Защо откриването на производствени дефекти се насочва към периферията

Производителите продължават да се стремят към по-високо качество на продуктите, по-ниски оперативни разходи и по-голяма производствена ефективност. С ускоряването и автоматизирането на производствените линии традиционните методи за инспекция се затрудняват да отговорят на изискванията за съвременния производствен капацитет. Човешката инспекция остава ценна в много индустрии, но често води до променливост, грешки, свързани с умората, и ограничения по отношение на мащабирането.

Същевременно индустриалните обекти вече генерират огромни количества оперативни данни чрез сензори, камери, контролери и свързани устройства. Тези източници на данни създават възможности за усъвършенстван анализ и приложения за машинно обучение, които могат да идентифицират проблеми с качеството много преди продуктите да достигнат до клиентите.

Едно от най-значимите развития през последните години е внедряването на модели за машинно обучение директно в индустриалната периферия. Вместо да изпращат всяко изображение към отдалечена облачна платформа за анализ, производителите могат да извършват локално откриване на дефекти на индустриални компютри, вградени процесори и периферни шлюзове, инсталирани в близост до производственото оборудване.

Този подход значително намалява латентността и същевременно подобрява бързодействието на системата. Производственото оборудване може незабавно да реагира на откритите дефекти, да отхвърля несъответстващи продукти, да задейства аларми или да инициира коригиращи действия, без да изчаква обработка в облака.

Облачните платформи остават от съществено значение за обучението, управлението и подобряването на моделите за машинно обучение. Периферните изчисления обаче позволяват на фабриките да извършват инференция в реално време там, където се генерират данните. Тази комбинация от облачен интелект и периферно изпълнение се превърна в мощна архитектура за индустриална автоматизация.

Сред водещите технологии, поддържащи тази архитектура, са Amazon SageMaker и AWS IoT Greengrass. Заедно тези платформи предоставят рамка за създаване, внедряване, наблюдение и непрекъснато подобряване на модели за машинно обучение, използвани в приложения за откриване на производствени дефекти.

Фигура 1. Автоматизираните системи за машинно зрение осигуряват високоскоростен контрол на качеството в съвременните производствени среди.

Разбиране на предизвикателството за откриване на промишлени дефекти

Откриването на дефекти изглежда лесно на пръв поглед. Камера заснема изображение, софтуерът оценява продукта и системата определя дали изделието преминава инспекцията. На практика обаче средата за индустриална инспекция поставя множество технически предизвикателства.

Продуктите се движат с различна скорост. Условията на осветление се променят през деня. Повърхностните материали могат да отразяват светлината по различен начин. Производствените допуски могат да създадат леки различия между приемливите продукти. Прахът, вибрациите, температурните колебания и условията на околната среда могат допълнително да усложнят заснемането на изображения.

Затова производителите трябва да разработят системи за инспекция, способни да различават нормалните производствени вариации от действителните дефекти.

Често срещаните производствени дефекти включват:

• Драскотини по повърхността
• Пукнатини и фрактури
• Липсващи компоненти
• Грешки при сглобяването
• Неправилно изпълнени заварки
• Несъвършенства в боята
• Мехурчета и кухини
• Отклонения в размерите
• Дефекти на опаковката
• Грешки при етикетирането

В индустрии като автомобилното производство, производството на полупроводници, фармацевтиката, хранително-вкусовата промишленост, сглобяването на електроника и производството на енергия откриването на дефекти пряко влияе върху рентабилността и удовлетвореността на клиентите.

Пропуснат дефект може да доведе до гаранционни претенции, инциденти, свързани с безопасността, изтегляне на продукти, регулаторни санкции или увреждане на репутацията на марката. Обратно, прекалено строгите критерии за инспекция могат да увеличат процента на брака и да намалят производствената ефективност.

Машинното обучение помага за преодоляването на тези предизвикателства, като извлича закономерности от големи набори от данни, вместо да разчита изцяло на ръчно програмирани правила за инспекция.

Машинното зрение надхвърли традиционната инспекция, базирана на правила

Традиционните системи за машинно зрение разчитат до голяма степен на детерминистични алгоритми за обработка на изображения. Инженерите ръчно дефинират прагове, параметри за откриване на ръбове, геометрични измервания и правила за разпознаване на характеристики.

Тези подходи остават ефективни за много приложения. Те обаче стават все по-трудни за поддръжка, когато продуктите показват значителни различия или когато дефектите се появяват в непредвидими форми.

Съвременните модели за машинно обучение предлагат коренно различен подход.

Вместо ръчно да дефинират всяко правило за инспекция, инженерите обучават модели с помощта на хиляди или дори милиони примерни изображения. Системата научава характеристиките, които отличават приемливите продукти от дефектните.

Това позволява на системите за машинно обучение да откриват фини закономерности, които конвенционалните алгоритми за компютърно зрение трудно биха идентифицирали.

В системите за индустриална инспекция често се използват няколко подхода за машинно обучение.

Класификация на изображения

Моделите за класификация определят дали дадено изображение принадлежи към конкретна категория.

Например моделът може да класифицира продуктите като:

• Успешен
• Неуспешен
• Повреден
• Непълен
• Несъответстващ

Класификацията често е най-простият модел за внедряване и служи като ефективна отправна точка за много производствени приложения.

Откриване на обекти

Откриването на обекти разширява класификацията, като идентифицира както наличието, така и местоположението на дефект.

Вместо просто да отчита, че съществува дефект, моделът идентифицира къде се намира дефектът в изображението.

Тази възможност позволява на екипите по поддръжката и инженерите по качеството да разбират по-добре проблемите в процесите и първопричините за тях.

Семантична сегментация

Семантичната сегментация осигурява анализ на ниво пиксел.

На всеки пиксел се присвоява класификационен етикет, което позволява на системата да определи точните граници на дефекта.

Моделите за сегментация са особено полезни, когато производителите се нуждаят от подробна информация за размерите на пукнатините, зоните на корозия, дефектите на покритията или несъответствията в материалите.

Усъвършенстваните техники за сегментация могат да подпомогнат инициативите за предиктивно управление на качеството, при които моделите на развитие на дефектите се превръщат в част от по-широки усилия за оптимизиране на процесите.

Защо периферният изкуствен интелект е важен за индустриалната автоматизация

Много индустриални предприятия все още работят при строги изисквания за надеждност. Производствените линии често работят непрекъснато за продължителни периоди и не могат да разчитат изцяло на облачна свързаност.

Изпращането на всяко инспекционно изображение към отдалечен сървър създава няколко ограничения:

• Мрежова латентност
• Използване на честотната лента
• Разходи за обработка в облака
• Проблеми с киберсигурността
• Рискове, свързани със свързаността

Нека разгледаме завод за бутилиране, който произвежда хиляди контейнери в минута. Камерите с висока резолюция могат да генерират гигабайти изображения всеки час.

Изпращането на всяко изображение в облака става скъпо и ненужно.

Вместо това периферното извеждане на заключения позволява вземане на решения на място, като към централизираните системи се предава само релевантната информация.

Тази архитектура съответства тясно на съвременните стратегии за индустриална автоматизация, при които системите за оперативни технологии (OT) все по-често се интегрират с инфраструктурата на информационните технологии (IT).

Индустриалният периферен изкуствен интелект може да поддържа множество среди за автоматизация, включително:

• Производствени линии, управлявани от PLC
• Производствени предприятия, базирани на DCS
• Системи за мониторинг SCADA
• Мрежи за наблюдение на турбини
• Опаковъчни машини
• Роботизирани монтажни клетки
• Системи за автоматизация на складове

Много предприятия вече използват платформи за автоматизация от водещи индустриални доставчици. Решенията за периферен изкуствен интелект могат да работят съвместно със системи като Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV и Yokogawa CENTUM VP.

В тези среди системите за машинно зрение се превръщат в още един източник на оперативна информация, който подпомага общите производствени цели.

Ролята на Amazon SageMaker в индустриалното машинно обучение

Amazon SageMaker предоставя базирана в облака среда за създаване, обучение, оптимизиране, внедряване и управление на модели за машинно обучение.

Едно от основните му предимства е, че опростява много от задачите, традиционно свързани с разработването на машинно обучение.

Специалистите по данни и инженерите могат да се съсредоточат върху производителността на моделите, вместо върху управлението на инфраструктурата.

В рамките на производствена среда SageMaker може да поддържа целия жизнен цикъл на машинното обучение.

Събиране и подготовка на данни

Основата на всеки успешен проект за откриване на дефекти е висококачественият набор от данни.

Производителите обикновено инсталират индустриални камери на стратегически точки за инспекция по производствените линии. Тези камери заснемат изображения както на приемливи, така и на дефектни продукти.

След това събраните изображения трябва да бъдат етикетирани и организирани.

Точното етикетиране влияе пряко върху производителността на модела. Лошо етикетираните набори от данни често водят до фалшиви положителни и фалшиви отрицателни резултати при внедряване.

При приложения за откриване на дефекти инженерите често създават анотации, които идентифицират:

• Тип на дефекта
• Местоположение на дефекта
• Тежест на дефекта
• Категория на продукта
• Информация за производствената партида

С разрастването на наборите от данни производителите могат непрекъснато да подобряват точността на моделите, като включват допълнителни производствени сценарии.

Обучение и оптимизация на модели

Обучението на модели за машинно обучение изисква значителни изчислителни ресурси.

Именно тук облачната инфраструктура предоставя значителни предимства.

Вместо да инвестират в специализирани локални AI сървъри, производителите могат да използват мащабируеми облачни ресурси, за да обучават моделите по-ефективно.

SageMaker поддържа множество фреймуърци и архитектури на модели, които обикновено се използват в приложения за индустриално машинно зрение.

Популярните архитектури на невронни мрежи включват:

• ResNet
• U-Net
• YOLO
• EfficientNet
• Faster R-CNN
• Mask R-CNN

Всяка архитектура предлага различен баланс между точност, изчислителни изисквания и скорост на инференция.

Индустриалните инженери често оценяват множество архитектури, преди да изберат оптималния модел за внедряване в производството.

Внедряване на модели, съобразено с хардуера

Едно от най-големите предизвикателства при индустриалните проекти за изкуствен интелект е прехвърлянето на обучени в облака модели към периферен хардуер с ограничени ресурси.

Модел, който се представя изключително добре в облачен GPU, може да има затруднения при внедряване в индустриален шлюз или вграден процесор.

SageMaker предоставя инструменти, които помагат за оптимизиране на моделите за целеви хардуерни платформи.

Този процес на оптимизация намалява изискванията към паметта, подобрява скоростта на инференция и минимизира потреблението на енергия, като същевременно запазва приемлива точност.

Тези възможности стават особено важни в мащабни производствени среди, където стотици или хиляди периферни устройства могат да работят едновременно.

В Част 2 ще разгледаме как AWS IoT Greengrass внедрява и управлява тези модели в периферията на индустриалната мрежа, ще изследваме работни процеси за откриване на дефекти от облака до периферията, ще обсъдим практически архитектури за внедряване и ще прегледаме реални производствени случаи на употреба, включващи PLC, SCADA системи, DCS платформи и програми за предиктивно управление на качеството.

Пренасяне на модели за машинно обучение в производствения цех с AWS IoT Greengrass

Обучаването на модел за машинно обучение е само част от целия процес. В крайна сметка производителите се нуждаят от практичен начин за внедряване, управление, наблюдение и актуализиране на тези модели в производствените предприятия. Именно тук AWS IoT Greengrass се превръща в ключов компонент на архитектурата.

AWS IoT Greengrass служи като периферна среда за изпълнение, която позволява на софтуера, моделите за машинно обучение и приложенията за автоматизация да работят директно на индустриални устройства. Вместо да разчита на постоянна облачна свързаност, Greengrass позволява локално изпълнение на работните натоварвания за инференция, като същевременно поддържа синхронизация с централизирани облачни услуги.

За производствените предприятия тази архитектура осигурява баланс между мащабируемостта на облака и локалната бърза реакция.

Производственото оборудване може да продължи да работи дори при временни прекъсвания на мрежата. Решенията за инспекция на качеството остават достъпни в реално време, а оперативните данни могат да се синхронизират с облачните системи, след като свързаността бъде възстановена.

Тази възможност е особено ценна в големи индустриални среди, където производствените линии могат да работят в множество сгради, отдалечени обекти или географски разпределени производствени площадки.

Фигура 2. AWS IoT Greengrass позволява извършването на инференция с машинно обучение директно на индустриални периферни устройства, като същевременно поддържа интеграция с облака.

Изграждане на конвейер за откриване на индустриални дефекти от облака до периферията

Успешните системи за откриване на дефекти изискват повече от обучена невронна мрежа. Производителите трябва да създадат цялостен жизнен цикъл, който управлява придобиването на данни, разработването на модела, внедряването, наблюдението и непрекъснатото подобрение.

Съвременната архитектура за инспекция от облака до периферията обикновено включва няколко етапа.

Етап 1: Придобиване на изображения

Процесът започва със събирането на изображения.

Индустриалните камери заснемат продуктите, докато те преминават през производствено оборудване, конвейери, роботизирани работни станции или монтажни клетки. Изборът на камера зависи от изискванията на приложението и може да включва:

• Камери за площно сканиране
• Камери за линейно сканиране
• Камери за 3D зрение
• Системи за термовизионни изображения
• Хиперспектрални сензори за изображения

Правилният дизайн на осветлението е също толкова важен. Дори усъвършенстваните модели за машинно обучение срещат трудности, когато качеството на изображенията е непостоянно.

Успешните внедрявания често включват контролирани светлинни среди, които минимизират сенките, отраженията и вариациите в околната светлина.

Етап 2: Етикетиране и анотиране на данни

След като изображенията бъдат събрани, инженерите създават набори от данни за обучение.

Изображенията трябва точно да представят както нормални, така и дефектни работни условия. Много организации първоначално подценяват този етап. Всъщност качеството на набора от данни често определя успеха на проекта в по-голяма степен от избора на модел.

Производителите трябва да събират проби от различни производствени смени, състояния на оборудването, партиди суровини и условия на околната среда.

Това разнообразие помага да се гарантира устойчивостта на модела след внедряването.

Етап 3: Обучение на модела в SageMaker

Обучението се извършва в Amazon SageMaker с помощта на облачни изчислителни ресурси.

Инженерите оценяват множество архитектури и оптимизират хиперпараметрите, за да подобрят производителността.

Типичните цели за оптимизация включват:

• По-висока точност на откриване
• По-малко фалшивоположителни резултати
• По-малко фалшивоотрицателни резултати
• По-висока скорост на инференция
• По-ниско използване на паметта

Производствените среди често поставят надеждността над незначителните подобрения в точността. Модел с малко по-ниска точност, но с изключително предвидимо поведение, може да превъзхожда теоретично по-добрия модел при реални производствени условия.

Етап 4: Внедряване в периферната среда

След валидирането SageMaker пакетира модела за внедряване.

Greengrass разпространява модела към периферния хардуер, където се извършва локална инференция.

В зависимост от приложението целевите среди за внедряване могат да включват:

• Индустриални компютри
• Вградени AI шлюзове
• Периферни контролери, базирани на ARM
• Периферни сървъри с GPU
• Индустриални компютри, интегрирани в системи за машинно зрение

Изпълнението на инференцията се извършва локално, като предоставя резултати от инспекцията в рамките на милисекунди.

Етап 5: Непрекъснато подобрение

Може би най-мощният аспект на тази архитектура е цикълът за обратна връзка.

Периферните устройства могат да качват избрани изображения и оперативни показатели обратно в облака. Инженерите преглеждат сложните случаи, означават нови данни, дообучават моделите и внедряват актуализирани версии.

Това създава непрекъснато подобряваща се инспекционна система, която се адаптира към променящите се производствени условия.

Интеграция на индустриалната автоматизация отвъд машинното зрение

Системите за откриване на дефекти предоставят най-голяма стойност, когато са интегрирани със съществуващата инфраструктура за автоматизация.

Самостоятелна камера, която просто идентифицира дефекти, осигурява ограничена оперативна полза. Съвременните производители все по-често свързват инспекционните системи директно с управлението на производството.

Например резултатът от инспекцията може автоматично да задейства:

• Механизми за отхвърляне на продукти
• Роботизирани системи за сортиране
• Известия за аларми
• Забавяне на производствената линия
• Работни поръчки за поддръжка
• Системи за отчитане на качеството

Много обекти постигат тази интеграция чрез индустриални комуникационни протоколи като EtherNet/IP, PROFINET, Modbus TCP, OPC UA и MQTT.

Системата за машинно зрение се превръща в още един интелигентен възел в по-широката екосистема за автоматизация.

Организациите, които използват съвременни PLC платформи, често интегрират резултатите от инспекциите директно в управляващата логика. Системите, изградени около контролери Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon или Mitsubishi MELSEC, могат да обработват данни за дефекти и да задействат автоматизирани реакции.

Обектите, които оценяват надстройки на контролери или проекти за разширяване, често преглеждат наличния хардуер в категорията PLC и PAC системи, за да подпомогнат бъдещи инициативи в областта на индустриалния изкуствен интелект.

Откриване на дефекти в среди за високоскоростно производство

Не всяка производствена среда поставя едни и същи изисквания.

Стратегиите за инспекция трябва да са съобразени със скоростта на производството, сложността на продукта и бизнес целите.

Производство на електроника

Производството на електроника често включва изключително малки дефекти, които човешките оператори трудно откриват последователно.

Системите за машинно обучение могат да инспектират:

• Спойки
• Проводници на печатни платки
• Разположение на конекторите
• Ориентация на компонентите
• Замърсяване на повърхността

Тъй като производствените обеми са големи, дори малките подобрения в точността на откриване могат да доведат до значителни икономии на разходи.

Автомобилно производство

Автомобилните заводи често внедряват системи за машинно зрение при сглобяването на каросерии, боядисването, производството на силови агрегати и операциите по финално сглобяване.

Системите за инспекция могат да откриват:

• Дефекти в боята
• Проблеми с качеството на заварките
• Липсващи крепежни елементи
• Неправилно подравняване на компонентите
• Несъвършенства на повърхността

Обработката на периферно ниво става особено важна, тъй като производствените линии работят с висока скорост и не могат да понасят прекомерна латентност.

Преработка на храни и напитки

Производителите на храни често използват машинно зрение за идентифициране на дефекти на опаковките, проблеми с етикетирането, рискове от замърсяване и несъответствия в нивото на напълване.

Бързото вземане на решения на място помага да се предотврати достигането на дефектни продукти до последващите процеси на опаковане и дистрибуция.

Фармацевтично производство

Регулираните индустрии изискват високонадеждни системи за инспекция.

Моделите за машинно обучение могат да подпомагат дейностите по валидиране, като откриват дефекти на опаковките, грешки в етикетирането, замърсяване на флакони и несъответствия в продуктите, като същевременно поддържат подробни одитни следи.

Периферна изкуствена интелигентност и управление на предиктивното качество

Много организации първоначално внедряват системи за машинно зрение единствено за проверка с резултат „приемливо/неприемливо“. С течение на времето обаче производителите често откриват много по-голяма възможност.

Данните за дефектите съдържат ценна информация за ефективността на процеса.

Чрез анализиране на тенденциите при появата на дефекти производителите могат да идентифицират възникващи производствени проблеми, преди нивата на качеството да се влошат значително.

Тази концепция понякога се нарича предиктивно качество.

Например увеличаването на дефектите под формата на драскотини може да показва износване на инструментите. Нарастващият брой отклонения в размерите може да подсказва отклонение в калибрирането. Проблемите с качеството на повърхността могат да разкрият неизправности в оборудването за предходна обработка.

Когато са интегрирани с индустриални системи за мониторинг, данните за откритите дефекти се превръщат в допълнителен източник на оперативна информация.

Организациите, отговорни за надеждността на ротационното оборудване, често съчетават мониторинг на качеството с анализ на вибрациите и платформи за мониторинг на състоянието на активите. В тези среди решенията за състоянието на машините, като предлаганите в портфолиото Мониторинг на машини, често допълват по-широки инициативи за предиктивна поддръжка.

Хардуерни съображения за внедряване на периферен изкуствен интелект в индустриална среда

Изборът на подходяща хардуерна платформа остава едно от най-важните проектни решения във всеки проект за периферен изкуствен интелект.

Идеалният хардуер зависи от няколко фактора:

• Разделителна способност на изображенията
• Скорост на инспекцията
• Сложност на модела
• Наличност на електрозахранване
• Условия на околната среда
• Изисквания за мащабируемост

Индустриалните предприятия все по-често внедряват процесори, включващи специализирани невронни процесорни блокове (NPU), графични ускорители и двигатели за инференция на изкуствен интелект.

Тези възможности значително подобряват производителността на машинното обучение, като същевременно намаляват консумацията на енергия.

Платформи като NXP i.MX 8M Plus показват как вграденият хардуер продължава да се развива, за да поддържа специфично натоварванията на индустриалния изкуствен интелект.

С разширяването на внедряването на изкуствен интелект оптимизацията на хардуера става все по-важна, тъй като производителите трябва да балансират между производителността, поддръжката през жизнения цикъл, киберсигурността и общата цена на притежание.

Съображения за киберсигурност при свързани инспекционни системи

Всяко свързано индустриално устройство създава потенциални рискове за киберсигурността.

Системите за машинно зрение не правят изключение.

Организациите, внедряващи архитектури за инспекции, свързани с облака, трябва да създадат ясни политики за киберсигурност, обхващащи:

• Управление на идентичностите
• Удостоверяване на устройствата
• Шифровани комуникации
• Мрежова сегментация
• Актуализиране на софтуера с корекции
• Политики за контрол на достъпа

Много производители вече прилагат тези принципи в своите OT среди, включително PLC мрежи, SCADA системи, разпределени системи за управление и индустриални архиви на данни.

Инфраструктурата за машинно обучение трябва да следва същата рамка за киберсигурност.

Свързване на системите за откриване на дефекти със SCADA, MES и операциите в цялото предприятие

Много производители първоначално внедряват системи за машинно зрение като самостоятелни инспекционни станции. Макар този подход да може да подобри контрола на качеството, истинската стойност на индустриалния изкуствен интелект се проявява, когато данните от инспекциите станат част от по-голяма оперативна екосистема.

Съвременните производствени предприятия все по-често свързват системите за качество с платформи за надзорен контрол и събиране на данни (SCADA), системи за управление на производството (MES), корпоративни инструменти за отчетност и архиви на данни от предприятието. Тази интеграция превръща откриването на дефекти от реактивна функция по качеството в проактивна платформа за оперативна интелигентност.

Когато система за машинно зрение идентифицира дефект, информацията може да бъде разпространена в реално време в цялото предприятие. Ръководителите на производството могат да наблюдават тенденциите в качеството чрез табла за управление на SCADA, екипите по поддръжката могат да получават автоматични известия, а инженерите по процесите могат да съпоставят дефектите с параметрите на машините, условията на околната среда или промените в суровините.

Например предприятие за опаковане може да установи, че грешките при поставянето на етикети се увеличават, когато скоростта на конвейера надхвърли определен праг. Производител на автомобили може да установи корелация между дефектите при заваряване и отклонението в калибрирането на роботите. Фармацевтично предприятие може да свърже аномалиите при опаковането с конкретни настройки на оборудването или производствени партиди.

Без интеграция тези изводи често остават скрити в изолирани системи за инспекция.

Много организации използват OPC UA като основен комуникационен слой между платформите за машинно зрение и индустриалния софтуер от по-високо ниво. MQTT също става все по-популярен заради леката си архитектура и пригодността си за приложения на Индустриалния интернет на нещата (IIoT).

Докато производителите продължават да следват инициативи за Индустрия 4.0, системите за откриване на дефекти се превръщат в стратегически източници на данни, които подпомагат вземането на решения в цялото предприятие.

Облачен ИИ срещу периферен ИИ: защо повечето фабрики избират хибриден подход

Индустриалните организации често питат дали приложенията за машинно обучение трябва да работят изцяло в облака или изцяло на периферни устройства. В действителност повечето успешни внедрявания използват хибридна архитектура, която съчетава предимствата на двете среди.

Облачните платформи са отлични за обучение на модели, съхранение на данни в голям мащаб, централизирано управление и дългосрочен анализ. Обучението на модели за дълбоко обучение често изисква значителни изчислителни ресурси, чието директно внедряване във фабричното оборудване би било непрактично.

Периферните системи, от друга страна, осигуряват необходимата бърза реакция за индустриалните операции. Решенията от инспекциите често трябва да се вземат в рамките на милисекунди. Производствените линии не могат да чакат облачната комуникация, преди да определят дали даден продукт е преминал инспекцията.

Нека разгледаме производствена линия за електронен монтаж, която произвежда хиляди печатни платки на всеки час. Камерите за инспекция с висока разделителна способност могат да генерират терабайти изображения по време на една производствена смяна. Изпращането на всяко изображение към отдалечена облачна платформа би увеличило изискванията към пропускателната способност и би създало ненужно забавяне.

Чрез локална обработка на изображенията към облака трябва да се предава само релевантната информация. Това значително намалява комуникационните разходи, като същевременно запазва работата в реално време.

Типичната хибридна архитектура следва ясен работен процес:

• Облачната инфраструктура обучава и валидира моделите.
• SageMaker оптимизира моделите за внедряване.
• AWS IoT Greengrass разпространява модели към периферните устройства.
• Периферните устройства извършват локално инференциране.
• Избрани резултати от инспекциите се връщат в облака.
• Инженерите дообучават и подобряват моделите с помощта на нови данни.

Този цикъл на обратна връзка позволява непрекъснато подобрение, без да се жертва производителността.

Хибридният модел също така поддържа производствени операции на множество обекти, при които централизирани инженерни екипи управляват активи за машинно обучение в множество съоръжения.

Приложения за откриване на дефекти на базата на периферни устройства в реалното производство

Въпреки че машинното зрение съществува от десетилетия, последните постижения в машинното обучение разшириха обхвата на приложенията за инспекция, които производителите могат да автоматизират.

Инспекция на автомобилни каросерии

Производителите на автомобили трябва да поддържат строги козметични и размерни стандарти. Дори незначителни дефекти по боята или неравности по повърхността могат да доведат до скъпоструващи дейности по повторна обработка.

Системите за машинно обучение могат да идентифицират фини несъвършенства на боята, драскотини, вдлъбнатини и несъответствия в покритието, които традиционните методи за инспекция може да пропуснат.

Чрез извършване на инференция директно на периферното устройство производителите могат да отхвърлят дефектните компоненти, преди те да достигнат до последващите процеси на сглобяване.

Производство на полупроводници

Производството на полупроводници поставя едни от най-взискателните изисквания за инспекция в съвременната индустрия. Дефекти, измервани в микрони, могат да повлияят на производителността и добива на продукта.

Усъвършенстваните модели за машинно обучение помагат за идентифициране на замърсяване на пластини, дефекти при литографията и аномалии в процесите, които могат да бъдат трудни за откриване с конвенционални алгоритми за машинно зрение.

Тъй като предприятията за производство на полупроводници генерират огромни количества изображения, обработката на периферно устройство помага за намаляване на натоварването на мрежата, като същевременно поддържа производителността на инспекцията.

Проверка на опаковките на храни

Производителите на храни и напитки са изправени пред все по-голям натиск да гарантират качеството на опаковките, проследимостта и съответствието с регулаторните изисквания.

Системите за машинно обучение могат да проверяват:

• Точност на етикета
• Срокове на годност
• Цялост на уплътнението
• Размери на опаковката
• Нива на напълване
• Ориентация на продукта

Тези инспекции се извършват непрекъснато с производствени скорости, които би било невъзможно за оператори да поддържат ръчно.

Производство на батерии

Бързият растеж на производството на електромобили увеличи търсенето на усъвършенствани технологии за инспекция на батерии.

Производителите използват машинно зрение и машинно обучение за откриване на дефекти по електродите, несъответствия в покритието, замърсявания и проблеми при сглобяването в процесите на производство на батерии.

Тъй като дефектите на батериите могат да повлияят както на производителността, така и на безопасността, точността на инспекцията остава критична оперативна цел.

Създаване на по-добри набори от данни за индустриално машинно обучение

Много организации се фокусират прекомерно върху избора на модел, като пренебрегват значението на разработването на набор от данни. В действителност качеството на данните за обучение често оказва по-голямо влияние върху успеха на проекта от конкретната архитектура на невронната мрежа, която се използва.

Моделът за машинно обучение може да се обучава само от информацията, налична в набора от данни за обучение. Ако липсват критични сценарии с дефекти, моделът може да се затрудни, когато тези условия се появят в производството.

Успешните индустриални набори от данни обикновено включват:

• Проби от нормално производство
• Редки дефектни състояния
• Различни светлинни среди
• Различни производствени смени
• Сезонни вариации
• Състояние на износване на оборудването
• Вариации в суровините
• Промени в процесите, свързани с поддръжката

Производителите трябва също така непрекъснато да разширяват наборите от данни след внедряването.

Едно от предимствата на екосистемата SageMaker и Greengrass е способността ѝ да създава механизъм за обратна връзка между производствените операции и екипите за разработване на модели. Сложните случаи при инспекция могат да бъдат преглеждани, преразглеждани и включвани в бъдещи цикли на обучение.

Този процес постепенно подобрява ефективността на модела, като същевременно намалява фалшивите положителни и фалшивите отрицателни резултати.

Организациите, които разглеждат машинното обучение като постоянна оперативна възможност, а не като еднократен проект, обикновено постигат най-добри дългосрочни резултати.

Индустриалният AI ще се превърне в стандартен инструмент за контрол на качеството

Машинното обучение, периферните изчисления и индустриалната автоматизация се сближават бързо. Това, което някога се е считало за експериментална технология, се превръща в практичен инструмент за подобряване на качеството, намаляване на отпадъците и повишаване на оперативната ефективност.

С повишаването на мощността на изчислителния хардуер и улесняването на внедряването на рамките за машинно обучение производителите от всякакъв мащаб могат да използват усъвършенствани системи за откриване на дефекти.

Платформи като Amazon SageMaker и AWS IoT Greengrass предоставят необходимата инфраструктура за пренасяне на машинното обучение от изследователска среда в реални производствени предприятия.

Най-успешните внедрявания няма просто да идентифицират дефектните продукти. Те ще помагат на производителите да разбират защо възникват дефекти, да предвиждат проблеми с качеството, преди да се задълбочат, и непрекъснато да оптимизират производствените процеси.

През следващите години машинното зрение, базирано на периферни изчисления, вероятно ще стане толкова разпространено по производствените линии, колкото са днес PLC контролерите, HMI интерфейсите, индустриалните мрежи и SCADA системите. Предприятията, които започнат да изграждат тези възможности сега, ще бъдат в по-добра позиция да подобрят качеството, да увеличат добива и да се конкурират на все по-зависещите от данни производствени пазари.

Бъдещето на откриването на индустриални дефекти

Откриването на индустриални дефекти продължава да се развива — от прост анализ на изображения към интелигентни, адаптивни системи за качество.

Напредъкът в машинното обучение, периферните изчисления, индустриалните мрежи и облачната инфраструктура позволява на производителите да инспектират продуктите по-бързо и с по-голяма прецизност от всякога.

Технологии като Amazon SageMaker и AWS IoT Greengrass помагат да се преодолее разликата между разработването на модели в облака и внедряването им в реални фабрики. Заедно те предоставят на производителите инструменти за изграждане на мащабируеми системи за инспекция, които могат да се учат от оперативни данни и непрекъснато да се усъвършенстват с времето.

Тъй като индустриалните организации реализират инициативи за дигитална трансформация, откриването на дефекти все повече ще става част от по-широки стратегии за интелигентно производство, които съчетават машинно зрение, прогнозна поддръжка, оптимизация на процесите и оперативен анализ.

Резултатът не е просто по-добър контрол на качеството. Това е по-интелигентна производствена среда, в която решенията, основани на данни, се вземат на самия край, близо до оборудването, продуктите и процесите, които създават стойност.