Digital Twin Feedback for Predictive Maintenance in Industrial IoT Environments

एक आधुनिक कारखाने के विशाल, गूँजते हुए हृदय में, भारी मशीनें निरंतर सटीकता के साथ घूमती हैं, कच्चे माल को उन वस्तुओं में बदल देती हैं जो हमारी अलमारियों को भर देती हैं। दशकों से, इन मशीनों को चालू रखने का खेल प्रतिक्रिया और दिनचर्या का रहा है। कर्मचारी किसी पुर्जे के टूटने का इंतज़ार करते थे जब तक कि उसे ठीक न किया जा सके, या वे एक सख्त समय सारणी के अनुसार लाइन को बंद कर देते थे, चाहे मशीन को वास्तव में ध्यान देने की आवश्यकता हो या नहीं। यह दृष्टिकोण महंगा है, जिससे अप्रत्याशित रुकावटें आती हैं जो उत्पादन को रोक देती हैं और पैसा बर्बाद करती हैं। समय के साथ, इंजीनियरों ने मशीनों से उनकी कंपन को सुनने या उनकी गर्मी को महसूस करने के लिए सेंसर लगाकर इसमें सुधार करने की कोशिश की है, इस उम्मीद में कि समस्या होने से पहले ही उसे पहचाना जा सके। हालाँकि, इस पूरे डेटा को विश्लेषण के लिए एक दूर स्थित कंप्यूटर केंद्र पर भेजना अक्सर बहुत लंबा समय ले लेता है। जब तक चेतावनी पहुँचती है, तब तक नुकसान पहले ही हो चुका होता है। इसके अलावा, साधारण कंप्यूटर प्रोग्राम जो डेटा में पैटर्न खोजने के लिए उपयोग किए जाते हैं, अक्सर टूट-फूट के सूक्ष्म संकेतों को पकड़ने में चूक जाते हैं क्योंकि वे इस भौतिकी (फिजिक्स) को नहीं समझते कि धातु कैसे थकती है या बेयरिंग के अंदर गर्मी कैसे बढ़ती है।

भारत के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इस पहेली को सुलझाने का एक नया तरीका विकसित किया है, जिससे एक ऐसी प्रणाली बनाई गई है जो मशीन के ठीक बगल में एक स्थानीय, सोचने वाले मस्तिष्क की तरह कार्य करती है। वे अपनी इस रचना को "डिजिटल ट्विन" कहते हैं, जो एक भौतिक मशीन की आभासी प्रति (वर्चुअल कॉपी) है जो कंप्यूटर के भीतर रहती है। यह आभासी प्रति केवल मशीन की नकल ही नहीं करती; यह वास्तविक समय में उससे सीखती है, भौतिकी के नियमों का उपयोग करके यह अनुमान लगाती है कि तनाव के तहत मशीन कैसा व्यवहार करेगी। इस आभासी मॉडल को स्मार्ट सेंसर के साथ जोड़कर, जो फैक्ट्री फ्लोर पर तुरंत डेटा को प्रोसेस करते हैं, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो किसी पुर्जे के टूटने से बहुत पहले ही उसके विफल होने का पता लगा सकती है, और इसके लिए किसी केंद्रीय सर्वर के साथ धीमे कनेक्शन की प्रतीक्षा करने की आवश्यकता नहीं होती। उनका कार्य बताता है कि मशीन को उसके अपने डिजिटल साये से बात करने की अनुमति देकर, कारखाने अप्रत्याशित घटनाओं से बच सकते हैं और अपनी उत्पादन लाइनों को सुचारू रूप से चला सकते हैं।

शोधकर्ताओं ने, जिनका नेतृत्व मेघा पाटिल, योगेश भिरुड और धनश्री बारबोले कर रहे थे, ने अपना ध्यान एक विशिष्ट प्रकार के औद्योगिक उपकरण पर केंद्रित किया: घूमने वाली मशीनरी जैसे इलेक्ट्रिक मोटर और पंप। ये मशीनें उद्योग के कार्यबल हैं, लेकिन इनके बेयरिंग्स—वे भाग जो शाफ्ट को स्वतंत्र रूप से घूमने की अनुमति देते हैं—घिसावट और टूट-फूट के प्रति संवेदनशील होते हैं। अपने विचार का परीक्षण करने के लिए, टीम ने 250-वाट के इलेक्ट्रिक मोटर का उपयोग करके एक नियंत्रित प्रयोग स्थापित किया। उन्होंने जानबूझकर मोटर के बेयरिंग्स में छोटे, सटीक दोष उत्पन्न किए, जिससे एक ऐसी स्थिति पैदा हुई जहाँ मशीन एक स्वस्थ अवस्था से धीरे-धीरे विफल होने की अवस्था की ओर बढ़ने लगी। उन्होंने मोटर को चार अलग-अलग प्रकार के सेंसरों से लैस किया: एक कंपन को महसूस करने के लिए, एक बेयरिंग के तापमान को मापने के लिए, एक मोटर के माध्यम से बहने वाली विद्युत धारा को ट्रैक करने के लिए, और एक माइक्रोफ़ोन हवा के आवागमन की ध्वनि को सुनने के लिए।

सेंसरों से प्राप्त कच्चे, अत्यधिक डेटा को किसी दूरस्थ क्लाउड सर्वर पर भेजने के बजाय, टीम ने मोटर के ठीक बगल में एक छोटा, शक्तिशाली कंप्यूटर रखा। यह उपकरण, जिसे 'एज गेटवे' कहा जाता है, एक स्थानीय फिल्टर के रूप में कार्य करता है। यह सेंसरों को सुनता है, मशीन के स्वास्थ्य के बारे में सबसे महत्वपूर्ण सुराग चुनता है, और तुरंत निर्णय लेता है कि कुछ गलत है या नहीं। यह स्थानीय प्रसंस्करण एक सेकंड के बहुत छोटे हिस्से में, विशेष रूप से 18.3 मिलीसेकंड का औसत लेकर होता है, जो दोष के शुरू होते ही उसे पकड़ने के लिए पर्याप्त तेज़ है। इसके बाद सिस्टम अपने निष्कर्षों का एक संक्षिप्त सारांश डिजिटल ट्विन को भेजता है। यह आभासी मॉडल, जो इस भौतिकी को समझता है कि बेयरिंग को कैसे व्यवहार करना चाहिए, वास्तविक दुनिया के डेटा की तुलना अपनी भविष्यवाणियों से करता है। यदि वास्तविक मशीन भौतिकी मॉडल की अपेक्षा के अनुरूप व्यवहार नहीं करती है, तो सिस्टम को पता चल जाता है कि समस्या विकसित हो रही है, भले ही सेंसरों ने अभी तक कोई अलार्म न बजाया हो।

इन निर्णयों को लेने के लिए, सिस्टम डिजिटल विशेषज्ञों की एक परिष्कृत टीम का उपयोग करता है जो मिलकर काम करते हैं। यह पारंपरिक सांख्यिकीय विधियों से लेकर उन्नत डीप लर्निंग नेटवर्क तक कई अलग-अलग प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है जो समय के साथ जटिल पैटर्न को पहचान सकते हैं। सिस्टम का एक हिस्सा पिछले विफलताओं से सीखता है, जबकि दूसरा हिस्सा 'रीइन्फोर्समेंट लर्निंग' नामक विधि का उपयोग करता है ताकि सर्वोत्तम कार्रवाई का पता लगाया जा सके। इसका अर्थ यह है कि सिस्टम केवल यह नहीं कहता कि "कुछ गलत है"; बल्कि यह तय करता है कि इसके बारे में क्या करना है। यह सबसे अधिक पैसा और समय बचाने के आधार पर यह चुनने में सक्षम है कि क्या निगरानी जारी रखनी है, एक नियमित जांच निर्धारित करनी है, सर्विस करनी है, या किसी पुर्जे को पूरी तरह से बदलना है। शोधकर्ताओं ने इस पूरे सेटअप का परीक्षण 150 सेकंड की अवधि में किया जहाँ उन्होंने मशीन के खराब होने की प्रक्रिया को देखा। सिस्टम ने 96.8 प्रतिशत की सटीकता के साथ विकसित होते दोषों की सफलतापूर्वक पहचान की।

प्रयोग के परिणाम चौंकाने वाले थे। पुराने तरीकों की तुलना में, जो एकल सेंसर या सरल थ्रेशोल्ड (सीमाओं) पर निर्भर करते हैं, नया सिस्टम महत्वपूर्ण विफलताओं को बहुत कम मामलों में छोड़ पाता है। वास्तव में, इसने सबसे अच्छे एकल-सेंसर दृष्टिकोण की तुलना में छूटे हुए दोषों की दर को 37 प्रतिशत से अधिक कम कर दिया। यह महत्वपूर्ण है क्योंकि एक कारखाने में, चेतावनी के संकेत को मिस करना घंटों तक उत्पादन रोकने वाली विनाशकारी खराबी का कारण बन सकता है। समस्या को जल्दी पकड़कर, सिस्टम ने यह भी भविष्यवाणी की कि अनियोजित डाउनटाइम को 32 प्रतिशत से अधिक कम किया जा सकता है। शोधकर्ताओं ने पाया कि कई इंद्रियों—कंपन, गर्मी, ध्वनि और बिजली—को सुनने और उस जानकारी को भौतिकी-आधारित आभासी मॉडल में फीड करने के संयोजन ने एक ऐसा सुरक्षा जाल बनाया जो किसी भी एकल विधि की तुलना में कहीं अधिक मजबूत था।

अध्ययन ने ऐसे जटिल सिस्टम को चलाने में शामिल ट्रेड-ऑफ (लाभ-हानि) का भी विश्लेषण किया। हालांकि उन्नत प्रसंस्करण के लिए साधारण जाँच की तुलना में थोड़ी अधिक ऊर्जा की आवश्यकता थी, फिर भी यह मात्रा बहुत कम थी, और निर्णय लेने की गति वास्तविक समय के औद्योगिक उपयोग के लिए पर्याप्त तेज़ थी। सिस्टम ने सिद्ध किया कि बिना भारी मात्रा में डेटा क्लाउड पर भेजे, उच्च सटीकता और कम गति दोनों प्राप्त करना संभव है। डिजिटल ट्विन ने विफलता के शुरुआती चरणों के दौरान एक महत्वपूर्ण लाभ प्रदान किया, जब समस्या के संकेत मानक सेंसरों के लिए स्वयं पता लगाने हेतु बहुत सूक्ष्म थे। भौतिकी के नियमों का उपयोग करके अंतराल को भरकर, आभासी मॉडल ने सिस्टम को आपदा होने से पहले कार्य करने का आत्मविश्वास दिया।

यह कार्य औद्योगिक उपकरणों के प्रबंधन के तरीके में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। यह मशीन के टूटने का इंतज़ार करने या एक कठोर कार्यक्रम पर जाँच करने के पुराने विचार से आगे बढ़ता है। इसके बजाय, यह एक गतिशील, बुद्धिमान दृष्टिकोण प्रदान करता है जो मशीन की वास्तविक स्थिति के अनुकूल होता है। शोधकर्ताओं ने प्रदर्शित किया कि नेटवर्क के किनारे (एज) पर बुद्धिमत्ता लाने और इसे भौतिकी-जागरूक डिजिटल ट्विन के साथ जोड़ने से, कारखाने विश्वसनीयता के उस स्तर को प्राप्त कर सकते हैं जो पहले कठिन था। हालाँकि प्रयोग एक नियंत्रित प्रयोगशाला सेटिंग में एक एकल मोटर के साथ किया गया था, यहाँ दिखाए गए सिद्धांत एक ऐसे भविष्य की ओर संकेत करते हैं जहाँ औद्योगिक मशीनें आत्म-जागरगी (self-aware), अपनी बीमारियों का निदान करने में सक्षम और उत्पादन लाइन को रोके बिना स्वयं की मरम्मत का समय निर्धारित करने में सक्षम होंगी। निष्कर्ष पुष्टि करते हैं कि यह एकीकृत दृष्टिकोण न केवल एक सैद्धांतिक अवधारणा है, बल्कि एक व्यावहारिक, कामकाजी समाधान है जिसे उद्योग को सुरक्षित और अधिक कुशल बनाने के लिए आज ही लागू किया जा सकता है।