Průmyslové strojové vidění: Využití edge AI k detekci vad v reálném čase

AWS IoT Greengrass a Amazon SageMaker představují jeden z přístupů k nasazování modelů strojového učení na průmyslovém okraji sítě. Širší trend však zdaleka přesahuje ekosystém jediného dodavatele. Výrobci v automobilovém průmyslu, polovodičovém průmyslu, potravinářství a procesním průmyslu stále více zavádějí edge AI a technologie strojového vidění s cílem zlepšit kontrolu kvality a detekci vad.

Proč se detekce výrobních vad přesouvá na okraj sítě

Výrobci nadále usilují o vyšší kvalitu výrobků, nižší provozní náklady a vyšší efektivitu výroby. S tím, jak se výrobní linky zrychlují a automatizují, tradiční kontrolní metody jen obtížně drží krok s požadavky moderní výrobní kapacity. Lidská kontrola zůstává v mnoha odvětvích cenná, často však přináší proměnlivost, chyby související s únavou a omezenou škálovatelnost.

Průmyslové provozy zároveň nyní generují obrovské množství provozních dat prostřednictvím senzorů, kamer, řídicích jednotek a připojených zařízení. Tyto zdroje dat vytvářejí příležitosti pro pokročilou analytiku a aplikace strojového učení, které mohou identifikovat problémy s kvalitou dlouho předtím, než se výrobky dostanou k zákazníkům.

Jedním z nejvýznamnějších vývojových trendů posledních let je nasazování modelů strojového učení přímo na průmyslovém okraji sítě. Namísto odesílání každého snímku na vzdálenou cloudovou platformu k analýze mohou výrobci provádět detekci vad lokálně na průmyslových počítačích, vestavěných procesorech a edge branách instalovaných v blízkosti výrobního zařízení.

Tento přístup výrazně snižuje latenci a zároveň zvyšuje odezvu systému. Výrobní zařízení mohou okamžitě reagovat na detekované vady, vyřadit nevyhovující výrobky, spustit alarmy nebo zahájit nápravná opatření, aniž by čekala na zpracování v cloudu.

Cloudové platformy zůstávají zásadní pro trénování, správu a zlepšování modelů strojového učení. Edge computing však umožňuje továrnám provádět inferenci v reálném čase přímo tam, kde data vznikají. Tato kombinace cloudové inteligence a zpracování na okraji sítě se stala výkonnou architekturou pro průmyslovou automatizaci.

Mezi přední technologie podporující tuto architekturu patří Amazon SageMaker a AWS IoT Greengrass. Tyto platformy společně poskytují rámec pro vytváření, nasazování, monitorování a průběžné zlepšování modelů strojového učení používaných v aplikacích pro detekci výrobních vad.

Obrázek 1. Automatizované systémy strojového vidění umožňují vysokorychlostní kontrolu kvality v moderních výrobních prostředích.

Porozumění výzvě detekce průmyslových vad

Detekce vad se na první pohled jeví jako jednoduchá. Kamera pořídí snímek, software produkt vyhodnotí a systém určí, zda položka prošla kontrolou. V praxi však prostředí průmyslové inspekce přináší řadu technických výzev.

Produkty se pohybují různými rychlostmi. Světelné podmínky se během dne mění. Různé povrchové materiály mohou odrážet světlo odlišně. Výrobní tolerance mohou způsobovat drobné odchylky mezi vyhovujícími produkty. Prach, vibrace, kolísání teplot a podmínky prostředí mohou snímání obrazu dále komplikovat.

Výrobci proto musí vyvíjet inspekční systémy schopné odlišit běžnou variabilitu výroby od skutečných vad.

Mezi běžné výrobní vady patří:

• Škrábance na povrchu
• Praskliny a trhliny
• Chybějící součásti
• Chyby při montáži
• Nesprávně provedené svary
• Nedokonalosti nátěru
• Bubliny a dutiny
• Rozměrové odchylky
• Vady obalů
• Chyby při označování

V odvětvích, jako je automobilová výroba, výroba polovodičů, farmaceutický průmysl, zpracování potravin, montáž elektroniky a energetika, detekce vad přímo ovlivňuje ziskovost a spokojenost zákazníků.

Přehlédnutá vada může vést k reklamacím v záruce, bezpečnostním incidentům, stažení výrobků z trhu, regulačním sankcím nebo poškození pověsti značky. Naopak příliš přísná inspekční kritéria mohou zvýšit podíl zmetků a snížit efektivitu výroby.

Strojové učení pomáhá tyto výzvy řešit tím, že se učí vzorce z rozsáhlých datových sad, místo aby se výhradně spoléhalo na ručně naprogramovaná inspekční pravidla.

Strojové vidění se vyvinulo za hranice tradiční inspekce založené na pravidlech

Tradiční systémy strojového vidění se výrazně spoléhají na deterministické algoritmy zpracování obrazu. Inženýři ručně definují prahové hodnoty, parametry detekce hran, geometrická měření a pravidla rozpoznávání znaků.

Tyto přístupy zůstávají účinné pro mnoho aplikací. Jejich údržba se však stává stále obtížnější, když produkty vykazují výraznou variabilitu nebo když se vady objevují v nepředvídatelných podobách.

Moderní modely strojového učení nabízejí zásadně odlišný přístup.

Místo ručního definování každého inspekčního pravidla trénují inženýři modely pomocí tisíců, nebo dokonce milionů vzorových snímků. Systém se učí charakteristiky, které odlišují vyhovující produkty od vadných.

To systémům strojového učení umožňuje odhalit jemné vzorce, které mohou být pro konvenční algoritmy počítačového vidění obtížně identifikovatelné.

V systémech průmyslové inspekce se běžně používá několik přístupů strojového učení.

Klasifikace obrazu

Klasifikační modely určují, zda obrázek patří do konkrétní kategorie.

Model může například klasifikovat produkty takto:

• Prošlo
• Neprošlo
• Poškozené
• Neúplné
• Nesprávně zarovnané

Klasifikace je často nejjednodušší model nasazení a představuje účinný výchozí bod pro mnoho výrobních aplikací.

Detekce objektů

Detekce objektů rozšiřuje klasifikaci tím, že určuje jak přítomnost, tak umístění vady.

Místo pouhého hlášení, že vada existuje, model určí, kde se vada na snímku nachází.

Tato schopnost umožňuje týmům údržby a technikům kvality lépe porozumět problémům v procesech a jejich hlavním příčinám.

Sémantická segmentace

Sémantická segmentace poskytuje analýzu na úrovni pixelů.

Každý pixel obdrží klasifikační štítek, což systému umožňuje určit přesné hranice vady.

Segmentační modely jsou obzvláště užitečné, když výrobci potřebují podrobné informace o rozměrech trhlin, rozsahu koroze, vadách povrchové úpravy nebo nesrovnalostech materiálu.

Pokročilé techniky segmentace mohou podporovat iniciativy prediktivní kontroly kvality, v nichž se vzorce vývoje vad stávají součástí širší optimalizace procesů.

Proč je edge AI v průmyslové automatizaci důležitá

Mnoho průmyslových provozů stále podléhá přísným požadavkům na spolehlivost. Výrobní linky často běží nepřetržitě po dlouhou dobu a nemohou být zcela závislé na cloudovém připojení.

Odesílání každého kontrolního snímku na vzdálený server přináší několik omezení:

• Síťová latence
• Využití šířky pásma
• Náklady na cloudové zpracování
• Kybernetické bezpečnostní obavy
• Rizika připojení

Představme si stáčírnu, která vyrábí tisíce nádob za minutu. Kamery s vysokým rozlišením mohou každou hodinu generovat gigabajty obrazových dat.

Přenos každého snímku do cloudu je nákladný a zbytečný.

Naproti tomu inference na okraji sítě umožňuje lokální rozhodování a do centralizovaných systémů odesílá pouze relevantní informace.

Tato architektura úzce odpovídá moderním strategiím průmyslové automatizace, v nichž systémy provozní technologie (OT) stále více integrují infrastrukturu informačních technologií (IT).

Průmyslová edge AI může podporovat řadu automatizačních prostředí, včetně:

• Výrobní linky řízené PLC
• Procesní závody založené na DCS
• Systémy monitorování SCADA
• Sítě pro monitorování turbín
• Balicí stroje
• Robotizovaná montážní pracoviště
• Systémy automatizace skladů

Mnoho provozů již používá automatizační platformy od významných průmyslových dodavatelů. Řešení edge AI mohou koexistovat se systémy, jako jsou Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV a Yokogawa CENTUM VP.

V těchto prostředích se systémy strojového vidění stávají dalším zdrojem provozních informací, který podporuje celkové výrobní cíle.

Úloha služby Amazon SageMaker v průmyslovém strojovém učení

Amazon SageMaker poskytuje cloudové prostředí pro vytváření, trénování, optimalizaci, nasazování a správu modelů strojového učení.

Jednou z jeho hlavních výhod je, že zjednodušuje mnoho úloh tradičně spojených s vývojem řešení strojového učení.

Datoví vědci a inženýři se mohou soustředit na výkon modelu namísto správy infrastruktury.

Ve výrobním prostředí může SageMaker podporovat celý životní cyklus strojového učení.

Shromažďování a příprava dat

Základem každého úspěšného projektu detekce vad je kvalitní datová sada.

Výrobci obvykle instalují průmyslové kamery na strategických kontrolních místech podél výrobních linek. Tyto kamery pořizují snímky jak vyhovujících, tak vadných produktů.

Shromážděné snímky je poté nutné označit a uspořádat.

Přesné označení přímo ovlivňuje výkon modelu. Špatně označené datové sady často při nasazení vedou k falešně pozitivním a falešně negativním výsledkům.

Pro aplikace detekce vad inženýři často vytvářejí anotace identifikující:

• Typ vady
• Umístění vady
• Závažnost vady
• Kategorie produktu
• Informace o výrobní dávce

S růstem datových sad mohou výrobci průběžně zvyšovat přesnost modelů přidáváním dalších výrobních scénářů.

Trénování a optimalizace modelů

Trénování modelů strojového učení vyžaduje značné výpočetní zdroje.

Právě zde cloudová infrastruktura přináší značné výhody.

Místo investic do dedikovaných lokálních serverů s umělou inteligencí mohou výrobci využívat škálovatelné cloudové zdroje k efektivnějšímu trénování modelů.

SageMaker podporuje více frameworků a architektur modelů běžně používaných v průmyslových aplikacích strojového vidění.

Mezi oblíbené architektury neuronových sítí patří:

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

Každá architektura nabízí jiné kompromisy mezi přesností, výpočetními nároky a rychlostí inference.

Průmysloví inženýři před výběrem optimálního modelu pro produkční nasazení často vyhodnocují více architektur.

Nasazení modelů s ohledem na hardware

Jedna z největších výzev projektů průmyslové umělé inteligence spočívá v přenosu modelů natrénovaných v cloudu na okrajový hardware s omezenými zdroji.

Model, který si vede mimořádně dobře na cloudovém GPU, může mít potíže při nasazení na průmyslové bráně nebo vestavěném procesoru.

SageMaker poskytuje nástroje, které pomáhají optimalizovat modely pro cílové hardwarové platformy.

Tento optimalizační proces snižuje nároky na paměť, zrychluje inferenci a minimalizuje spotřebu energie při zachování přijatelné přesnosti.

Tyto schopnosti jsou obzvlášť důležité ve velkých výrobních prostředích, kde může současně fungovat několik stovek nebo tisíců okrajových zařízení.

V části 2 se podíváme na to, jak AWS IoT Greengrass nasazuje a spravuje tyto modely na průmyslovém okraji sítě, prozkoumáme pracovní postupy detekce vad od cloudu po okraj sítě, probereme praktické architektury implementace a zhodnotíme případy použití z reálné výroby zahrnující PLC, systémy SCADA, platformy DCS a programy prediktivní kvality.

Nasazení modelů strojového učení do výroby s AWS IoT Greengrass

Trénování modelu strojového učení je jen částí celého procesu. Výrobci nakonec potřebují praktický způsob, jak tyto modely nasazovat, spravovat, monitorovat a aktualizovat napříč výrobními závody. Právě zde se AWS IoT Greengrass stává kritickou součástí architektury.

AWS IoT Greengrass slouží jako okrajové runtime prostředí, které umožňuje softwaru, modelům strojového učení a automatizačním aplikacím běžet přímo na průmyslových zařízeních. Místo závislosti na nepřetržitém připojení ke cloudu umožňuje Greengrass lokální provádění inferenčních úloh a současně zachovává synchronizaci s centralizovanými cloudovými službami.

Pro výrobní závody tato architektura poskytuje rovnováhu mezi škálovatelností cloudu a lokální odezvou.

Výrobní zařízení mohou pokračovat v provozu i během dočasných výpadků sítě. Rozhodnutí o kontrole kvality zůstávají dostupná v reálném čase a provozní data se po obnovení připojení mohou synchronizovat s cloudovými systémy.

Tato schopnost je obzvláště cenná ve velkých průmyslových prostředích, kde mohou výrobní linky fungovat ve více budovách, vzdálených provozech nebo geograficky rozptýlených výrobních závodech.

Obrázek 2. AWS IoT Greengrass umožňuje provádět inference strojového učení přímo na průmyslových okrajových zařízeních a současně zachovat integraci s cloudem.

Vytvoření kanálu pro detekci průmyslových vad od cloudu po okrajové zařízení

Úspěšné systémy detekce vad vyžadují více než jen natrénovanou neuronovou síť. Výrobci musí zavést kompletní životní cyklus, který zahrnuje získávání dat, vývoj modelu, nasazení, monitorování a neustálé zlepšování.

Moderní architektura kontroly od cloudu po okrajové zařízení obvykle probíhá v několika fázích.

Fáze 1: Pořizování snímků

Proces začíná shromažďováním snímků.

Průmyslové kamery snímají produkty při jejich pohybu výrobním zařízením, po dopravnících, robotických pracovištích nebo montážních buňkách. Výběr kamery závisí na požadavcích aplikace a může zahrnovat:

• Plošné kamery
• Řádkové kamery
• 3D kamery pro počítačové vidění
• Termovizní systémy
• Hyperspektrální zobrazovací senzory

Správný návrh osvětlení je stejně důležitý. I pokročilé modely strojového učení mají potíže, když je kvalita snímků nekonzistentní.

Úspěšná nasazení často zahrnují prostředí s řízeným osvětlením, které minimalizuje stíny, odrazy a změny okolního osvětlení.

Fáze 2: Označování a anotace dat

Po shromáždění snímků inženýři vytvářejí trénovací datové sady.

Snímky musí přesně reprezentovat běžné i vadné provozní podmínky. Mnoho organizací tuto fázi zpočátku podceňuje. Ve skutečnosti kvalita datové sady často určuje úspěch projektu více než výběr modelu.

Výrobci by měli shromažďovat vzorky z více výrobních směn, za různých stavů zařízení, z různých šarží surovin a v různých podmínkách prostředí.

Tato rozmanitost pomáhá zajistit robustnost modelu po nasazení.

Fáze 3: Trénování modelu v SageMakeru

Trénování probíhá v rámci Amazon SageMakeru s využitím cloudových výpočetních zdrojů.

Inženýři vyhodnocují několik architektur a optimalizují hyperparametry s cílem zlepšit výkon.

Mezi typické cíle optimalizace patří:

• Vyšší přesnost detekce
• Méně falešně pozitivních výsledků
• Méně falešně negativních výsledků
• Vyšší rychlost inference
• Nižší využití paměti

Výrobní prostředí často upřednostňují spolehlivost před okrajovým zvýšením přesnosti. Model s mírně nižší přesností, ale vysoce předvídatelným chováním může v reálných výrobních podmínkách překonat teoreticky lepší model.

Fáze 4: Nasazení na edge

Po ověření SageMaker připraví model k nasazení.

Greengrass distribuuje model do edge hardwaru, kde probíhá lokální inference.

V závislosti na aplikaci mohou cílová zařízení pro nasazení zahrnovat:

• Průmyslové počítače
• Vestavěné brány umělé inteligence
• Edge řídicí jednotky založené na ARM
• Edge servery s podporou GPU
• Průmyslové počítače integrované do systémů strojového vidění

Inference probíhá lokálně a výsledky kontroly jsou k dispozici během milisekund.

Fáze 5: Průběžné zlepšování

Snad nejvýkonnějším prvkem této architektury je zpětnovazební smyčka.

Edge zařízení mohou odesílat vybrané snímky a provozní metriky zpět do cloudu. Inženýři kontrolují složité případy, označují nová data, znovu trénují modely a nasazují aktualizované verze.

Vzniká tak průběžně se zdokonalující kontrolní systém, který se přizpůsobuje měnícím se výrobním podmínkám.

Integrace průmyslové automatizace nad rámec strojového vidění

Systémy detekce vad přinášejí největší hodnotu, pokud jsou integrovány do stávající infrastruktury automatizace.

Samostatná kamera, která pouze identifikuje vady, přináší omezený provozní přínos. Moderní výrobci stále častěji propojují kontrolní systémy přímo s řízením výroby.

Výsledek kontroly může například automaticky spustit:

• Mechanismy vyřazování výrobků
• Robotické třídicí systémy
• Upozornění na alarmy
• Zpomalení výrobní linky
• Pracovní příkazy údržby
• Systémy vykazování kvality

Mnoho zařízení této integrace dosahuje prostřednictvím průmyslových komunikačních protokolů, jako jsou EtherNet/IP, PROFINET, Modbus TCP, OPC UA a MQTT.

Systém strojového vidění se stává dalším inteligentním uzlem v širším ekosystému automatizace.

Organizace provozující moderní platformy PLC často integrují výsledky kontroly přímo do řídicí logiky. Systémy založené na řídicích jednotkách Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon nebo Mitsubishi MELSEC mohou zpracovávat data o vadách a spouštět automatizované reakce.

Zařízení zvažující modernizaci řídicích systémů nebo rozšiřující projekty často procházejí dostupný hardware v kategorii PLC a PAC systémy, aby podpořila budoucí iniciativy průmyslové umělé inteligence.

Detekce vad ve vysokorychlostních výrobních prostředích

Ne každé výrobní prostředí má stejné požadavky.

Kontrolní strategie musí odpovídat rychlosti výroby, složitosti výrobku a obchodním cílům.

Výroba elektroniky

Výroba elektroniky často zahrnuje mimořádně malé vady, které lidští operátoři obtížně konzistentně identifikují.

Systémy strojového učení mohou kontrolovat:

• Pájené spoje
• Vodivé spoje desek plošných spojů
• Umístění konektorů
• Orientace komponent
• Kontaminace povrchu

Protože objemy výroby jsou vysoké, i malá zlepšení přesnosti detekce mohou přinést výrazné úspory nákladů.

Automobilová výroba

Automobilové závody často nasazují systémy strojového vidění v montáži karoserií, lakovnách, výrobě hnacích ústrojí a při finální montáži.

Kontrolní systémy mohou detekovat:

• Vady laku
• Problémy s kvalitou svarů
• Chybějící upevňovací prvky
• Nesprávné zarovnání komponent
• Nedokonalosti povrchu

Zpracování na okraji sítě je obzvláště důležité, protože výrobní linky pracují vysokou rychlostí a nemohou tolerovat nadměrnou latenci.

Zpracování potravin a nápojů

Výrobci potravin často používají strojové vidění k identifikaci vad obalů, problémů s označením, rizik kontaminace a nekonzistentní úrovně naplnění.

Rychlé lokální rozhodování pomáhá zabránit tomu, aby se vadné výrobky dostaly do následných procesů balení a distribuce.

Farmaceutická výroba

Regulovaná odvětví vyžadují vysoce spolehlivé kontrolní systémy.

Modely strojového učení mohou podporovat validační činnosti detekcí vad obalů, chyb v označení, kontaminace lahviček a nekonzistencí výrobků při současném vedení podrobných auditních záznamů.

Edge AI a řízení prediktivní kvality

Mnoho organizací zpočátku nasazuje systémy strojového vidění výhradně pro kontrolu vyhovuje/nevyhovuje. Postupem času však výrobci často objeví mnohem větší příležitost.

Data o vadách obsahují cenné informace o výkonnosti procesu.

Analýzou trendů výskytu vad mohou výrobci identifikovat vznikající výrobní problémy dříve, než se úroveň kvality výrazně zhorší.

Tento koncept se někdy nazývá prediktivní kvalita.

Například nárůst vad v podobě škrábanců může signalizovat opotřebení nástrojů. Rostoucí počet rozměrových odchylek může naznačovat posun kalibrace. Problémy s povrchovou úpravou mohou odhalit potíže s předchozími procesními zařízeními.

Při integraci s průmyslovými monitorovacími systémy se data o detekovaných vadách stávají dalším zdrojem provozních informací.

Organizace odpovědné za spolehlivost rotačních strojů často kombinují monitorování kvality s analýzou vibrací a platformami pro monitorování stavu zařízení. V těchto prostředích řešení pro sledování stavu strojů, jako jsou ta v portfoliu Monitorování strojů, často doplňují širší iniciativy prediktivní údržby.

Aspekty hardwaru pro nasazení průmyslové edge AI

Výběr vhodné hardwarové platformy zůstává jedním z nejdůležitějších konstrukčních rozhodnutí v každém projektu edge AI.

Ideální hardware závisí na několika faktorech:

• Rozlišení obrazu
• Rychlost inspekce
• Složitost modelu
• Dostupnost napájení
• Podmínky prostředí
• Požadavky na škálovatelnost

Průmyslové provozy stále častěji nasazují procesory, které obsahují specializované jednotky pro neuronové zpracování (NPU), grafické akcelerátory a výpočetní jednotky pro inferenci AI.

Tyto funkce výrazně zvyšují výkon strojového učení a současně snižují spotřebu energie.

Platformy, jako je NXP i.MX 8M Plus, ukazují, jak se vestavěný hardware nadále vyvíjí s cílem podporovat úlohy průmyslové AI.

S rozšiřováním využití AI nabývá optimalizace hardwaru na stále větším významu, protože výrobci musí vyvažovat výkon, podporu po celou dobu životního cyklu, kybernetickou bezpečnost a celkové náklady vlastnictví.

Aspekty kybernetické bezpečnosti propojených inspekčních systémů

Každé připojené průmyslové zařízení představuje potenciální rizika kybernetické bezpečnosti.

Systémy strojového vidění nejsou výjimkou.

Organizace zavádějící architektury inspekce propojené s cloudem by měly stanovit jasné zásady kybernetické bezpečnosti zahrnující:

• Správa identit
• Ověřování zařízení
• Šifrovaná komunikace
• Segmentace sítě
• Opravy softwaru
• Zásady řízení přístupu

Mnoho výrobců již tyto principy uplatňuje ve svých prostředích OT, včetně sítí PLC, systémů SCADA, distribuovaných řídicích systémů a průmyslových historizačních databází.

Infrastruktura strojového učení by měla vycházet ze stejného rámce kybernetické bezpečnosti.

Propojení systémů detekce vad se systémy SCADA, MES a provozem celého závodu

Mnoho výrobců nejprve nasazuje systémy strojového vidění jako samostatná kontrolní pracoviště. Tento přístup sice může zlepšit řízení kvality, skutečná hodnota průmyslové AI se však projeví až tehdy, když se data z inspekcí stanou součástí širšího provozního ekosystému.

Moderní výrobní závody stále častěji propojují systémy řízení kvality s platformami SCADA (Supervisory Control and Data Acquisition), systémy MES (Manufacturing Execution Systems), podnikovými reportovacími nástroji a podnikovými historizačními databázemi. Tato integrace mění detekci vad z reaktivní funkce řízení kvality na proaktivní platformu provozní inteligence.

Když systém strojového vidění identifikuje vadu, lze tyto informace v reálném čase distribuovat po celém závodě. Vedoucí výroby mohou sledovat trendy kvality prostřednictvím panelů SCADA, týmy údržby mohou přijímat automatická upozornění a procesní inženýři mohou dávat vady do souvislosti s parametry strojů, podmínkami prostředí nebo změnami surovin.

Například balicí závod může zjistit, že k chybám v umístění štítků dochází častěji, kdykoli rychlost dopravníku překročí určitou hranici. Výrobce automobilů může identifikovat souvislost mezi vadami svarů a posunem kalibrace robotu. Farmaceutický závod může spojit abnormality balení s konkrétními nastaveními zařízení nebo výrobními dávkami.

Bez integrace tyto poznatky často zůstávají skryté v izolovaných kontrolních systémech.

Mnoho organizací používá OPC UA jako primární komunikační vrstvu mezi platformami strojového vidění a průmyslovým softwarem vyšší úrovně. MQTT je také stále oblíbenější díky své odlehčené architektuře a vhodnosti pro aplikace průmyslového internetu věcí (IIoT).

S tím, jak výrobci pokračují v zavádění iniciativ Průmyslu 4.0, se systémy detekce vad vyvíjejí ve strategické zdroje dat, které podporují rozhodování v rámci celého podniku.

Cloudová AI versus AI na okraji sítě: Proč většina továren volí hybridní přístup

Průmyslové organizace se často ptají, zda by aplikace strojového učení měly běžet výhradně v cloudu, nebo výhradně na okraji sítě. Ve skutečnosti většina úspěšných nasazení využívá hybridní architekturu, která kombinuje přednosti obou prostředí.

Cloudové platformy vynikají trénováním modelů, ukládáním velkého množství dat, centralizovanou správou a dlouhodobou analytikou. Trénování modelů hlubokého učení často vyžaduje značné výpočetní zdroje, jejichž přímé nasazení na výrobním zařízení by bylo nepraktické.

Systémy na okraji sítě naopak poskytují odezvu potřebnou pro průmyslové provozy. Rozhodnutí o výsledku kontroly je často nutné učinit během milisekund. Výrobní linky nemohou před rozhodnutím, zda výrobek kontrolou prošel, čekat na komunikaci s cloudem.

Představme si linku na montáž elektroniky, která vyrábí tisíce desek plošných spojů každou hodinu. Kamery s vysokým rozlišením pro kontrolu mohou během jediné výrobní směny vytvořit terabajty obrazových dat. Odesílání každého obrazu na vzdálenou cloudovou platformu by zvýšilo požadavky na šířku pásma a způsobilo zbytečnou latenci.

Zpracováním obrazů lokálně je do cloudu třeba přenášet pouze relevantní informace. Tím se výrazně snižuje komunikační režie a zároveň se zachovává výkon v reálném čase.

Typická hybridní architektura se řídí jednoduchým pracovním postupem:

• Cloudová infrastruktura trénuje a ověřuje modely.
• SageMaker optimalizuje modely pro nasazení.
• AWS IoT Greengrass distribuuje modely do zařízení na okraji sítě.
• Zařízení na okraji sítě provádějí lokální inferenci.
• Vybrané výsledky kontroly se vracejí do cloudu.
• Technici modely znovu trénují a vylepšují pomocí nových dat.

Tato zpětnovazební smyčka umožňuje neustálé zlepšování bez obětování výrobního výkonu.

Hybridní model také podporuje výrobní provozy na více místech, kde centralizované technické týmy spravují prostředky strojového učení napříč mnoha závody.

Praktické výrobní aplikace detekce vad na okraji sítě

Ačkoli strojové vidění existuje již desítky let, nedávný pokrok ve strojovém učení rozšířil škálu kontrolních aplikací, které mohou výrobci automatizovat.

Kontrola karoserií automobilů

Výrobci automobilů musí dodržovat přísné standardy vzhledu a rozměrů. I drobné vady laku nebo nepravidelnosti povrchu mohou vést k nákladným opravám.

Systémy strojového učení dokážou identifikovat jemné nedokonalosti laku, škrábance, promáčkliny a nerovnoměrnosti povlaku, které mohou tradiční kontrolní metody přehlédnout.

Prováděním inferencí přímo na okraji sítě mohou výrobci vyřadit vadné součásti dříve, než postoupí do navazujících montážních procesů.

Výroba polovodičů

Výroba polovodičů představuje jedny z nejnáročnějších požadavků na kontrolu v moderním průmyslu. Vady měřené v mikronech mohou ovlivnit výkon produktu a výtěžnost.

Pokročilé modely strojového učení pomáhají identifikovat kontaminaci waferů, vady litografie a anomálie procesu, které může být obtížné odhalit pomocí konvenčních algoritmů vidění.

Protože polovodičové závody generují obrovské množství obrazových dat, zpracování na okraji sítě pomáhá snižovat zatížení sítě a zároveň zachovávat propustnost kontroly.

Kontrola balení potravin

Výrobci potravin a nápojů čelí rostoucímu tlaku na zajištění kvality balení, sledovatelnosti a souladu s právními předpisy.

Systémy strojového učení mohou ověřovat:

• Přesnost etikety
• Data expirace
• Integrita těsnění
• Rozměry obalu
• Úrovně naplnění
• Orientace produktu

Tyto kontroly probíhají nepřetržitě při výrobních rychlostech, které by manuální operátoři nedokázali dlouhodobě udržet.

Výroba baterií

Rychlý růst výroby elektromobilů zvýšil poptávku po pokročilých technologiích kontroly baterií.

Výrobci používají strojové vidění a strojové učení k detekci vad elektrod, nerovnoměrností povlaku, kontaminace a problémů při montáži v průběhu výrobních procesů baterií.

Vzhledem k tomu, že vady baterií mohou ovlivnit výkon i bezpečnost, zůstává přesnost kontroly zásadním provozním cílem.

Tvorba kvalitnějších datových sad pro průmyslové strojové učení

Mnoho organizací se silně zaměřuje na výběr modelu a přehlíží význam tvorby datové sady. Ve skutečnosti má kvalita trénovacích dat často větší vliv na úspěch projektu než konkrétní použitá architektura neuronové sítě.

Model strojového učení se může učit pouze z informací dostupných v trénovací datové sadě. Pokud v ní chybí kritické scénáře s vadami, model může mít potíže, když se tyto podmínky objeví ve výrobě.

Úspěšné průmyslové datové sady obvykle zahrnují:

• Vzorky z běžné výroby
• Vzácně se vyskytující vady
• Různá světelná prostředí
• Různé výrobní směny
• Sezónní odchylky
• Stav opotřebení zařízení
• Odchylky ve vstupních surovinách
• Změny procesů související s údržbou

Výrobci by měli po nasazení také průběžně rozšiřovat datové sady.

Jednou z výhod ekosystému SageMaker a Greengrass je jeho schopnost vytvářet zpětnou vazbu mezi výrobními operacemi a týmy pro vývoj modelů. Náročné případy kontroly lze přezkoumat, znovu označit a začlenit do budoucích trénovacích cyklů.

Tento proces postupně zlepšuje výkon modelu a současně omezuje počet falešně pozitivních a falešně negativních výsledků.

Organizace, které považují strojové učení za průběžně rozvíjenou provozní schopnost, nikoli za jednorázový projekt, obecně dosahují nejlepších dlouhodobých výsledků.

Průmyslová umělá inteligence se stane standardním nástrojem kontroly kvality

Strojové učení, edge computing a průmyslová automatizace se rychle sbližují. To, co bylo kdysi považováno za experimentální technologii, se stává praktickým nástrojem ke zlepšování kvality, omezování odpadu a zvyšování provozní efektivity.

S rostoucím výkonem výpočetního hardwaru a snadnějším nasazováním frameworků strojového učení mohou výrobci všech velikostí využívat pokročilé systémy detekce vad.

Platformy, jako jsou Amazon SageMaker a AWS IoT Greengrass, poskytují infrastrukturu potřebnou k přesunu strojového učení z výzkumného prostředí do skutečných výrobních závodů.

Nejúspěšnější nasazení nebudou pouze identifikovat vadné produkty. Pomohou výrobcům pochopit, proč vady vznikají, předvídat problémy s kvalitou ještě před jejich zhoršením a průběžně optimalizovat výrobní procesy.

V nadcházejících letech se strojové vidění založené na edge computingu pravděpodobně stane na výrobních linkách stejně běžným, jako jsou dnes PLC, HMI, průmyslové sítě a systémy SCADA. Provozy, které začnou tyto schopnosti budovat již nyní, budou mít lepší pozici ke zvyšování kvality, maximalizaci výtěžnosti a konkurenceschopnosti na stále více datově řízených výrobních trzích.

Budoucnost detekce průmyslových vad

Detekce průmyslových vad se nadále vyvíjí od jednoduché analýzy obrazu k inteligentním, adaptivním systémům kontroly kvality.

Pokrok v oblasti strojového učení, edge computingu, průmyslových sítí a cloudové infrastruktury umožňuje výrobcům kontrolovat produkty rychleji a s větší přesností než kdykoli předtím.

Technologie jako Amazon SageMaker a AWS IoT Greengrass pomáhají překlenout rozdíl mezi vývojem modelů v cloudu a jejich nasazením v reálném výrobním závodě. Společně poskytují výrobcům nástroje k vytváření škálovatelných kontrolních systémů, které se mohou učit z provozních dat a v průběhu času se neustále zlepšovat.

Vzhledem k tomu, že průmyslové organizace realizují iniciativy digitální transformace, bude detekce vad stále více součástí širších strategií chytré výroby, které kombinují strojové vidění, prediktivní údržbu, optimalizaci procesů a provozní analytiku.

Výsledkem není pouze lepší kontrola kvality. Jde o inteligentnější výrobní prostředí, kde se rozhodnutí založená na datech přijímají na okraji sítě, v blízkosti zařízení, produktů a procesů, které vytvářejí hodnotu.