مقدمه‌ای بر تاریخچه و تکامل مهندسی کنترل صنعتی

3.1. انقلاب بی‌سیم و اینترنت اشیاء صنعتی (IIoT)

یکی از مهم‌ترین روندهای فعلی، حرکت به سمت اتوماسیون بی‌سیم است.

یکی از مهم‌ترین روندهای فعلی، حرکت به سمت اتوماسیون بی‌سیم است.

اگرچه انواع فیلدباس سیمی توانستند با اتکاء بر سیم، مشکل سیم‌کشی در سایت را تا حدودی حل کنند، اما هنوز هم محدودیت‌هایی در دسترسی به نقاط دوردست (مانند خطوط لوله سراسری نفت و گاز به طول صدها و بلکه هزاران کیلومتر)، تجهیزات دوار در حال حرکت (روتور توربین، قطارهای ریلی) و حس‌گرهای موقتی (برای تعمیرات یا بهینه‌سازی کوتاه مدت) وجود دارد. فناوری‌های بی‌سیم مانند WirelessHART، ISA100.11a و 5G صنعتی (با تأخیر کمتر از ۱ میلی‌ثانیه و پهنای باند بالا)، آمده‌اند تا این محدودیت‌ها را از میان بردارند. شایان ذکر است هم‌اکنون نیز در خطوط لوله استفاده از قابلیت‌های انتقال بی‌سیم سیگنال‌های پایش و نمایش آن در نقاط دوردست‌تر فراهم است، اما قاعدتاً در حوزه‌ی کنترل و اتوماسیون این قابلیت هنوز با چالش‌های زیادی روبه‌رو است.

چالش بی‌سیم در محیط صنعتی: باید توجه داشت که کارخانه‌های فرآیندی (به ویژه پالایشگاه‌ها، صنایع پتروشیمی و فولادسازی‌ها) انباشته از سازه‌های فولادی بزرگ، لوله‌ها، مخازن و موتورهای الکتریکی قدرتمند هستند. این محیط، یک «جنگل فرکانسی» با بازتاب‌های چندمسیره، تداخل الکترومغناطیسی شدید (از راه‌اندازهای موتور، جوشکاری) و محو شدگی سیگنال است. بنابراین استقرار بی‌سیم نیازمند طراحی دقیق توپولوژی شبکه (مش یا ستاره)، انتخاب فرکانس مناسب و مدیریت توان مصرفی حسگرها (که اغلب با باتری کار می‌کنند) است. در فضای باز (مانند خطوط لوله)، استفاده از بی‌سیم از دهه‌ها پیش (از طریق رادیوهای UHF/VHF) برای پایش وجود داشته، اما نوآوری امروز در قابلیت اطمینان بالا (با مسیریابی مش) و یکپارچگی با پایش و به‌ویژه سامانه‌های کنترل سطح بالا[i] (SCADA) است.

این تحول، زیرساخت‌های اینترنت اشیاء صنعتی (IIoT) را فراهم می‌کند. در این پارادایم، هر حسگر، پمپ، کمپرسور و موتور دارای یک آدرس IP منحصر به فرد (IPv6 برای تعداد نامحدود) است و می‌تواند مستقیماً با اینترنت یا شبکه داخلی کارخانه‌ی (با استفاده از پروتکل‌های امن (مانند MQTT یا OPC UA) ارتباط برقرار کند. این امر باعث می‌شود داده‌ها نه تنها از سایت به اتاق کنترل، بلکه به سرویس‌های ابری[ii] و سامانه‌های مدیریتی سطح بالا (مانند ERP، MES) منتقل شوند تا تحلیل‌های کلان داده[iii] و تصمیمات راهبردی (مثل زمان‌بندی تعمیرات، خرید خوراک و انرژی بهینه، استفاده از فناوری‌های نوین، تغییر خط تولید و …) بر اساس داده‌های لحظه‌ای اتخاذ گردد.

3.2. سامانه‌های مبتنی بر هوش مصنوعی (AI/ML)

سامانه‌های کنترل سنتی (مانند PID)، بر اساس مدل‌های ریاضی خطی و ثابت (یا خطی‌شده حول یک نقطه کار) از پیش تعیین شده کار می‌کنند. این الگوریتم‌های ساده و در عین حال کارآمد، برای فرآیندهای معمولی و غیر پیچیده با دینامیک کُند (مانند کنترل دمای یک مخزن بزرگ) به خوبی عمل می‌کنند. با ورود هوش مصنوعی و یادگیری ماشین[iv] (AI/ML) به حوزه‌ی مهندسی کنترل، فرآیندهای صنعتی مدرن که ذاتاً پیچیده، غیرخطی (مثل راکتورهای شیمیایی با واکنش گرمازا)، متغیر با زمان (فرسایش کاتالیست، رسوب در مبدل‌های حرارتی) و دارای تداخل شدید و وجود ارتباط فرآیندی بین متغیرها (MIMO) هستند، نیز قابلیت کنترل مطمئن و بهینه را دریافت می‌کنند.

در آینده‌ای نزدیک (و تا حدی نیز هم‌اکنون)، شاهد ادغام AI/ML در قلب سامانه‌های کنترل خواهیم بود. برخی از سازندگان پیشرو  مانند زیمنس[v]، هانی‌ول[vi]، امرسون[vii] و … هم‌اکنون نیز از یادگیری ماشین برای تشخیص ناهنجاری و پیش‌بینی خرابی استفاده کرده‌اند، اما این قابلیت‌ها هنوز به سطح «عمومیت یافته در تمام صنایع» نرسیده است. همچنین الگوریتم‌های هوشمند مانند شبکه‌های عصبی عمیق[viii] (DNN) قادرند با تحلیل میلیون‌ها داده از یک واحد تولیدی فرآیندی (داده‌های تاریخی و لحظه‌ای)، الگوهایی را تشخیص دهند که برای انسان یا کنترل‌کننده‌های سنتی غیرقابل دسترس است. این سامانه‌ها می‌توانند قابلیت‌های زیر را در اختیار کاربران خود قرار دهند:

• کنترل پیش‌بینانه[ix]: با استفاده از یک مدل غیرخطی (مثلاً یک شبکه عصبی که رفتار فرآیند را شبیه‌سازی کرده است)، حرکت‌های آینده‌ی متغیر فرآیند را تا چند دقیقه جلوتر پیش‌بینی کرده و پیش از بروز مشکل (مثل عبور از حد مجاز دما یا فشار)، پارامترهای کنترل (مانند یا موقعیت شیر کنترلی) را به صورت بهینه تنظیم می‌کند. مثال عددی: در یک راکتور پلیمریزاسیون، کنترل‌کننده‌ی PID سنتی خطای دمای ۲ درجه سانتی‌گراد ایجاد می‌کند. یک کنترل‌کننده‌ی پیش‌بین مبتنی بر ML با تشخیص روند افزایش دما، ۳۰ ثانیه زودتر شیر خنک‌کننده را (مثلاً) 15% بیشتر باز کرده و خطا را به ۰.۳ درجه کاهش می‌دهد.
• خودترمیمی[x]: در صورت خرابی بخشی از سامانه (مثل از کار افتادن یکی از دو پمپ موازی، یا گرفتگی فیلتر)، سامانه به صورت خودکار مسیر کنترلی (مثلاً با افزایش دور پمپ دیگر، یا تغییر نقطه‌ی تنظیم یک حلقه‌ی کنترل پایین‌دست[xi]) را تغییر داده تا فرآیند دچار اختلال نشود و حتی نیاز به مداخله‌ی اپراتور نیز نباشد.
• بهینه‌سازی انرژی و مصرف خوراک واحد: تجربه نشان داده است که استفاده از یادگیری تقویتی[xii] برای تنظیم لحظه‌ای نقطه‌ی تنظیم، بر اساس قیمت برق (در بازارهای انرژی دینامیک)، ترکیب خوراک، و شرایط محیطی (دمای هوا، رطوبت). این امر می‌تواند ۵ تا ۲۰ درصد صرفه‌جویی انرژی به همراه داشته باشد.
• تشخیص ناهنجاری، پیش از وقوع خرابی[xiii]: با تحلیل باقیمانده‌ی مدل (تفاوت بین خروجی واقعی و پیش‌بینی مدل)، نشت، رسوب، یخ‌زدگی یا خرابی قریب‌الوقوع حسگرها را روزها یا هفته‌ها قبل از وقوع فاجعه اعلام کند.

3.3. سامانه‌های سایبر- فیزیکال و دوقلوی دیجیتال

با ظهور سامانه‌های سایبر- فیزیکال[xiv] (CPS)، مرز بین دنیای فیزیکی (ماشین‌ها، لوله‌ها، شیرها، سیالات) و دنیای دیجیتال (نرم‌افزارهای شبیه‌سازی، پایگاه‌های داده، الگوریتم‌های هوشمند) در حال محو شدن است. CPS به سامانه‌ای گفته می‌شود که در آن اجزای محاسباتی (سایبر) و اجزای فیزیکی در یک حلقه‌ی بازخورد تنگاتنگ با هم ترکیب می‌شوند؛ تصمیمات محاسباتی در کسری از ثانیه بر روی فیزیک اثر می‌گذارند و داده‌های فیزیک به صورت پیوسته مدل سایبر را به‌روز می‌کنند.

ابزار قدرتمند برای تحقق CPS، دوقلوی دیجیتال است. دوقلوی دیجیتال، یک مدل مجازی، دقیق و زنده از یک فرآیند واقعی (یا یک ماشین، یا حتی کل کارخانه) است که در طول عمر خود با داده‌های لحظه‌ای از حسگرهای واقعی به‌روز می‌شود. تفاوت آن با یک شبیه‌سازی ساده در این است که دوقلوی دیجیتال به صورت برخط[xv] و همگام با دنیای واقعی اجرا می‌شود. هر تغییری در کارخانه‌ی واقعی (بسته شدن یک شیر، افزایش دمای یک نقطه) بلافاصله و فقط با تأخیر چند میلی‌ثانیه، در مدل مجازی منعکس می‌شود و اپراتور یا مهندس کنترل می‌تواند قبل از اعمال تغییرات پرهزینه یا خطرناک در دنیای واقعی (مثل تغییر نقطه‌ی تنظیم فشار یک مخزن، یا قطع جریان در یک خط لوله)، آن‌ها را در محیط مجازی شبیه‌سازی و آزمایش کند. این امر ریسک عملیات را به شدت کاهش می‌دهد، زمان راه‌اندازی[xvi] را کوتاه می‌کند و بهره‌وری را افزایش خواهد داد.

مثال از یک توربین گاز: یک دوقلوی دیجیتال از توربین گاز شامل مدل‌های آیرودینامیک، ترمودینامیک، ارتعاشات و خوردگی است. با دریافت داده‌های واقعی از حسگرهای دما، فشار، دور و ارتعاش، مدل دوقلو پیش‌بینی می‌کند که اگر ۵۰ ساعت دیگر با این روند کار کند، دمای پره‌های توربین از حد مجاز عبور خواهد کرد. سپس به بهره‌بردار پیشنهاد می‌کند که یا توان را ۱۰ مگاوات کاهش دهد یا سرویس شستشوی کمپرسور را زودتر از موعد انجام دهد. همه‌ی این سناریوها قبلاً روی دوقلوی دیجیتال (نه روی توربین واقعی) آزمایش شده است.

3.4. چالش امنیت سایبری

با اتصال همه چیز به شبکه‌های دیجیتال و اینترنت (از طریق IIoT و رایانش ابری)، تهدیدات جدیدی نیز ظهور می‌کنند. امنیت سایبری[xvii] دیگر یک انتخاب نیست، بلکه یک ضرورت حیاتی است. سامانه‌های کنترل صنعتی[xviii] ( ICS) که قبلاً به دلیل ایزوله بودن[xix]، عدم اتصال فیزیکی به اینترنت و حتی شبکه اداری، نسبتاً در امان بودند، اکنون هدف حملات سایبری قرار می‌گیرند. حملات زیان‌بار معروف مانند «استاکس‌نت[xx]» (2010) در تأسیسات غنی‌سازی اورانیوم ایران، «تریتون[xxi]» (2017) در واحد پتروشیمی عربستان) و کالونیل[xxii]» (2021) در خط لوله‌ی سوخت آمریکا، نشان دادند که خرابکاران سایبری می‌توانند تجهیزات فیزیکی را نابود کرده، فرآیندها را از کنترل خارج کرده و میلیون‌ها دلار خسارت وارد کنند.

آینده‌ی کنترل صنعتی نیازمند طراحی سامانه‌هایی است که در لایه‌ی سخت‌افزاری و نرم‌افزاری، دارای امنیت ذاتی[xxiii] باشند.

آینده‌ی کنترل صنعتی نیازمند طراحی سامانه‌هایی است که در لایه‌ی سخت‌افزاری و نرم‌افزاری، دارای امنیت ذاتی[xxiii] باشند.

این رویکرد بر خلاف «ضمیمه کردن» امنیت در انتهای پروژه، به این معناست که:

• کنترل‌کننده‌ها و دستگاه‌های میدانی باید دارای مکانیزم‌های رمزنگاری سخت‌افزاری (مانند TPM) برای احراز هویت و جلوگیری از بارگذاری «میان‌افزار جعلی[xxiv]» باشند؛
• پروتکل‌های ارتباطی باید امن باشند (مانند OPC UA با احراز هویت و رمزگذاری، به جای Modbus کلاسیک بدون رمزگذاری).؛
• معماری شبکه باید بر اساس مدل لایه‌ای[xxv] طراحی شود که لایه‌های IT (اداری) از OT (عملیاتی) به‌وسیله‌ی «دیوار آتش[xxvi]» صنعتی (دیوار آتش یک‌طرفه و بازبست دقیق) جدا شوند و ترافیک بین لایه‌ها به شدت کنترل گردد؛
• سامانه‌های تشخیص نفوذ[xxvii] (IDS) و سامانه‌های پیشگیری از نفوذ[xxviii] (IPS) مخصوص OT (که پروتکل‌های صنعتی مانند پروفیباس و Modbus، Profinet و DNP3 را درک می‌کنند) باید به کار گرفته شوند؛
• در غیر این صورت، هزینه‌های ناشی از توقف فرآیندهای حیاتی توسط مهاجمان (چه دولتی، چه تروریستی، چه باج‌افزار) می‌تواند به سرعت از مزایای اتصال‌پذیری پیشی بگیرد.

3.5. چرخه‌ی عمر فناوری

همه فناوری‌ها، از ساعت آبی تا فیلدباس و IIoT، دارای یک چرخه‌ی عمر[xxix] با چهار مرحله‌ی اصلی «پیدایش و نوآوری»، «رشد»، «بلوغ یا تثبیت» و «افول» هستند. به بیان دقیق‌تر، چرخه‌ی عمر فناوری فرآیندی است که از مرحله‌ی پیدایش و نوآوری (ظهور ایده جدید و نمونه‌های آزمایشگاهی) آغاز شده و با رشد (پذیرش توسط کاربران اولیه، ورود به بازار) و بلوغ (استاندارد شدن، نفوذ گسترده) ادامه می‌یابد.

چرخه‌ی عمر فناوری فرآیندی است که از مرحله‌ی پیدایش و نوآوری (ظهور ایده جدید و نمونه‌های آزمایشگاهی) آغاز شده و با رشد (پذیرش توسط کاربران اولیه، ورود به بازار) و بلوغ (استاندارد شدن، نفوذ گسترده) ادامه می‌یابد.

در نهایت، با ظهور فناوری‌های جدیدتر و کارآمدتر، فناوری پیشین منسوخ شده و از رده خارج می‌شود (مرحله افول).

مراحل چرخه‌ی عمر فناوری:

• پیدایش و نوآوری (جنینی): ایده‌ی جدید شکل می‌گیرد، نمونه‌ی اولیه ساخته می‌شود و فناوری به صورت آزمایشی وارد بازار می‌شود، اما هنوز پذیرش عمومی زیادی ندارد. در این بازه‌ی زمانی، روی آوردن به فناوری جدید ممکن است کاربران را مجبور به تحمل شکست در انتخاب نابهنگام یک فناوری که در میدان آزمایش ناموفق بوده است (یا استاندارد نشده) بکند. مثال فعلی: شبکه‌های 5G صنعتی برای کنترل حلقه بسته (به دلیل تأخیر باقیمانده و نفوذپذیری) هنوز در مراحل اولیه هستند.
• رشد و پذیرش: اگر فناوری مفید باشد، به سرعت محبوب شده و استفاده از آن افزایش می‌یابد؛ استانداردها تدوین می‌شوند، فروشندگان متعدد وارد بازار می‌شوند و سرمایه‌گذاری و توسعه‌ی آن سرعت می‌گیرد. بهترین زمان بهره‌مندی کاربران از فناوری (نسبت ارزش به ریسک)، در این بازه‌ی زمانی است، زیرا فناوری بالغ نشده اما ریسک اصلی برطرف شده است. مثال از فناوری‌های کنونی: IIoT، WirelessHART و دوقلوی دیجیتال در مرحله‌ی رشد هستند.
• بلوغ: فناوری به اوج پختگی می‌رسد و بازار اشباع می‌شود؛ نرخ رشد به آرامی کند شده و تمرکز بر بهبود کارایی (کاهش مصرف، افزایش قابلیت اطمینان) و کاهش هزینه‌ها است. مستندات گسترده، کتاب‌های درسی، و آموزش‌های عمومی وجود دارد. مثال: فناوری‌های DCS، PLC، HART و Foundation Fieldbus اکنون در اوج بلوغ خود هستند.
• افول یا زوال: با ورود فناوری‌های جدیدتر و پیشرفته‌تر (که اغلب ارزان‌تر، کوچک‌تر، سریع‌تر، یا با قابلیت‌های بیشتر هستند)، تقاضا برای فناوری قدیمی کاهش می‌یابد. تولید قطعات یدکی متوقف می‌شود، نیروی متخصص مسلط بر آن کاهش می‌یابد، و به تدریج جایگزین می‌شود. مثال: کنترل‌کننده‌های آنالوگ تک‌حلقه‌ای غیر هوشمند[xxx]، نیوماتیک (به جز در محرک‌ها) تماماً در حال منسوخ شدن و جایگزینی فناوری‌های جدید است.

شکل 6 چرخه‌ی عمر فناوری (منحنی S) را نمایش می‌دهد. در این منحنی محور افقی زمان، محور عمودی نرخ پذیرش یا بلوغ است. مراحل: نوآوری (شتاب کم)، رشد (شتاب زیاد)، بلوغ (شیب ثابت، اشباع)، افول (شیب منفی). نقاط عطف: تأیید فناوری[xxxi]، پذیرش گسترده[xxxii]، حداکثر نفوذ[xxxiii]، آغاز جایگزینی[xxxiv].