရေးကြီးပါသည်။
VII. ဖြစ်ရပ်လေ့လာမှုများနှင့် အကောင်းဆုံးလုပ်ဆောင်မှုများ
အဆင့်မြင့်စောင့်ကြည့်ခြင်းနှင့် ပမာဏဆိုင်ရာမော်ဒယ်လ်လုပ်ခြင်း၏ အကျိုးကျေးဇူးများသည် သီအိုရီသက်သက်မဟုတ်ဘဲ၊ ၎င်းတို့ကို လက်တွေ့ကမ္ဘာအောင်မြင်မှုများနှင့် တိုင်းတာနိုင်သော ROI များဖြင့် အတည်ပြုထားသည်။ စက်မှုလုပ်ငန်းခေါင်းဆောင်များ၏ အတွေ့အကြုံများသည် အဖိုးတန်သင်ခန်းစာများနှင့် ဒစ်ဂျစ်တယ်အသွင်ပြောင်းမှုအတွက် ဆွဲဆောင်မှုရှိသော စီးပွားရေးကိစ္စရပ်တစ်ခုကို ပေးစွမ်းသည်။
၇.၁။ စက်မှုလုပ်ငန်းခေါင်းဆောင်များထံမှ သင်ခန်းစာများ
အဓိက ဓာတုဗေဒကုမ္ပဏီများ၏ ဒစ်ဂျစ်တယ်အသွင်ပြောင်းရေး ကြိုးပမ်းမှုများသည် ရှင်းလင်းသော လမ်းကြောင်းတစ်ခုကို ပြသနေသည်- အောင်မြင်မှုသည် အပိုင်းပိုင်းချဉ်းကပ်မှုမဟုတ်ဘဲ အလုံးစုံပါဝင်သော၊ အဆုံးမှအဆုံး မဟာဗျူဟာမှ လာပါသည်။
ဒူပွန့်-မတည်ငြိမ်သောစျေးကွက်တွင် ပြန်လည်ကောင်းမွန်လာနိုင်သော ထောက်ပံ့ရေးကွင်းဆက်တစ်ခု လိုအပ်ကြောင်း သိရှိခဲ့ပြီး "ဘာဖြစ်လာမလဲ" မြင်ကွင်းပုံစံအတွက် စိတ်ကြိုက်ပြုလုပ်ထားသော ဒစ်ဂျစ်တယ်ပလက်ဖောင်းတစ်ခုကို အကောင်အထည်ဖော်ခဲ့သည်။ ၎င်းက ၎င်းတို့အား ပိုမိုစမတ်ကျသော စီးပွားရေးဆုံးဖြတ်ချက်များချနိုင်စေပြီး မြှင့်တင်ထားသော ခန့်မှန်းနိုင်စွမ်းများဖြင့် ထုတ်ကုန် ၁၀၀၀ ကျော်ကို ထိရောက်စွာ ဖြန့်ဖြူးနိုင်စေခဲ့သည်။ သင်ခန်းစာမှာ ထောက်ပံ့ရေးကွင်းဆက်မှ လုပ်ငန်းလည်ပတ်မှုအထိ မတူညီသောစနစ်များကို ဗဟိုချုပ်ကိုင်ထားသောပလက်ဖောင်းတစ်ခုသို့ ချိတ်ဆက်ခြင်းသည် တန်ဖိုးကွင်းဆက်တစ်ခုလုံး၏ ပြည့်စုံသောအမြင်ကို ပေးစွမ်းသည်။
ကိုဗက်စထရို:spreadsheets များအပေါ် မှီခိုမှုမှ ကင်းဝေးပြီး ပရောဂျက်ဒေတာအတွက် ဗဟိုချုပ်ကိုင်ထားသော "တစ်ခုတည်းသော အမှန်တရားရင်းမြစ်" ကို ဖန်တီးရန်အတွက် ကမ္ဘာလုံးဆိုင်ရာ ကော်ပိုရိတ် ဒစ်ဂျစ်တယ်အသွင်ပြောင်းရေး မဟာဗျူဟာကို စတင်ခဲ့သည်။ ဤပေါင်းစပ်ချဉ်းကပ်မှုသည် ယခင်က လက်ဖြင့်ဒေတာစုဆောင်းခြင်းနှင့် အတည်ပြုခြင်းတွင် အသုံးပြုခဲ့သော အချိန်၏ 90% ကို သက်သာစေခဲ့ပြီး ယုံကြည်စိတ်ချရမှုကို သိသိသာသာ မြှင့်တင်ပေးခဲ့သည်။ ကုမ္ပဏီသည် ထုတ်ကုန်အသစ်များကို ပိုမိုမြန်ဆန်စွာ တီထွင်ရန်နှင့် ထုတ်ကုန်အရည်အသွေးနှင့် ထုတ်လုပ်မှုအကျိုးအမြတ်ကို မြှင့်တင်ရန် ဒစ်ဂျစ်တယ်အသွင်ပြောင်းရေးကို အသုံးချခဲ့သည်။
SABIC:ကုန်ကြမ်းအရည်အသွေး၊ လုပ်ငန်းစဉ်ဆိုင်ရာ ကန့်သတ်ချက်များနှင့် ပတ်ဝန်းကျင်အခြေအနေများကို ဒစ်ဂျစ်တယ် ခန့်မှန်းကိရိယာများထဲသို့ ပေါင်းစပ်ထားသည့် ကုမ္ပဏီတစ်ခုလုံးအတွက် ဒစ်ဂျစ်တယ်လုပ်ငန်းလည်ပတ်မှုပလက်ဖောင်းတစ်ခုကို ဖြန့်ကျက်ခဲ့သည်။ ဥပမာအားဖြင့်၊ AI ဖြင့် လည်ပတ်သော ပိုင်ဆိုင်မှုကျန်းမာရေးစောင့်ရှောက်မှုဖြေရှင်းချက်သည် ကမ္ဘာတစ်ဝှမ်းရှိ ၎င်း၏စက်ရုံများတွင် လည်ပတ်နေပြီး အရေးကြီးသော စက်ပစ္စည်းများ၏ ချို့ယွင်းမှုများကို ခန့်မှန်းခြင်းနှင့် ကြိုတင်ပြုပြင်ထိန်းသိမ်းမှုကို လုပ်ဆောင်နိုင်စေပါသည်။ ဤပြည့်စုံသောချဉ်းကပ်မှုသည် စွမ်းအင်ထိရောက်မှု၊ ပိုင်ဆိုင်မှုယုံကြည်စိတ်ချရမှုနှင့် လုပ်ငန်းလည်ပတ်မှုခြေရာတို့တွင် တိုးတက်မှုများ ဖြစ်ပေါ်စေခဲ့သည်။
၇.၂။ ROI နှင့် မြင်သာသော အကျိုးကျေးဇူးများ
ဤနည်းပညာများတွင် ရင်းနှီးမြှုပ်နှံမှုသည် ရှင်းလင်းပြတ်သားပြီး သိသာထင်ရှားသော အကျိုးအမြတ်ရှိသည့် မဟာဗျူဟာကျသော စီးပွားရေးဆုံးဖြတ်ချက်တစ်ခုဖြစ်သည်။ မတူညီသော စက်မှုလုပ်ငန်းများမှ ဖြစ်ရပ်လေ့လာမှုများသည် ငွေကြေးနှင့် လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ အကျိုးကျေးဇူးများကို ဆွဲဆောင်မှုရှိသော အတည်ပြုချက်ပေးပါသည်။
ခန့်မှန်းချက် ခွဲခြမ်းစိတ်ဖြာမှု-AVEVA Predictive Analytics ဆော့ဖ်ဝဲသည် ၂၄ လအတွင်း ဒေါ်လာ ၃၇ သန်းအထိ ထိရောက်မှု ချွေတာနိုင်ကြောင်း ပြသထားပြီး၊ ထပ်တလဲလဲ ပြုပြင်ထိန်းသိမ်းမှု ကုန်ကျစရိတ် ၁၀% လျော့ကျခြင်းနှင့် နှစ်စဉ် ပြုပြင်ထိန်းသိမ်းမှု နာရီ ၃၀၀၀ လျော့ကျခြင်းတို့ ပါဝင်သည်။ ရေနံနှင့် သဘာဝဓာတ်ငွေ့ ကုမ္ပဏီတစ်ခုသည် cloud-enabled early-warning စနစ်ကို အသုံးပြု၍ စက်ပစ္စည်း မူမမှန်မှုများကို ထောက်လှမ်းခြင်းဖြင့် ဒေါ်လာ ၃၃ သန်း ချွေတာနိုင်ခဲ့သည်။ ရေနံချက်စက်ရုံတစ်ခု၏ အစီအစဉ်သည် ၃ ဆ ROI ကို ရရှိစေခဲ့ပြီး ချေးခြင်း စောင့်ကြည့်ရေးနေရာအရေအတွက်ကို ၂၇.၄% ဘေးကင်းစွာ လျှော့ချနိုင်ခဲ့သည်။
ထိရောက်မှု တိုးတက်မှုများ-အထူးပြုဓာတုဗေဒ ထုတ်လုပ်သူတစ်ဦးသည် လည်ပတ်စရိတ်များ လျှော့ချခြင်းနှင့် ထုတ်လုပ်မှု ခန့်မှန်းနိုင်စွမ်း မြှင့်တင်ခြင်းတွင် စိန်ခေါ်မှုများနှင့် ရင်ဆိုင်ခဲ့ရသည်။ တိုးတက်မှု အခွင့်အလမ်းများကို ရှာဖွေဖော်ထုတ်ရန် ပြည့်စုံသော ခွဲခြမ်းစိတ်ဖြာမှုကို အကောင်အထည်ဖော်ခြင်းဖြင့် ၎င်းတို့သည် ကုန်ကြမ်းယူနစ် အထွက်နှုန်း တိုးတက်ကောင်းမွန်လာခြင်းနှင့် ယူနစ်ထုတ်လုပ်မှု မြှင့်တင်ခြင်းတို့ဖြင့် သိသာထင်ရှားသော 2.7:1 ROI ကို ရရှိခဲ့သည်။
ဘေးကင်းရေးနှင့် ထောက်ပံ့ပို့ဆောင်ရေး-ဘေးကင်းရေးစစ်ဆေးမှုများ အကြိမ်ကြိမ်ပျက်ကွက်ပြီးနောက် ဓာတ်ငွေ့စက်ရုံတစ်ခုသည် အလိုအလျောက်စနစ်ဖြင့် ဘေးကင်းရေးထွက်ခွာချိန်နှင့် စုဆောင်းချိန်ကို ၇၀% လျှော့ချနိုင်ခဲ့သည်။ SABIC ၏ ဒစ်ဂျစ်တယ်ပလက်ဖောင်းသည် ယခင်က လေးရက်ကြာခဲ့သော လက်စွဲစာရွက်စာတမ်းလုပ်ငန်းစဉ်များကို အလိုအလျောက်လုပ်ဆောင်ပေးခဲ့ပြီး အချိန်ကို တစ်ရက်သာလျှော့ချပေးခဲ့ပြီး အဓိကအခက်အခဲများကို ဖယ်ရှားပေးခဲ့ပြီး ဆိုင်းငံ့အခကြေးငွေများကို ရှောင်ရှားနိုင်ခဲ့သည်။
ဤရလဒ်များက အဆိုပြုထားသော မဟာဗျူဟာများသည် စိတ်ကူးယဉ်အယူအဆတစ်ခု မဟုတ်ဘဲ ပိုမိုကောင်းမွန်သော အကျိုးအမြတ်၊ ထိရောက်မှုနှင့် ဘေးကင်းမှုရရှိရန် သက်သေပြနိုင်သော၊ တိုင်းတာနိုင်သော လမ်းကြောင်းတစ်ခုဖြစ်ကြောင်း ပြသနေပါသည်။
၇.၃။ သီအိုရီဆိုင်ရာ လေ့လာမှု- NCO/OH အချိုးကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း
ဤနောက်ဆုံးဖြစ်ရပ်လေ့လာမှုသည် ဤအစီရင်ခံစာတစ်လျှောက်တွင် တင်ပြထားသော သဘောတရားများကို PU ထုတ်လုပ်မှုတွင် အဖြစ်များပြီး ကုန်ကျစရိတ်များသော ပြဿနာတစ်ခုကို ဖြေရှင်းရန် တစ်ခုတည်းသော၊ ညီညွတ်သော ဇာတ်ကြောင်းတွင် မည်သို့အသုံးချနိုင်သည်ကို သရုပ်ပြသည်။
ဇာတ်လမ်း:PU အပေါ်ယံလွှာ ထုတ်လုပ်သူတစ်ဦးသည် နောက်ဆုံးထုတ်ကုန် မာကျောမှုနှင့် ပျောက်ကင်းချိန်တို့တွင် အသုတ်လိုက် မညီညွတ်မှုများကို ကြုံတွေ့နေရသည်။ ရိုးရာဓာတ်ခွဲခန်းစမ်းသပ်မှုများသည် ပြဿနာကို အချိန်မီရှာဖွေရန် အလွန်နှေးကွေးလွန်းပြီး အသုတ်လိုက်ကို သိမ်းဆည်းရန် ပစ္စည်းအလဟဿဖြစ်စေသည်။ အဖွဲ့သည် NCO/OH အချိုး မတည်ငြိမ်ခြင်းသည် အဓိကအကြောင်းရင်းဖြစ်သည်ဟု သံသယရှိသည်။
ဖြေရှင်းချက်:
အချိန်နှင့်တပြေးညီ စောင့်ကြည့်ခြင်း-အဖွဲ့သည် NCO/OH အချိုးကို အဆက်မပြတ်စောင့်ကြည့်ရန်အတွက် feed line တွင် real-time NIR spectroscopy sensor ကို တပ်ဆင်သည်။2ဤအာရုံခံကိရိယာမှ အချက်အလက်များကို ဒေတာသမိုင်းပညာရှင်ထံ ပေးပို့ပြီး ဤအရေးကြီးသော ကန့်သတ်ချက်၏ စဉ်ဆက်မပြတ်နှင့် တိကျသော မှတ်တမ်းကို ပေးစွမ်းပါသည်။
အရေအတွက်ဆိုင်ရာ မော်ဒယ်လ်ပြုလုပ်ခြင်း:သမိုင်းဝင် NIR အချက်အလက်များကို အသုံးပြု၍ အဖွဲ့သည် NCO/OH အချိုးနှင့် နောက်ဆုံးထုတ်ကုန်၏ မာကျောမှုနှင့် ကုသမှုအချိန်အကြား တိကျသောဆက်နွယ်မှုကို သတ်မှတ်ပေးသည့် RSM မော်ဒယ်တစ်ခုကို တီထွင်ကြသည်။ ဤမော်ဒယ်သည် လိုချင်သောဂုဏ်သတ္တိများရရှိရန် အကောင်းဆုံးအချိုးကို ဆုံးဖြတ်ရန်နှင့် ဓာတ်ပေါင်းဖိုထဲတွင် ရှိနေစဉ် အသုတ်တစ်ခု၏ နောက်ဆုံးအရည်အသွေးကို ခန့်မှန်းရန် ၎င်းတို့အား ခွင့်ပြုသည်။
AI မောင်းနှင်သော ပုံမှန်မဟုတ်သော ထောက်လှမ်းခြင်း-NIR အာရုံခံကိရိယာမှ ဒေတာစီးကြောင်းတွင် AI ပုံမှန်မဟုတ်သော ထောက်လှမ်းမှု မော်ဒယ်တစ်ခုကို ဖြန့်ကျက်ထားသည်။ မော်ဒယ်သည် NCO/OH အချိုးအတွက် ပုံမှန်လည်ပတ်မှုပရိုဖိုင်ကို သင်ယူသည်။ သင်ယူထားသော ဤပုံစံမှ သွေဖည်မှုကို ထောက်လှမ်းပါက—အနည်းငယ်၊ တဖြည်းဖြည်း ရွေ့လျားမှုပင်ဖြစ်စေ—ထုတ်လုပ်ရေးအဖွဲ့ထံ ကြိုတင်သတိပေးချက် ပေးပို့သည်။ ၎င်းသည် ရိုးရာဓာတ်ခွဲခန်းနမူနာယူခြင်းဖြင့် ပြဿနာတစ်ခုကို ရှာဖွေတွေ့ရှိနိုင်မည်မဟုတ်မီ ရက်သတ္တပတ်အနည်းငယ်အလိုတွင် သတိပေးချက်တစ်ခု ပေးသည်။
အလိုအလျောက် လုပ်ငန်းစဉ် ထိန်းချုပ်မှု-နောက်ဆုံးအဆင့်ကတော့ ကွင်းဆက်ကိုပိတ်ဖို့ပါပဲ။ NIR အာရုံခံကိရိယာကနေ ရရှိတဲ့ အချိန်နဲ့တပြေးညီဒေတာကို အသုံးပြုပြီး isocyanate အတွက် feed pump ကို အလိုအလျောက်ချိန်ညှိပေးတဲ့ predictive control system တစ်ခုကို အကောင်အထည်ဖော်ထားပါတယ်။ ဒါက လူသားအချက်ကို ဖယ်ရှားပေးပြီး ဓာတ်ပြုမှုတစ်လျှောက်လုံး NCO/OH အချိုးကို အကောင်းဆုံးတန်ဖိုးမှာ ထိန်းသိမ်းထားဖို့ သေချာစေပြီး၊ ကွဲပြားမှုတွေကို ဖယ်ရှားပေးပြီး အရည်အသွေးတသမတ်တည်းရှိစေဖို့ အာမခံပါတယ်။
ဤပြည့်စုံသော မူဘောင်ကို အသုံးချခြင်းဖြင့် ထုတ်လုပ်သူသည် တုံ့ပြန်သည့်၊ ချို့ယွင်းချက်အခြေပြု ထုတ်လုပ်မှုပုံစံမှ ကြိုတင်ကာကွယ်သည့်၊ အချက်အလက်အခြေပြု ထုတ်လုပ်မှုပုံစံသို့ ရွေ့လျားနိုင်ပြီး အသုတ်တိုင်းသည် အရည်အသွေးစံနှုန်းများနှင့် ကိုက်ညီကြောင်း၊ အလဟဿဖြစ်မှုကို လျှော့ချပေးကြောင်းနှင့် အလုံးစုံအကျိုးအမြတ်ကို တိုးတက်ကောင်းမွန်စေကြောင်း သေချာစေပါသည်။
ပို့စ်တင်ချိန်: ၂၀၂၅ ခုနှစ်၊ စက်တင်ဘာလ ၈ ရက်
