Μέσα σε ένα εργοστάσιο τσιμέντου όλα μοιάζουν φτιαγμένα σε άλλη κλίμακα. Τεράστιοι μύλοι και κλίβανοι, δυνατοί ήχοι. Σε αυτή τη βιομηχανική κλίμακα εντυπωσιακών διαστάσεων, που προκαλεί ακόμα και δέος, κάποιες μικρές συσκευές και συστήματα μπορούν να κάνουν μεγάλη διαφορά.
Ο λόγος για μια σειρά από αισθητήρες, προσκολλημένους στον βαρύ βιομηχανικό εξοπλισμό, που -συνεργαζόμενοι με ένα υποσύστημα του Διαδικτύου των Πραγμάτων (ΙοΤ) και αλγόριθμους Τεχνητής Νοημοσύνης (ΤΝ)- μπορούν να οδηγήσουν σε πιο έξυπνες αποφάσεις για τη λειτουργία του εργοστασίου, ακόμα και χωρίς ανθρώπινη παρέμβαση, και να βελτιώσουν μια σειρά από δείκτες είτε μιλάμε για παραγωγικότητα είτε για περιβαλλοντικές επιδόσεις.
Οι τεχνολογίες αυτές βρίσκονται στην «καρδιά» του έργου ΣΙΡΟΚΟ, που υλοποίησε το Ινστιτούτο Τεχνολογιών Πληροφορικής και Επικοινωνιών (ΙΠΤΗΛ) του Εθνικού Κέντρου Έρευνας και Τεχνολογικής Ανάπτυξης (ΕΚΕΤΑ), με πιλοτική εφαρμογή στο εργοστάσιο της τσιμεντοβιομηχανίας ΤΙΤΑΝ στη Θεσσαλονίκη.
Όπως εξήγησε στο ΑΠΕ-ΜΠΕ ο ερευνητής του ΙΠΤΗΛ Νίκος Κολώκας, το σύστημα του ΣΙΡΟΚΟ βασίζεται σε τρεις ψηφιακές τεχνολογίες, που περιλαμβάνουν τα υποσυστήματα ΙοΤ και ΤΝ και ένα Έξυπνο Σύστημα Λήψης Αποφάσεων (ΕΣΛΑ). Το πρώτο υποσύστημα -το ΙοΤ- δίδει μέσω των αισθητήρων δεδομένα σε πραγματικό χρόνο, τα οποία αποθηκεύονται σε μια data bank (τράπεζα δεδομένων). Το δεύτερο -η ΤΝ- αξιολογεί αυτά τα δεδομένα και τα συγκρίνει με μετρήσιμους οικονομικούς, ποιοτικούς και περιβαλλοντικούς στόχους που έχουν τεθεί. Και το τρίτο, το Έξυπνο Σύστημα Λήψης Αποφάσεων, προτείνει στους ανθρώπους- χειριστές του εργοστασίου τη βέλτιστη λύση, ώστε η μονάδα να λειτουργεί «ρολόι».
«Φτιάξαμε μια λειτουργική ΙοΤ πλατφόρμα, ώστε οι χειριστές στο εργοστάσιο παραγωγής να βλέπουν τα πάντα μέσω user interfaces (διεπαφών χρήστη)» εξηγεί ο κ. Κολώκας και προσθέτει: «Η μέθοδος ενισχυτικής μάθησης (reinforcement learning) που χρησιμοποιήθηκε για την αυτόματη επανεκπαίδευση των μοντέλων Τεχνητής Νοημοσύνης όταν χρειάζεται (μειώνοντας έτσι την ανάγκη για ανθρώπινη παρέμβαση) ήταν σημαντική καινοτομία, καθώς φάνηκε να βελτιώνει την ακρίβεια των προβλέψεων, συγκριτικά με τη διαρκή χρήση μοντέλων χωρίς επανεκπαίδευση».
Τι είδους βελτιστοποιήσεις μπορεί να πετύχει αυτό το σύστημα; Σύμφωνα με τις εκτιμήσεις των ερευνητών, στο πλαίσιο του πιλοτικού έργου, η εκπομπή περιβαλλοντικής σκόνης από τον μύλο του τσιμέντου θα μπορούσε να μειωθεί -χάρη στη χρήση των συστημάτων- κατά 16,2%, σε σχέση με την περίπτωση που αυτά δεν χρησιμοποιούνταν. Αντίστοιχα, η εκτιμώμενη μείωση στις δονήσεις του μηχανήματος θα μπορούσε να είναι της τάξης του 15,7% και θα ήταν εφικτό να επιτευχθεί βελτίωση της τάξης του 2,7% στην τροφοδοσία υλικού στον μύλο, σε σχέση πάντα με τη μέση/διάμεση πραγματική τιμή χωρίς βελτιστοποίηση. Αντίστοιχα, στον κλίβανο, η τροφοδοσία υλικού θα μπορούσε να βελτιωθεί κατά περίπου 3,5%, τα οξείδια του αζώτου να μειωθούν κατά 100% και η ένταση του ρεύματος του κλιβάνου κατά 4,9%.
Το ΣΙΡΟΚΟ είχε συνολική διάρκεια 30 μηνών και ολοκληρώθηκε το Δεκέμβριο του 2023. Το έργο υλοποιήθηκε στο πλαίσιο της Δράσης ΕΡΕΥΝΩ - ΔΗΜΙΟΥΡΓΩ - ΚΑΙΝΟΤΟΜΩ και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση και εθνικούς πόρους μέσω του Επιχειρησιακού Προγράμματος Ανταγωνιστικότητα, Επιχειρηματικότητα & Καινοτομία (ΕΠΑνΚ).
