فراونهوفر NeurOSmart: مهندسان باید چه چیزهایی را بررسی کنند

فراونهوفر در ۲ مارس ۲۰۲۶ پلتفرم فناوری NeurOSmart را معرفی کرد. این پروژه لیدار نصب‌شده در بالای محیط، هدایت پرتو MEMS، پردازش هوش مصنوعی در سمت حسگر و رایانش نورومورفیک را برای محیط‌های کاری انسان-ربات ترکیب می‌کند.

این اعلامیه عرضه محصول یا گواهی ایمنی ماشین نیست. ارزش مهندسی آن در معماری‌ای است که به نمایش می‌گذارد. این معماری، ضمن تلاش برای کاهش تأخیر و مصرف انرژی، ادراک و پشتیبانی تصمیم‌گیری را به حسگر نزدیک‌تر می‌کند.

فراونهوفر برای ارتقای کارایی و پاسخ‌گویی سامانه‌های رباتیک، از نحوه عملکرد مغز انسان الهام می‌گیرد. 

فراونهوفر چه چیزی را معرفی کرد

گزارش پژوهشی فراونهوفر یک محیط کاری مشترک را توصیف می‌کند که لیدار از بالا آن را پایش می‌کند. آینه‌های متحرک MEMS، لیزر را در سراسر سلول اسکن می‌کنند. پالس‌های بازتاب‌شده، نمایی سه‌بعدی از فضای کاری ایجاد می‌کنند.

فراونهوفر اعلام می‌کند که مدل‌های تخصصی هوش مصنوعی، داده‌ها را در نزدیکی حسگر ارزیابی می‌کنند. سپس این پلتفرم هنگام ورود فرد به محدوده مجاورت تعریف‌شده، از پاسخ ربات پشتیبانی می‌کند. شرکای پروژه از مسیر کوتاهی میان دریافت سیگنال، ارزیابی و پاسخ مکانیکی خبر می‌دهند.

این پروژه چند مؤسسه را ترکیب می‌کند

هماهنگی NeurOSmart بر عهده Fraunhofer ISIT است. Fraunhofer IPMS تراشه‌های پربازده و فناوری حافظه را ارائه می‌کند. Fraunhofer IMS روی پیش‌پردازش مبتنی بر هوش مصنوعی و یکپارچه‌سازی سامانه کار می‌کند. Fraunhofer IWU سامانه حسگر را در همکاری انسان-ربات ارزیابی می‌کند. Fraunhofer IAIS مدل‌های کارآمد تشخیص افراد را توسعه می‌دهد.

این تقسیم کار اهمیت دارد، زیرا رباتیک مشارکتی ایمن مسئله‌ای تک‌حسگری نیست. اپتیک، رایانش، مدل‌ها، هندسه سلول، دینامیک ربات، کنترل‌ها و اعتبارسنجی، همگی بر نتیجه اثر می‌گذارند.

چرا پردازش در سمت حسگر اهمیت دارد

یک زنجیره متعارف ادراک ممکن است جریان‌های بزرگی از داده را به رایانه مرکزی ارسال کند. این طراحی بار شبکه را افزایش می‌دهد و چندین مرحله زمانی ایجاد می‌کند. پردازش در نزدیکی حسگر می‌تواند داده ارسالی را کاهش دهد و مسیر تصمیم‌گیری را کوتاه‌تر کند.

این کار می‌تواند مهار خطا را نیز تغییر دهد. پردازش محلی ممکن است زمانی که شبکه سطح بالاتر در دسترس نیست، ادامه پیدا کند. بااین‌حال، مهندسان باید مشخص کنند چه قابلیت‌هایی همچنان فعال می‌مانند، وضعیت‌های تنزل‌یافته چگونه گزارش می‌شوند و پس از از دست رفتن همگام‌سازی یا ظرفیت پردازشی چه اقدامی انجام می‌شود.

کاهش میانگین تأخیر برای یک عملکرد حفاظتی کافی نیست. طراحی به زمان پاسخ بدترین حالتِ تأییدشده نیاز دارد. این بودجه زمانی شامل حسگری، پیش‌پردازش، منطق تصمیم‌گیری، ارتباطات، اسکن کنترلر، واکنش محرک و زمان توقف مکانیکی است.

سخت‌افزار نورومورفیک چه چیزی را تغییر می‌دهد

رایانش نورومورفیک از ساختارهای سخت‌افزاری الهام‌گرفته از پردازش عصبی زیستی استفاده می‌کند. هدف، اجرای کارآمد بارهای کاری منتخب هوش مصنوعی است. فراونهوفر این رویکرد را راهی برای پردازش وظایف سنگین ادراک با مصرف انرژی کمتر در نزدیکی حسگر معرفی می‌کند.

بهره‌وری انرژی می‌تواند به سامانه‌های نهفته با خنک‌کاری و فضای محدود در محفظه کمک کند. این فناوری همچنین ممکن است از ادراک توزیع‌شده پشتیبانی کند. بااین‌حال، مهندسان همچنان باید محدودیت‌های حرارتی، دقت مدل، کنترل به‌روزرسانی، پوشش تشخیصی و چرخه عمر قطعات را ارزیابی کنند.

لیدار هندسه را اضافه می‌کند، نه ایمنی خودکار

لیدار فاصله را از طریق زمان‌بندی و بازتاب نور گسیل‌شده اندازه‌گیری می‌کند. نمایش سه‌بعدی نقاط می‌تواند به تشخیص افراد، حرکت ربات، تجهیزات و مرزهای سلول کمک کند.

عملکرد به بازتابندگی، انسداد دید، ارتفاع نصب، میدان دید، آلودگی، شرایط محیطی و زمان‌بندی اسکن وابسته است. مشاهده فردی که ابزارآلات او را پنهان کرده‌اند، ممکن است دشوارتر باشد. لباس‌ها و سطوح مختلف می‌توانند سیگنال‌های متفاوتی بازگردانند. تغییرات سلول ممکن است مدل قبلی را نامعتبر کند.

برای منطق حسگری مرتبط، راهنمای PLC ProTech درباره حالت‌های عملکرد حسگرهای فوتوالکتریک نشان می‌دهد که چرا باید وضعیت نوری را از معنای فرایند جدا کرد. اصول حسگری متفاوت‌اند، اما نظم و دقت راه‌اندازی همچنان سودمند است.

سازندگان ماشین باید چه مواردی را تأیید کنند

یک نمونه نمایشی پژوهشی نباید مستقیماً در یک عملکرد ایمنی به کار گرفته شود. سازندگان باید قوانین، استانداردها، اهداف کاهش ریسک و الزامات اعتبارسنجی قابل‌اجرا را تعیین کنند. همچنین باید مشخص کنند آیا هر قطعه برای نقش موردنظر، رتبه‌بندی ایمنی دارد یا نه.

محاسبه توقف باید از سرعت واقعی ربات، بار، ابزارآلات، عملکرد ترمز، تأخیر کنترلر و هندسه نزدیک‌شدن استفاده کند. فاصله حفاظتی باید عدم‌قطعیت اندازه‌گیری و حرکت قابل پیش‌بینی را نیز در نظر بگیرد.

منفی کاذب و مثبت کاذب پیامدهای متفاوتی دارند. تشخیص ندادن فرد می‌تواند باعث آسیب شود. توقف‌های مزاحم و تکراری ممکن است کاربران را به دور زدن سامانه ترغیب کند و اعتماد به تولید را کاهش دهد. بنابراین اعتبارسنجی باید پوشش تشخیص، زمان پاسخ، رفتار راه‌اندازی مجدد و اعلام خطا را دربر بگیرد.

ادراک مبتنی بر هوش مصنوعی، نگهداری را تغییر می‌دهد

دستگاه‌های ایمنی سنتی اغلب رویه‌های آزمون مشخصی دارند. ادراک مبتنی بر هوش مصنوعی، نسخه‌بندی مدل، مجموعه‌داده‌ها، آستانه‌های اطمینان و وابستگی‌های نرم‌افزاری را اضافه می‌کند. هر تغییر تأییدشده به کنترل پیکربندی و آزمون رگرسیون نیاز دارد.

تمیزکاری، هم‌راستاسازی و بررسی انسداد همچنان مهم هستند. حسگری که آنلاین به نظر می‌رسد ممکن است پوشش کاهش‌یافته‌ای داشته باشد. تیم‌های نگهداری به ابزارهای تشخیصی نیاز دارند که دید مسدودشده، خطاهای زمان‌بندی، اضافه‌بار پردازنده و کانال‌های در دسترس‌نبودن را شناسایی کنند.

مجموعه رباتیک ABB این سایت نمونه‌هایی از قطعات کنترل و سرویس ربات را ارائه می‌دهد. این قطعات جدا از پلتفرم پژوهشی NeurOSmart هستند، اما زمینه چرخه عمری را که تیم‌های نگهداری با آن روبه‌رو هستند نشان می‌دهند.

پرسش‌های خرید فراتر از نمونه نمایشی

تیم‌های خرید باید بپرسند مالک مدل چه کسی است، به‌روزرسانی‌ها چگونه تأیید می‌شوند، چه سخت‌افزار رایانشی لازم است و پشتیبانی از هر قطعه چه مدت ادامه خواهد داشت. آن‌ها همچنین باید برای عملکرد محیطی، امنیت سایبری، تشخیص خطا و پاسخ قطعی، شواهد درخواست کنند.

هزینه یکپارچه‌سازی ممکن است از قیمت حسگر بیشتر باشد. مدل‌سازی سلول، طراحی شبکه، اعتبارسنجی، آموزش اپراتور و اعتبارسنجی مجدد آینده باید مالک مشخصی داشته باشند. نگهداری داده و حریم خصوصی نیز زمانی اهمیت پیدا می‌کنند که سامانه به‌طور پیوسته یک فضای کاری مشترک را نقشه‌برداری کند.

اهمیت مهندسی

NeurOSmart مسیر قابل‌اعتمادی را برای ادراک صنعتی نشان می‌دهد: ترکیب حسگری سه‌بعدی با پردازش محلی و کم‌مصرف. این معماری ممکن است جابه‌جایی داده را کاهش دهد و از پاسخ‌های سریع‌تر پشتیبانی کند.

این اعلامیه نیاز به ارزیابی ریسک یا اقدامات حفاظتی گواهی‌شده را از بین نمی‌برد. سهم عملی آن، ارائه پلتفرمی است که مهندسان می‌توانند آن را در برابر خطرهای واقعی سلول، محدودیت‌های زمانی، شرایط محیطی و نیازهای نگهداری ارزیابی کنند.