Sənaye maşın görməsi: real vaxt rejimində qüsurların aşkarlanması üçün Edge AI-dan istifadə
İstehsalçılar məhsullar istehsal xəttini tərk etməzdən əvvəl qüsurları müəyyən etmək üçün getdikcə daha çox kənar əsaslı maşın görmə sistemlərinə etibar edirlər. AWS IoT Greengrass və Amazon SageMa...
İstehsalatda qüsurların aşkarlanması niyə kənar hesablama istiqamətinə yönəlir
İstehsalçılar daha yüksək məhsul keyfiyyətinə, daha aşağı əməliyyat xərclərinə və daha yüksək istehsal səmərəliliyinə nail olmağa çalışırlar. İstehsal xətləri daha sürətli və avtomatlaşdırılmış olduqca, ənənəvi yoxlama üsulları müasir məhsuldarlıq tələblərinə cavab verməkdə çətinlik çəkir. İnsan yoxlaması bir çox sənayedə dəyərli olaraq qalır, lakin bu üsul çox vaxt dəyişkənliyə, yorğunluqla bağlı səhvlərə və miqyaslandırma məhdudiyyətlərinə səbəb olur.
Eyni zamanda, sənaye müəssisələri sensorlar, kameralar, kontrollerlər və qoşulmuş cihazlar vasitəsilə artıq böyük həcmdə əməliyyat məlumatları yaradır. Bu məlumat mənbələri məhsullar müştərilərə çatmazdan çox əvvəl keyfiyyət problemlərini müəyyən edə bilən qabaqcıl analitika və maşın öyrənməsi tətbiqləri üçün imkanlar yaradır.
Son illərin ən mühüm inkişaflarından biri maşın öyrənməsi modellərinin birbaşa sənaye kənarında yerləşdirilməsidir. İstehsalçılar hər bir təsviri analiz üçün uzaq bulud platformasına göndərmək əvəzinə, istehsal avadanlığının yaxınlığında quraşdırılmış sənaye kompüterlərində, daxili prosessorlarda və kənar şlüzlərdə qüsurların aşkarlanmasını yerli olaraq həyata keçirə bilərlər.
Bu yanaşma gecikməni əhəmiyyətli dərəcədə azaldır və sistemin cavabvermə qabiliyyətini yaxşılaşdırır. İstehsal avadanlığı aşkarlanmış qüsurlara dərhal reaksiya verə, uyğun olmayan məhsulları rədd edə, siqnallar işə sala və ya bulud emalını gözləmədən düzəldici tədbirlər başlada bilər.
Bulud platformaları maşın öyrənməsi modellərinin öyrədilməsi, idarə edilməsi və təkmilləşdirilməsi üçün vacib olaraq qalır. Bununla belə, kənar hesablama zavodlara real vaxt rejimində nəticə çıxarışını məlumatların yaradıldığı yerdə həyata keçirməyə imkan verir. Bulud intellekti ilə kənar icranın bu birləşməsi sənaye avtomatlaşdırması üçün güclü arxitekturaya çevrilib.
Bu arxitekturanı dəstəkləyən aparıcı texnologiyalar arasında Amazon SageMaker və AWS IoT Greengrass yer alır. Bu platformalar birlikdə istehsalatda qüsurların aşkarlanması tətbiqlərində istifadə olunan maşın öyrənməsi modellərinin hazırlanması, yerləşdirilməsi, monitorinqi və davamlı təkmilləşdirilməsi üçün çərçivə təmin edir.
Şəkil 1. Avtomatlaşdırılmış maşın görmə sistemləri müasir istehsal mühitlərində yüksək sürətli keyfiyyət yoxlamasını mümkün edir.
Sənaye qüsurlarının aşkarlanması problemini anlamaq
Qüsurların aşkarlanması ilk baxışda sadə görünür. Kamera təsvir çəkir, proqram məhsulu qiymətləndirir və sistem elementin yoxlamadan keçib-keçmədiyini müəyyən edir. Lakin praktikada sənaye yoxlama mühitləri çoxsaylı texniki çətinliklər yaradır.
Məhsullar müxtəlif sürətlərlə hərəkət edir. İşıqlandırma şəraiti gün ərzində dəyişir. Səth materialları işığı fərqli şəkildə əks etdirə bilər. İstehsal toleransları uyğun məhsullar arasında cüzi fərqlər yarada bilər. Toz, vibrasiya, temperatur dəyişiklikləri və ətraf mühit şəraiti təsvirlərin əldə edilməsini daha da çətinləşdirə bilər.
Buna görə də istehsalçılar normal istehsal dəyişkənliyini faktiki qüsurlardan ayırd edə bilən yoxlama sistemləri hazırlamalıdırlar.
Geniş yayılmış istehsal qüsurlarına aşağıdakılar daxildir:
- Səth cızıqları
- Çatlar və qırılmalar
- Çatışmayan komponentlər
- Yığma xətaları
- Qüsurlu qaynaq birləşmələri
- Boyanın qüsurları
- Baloncuklar və boşluqlar
- Ölçü sapmaları
- Qablaşdırma qüsurları
- Etiketləmə xətaları
Avtomobil istehsalı, yarımkeçirici istehsalı, əczaçılıq, qida emalı, elektronika yığımı və enerji istehsalı kimi sahələrdə qüsurların aşkarlanması gəlirliliyə və müştəri məmnuniyyətinə birbaşa təsir edir.
Gözdən qaçan qüsur zəmanət iddialarına, təhlükəsizlik insidentlərinə, məhsulun geri çağırılmasına, tənzimləyici cərimələrə və ya brend reputasiyasına zərər dəyməsinə səbəb ola bilər. Əksinə, həddindən artıq sərt yoxlama meyarları utilizasiya səviyyəsini artıra və istehsal səmərəliliyini azalda bilər.
Maşın öyrənməsi yalnız əl ilə proqramlaşdırılmış yoxlama qaydalarına əsaslanmaq əvəzinə, böyük verilənlər dəstlərindən nümunələri öyrənməklə bu çətinliklərin öhdəsindən gəlməyə kömək edir.
Maşın görməsi ənənəvi qayda əsaslı yoxlamadan kənara çıxıb
Ənənəvi maşın görməsi sistemləri əsasən deterministik təsvir emalı alqoritmlərinə əsaslanır. Mühəndislər hədləri, kənar aşkarlama parametrlərini, həndəsi ölçmələri və xüsusiyyətlərin tanınması qaydalarını əl ilə müəyyənləşdirirlər.
Bu yanaşmalar bir çox tətbiq üçün effektiv olaraq qalır. Lakin məhsullarda əhəmiyyətli dəyişkənlik olduqda və ya qüsurlar gözlənilməz formalarda yarandıqda onların texniki xidmətini davam etdirmək getdikcə çətinləşir.
Müasir maşın öyrənməsi modelləri prinsipcə fərqli yanaşma təklif edir.
Hər bir yoxlama qaydasını əl ilə müəyyənləşdirmək əvəzinə, mühəndislər modelləri minlərlə, hətta milyonlarla nümunə təsvirindən istifadə etməklə öyrədirlər. Sistem uyğun məhsulları qüsurlu məhsullardan fərqləndirən xüsusiyyətləri öyrənir.
Bu, maşın öyrənməsi sistemlərinə ənənəvi görüntü alqoritmlərinin müəyyənləşdirməsinin çətin olduğu incə nümunələri aşkarlamağa imkan verir.
Sənaye yoxlama sistemlərində bir neçə maşın öyrənməsi yanaşmasından geniş istifadə olunur.
Təsvirlərin təsnifatı
Təsnifat modelləri təsvirin müəyyən kateqoriyaya aid olub-olmadığını müəyyən edir.
Məsələn, model məhsulları belə təsnif edə bilər:
- Uyğundur
- Uğursuz
- Zədələnmiş
- Tam deyil
- Düzgün hizalanmayıb
Təsnifat çox vaxt ən sadə tətbiq modelidir və bir çox istehsal tətbiqi üçün effektiv başlanğıc nöqtəsi rolunu oynayır.
Obyektlərin aşkarlanması
Obyektlərin aşkarlanması qüsurun həm mövcudluğunu, həm də yerini müəyyən etməklə təsnifatın imkanlarını genişləndirir.
Model sadəcə qüsurun mövcud olduğunu bildirmək əvəzinə, qüsurun təsvirin hansı hissəsində göründüyünü müəyyən edir.
Bu imkan texniki xidmət qruplarına və keyfiyyət mühəndislərinə proses problemlərini və onların kök səbəblərini daha yaxşı anlamağa kömək edir.
Semantik seqmentləşdirmə
Semantik seqmentləşdirmə piksel səviyyəsində təhlil təqdim edir.
Hər pikselə təsnifat etiketi verilir və bu, sistemə qüsurun dəqiq sərhədlərini müəyyən etməyə imkan verir.
Seqmentləşdirmə modelləri istehsalçılara çatların ölçüləri, korroziya sahələri, örtük qüsurları və ya material uyğunsuzluqları barədə ətraflı məlumat lazım olduqda xüsusilə faydalıdır.
Qabaqcıl seqmentləşdirmə üsulları qüsurların böyüməsi nümunələrinin daha geniş proses optimallaşdırma səylərinin bir hissəsinə çevrildiyi proqnozlaşdırıcı keyfiyyət təşəbbüslərini dəstəkləyə bilər.
Sənaye avtomatlaşdırmasında kənar AI nə üçün vacibdir
Bir çox sənaye müəssisəsi hələ də ciddi etibarlılıq tələbləri ilə işləyir. İstehsal xətləri çox vaxt uzun müddət fasiləsiz işləyir və tamamilə bulud bağlantısından asılı ola bilməz.
Hər bir yoxlama təsvirinin uzaq serverə göndərilməsi bir sıra məhdudiyyətlər yaradır:
- Şəbəkə gecikməsi
- Kanal genişliyinin istifadəsi
- Bulud emal xərcləri
- Kibertəhlükəsizlik narahatlıqları
- Bağlantı riskləri
Dəqiqədə minlərlə konteyner istehsal edən butulka doldurma zavodunu nəzərdən keçirək. Yüksək ayırdetməli kameralar hər saat gigabaytlarla təsvir məlumatı yarada bilər.
Hər bir təsvirin buluda ötürülməsi baha başa gəlir və lüzumsuzdur.
Əksinə, kənar əsaslı inferens yerli qərar qəbul etməyə imkan verir və yalnız müvafiq məlumatları mərkəzləşdirilmiş sistemlərə ötürür.
Bu arxitektura operativ texnologiya (OT) sistemlərinin informasiya texnologiyaları (IT) infrastrukturu ilə getdikcə daha çox inteqrasiya olunduğu müasir sənaye avtomatlaşdırma strategiyaları ilə sıx şəkildə uyğunlaşır.
Sənaye kənar AI-si aşağıdakılar da daxil olmaqla çoxsaylı avtomatlaşdırma mühitlərini dəstəkləyə bilər:
- PLC ilə idarə olunan istehsal xətləri
- DCS əsaslı proses müəssisələri
- SCADA monitorinq sistemləri
- Türbinlərin monitorinq şəbəkələri
- Qablaşdırma avadanlığı
- Robotlaşdırılmış yığım hüceyrələri
- Anbar avtomatlaşdırma sistemləri
Bir çox müəssisə artıq iri sənaye təchizatçılarının avtomatlaşdırma platformalarından istifadə edir. Kənar AI həlləri Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV və Yokogawa CENTUM VP kimi sistemlərlə yanaşı işləyə bilər.
Bu mühitlərdə maşın görməsi sistemləri ümumi istehsal məqsədlərini dəstəkləyən operativ məlumatlılığın başqa bir mənbəyinə çevrilir.
Sənaye maşın öyrənməsində Amazon SageMaker-in rolu
Amazon SageMaker maşın öyrənməsi modellərinin qurulması, öyrədilməsi, optimallaşdırılması, yerləşdirilməsi və idarə edilməsi üçün bulud əsaslı mühit təqdim edir.
Onun əsas üstünlüklərindən biri maşın öyrənməsinin işlənib hazırlanması ilə ənənəvi olaraq əlaqələndirilən bir çox tapşırığı sadələşdirməsidir.
Məlumat alimləri və mühəndislər infrastrukturun idarə edilməsindən çox modelin göstəricilərinə diqqət yetirə bilərlər.
İstehsal mühitində SageMaker maşın öyrənməsinin bütün həyat dövrünü dəstəkləyə bilər.
Məlumatların toplanması və hazırlanması
İstənilən uğurlu qüsur aşkarlama layihəsinin təməli yüksək keyfiyyətli verilənlər dəstidir.
İstehsalçılar adətən istehsal xətləri boyunca strateji yoxlama nöqtələrində sənaye kameraları quraşdırırlar. Bu kameralar həm məqbul, həm də qüsurlu məhsulların şəkillərini çəkir.
Toplanmış şəkillər daha sonra etiketlənməli və təşkil edilməlidir.
Dəqiq etiketləmə modelin göstəricilərinə birbaşa təsir edir. Səhv etiketlənmiş verilənlər dəstləri yerləşdirmə zamanı çox vaxt yanlış müsbət və yanlış mənfi nəticələr yaradır.
Qüsur aşkarlama tətbiqləri üçün mühəndislər tez-tez aşağıdakıları müəyyən edən annotasiyalar yaradırlar:
- Qüsurun növü
- Qüsurun yeri
- Qüsurun şiddəti
- Məhsul kateqoriyası
- İstehsal partiyası haqqında məlumat
Verilənlər dəstləri böyüdükcə istehsalçılar əlavə istehsal ssenarilərini daxil etməklə modelin dəqiqliyini davamlı şəkildə yaxşılaşdıra bilərlər.
Modelin öyrədilməsi və optimallaşdırılması
Maşın öyrənməsi modellərinin öyrədilməsi əhəmiyyətli hesablama resursları tələb edir.
Məhz burada bulud infrastrukturu əhəmiyyətli üstünlüklər təmin edir.
İstehsalçılar xüsusi yerli AI serverlərinə sərmayə qoymaq əvəzinə, modelləri daha səmərəli öyrətmək üçün miqyaslana bilən bulud resurslarından istifadə edə bilərlər.
SageMaker sənaye maşın görməsi tətbiqlərində geniş istifadə olunan çoxsaylı freymvorkları və model arxitekturalarını dəstəkləyir.
Populyar neyron şəbəkəsi arxitekturalarına aşağıdakılar daxildir:
- ResNet
- U-Net
- YOLO
- EfficientNet
- Faster R-CNN
- Mask R-CNN
Hər bir arxitektura dəqiqlik, hesablama tələbləri və inferens sürəti arasında fərqli kompromislər təklif edir.
Sənaye mühəndisləri istehsalda yerləşdirmək üçün optimal modeli seçməzdən əvvəl çoxsaylı arxitekturaları qiymətləndirirlər.
Aparata uyğun model yerləşdirməsi
Sənaye süni intellekt layihələrində ən böyük çətinliklərdən biri buludda öyrədilmiş modellərin resursları məhdud kənar aparatlara köçürülməsidir.
Bulud GPU-sunda olduqca yaxşı işləyən model sənaye şlüzündə və ya daxili prosessorda yerləşdirildikdə çətinlik çəkə bilər.
SageMaker modelləri hədəf aparat platformaları üçün optimallaşdırmağa kömək edən alətlər təqdim edir.
Bu optimallaşdırma prosesi yaddaş tələblərini azaldır, inferens sürətini artırır və qənaətbəxş dəqiqliyi qorumaqla enerji sərfiyyatını minimuma endirir.
Bu cür imkanlar yüzlərlə və ya minlərlə kənar cihazın eyni vaxtda işləyə bildiyi iri miqyaslı istehsal mühitlərində xüsusilə vacibdir.
2-ci hissədə AWS IoT Greengrass-ın bu modelləri sənaye kənarında necə yerləşdirdiyini və idarə etdiyini araşdıracaq, buluddan kənara qüsur aşkarlama iş axınlarını nəzərdən keçirəcək, praktiki tətbiq arxitekturalarını müzakirə edəcək və PLC-lər, SCADA sistemləri, DCS platformaları və proqnozlaşdırıcı keyfiyyət proqramlarını əhatə edən real istehsal nümunələrini təhlil edəcəyik.
AWS IoT Greengrass ilə maşın öyrənməsi modellərinin zavod sahəsinə gətirilməsi
Maşın öyrənməsi modelinin təlimi yolun yalnız bir hissəsidir. İstehsalçılara nəticədə bu modelləri istehsal müəssisələrində yerləşdirmək, idarə etmək, monitorinq etmək və yeniləmək üçün praktik üsul lazımdır. AWS IoT Greengrass məhz burada arxitekturanın mühüm komponentinə çevrilir.
AWS IoT Greengrass proqram təminatının, maşın öyrənməsi modellərinin və avtomatlaşdırma tətbiqlərinin birbaşa sənaye cihazlarında işləməsinə imkan verən kənar icra mühiti kimi xidmət edir. Fasiləsiz bulud bağlantısına güvənmək əvəzinə, Greengrass mərkəzləşdirilmiş bulud xidmətləri ilə sinxronizasiyanı qoruyaraq inferens iş yüklərinin yerli icrasına imkan verir.
İstehsal müəssisələri üçün bu arxitektura buludun miqyaslana bilməsi ilə yerli operativlik arasında balans yaradır.
İstehsal avadanlığı müvəqqəti şəbəkə fasilələri zamanı belə işləməyə davam edə bilər. Keyfiyyət yoxlaması ilə bağlı qərarlar real vaxtda əlçatan olaraq qalır və bağlantı bərpa edildikdən sonra əməliyyat məlumatları bulud sistemləri ilə sinxronlaşdırıla bilər.
Bu imkan istehsal xətlərinin bir neçə bina, uzaq obyekt və ya coğrafi cəhətdən müxtəlif istehsal sahələri üzrə işləyə bildiyi böyük sənaye mühitlərində xüsusilə dəyərlidir.
Şəkil 2. AWS IoT Greengrass bulud inteqrasiyasını qoruyaraq maşın öyrənməsi inferensinin birbaşa sənaye kənar cihazlarında həyata keçirilməsini təmin edir.
Buluddan kənara qədər sənaye qüsurlarının aşkarlanması konveyerinin yaradılması
Uğurlu qüsur aşkarlama sistemləri təlim keçmiş neyron şəbəkəsindən daha çoxunu tələb edir. İstehsalçılar məlumatların əldə edilməsini, modelin hazırlanmasını, yerləşdirilməsini, monitorinqini və davamlı təkmilləşdirilməsini idarə edən tam həyat dövrü yaratmalıdır.
Müasir buluddan kənara qədər yoxlama arxitekturası adətən bir neçə mərhələdən ibarət olur.
Mərhələ 1: Şəkillərin əldə edilməsi
Proses şəkillərin toplanması ilə başlayır.
Sənaye kameraları məhsulları istehsal avadanlıqlarından, konveyerlərdən, robotlaşdırılmış iş məntəqələrindən və ya yığım hüceyrələrindən keçərkən çəkir. Kamera seçimi tətbiq tələblərindən asılıdır və aşağıdakıları əhatə edə bilər:
- Sahə üzrə skan kameraları
- Sətir üzrə skan kameraları
- 3D görmə kameraları
- Termal təsvir sistemləri
- Hiperspektral təsvir sensorları
Düzgün işıqlandırma dizaynı eyni dərəcədə vacibdir. Hətta qabaqcıl maşın öyrənməsi modelləri də şəkil keyfiyyəti qeyri-sabit olduqda çətinlik çəkir.
Uğurlu yerləşdirmələrə çox vaxt kölgələri, əksolunmaları və ətraf işığındakı dəyişiklikləri minimuma endirən idarə olunan işıqlandırma mühitləri daxildir.
Mərhələ 2: Məlumatların etiketlənməsi və annotasiyası
Şəkillər toplandıqdan sonra mühəndislər təlim verilənlər toplusu yaradırlar.
Şəkillər həm normal, həm də qüsurlu iş şəraitini dəqiq əks etdirməlidir. Bir çox təşkilat əvvəlcə bu mərhələnin əhəmiyyətini lazımınca qiymətləndirmir. Əslində, verilənlər toplusunun keyfiyyəti layihənin uğurunu çox vaxt model seçimindən daha çox müəyyən edir.
İstehsalçılar bir neçə istehsal növbəsindən, avadanlığın müxtəlif vəziyyətlərindən, xammal partiyalarından və ətraf mühit ssenarilərindən nümunələr toplamalıdır.
Bu müxtəliflik yerləşdirmədən sonra modelin dayanıqlılığını təmin etməyə kömək edir.
Mərhələ 3: SageMaker-də model təlimi
Təlim bulud hesablama resurslarından istifadə etməklə Amazon SageMaker daxilində həyata keçirilir.
Mühəndislər performansı yaxşılaşdırmaq üçün bir neçə arxitekturanı qiymətləndirir və hiperparametrləri optimallaşdırırlar.
Tipik optimallaşdırma məqsədlərinə aşağıdakılar daxildir:
- Daha yüksək aşkarlama dəqiqliyi
- Yanlış müsbət nəticələrin azalması
- Yanlış mənfi nəticələrin azalması
- Daha yüksək nəticə çıxarma sürəti
- Daha az yaddaş istifadəsi
İstehsal mühitləri çox vaxt cüzi dəqiqlik artımlarından daha çox etibarlılığa üstünlük verir. Bir qədər aşağı dəqiqliyə, lakin yüksək dərəcədə proqnozlaşdırılan davranışa malik model real istehsal şəraitində nəzəri cəhətdən üstün modeldən daha yaxşı nəticə göstərə bilər.
Mərhələ 4: Kənar mühitdə yerləşdirmə
Yoxlamadan sonra SageMaker modeli yerləşdirmə üçün paketləyir.
Greengrass modeli yerli nəticə çıxarılmasının baş verdiyi kənar avadanlıqlara paylayır.
Tətbiqdən asılı olaraq, yerləşdirmə hədəflərinə aşağıdakılar daxil ola bilər:
- Sənaye kompüterləri
- Daxili süni intellekt şlüzləri
- ARM əsaslı kənar nəzarətçilər
- GPU ilə təchiz olunmuş kənar serverlər
- Maşın görmə sistemlərinə inteqrasiya edilmiş sənaye kompüterləri
Nəticə çıxarılması yerli olaraq icra edilir və yoxlama nəticələri millisaniyələr ərzində təqdim olunur.
Mərhələ 5: Davamlı təkmilləşdirmə
Bu arxitekturanın bəlkə də ən güclü cəhəti əks əlaqə dövrəsidir.
Kənar qurğular seçilmiş şəkilləri və əməliyyat göstəricilərini buluda yükləyə bilər. Mühəndislər çətin halları nəzərdən keçirir, yeni məlumatları etiketləyir, modelləri yenidən öyrədir və yenilənmiş versiyaları tətbiq edir.
Bu, dəyişən istehsal şəraitinə uyğunlaşan və davamlı olaraq təkmilləşən yoxlama sistemi yaradır.
Maşın görməsindən kənar sənaye avtomatlaşdırmasının inteqrasiyası
Qüsur aşkarlama sistemləri mövcud avtomatlaşdırma infrastrukturu ilə inteqrasiya edildikdə ən böyük dəyəri yaradır.
Sadəcə qüsurları müəyyən edən müstəqil kamera məhdud əməliyyat faydası təmin edir. Müasir istehsalçılar yoxlama sistemlərini getdikcə birbaşa istehsal idarəetmə sistemlərinə qoşurlar.
Məsələn, yoxlama nəticəsi avtomatik olaraq aşağıdakıları işə sala bilər:
- Məhsulun rədd edilməsi mexanizmləri
- Robotlaşdırılmış çeşidləmə sistemləri
- Siqnal bildirişləri
- İstehsal xəttinin yavaşlamaları
- Texniki xidmət üzrə iş sifarişləri
- Keyfiyyət hesabatı sistemləri
Bir çox müəssisə bu inteqrasiyanı EtherNet/IP, PROFINET, Modbus TCP, OPC UA və MQTT kimi sənaye kommunikasiya protokolları vasitəsilə həyata keçirir.
Maşın görmə sistemi daha geniş avtomatlaşdırma ekosistemində başqa bir intellektual qovşağa çevrilir.
Müasir PLC platformalarından istifadə edən təşkilatlar yoxlama nəticələrini çox vaxt birbaşa idarəetmə məntiqinə inteqrasiya edirlər. Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon və ya Mitsubishi MELSEC nəzarətçiləri əsasında qurulan sistemlər qüsur məlumatlarını qəbul edə və avtomatlaşdırılmış cavabları işə sala bilər.
Nəzarətçi yeniləmələrini və ya genişləndirmə layihələrini qiymətləndirən müəssisələr gələcək sənaye süni intellekt təşəbbüslərini dəstəkləmək üçün mövcud avadanlıqları tez-tez PLC və PAC sistemləri kateqoriyasında nəzərdən keçirirlər.
Yüksək sürətli istehsal mühitlərində qüsurların aşkarlanması
Hər istehsal mühiti eyni tələbləri irəli sürmür.
Yoxlama strategiyaları istehsal sürətinə, məhsulun mürəkkəbliyinə və biznes məqsədlərinə uyğunlaşdırılmalıdır.
Elektronika istehsalı
Elektronika istehsalında insan operatorların ardıcıl şəkildə müəyyən etməsi çətin olan son dərəcə kiçik qüsurlar tez-tez rast gəlinir.
Maşın öyrənməsi sistemləri bunları yoxlaya bilər:
- Lehim birləşmələri
- PCB keçirici yolları
- Konnektorun yerləşdirilməsi
- Komponentin istiqaməti
- Səthin çirklənməsi
İstehsal həcmləri yüksək olduğuna görə aşkarlama dəqiqliyindəki hətta kiçik təkmilləşdirmələr belə əhəmiyyətli xərclərə qənaət yarada bilər.
Avtomobil istehsalı
Avtomobil zavodları kuzov yığımı, rəngləmə, güc aqreqatlarının istehsalı və son yığım əməliyyatlarında maşın görmə sistemlərindən geniş istifadə edirlər.
Yoxlama sistemləri bunları aşkarlaya bilər:
- Boya qüsurları
- Qaynaq keyfiyyəti problemləri
- Bərkidicilərin çatışmaması
- Komponentlərin düzgün hizalanmaması
- Səth qüsurları
Kənar əsaslı emal xüsusilə vacibdir, çünki istehsal xətləri yüksək sürətlə işləyir və həddindən artıq gecikməyə yol verə bilmir.
Qida və içki emalı
Qida istehsalçıları qablaşdırma qüsurlarını, etiketləmə problemlərini, çirklənmə risklərini və doldurma səviyyəsindəki uyğunsuzluqları müəyyən etmək üçün tez-tez maşın görməsindən istifadə edirlər.
Sürətli lokal qərar qəbuletmə qüsurlu məhsulların sonrakı qablaşdırma və paylama proseslərinə çatmasının qarşısını almağa kömək edir.
Əczaçılıq istehsalı
Tənzimlənən sənayelər yüksək etibarlılığa malik yoxlama sistemləri tələb edir.
Maşın öyrənməsi modelləri ətraflı audit izlərini qoruyaraq qablaşdırma qüsurlarını, etiketləmə xətalarını, flakonların çirklənməsini və məhsul uyğunsuzluqlarını aşkarlamaqla validasiya fəaliyyətlərini dəstəkləyə bilər.
Kənar AI və proqnozlaşdırıcı keyfiyyətin idarə edilməsi
Bir çox təşkilat əvvəlcə maşın görmə sistemlərini yalnız keçdi/qaldı yoxlaması üçün tətbiq edir. Lakin zaman keçdikcə istehsalçılar çox vaxt daha geniş imkanlar aşkar edirlər.
Qüsur məlumatları prosesin performansı haqqında dəyərli məlumat ehtiva edir.
Qüsurların başvermə tendensiyalarını təhlil etməklə istehsalçılar keyfiyyət səviyyəsi əhəmiyyətli dərəcədə pisləşməzdən əvvəl yaranmaqda olan istehsal problemlərini müəyyən edə bilərlər.
Bu konsepsiya bəzən proqnozlaşdırıcı keyfiyyət adlanır.
Məsələn, cızıqlarla bağlı qüsurların artması alətin aşınmasını göstərə bilər. Ölçü sapmalarının sayının artması kalibrləmənin sürüşməsinə işarə edə bilər. Səthin işlənməsi ilə bağlı problemlər yuxarı axındakı emal avadanlığında nasazlıqları üzə çıxara bilər.
Sənaye monitorinq sistemləri ilə inteqrasiya edildikdə, qüsurların aşkarlanması məlumatları əməliyyat kəşfiyyatının əlavə mənbəyinə çevrilir.
Fırlanan avadanlıqların etibarlılığına cavabdeh təşkilatlar keyfiyyət monitorinqini vibrasiya analizi və aktivlərin vəziyyətinin monitorinqi platformaları ilə tez-tez birləşdirirlər. Belə mühitlərdə Mexanizmlərin monitorinqi portfelində təqdim olunan mexanizmlərin vəziyyətinin monitorinqi həlləri daha geniş proqnozlaşdırıcı texniki xidmət təşəbbüslərini tamamlayır.
Sənaye kənar süni intellekt tətbiqləri üçün avadanlıq mülahizələri
Düzgün avadanlıq platformasının seçilməsi istənilən kənar süni intellekt layihəsində ən mühüm dizayn qərarlarından biri olaraq qalır.
İdeal avadanlıq bir neçə amildən asılıdır:
- Təsvirin ayırdetmə qabiliyyəti
- Yoxlama sürəti
- Modelin mürəkkəbliyi
- Enerjinin mövcudluğu
- Ətraf mühit şəraiti
- Miqyaslana bilmə tələbləri
Sənaye müəssisələri xüsusi neyron emal qurğuları (NPU-lar), qrafik sürətləndiricilər və süni intellekt inferens mühərrikləri daxil olan prosessorları getdikcə daha çox tətbiq edirlər.
Bu imkanlar enerji sərfiyyatını azaldarkən maşın öyrənməsinin məhsuldarlığını əhəmiyyətli dərəcədə artırır.
NXP i.MX 8M Plus kimi platformalar sənaye süni intellekti iş yüklərini dəstəkləmək üçün daxili avadanlıqların necə inkişaf etməkdə davam etdiyini göstərir.
Süni intellektin tətbiqi genişləndikcə, avadanlıqların optimallaşdırılması getdikcə daha vacib olur, çünki istehsalçılar məhsuldarlıq, həyat dövrü dəstəyi, kibertəhlükəsizlik və ümumi sahibolma dəyəri arasında balans yaratmalıdırlar.
Qoşulmuş yoxlama sistemləri üçün kibertəhlükəsizlik mülahizələri
Hər bir qoşulmuş sənaye cihazı potensial kibertəhlükəsizlik riskləri yaradır.
Maşın görmə sistemləri də istisna deyil.
Bulud bağlantılı yoxlama arxitekturalarını tətbiq edən təşkilatlar aşağıdakıları əhatə edən aydın kibertəhlükəsizlik siyasətləri müəyyən etməlidirlər:
- Şəxsiyyətin idarə edilməsi
- Cihazın autentifikasiyası
- Şifrələnmiş rabitə
- Şəbəkə seqmentasiyası
- Proqram təminatının yenilənməsi
- Girişə nəzarət siyasətləri
Bir çox istehsalçı artıq bu prinsipləri PLC şəbəkələri, SCADA sistemləri, paylanmış idarəetmə sistemləri və sənaye tarixçəsi sistemləri də daxil olmaqla, OT mühitlərində tətbiq edir.
Maşın öyrənməsi infrastrukturu da eyni kibertəhlükəsizlik çərçivəsinə uyğun olmalıdır.
Qüsurların aşkarlanması sistemlərinin SCADA, MES və zavod miqyaslı əməliyyatlarla əlaqələndirilməsi
Bir çox istehsalçı əvvəlcə maşın görmə sistemlərini müstəqil yoxlama stansiyaları kimi tətbiq edir. Bu yanaşma keyfiyyətə nəzarəti yaxşılaşdıra bilsə də, sənaye süni intellektinin əsl dəyəri yoxlama məlumatlarının daha geniş əməliyyat ekosisteminin bir hissəsinə çevrildiyi zaman üzə çıxır.
Müasir istehsal müəssisələri keyfiyyət sistemlərini getdikcə daha çox Nəzarət və Məlumatların Toplanması (SCADA) platformaları, İstehsalın İcrası Sistemləri (MES), korporativ hesabat alətləri və zavod tarixçəsi sistemləri ilə əlaqələndirirlər. Bu inteqrasiya qüsurların aşkarlanmasını reaktiv keyfiyyət funksiyasından proaktiv əməliyyat kəşfiyyatı platformasına çevirir.
Maşın görmə sistemi qüsur aşkar etdikdə, məlumat real vaxt rejimində zavodun hər yerinə yayıla bilər. İstehsala nəzarətçilər SCADA panelləri vasitəsilə keyfiyyət tendensiyalarını izləyə, texniki xidmət qrupları avtomatlaşdırılmış bildirişlər ala, proses mühəndisləri isə qüsurları maşın parametrləri, ətraf mühit şəraiti və ya xammal dəyişiklikləri ilə əlaqələndirə bilərlər.
Məsələn, qablaşdırma müəssisəsi konveyerin sürəti müəyyən həddi keçdikdə etiketlərin yerləşdirilməsindəki səhvlərin artdığını aşkar edə bilər. Avtomobil istehsalçısı qaynaq qüsurları ilə robotun kalibrlənməsindəki yayınma arasında korrelyasiya müəyyən edə bilər. Əczaçılıq zavodu qablaşdırma anormallıqlarını konkret avadanlıq parametrləri və ya istehsalat partiyaları ilə əlaqələndirə bilər.
İnteqrasiya olmadıqda, bu məlumatlar çox vaxt təcrid olunmuş yoxlama sistemlərində gizli qalır.
Bir çox təşkilat maşın görmə platformaları ilə daha yüksək səviyyəli sənaye proqram təminatı arasında əsas kommunikasiya qatı kimi OPC UA-dan istifadə edir. MQTT də yüngül arxitekturası və Sənaye Əşyaların İnterneti (IIoT) tətbiqləri üçün uyğunluğu sayəsində getdikcə populyarlaşır.
İstehsalçılar Sənaye 4.0 təşəbbüslərini davam etdirdikcə, qüsur aşkarlama sistemləri müəssisə miqyasında qərar qəbuletməni dəstəkləyən strateji məlumat mənbələrinə çevrilir.
Bulud süni intellekti və kənar süni intellekt: Əksər fabriklər niyə hibrid yanaşmanı seçir
Sənaye təşkilatları tez-tez maşın öyrənməsi tətbiqlərinin tamamilə buludda, yoxsa tamamilə kənarda işləməli olduğunu soruşurlar. Reallıqda uğurlu tətbiqlərin əksəriyyəti hər iki mühitin üstünlüklərini birləşdirən hibrid arxitekturadan istifadə edir.
Bulud platformaları model təlimi, genişmiqyaslı məlumatların saxlanması, mərkəzləşdirilmiş idarəetmə və uzunmüddətli analitika sahələrində üstündür. Dərin öyrənmə modellərinin təlimi əhəmiyyətli hesablama resursları tələb edir və bu resursları birbaşa fabrik avadanlıqlarında yerləşdirmək praktiki olmazdı.
Kənar sistemlər isə sənaye əməliyyatları üçün tələb olunan operativliyi təmin edir. Yoxlama qərarları çox vaxt millisaniyələr ərzində qəbul edilməlidir. İstehsalat xətləri məhsulun yoxlamadan keçib-keçmədiyini müəyyənləşdirməzdən əvvəl bulud rabitəsini gözləyə bilməz.
Təsəvvür edin ki, elektronika yığma xətti hər saat minlərlə çap dövrə lövhəsi istehsal edir. Yüksək ayırdetmə qabiliyyətli yoxlama kameraları bir istehsalat növbəsi ərzində terabaytlarla görüntü məlumatı yarada bilər. Hər bir görüntünün uzaqdakı bulud platformasına göndərilməsi bant genişliyi tələblərini artırar və lazımsız gecikmə yaradardı.
Şəkillər yerli olaraq emal edildiyi üçün buluda yalnız müvafiq məlumatların ötürülməsi tələb olunur. Bu, real vaxt göstəricilərini qoruyaraq rabitə yükünü əhəmiyyətli dərəcədə azaldır.
Tipik hibrid arxitektura sadə iş axınını izləyir:
- Bulud infrastrukturu modelləri öyrədir və təsdiqləyir.
- SageMaker modelləri yerləşdirmə üçün optimallaşdırır.
- AWS IoT Greengrass modelləri kənar qurğulara paylayır.
- Kənar qurğular yerli inferensiyanı həyata keçirir.
- Seçilmiş yoxlama nəticələri buluda qaytarılır.
- Mühəndislər yeni məlumatlardan istifadə edərək modelləri yenidən öyrədir və təkmilləşdirirlər.
Bu əks əlaqə dövrəsi istehsalat göstəricilərini qurban vermədən davamlı təkmilləşdirməyə imkan yaradır.
Hibrid model həmçinin mərkəzləşdirilmiş mühəndislik qruplarının çoxsaylı müəssisələr üzrə maşın öyrənməsi resurslarını idarə etdiyi çoxməntəqəli istehsalat əməliyyatlarını dəstəkləyir.
Kənar əsaslı qüsur aşkarlanmasının real dünyada istehsalat tətbiqləri
Maşın görməsi onilliklərdir mövcud olsa da, maşın öyrənməsindəki son nailiyyətlər istehsalçıların avtomatlaşdıra biləcəyi yoxlama tətbiqlərinin əhatə dairəsini genişləndirib.
Avtomobil kuzovunun yoxlanması
Avtomobil istehsalçıları ciddi estetik və ölçü standartlarını qorumalıdırlar. Hətta kiçik boya qüsurları və ya səthdəki qeyri-müntəzəmliklər bahalı yenidən işləmə işlərinə səbəb ola bilər.
Maşın öyrənməsi sistemləri ənənəvi yoxlama üsullarının nəzərdən qaçıra biləcəyi incə boya qüsurlarını, cızıqları, əzikləri və örtük uyğunsuzluqlarını müəyyən edə bilər.
Çıxarımları birbaşa kənarda həyata keçirərək, istehsalçılar qüsurlu komponentləri sonrakı yığma proseslərinə keçməzdən əvvəl kənarlaşdıra bilərlər.
Yarımkeçirici istehsalı
Yarımkeçirici istehsalı müasir sənayedə ən yüksək tələblər irəli sürən yoxlama proseslərindən bəzilərini təqdim edir. Mikronlarla ölçülən qüsurlar məhsulun məhsuldarlığına və çıxımına təsir göstərə bilər.
Qabaqcıl maşın öyrənməsi modelləri vafli çirklənməsini, litoqrafiya qüsurlarını və ənənəvi görmə alqoritmləri ilə aşkarlanması çətin ola bilən proses anomaliyalarını müəyyənləşdirməyə kömək edir.
Yarımkeçirici müəssisələri böyük həcmdə təsvir məlumatları yaratdığından, kənar emal yoxlama məhsuldarlığını qoruyarkən şəbəkə yüklənməsini azaltmağa kömək edir.
Qida qablaşdırmasının yoxlanması
Qida və içki istehsalçıları qablaşdırma keyfiyyətini, izlənəbilənliyi və normativ tələblərə uyğunluğu təmin etmək üçün artan təzyiqlə üzləşirlər.
Maşın öyrənməsi sistemləri aşağıdakıları yoxlaya bilər:
- Etiketin düzgünlüyü
- Son istifadə tarixləri
- Hermetikliyin bütövlüyü
- Qablaşdırmanın ölçüləri
- Doldurma səviyyələri
- Məhsulun istiqaməti
Bu yoxlamalar əl ilə işləyən operatorların davamlı şəkildə təmin edə bilməyəcəyi istehsal sürətlərində fasiləsiz həyata keçirilir.
Batareya istehsalı
Elektrikli avtomobil istehsalının sürətli artımı qabaqcıl batareya yoxlama texnologiyalarına tələbatı artırıb.
İstehsalçılar batareya istehsalı prosesləri boyunca elektrod qüsurlarını, örtük uyğunsuzluqlarını, çirklənməni və yığma problemlərini aşkar etmək üçün maşın görməsi və maşın öyrənməsindən istifadə edirlər.
Batareya qüsurları həm məhsuldarlığa, həm də təhlükəsizliyə təsir göstərə bildiyinə görə, yoxlamanın dəqiqliyi mühüm əməliyyat məqsədi olaraq qalır.
Sənaye maşın öyrənməsi üçün daha yaxşı məlumat dəstlərinin hazırlanması
Bir çox təşkilat məlumat dəstlərinin hazırlanmasının əhəmiyyətini nəzərdən qaçıraraq əsas diqqəti model seçiminə yönəldir. Əslində, təlim məlumatlarının keyfiyyəti layihənin uğuruna istifadə olunan konkret neyron şəbəkəsi arxitekturasından daha çox təsir göstərə bilər.
Maşın öyrənməsi modeli yalnız təlim məlumat dəstində mövcud olan məlumatlardan öyrənə bilər. Kritik qüsur ssenariləri yoxdursa, həmin şərtlər istehsalda ortaya çıxdıqda model çətinlik çəkə bilər.
Uğurlu sənaye məlumat dəstlərinə adətən aşağıdakılar daxildir:
- Normal istehsal nümunələri
- Nadir qüsur halları
- Çoxsaylı işıqlandırma mühitləri
- Müxtəlif istehsal növbələri
- Mövsümi dəyişikliklər
- Avadanlığın aşınma vəziyyətləri
- Xammal dəyişiklikləri
- Texniki xidmətlə bağlı proses dəyişiklikləri
İstehsalçılar tətbiqdən sonra da məlumat dəstlərini davamlı olaraq genişləndirməlidirlər.
SageMaker və Greengrass ekosisteminin üstünlüklərindən biri istehsal əməliyyatları ilə model hazırlanması qrupları arasında əks-əlaqə mexanizmi yaratmaq imkanındadır. Çətin yoxlama halları nəzərdən keçirilə, yenidən etiketlənə və gələcək təlim dövrlərinə daxil edilə bilər.
Bu proses yanlış müsbət və yanlış mənfi nəticələri azaldarkən modelin fəaliyyətini tədricən yaxşılaşdırır.
Maşın öyrənməsini birdəfəlik layihə deyil, davamlı əməliyyat imkanları kimi nəzərdən keçirən təşkilatlar, bir qayda olaraq, uzunmüddətli perspektivdə ən yaxşı nəticələrə nail olurlar.
Sənaye süni intellekti standart keyfiyyət alətinə çevriləcək
Maşın öyrənməsi, kənar hesablama və sənaye avtomatlaşdırması sürətlə birləşir. Bir vaxtlar eksperimental texnologiya hesab edilən yanaşma keyfiyyəti yaxşılaşdırmaq, tullantıları azaltmaq və əməliyyat səmərəliliyini artırmaq üçün praktiki alətə çevrilir.
Hesablama avadanlıqları daha güclü, maşın öyrənməsi freymvorklərini tətbiq etmək isə daha asan olduqca, bütün ölçülü istehsalçılar qabaqcıl qüsur aşkarlama sistemlərindən yararlana bilərlər.
Amazon SageMaker və AWS IoT Greengrass kimi platformalar maşın öyrənməsini tədqiqat mühitlərindən real istehsal müəssisələrinə keçirmək üçün zəruri infrastrukturu təmin edir.
Ən uğurlu tətbiqlər sadəcə qüsurlu məhsulları müəyyən etməyəcək. Onlar istehsalçılara qüsurların niyə baş verdiyini anlamağa, keyfiyyət problemlərini böyüməzdən əvvəl proqnozlaşdırmağa və istehsal proseslərini davamlı şəkildə optimallaşdırmağa kömək edəcək.
Gələcək illərdə kənar səviyyədə maşın görməsinin istehsal xətlərində bu gün PLC-lər, HMI-lər, sənaye şəbəkələri və SCADA sistemləri qədər geniş yayılacağı ehtimal olunur. Bu imkanları indidən formalaşdırmağa başlayan müəssisələr keyfiyyəti yaxşılaşdırmaq, məhsuldarlığı maksimuma çatdırmaq və məlumatlara əsaslanan istehsal bazarlarında rəqabət aparmaq üçün daha əlverişli mövqedə olacaqlar.
Sənaye qüsurlarının aşkarlanmasının gələcəyi
Sənaye qüsurlarının aşkarlanması sadə təsvir analizindən ağıllı, adaptiv keyfiyyət sistemlərinə doğru inkişaf etməyə davam edir.
Maşın öyrənməsi, kənar hesablama, sənaye şəbəkələri və bulud infrastrukturu sahələrindəki irəliləyişlər istehsalçılara məhsulları əvvəlkindən daha sürətli və daha dəqiq yoxlamağa imkan verir.
Amazon SageMaker və AWS IoT Greengrass kimi texnologiyalar bulud əsaslı model hazırlanması ilə real fabrikdə tətbiq arasındakı fərqi aradan qaldırmağa kömək edir. Birlikdə onlar istehsalçıları əməliyyat məlumatlarından öyrənə və zaman keçdikcə davamlı şəkildə təkmilləşə bilən miqyaslana bilən yoxlama sistemləri qurmaq üçün alətlərlə təmin edir.
Sənaye təşkilatları rəqəmsal transformasiya təşəbbüslərini həyata keçirdikcə, qüsurların aşkarlanması maşın görməsi, proqnozlaşdırıcı texniki xidmət, proseslərin optimallaşdırılması və əməliyyat analitikasını birləşdirən daha geniş ağıllı istehsal strategiyalarının getdikcə mühüm hissəsinə çevriləcək.
Nəticə sadəcə keyfiyyətə nəzarətin yaxşılaşması deyil. Bu, məlumatlara əsaslanan qərarların dəyər yaradan avadanlıq, məhsul və proseslərə yaxın, kənar səviyyədə qəbul edildiyi daha ağıllı istehsal mühitidir.