حسن یادبروقی، تحلیلگر راهبردی هوش مصنوعی، فناوری و نوآوری و مشاور عالی انجمن استصنا در یادداشتی اختصاصی در پایگاه خبری بهره ورنیوز با عنوان «نقش حکمرانی داده در ارتقای بهرهوری صنعت ماشینسازی و تجهیزات پیشرفته صنعتی ایران: تحلیل سیاستی و الگوی اجرایی» ضمن بیان تجربه های موفق جهانی در کشورهای آلمان، چین و هند و تشریح شاخصهای کلیدی حکمرانی داده در صنایع تجهیزات پیشرفته، تصریح کرده که بدون حکمرانی داده، تولید صنعتی قابل پایش، بهبود و رقابت جهانی نخواهد بود.
به گزارش پایگاه خبری بهره ورنیوز، حسن یادبروقی در این یادداشت نوشته است:
صنعت ماشینسازی ایران، بهعنوان یکی از صنایع مادر و زیرساختی کشور، نقشی تعیینکننده در توسعه صنایع پاییندستی و تقویت زنجیره ارزش ملی دارد. این صنعت نه تنها تأمینکننده تجهیزات و ماشینآلات مورد نیاز صنایع نفت، گاز، پتروشیمی، فولاد، سیمان، خودرو و صنایع غذایی است، بلکه بهطور مستقیم بر ایجاد اشتغال و جذب متخصصین، رشد فناوری و ارتقای جایگاه رقابتی ایران در منطقه تأثیرگذار است.
با وجود برخورداری از نیروی انسانی ماهر، تجربه چند دهه فعالیت صنعتی و ظرفیت فنی مناسب، این صنعت همچنان با چالشهای جدی بهرهوری، کیفیت تولید و رقابتپذیری بینالمللی مواجه است. آمارهای رسمی نشان میدهد که سهم ایران از بازار جهانی ماشینآلات پیشرفته کمتر از ۵ درصد است و بخش عمده تجهیزات صنعتی به صورت وارداتی تأمین میشود [1,2,5].
خطوط تولید، گرچه در برخی بخشها متوسط تا پیشرفته هستند، اما به دلیل نبود دادههای سازمانیافته و استانداردهای صنعتی، از توان رقابت با نمونههای جهانی برخوردار نیستند. ضایعات تولید بالا، توقف خطوط، فقدان سیستمهای پیشبینانه نگهداری و کنترل کیفی، و ضعف در ارائه Data Sheet مطابق استانداردهای بینالمللی، همگی محدودیتهایی هستند که بهرهوری و ظرفیت صادرات کشور را کاهش میدهند [1,3,7].
در جهان امروز، گذار از تولید سنتی و مهندسیمحور به تولید دادهمحور، یک ضرورت راهبردی است. حکمرانی داده صنعتی، فراتر از مدیریت دادههای روزمره است و شامل جمعآوری، استانداردسازی، مالکیت، امنیت و بهرهبرداری هوشمند از دادههای طراحی، تولید، عملکرد و خدمات پس از فروش است [8,11].
به بیان ساده، حکمرانی داده اطمینان میدهد که دادهها بهعنوان یک دارایی ارزشمند مدیریت میشوند، در دسترس ذینفعان صحیح قرار میگیرند و میتوانند برای تصمیمگیری، بهینهسازی فرآیندها، توسعه محصول و کاهش ریسک به کار گرفته شوند. عدم توجه به این موضوع باعث میشود تولیدکننده صرفاً فروشنده تجهیزات باشد و نه مالک داده چرخه عمر محصول، که در بلندمدت رقابتپذیری صنعتی را به شدت کاهش میدهد [6,7].
تحلیل تجربه کشورهای پیشرفته نشان میدهد که پیادهسازی موفق حکمرانی داده، نتایج ملموسی در بهرهوری، کیفیت، نوآوری و توسعه صادرات دارد. در آلمان، پلتفرم Industry 4.0 و مدل مرجع RAMI 4.0، اتصال کامل بین تحقیق و توسعه (R&D)، تولید، تعمیر و نگهداری و خدمات پس از فروش را فراهم کرده است.
این اتصال امکان پایش لحظهای خطوط تولید، پیشبینی خرابی، بهینهسازی مصرف انرژی و توسعه محصول نسل بعد را میدهد و موجب شده است تا شرکتهای بزرگ و متوسط آلمانی، بهرهوری عملیاتی خود را به طور میانگین ۳۰ تا ۴۰ درصد افزایش دهند [24,25,39].
از همین نویسنده بخوانید
نیروی کار افزوده: همافزایی انسان و ماشین در انقلاب صنعتی پنجم(صنعت ۵.۰)
برنامههای کاربردی هوش مصنوعی در تحول صنعتی
پیادهسازی مدیریت نوآوری باز در صنعت
هوشمصنوعی؛ موتور رشد، نوآوری و قدرت ملی
چین نیز با سیاستهای «Made in China 2025» و ایجاد پایگاه داده ملی صنعت ماشینسازی، خطوط تولید خود را هوشمند و دادهمحور کرده است. این کشور با استانداردسازی تبادل داده، تعیین مالکیت شفاف دادههای صنعتی و ایجاد چرخه بازخورد داده، توانسته است تحلیل پیشبینانه، تعمیر و نگهداری هوشمند و توسعه محصولات جدید را بهبود بخشد [26].
ژاپن و کره جنوبی با مدلهای AIRI و K-Smart Manufacturing Hub، بهرهوری عملیاتی، کیفیت و توان رقابت صادراتی خود را افزایش دادهاند و موفق شدهاند چرخه بازخورد داده را در طراحی، تولید و خدمات بهطور یکپارچه پیاده کنند [16,28,36].
هند نیز با برنامه «Smart Manufacturing India» تلاش کرده است با ایجاد استانداردهای داده صنعتی، بهرهوری و کاهش ضایعات تولید را بهینه کند. این تجارب نشان میدهد که حکمرانی داده نه تنها یک الزام فنی، بلکه یک ضرورت سیاستگذاری راهبردی است [8,11,30].
در صنعت ماشینسازی ایران، اثرات بالقوه حکمرانی داده بسیار گسترده است. در حوزه طراحی محصول، تحلیل دادههای کارکرد ماشینها و خطوط تولید، امکان طراحی نسل بعدی با بهرهوری بالاتر و هزینه کمتر را فراهم میکند. در حوزه تولید، پایش هوشمند خطوط و کاهش توقفها موجب افزایش بهرهوری عملیاتی و کاهش ضایعات میشود.
در حوزه کنترل کیفیت، استفاده از دادههای واقعی جایگزین تجربه فردی اپراتورها میشود و امکان تأمین استانداردهای بینالمللی فراهم میشود. خدمات پس از فروش بر اساس دادههای واقعی عملکرد مشتری ارائه میشود و مدلهای درآمدی نوین مانند Product-as-a-Service و Data-as-a-Service، علاوه بر توسعه محصول، درآمد و سهم بازار را افزایش میدهند [8,11,30].
تحلیلها نشان میدهد که اجرای موفق حکمرانی داده میتواند بهرهوری خطوط تولید (OEE) را ۲۵ تا ۳۵ درصد افزایش داده و امکان ورود به بازارهای منطقهای و بینالمللی مانند L/GCC و CIS را فراهم کند [8,11,30].
با وجود این مزایا، پیادهسازی حکمرانی داده در ایران با موانع جدی روبهرو است. نخست، نبود زیرساخت داده صنعتی یکپارچه شامل IIoT، MES، PLM و ERP، مانع جمعآوری و تحلیل دادهها میشود. دوم، مقاومت فرهنگی درون شرکتها، که تجربه فردی اپراتورها را بر داده ترجیح میدهد، مانع ایجاد چرخه بازخورد داده میشود.
نگاه صرفاً فروشمحور تولیدکنندگان و نبود نهاد تنظیمگر ملی داده صنعتی، از دیگر موانع هستند [7,10,3,26]. همچنین، نبود مشوقهای دولتی برای تولیدکنندگان دادهمحور باعث شده است بسیاری از شرکتها به جای حرکت به سمت اکوسیستم دادهمحور، تنها بر تولید و فروش تجهیزات تمرکز کنند. در نتیجه، کشور فرصتهای توسعه بهرهوری، نوآوری و رقابت جهانی را از دست میدهد [2,5].
چالشهای دیگر شامل نبود مدل مالکیت داده، فقدان استانداردهای ملی اجباری، نبود پایگاه داده متمرکز و استانداردهای تبادل داده بین شرکتها است. در سطح ملی، آمار پراکنده و غیرقابل اتکا، تصمیمگیری و سیاستگذاری صنعتی را دشوار کرده است.
از همین نویسنده بخوانید
داستانک بهرهوری (1): کاروانسازی در کویر دادهها
داستانک بهرهوری (2): شاهنامه تصمیم؛ پلهای ناپیدا
در سطح بنگاه، داده تولید جمعآوری نمیشود یا به صورت کاغذی ثبت میشود و سیستمهای ERP و MES غالباً مستقل و ناسازگار هستند [7,10,26]. در سطح زنجیره ارزش، شرکتها به جای همکاری دادهای، جزیرهای عمل میکنند و تبادل دادهها محدود و ناکارآمد است [8,11,30].
تجارب موفق جهانی به وضوح نشان میدهد کشورهایی که حکمرانی داده صنعتی را جدی گرفتهاند، موفق به افزایش بهرهوری، کاهش ضایعات و توسعه محصول شدهاند. آلمان با پلتفرمهای IDSA/Catena-X اتصال دادههای تولید، طراحی و خدمات پس از فروش را فراهم کرده و منجر به بهبود بهرهوری، نوآوری و توان رقابت بینالمللی شده است [24,25,39].
چین با ایجاد پایگاه داده ملی صنعت ماشینسازی و استانداردسازی تبادل داده، خطوط تولید خود را هوشمند و دادهمحور کرده است [26]. ژاپن و کره جنوبی با مدلهای K-Smart و AIRI چرخه بازخورد داده، تحلیل پیشبینانه و توسعه محصول را بهینه کردهاند [16,28,36]. این تجارب نشان میدهد که یکپارچهسازی دادهها و مدیریت هوشمند آنها، نه تنها بهرهوری عملیاتی، بلکه کیفیت، صادرات و نوآوری را نیز افزایش میدهد.
با توجه به وضعیت ایران، مدل پیشنهادی حکمرانی داده برای صنعت ماشینسازی شامل سه سطح است: در سطح بنگاه، جمعآوری و ثبت دادههای تولید، طراحی و عملکرد مشتری با ابزارهای IoT، MES و ERP ضروری است؛ در سطح بخشی، استانداردسازی دادهها و اشتراکگذاری اطلاعات فنی بین شرکتها و ایجاد پایگاه داده مشترک توصیه میشود؛ و در سطح ملی، ایجاد مرکز داده ملی صنعت ماشینسازی، سیاستگذاری حکمرانی داده و مشوقهای دولتی برای تولیدکنندگان داده محور لازم است.
این مدل میتواند با سه مرحله اجرایی شامل شناسایی و دیجیتالیسازی نقاط داده، استانداردسازی و یکپارچهسازی داده و خلق ارزش افزوده از داده، بهرهوری و رقابتپذیری صنعت را به طور ملموس افزایش دهد [8,11,30].
اثرات مثبت این مدل چندوجهی است. در بهرهوری، کاهش توقف خطوط، بهینهسازی مصرف انرژی و کاهش ضایعات را به همراه دارد. در صادرات، امکان ارائه استانداردهای داده و ردپای کارکرد محصول برای مشتری خارجی فراهم میشود. در نوآوری، توسعه محصول نسل دوم و سوم و ایجاد مدلهای کسبوکار جدید مانند سرویسمحور و دادهمحور ممکن میشود.
در حوزه خدمات، شرکتها میتوانند از فروش تجهیز صرف، به سمت سرویسدهی مبتنی بر داده واقعی حرکت کنند. همچنین، ایجاد اشتغال برای ۲۰ تا ۳۰ هزار متخصص داده صنعتی، توسعه اکوسیستم فناوری و تقویت جایگاه ایران بهعنوان «هاب تعمیر و نگهداری صنعتی دادهمحور» در منطقه، از دیگر دستاوردهای مهم است [8,11,30].
در نهایت، بدون حکمرانی داده، تولید صنعتی قابل پایش، بهبود و رقابت جهانی نخواهد بود. پیادهسازی مدل دادهمحور امکان افزایش بهرهوری، کاهش ضایعات، ارتقای کیفیت و تقویت صادرات را فراهم میکند. تولیدکننده آینده نه تنها ماشین میفروشد، بلکه داده، سرویس و پلتفرم ارائه میدهد.
عدم اجرای حکمرانی داده، صنعت ماشینسازی ایران را از «سازنده ماشین» به «مونتاژکار ماشین» تنزل خواهد داد [1,8,11]. سیاستگذاران، مدیران کارخانهها و صنعتگران باید توجه کنند که دادههای تولید، طراحی و عملکرد، سرمایه راهبردی صنعت ماشینسازی و تجهیزات پیشرفته صنعتی محسوب میشوند و بهرهوری، نوآوری، صادرات و جایگاه منطقهای کشور به موفقیت در جمعآوری، مدیریت و بهرهبرداری از این دادهها بستگی دارد. ایجاد زیرساخت داده صنعتی، نهاد تنظیمگر، استانداردهای ملی و مشوقهای اقتصادی، همگی برای شکلگیری یک صنعت ماشینسازی هوشمند، دادهمحور و رقابتپذیر ضروری هستند [8,11].
با توجه به تجربه جهانی و پتانسیل داخلی، ایران میتواند با اجرای حکمرانی داده، به یک مرکز منطقهای برای تعمیر، نگهداری و توسعه ماشینآلات صنعتی دادهمحور تبدیل شود. این امر نه تنها به افزایش بهرهوری و کاهش هزینهها کمک میکند، بلکه جایگاه کشور را در زنجیره ارزش جهانی تقویت نموده و امکان ورود به بازارهای صادراتی با ارزش افزوده بالا را فراهم میسازد [1,5,8].
مطالب مرتبط:
نگاهی به روند رشد دادهها از سال ۲۰۱۰ تا ۲۰۲۶ + اینفوگراف
مجله بهرهوری (25): اهمیت تجزیه و تحلیل دادهها در بخش دولتی
رفع ناترازی انرژی در عصر دادهها
منابع:
1. موسسه پژوهش و برنامهریزی وزارت صنعت، معدن و تجارت (1399)، گزارش وضعیت صنعت ماشینسازی ایران.
2. انجمن صنایع ماشینسازی ایران (1398)، تحلیل وضعیت تولید و بهرهوری تجهیزات صنعتی.
3. سازمان ملی استاندارد ایران (1397)، استانداردهای داده و کیفیت ماشینآلات صنعتی.
4. بانک صنعت و معدن ایران (1398)، آمار ظرفیت تولید و واردات تجهیزات صنعتی.
5. حسینی، ر. و پرهیزگار، م. (1398)، تحلیل نوآوری و بهرهوری در صنعت ماشینسازی ایران.
6. Lee, J., Bagheri, B., & Kao, H.-A. (2017). A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing
7. Huy, T., & Kwon, O. (2019). Data Governance in Export-Oriented Manufacturing Industries: Lessons from Korea. Journal of Manufacturing Systems,
8. AIRI Japan (2022). Industrial AI Adoption and Governance in Japanese Manufacturing.
9. Plattform Industrie 4.0 (2020). RAMI 4.0: Reference Architecture Model for Industrie 4.0.
10. BMWK Germany (2020). National Platform Industry 4.0 – Data Governance Guidelines.
11. MIIT China (2020). Made in China 2025 Data Governance Policy.
12. MOTIE South Korea (2021). K-Smart Manufacturing Data Hub Guidelines.
13. Deloitte Insights (2021). Smart Manufacturing and Data-Driven Performance.
14. AIRI Japan (2023). Industrial AI Needs Data Governance First.
IDSA (2022). International Data Spaces Association: Guidelines for Manufacturing Data Exchange
IDSA (2022). International Data Spaces Association: Guidelines for .15 Manufacturing Data Exchange.
11. AIRI Japan (2023). Industrial AI Requires Data Governance First. Tokyo: Advanced Industrial Research Institute.
12. ISO 8000:2015. Data Quality – Overview. International Organization for Standardization.
13. ISO 10303 (STEP). Industrial Automation Systems and Integration – Product Data Representation and Exchange. ISO, 2016.
14. ISO 23247:2021. Digital Twin Framework for Manufacturing. International Organization for Standardization.
15. ISA-95. Enterprise-Control System Integration. International Society of Automation.
16. NIST Framework for Smart Manufacturing (2021). Guidelines for Data Governance and Industrial Data Integration. NIST Special Publication.
17. OPC Foundation (2020). OPC Unified Architecture Specification. OPC Foundation.
18. Gaia-X (2021). European Data Infrastructure and Governance for Industry. Gaia-X Association.
19. Plattform Industrie 4.0 (2020). RAMI 4.0: Reference Architecture Model for Industrie 4.0. Germany.
20. BMWK Germany (2020). National Platform Industry 4.0 – Data Governance Guidelines. Berlin: Federal Ministry for Economic Affairs and Energy.
21. MIIT China (2020). Made in China 2025 Data Governance Policy. Beijing: Ministry of Industry and Information Technology.
22. A*STAR Singapore (2021). Digital Factory Governance Model. Singapore: Agency for Science, Technology and Research.
23. MOTIE South Korea (2021). K-Smart Manufacturing Data Hub Guidelines. Seoul: Ministry of Trade, Industry, and Energy.
24. World Economic Forum (2021). Data-Driven Manufacturing: Global Trends and Benchmarking. Geneva: WEF.
25. PwC (2020). Industry 4.0 and Data Governance in Manufacturing. PricewaterhouseCoopers Report.
26. McKinsey & Company (2021). Smart Manufacturing: Data Governance for Productivity. New York.
27. Deloitte (2021). Data Governance as a Competitive Advantage in Industrial Machinery. Deloitte Insights.
28. OECD (2020). Digital Transformation in Manufacturing: Data Governance Strategies. Paris: OECD Publishing.
29. World Bank (2021). Industrial Data and Productivity: Case Studies. Washington D.C.
30. European Commission (2020). Gaia-X Industrial Data Spaces. Brussels: EC Publications.
31. AIRI Japan (2022). Industrial AI Adoption and Governance in Japanese Manufacturing. Tokyo.
32. Li, X., & Wang, H. (2021). AI-Driven Predictive Maintenance in Manufacturing. Journal of Manufacturing Science and Engineering,.
33. Lee, J., Kao, H.-A., & Yang, S. (2020). Service Innovation and Data-Driven Manufacturing. International Journal of Production Research,
34. Schuh, G., Anderl, R., & Gausemeier, J. (2019). Industry 4.0 Data Governance: Case Studies from German Manufacturing. Procedia CIRP,
35. European Commission (2020). Gaia-X Industrial Data Spaces. Brussels: EC Publications.
36. AIRI Japan (2022). Industrial AI Adoption and Governance in Japanese Manufacturing. Tokyo.
37. Li, X., & Wang, H. (2021). AI-Driven Predictive Maintenance in Manufacturing. Journal of Manufacturing Science and Engineering,
38. Lee, J., Kao, H.-A., & Yang, S. (2020). Service Innovation and Data-Driven Manufacturing. International Journal of Production Research,
39. Schuh, G., Anderl, R., & Gausemeier, J. (2019). Industry 4.0 Data Governance: Case Studies from German Manufacturing. Procedia CIRP,