بینایی ماشین صنعتی: استفاده از هوش مصنوعی لبه برای تشخیص نقص در زمان واقعی

AWS IoT Greengrass و Amazon SageMaker یک رویکرد پیاده‌سازی برای استقرار مدل‌های یادگیری ماشین در لبه صنعتی را نشان می‌دهند. با این حال، روند گسترده‌تر فراتر از اکوسیستم یک فروشنده خاص است. تولیدکنندگان در صنایع خودروسازی، نیمه‌هادی، فرآوری غذا و صنایع فرآیندی به طور فزاینده‌ای از هوش مصنوعی لبه و فناوری‌های بینایی ماشینی برای بهبود بازرسی کیفیت و تشخیص نقص استفاده می‌کنند.

چرا تشخیص نقص تولید به سمت لبه حرکت می‌کند

تولیدکنندگان همچنان به دنبال کیفیت بالاتر محصول، کاهش هزینه‌های عملیاتی و افزایش بهره‌وری تولید هستند. با افزایش سرعت و خودکار شدن خطوط تولید، روش‌های سنتی بازرسی در تطابق با نیازهای مدرن سرعت تولید مشکل دارند. بازرسی انسانی در بسیاری از صنایع ارزشمند است، اما اغلب باعث تغییرپذیری، خطاهای ناشی از خستگی و محدودیت‌های مقیاس‌پذیری می‌شود.

در عین حال، تأسیسات صنعتی اکنون حجم عظیمی از داده‌های عملیاتی را از طریق حسگرها، دوربین‌ها، کنترل‌کننده‌ها و دستگاه‌های متصل تولید می‌کنند. این منابع داده فرصت‌هایی برای تحلیل‌های پیشرفته و برنامه‌های یادگیری ماشین فراهم می‌کنند که می‌توانند مشکلات کیفیت را مدت‌ها قبل از رسیدن محصولات به مشتریان شناسایی کنند.

یکی از مهم‌ترین پیشرفت‌های سال‌های اخیر، استقرار مدل‌های یادگیری ماشین مستقیماً در لبه صنعتی است. به جای ارسال هر تصویر به پلتفرم ابری دور برای تحلیل، تولیدکنندگان می‌توانند تشخیص نقص را به صورت محلی روی کامپیوترهای صنعتی، پردازنده‌های تعبیه‌شده و دروازه‌های لبه نصب‌شده نزدیک تجهیزات تولید انجام دهند.

این رویکرد به طور چشمگیری تأخیر را کاهش داده و پاسخگویی سیستم را بهبود می‌بخشد. تجهیزات تولید می‌توانند بلافاصله به نقص‌های شناسایی شده واکنش نشان دهند، محصولات غیرمطابق را رد کنند، هشدارها را فعال کنند یا اقدامات اصلاحی را بدون انتظار برای پردازش ابری آغاز کنند.

پلتفرم‌های ابری همچنان برای آموزش، مدیریت و بهبود مدل‌های یادگیری ماشین ضروری هستند. با این حال، محاسبات لبه به کارخانه‌ها اجازه می‌دهد تا استنتاج در زمان واقعی را در جایی که داده‌ها تولید می‌شوند، انجام دهند. این ترکیب هوش ابری و اجرای لبه به معماری قدرتمندی برای اتوماسیون صنعتی تبدیل شده است.

از جمله فناوری‌های پیشرو که این معماری را پشتیبانی می‌کنند، Amazon SageMaker و AWS IoT Greengrass هستند. این دو پلتفرم با هم چارچوبی برای ساخت، استقرار، نظارت و بهبود مستمر مدل‌های یادگیری ماشین مورد استفاده در برنامه‌های تشخیص نقص تولید فراهم می‌کنند.

شکل ۱. سیستم‌های بینایی ماشینی خودکار امکان بازرسی کیفیت با سرعت بالا را در محیط‌های تولید مدرن فراهم می‌کنند.

درک چالش تشخیص نقص صنعتی

تشخیص نقص در ظاهر ساده به نظر می‌رسد. یک دوربین تصویر را ضبط می‌کند، نرم‌افزار محصول را ارزیابی می‌کند و سیستم تعیین می‌کند که آیا کالا از بازرسی عبور می‌کند یا خیر. اما در عمل، محیط‌های بازرسی صنعتی چالش‌های فنی متعددی را به همراه دارند.

محصولات با سرعت‌های مختلف حرکت می‌کنند. شرایط نور در طول روز تغییر می‌کند. مواد سطحی ممکن است نور را به شکل‌های متفاوتی بازتاب دهند. تلرانس‌های تولید می‌توانند تغییرات جزئی بین محصولات قابل قبول ایجاد کنند. گرد و غبار، لرزش، نوسانات دما و شرایط محیطی می‌توانند تصویربرداری را پیچیده‌تر کنند.

بنابراین تولیدکنندگان باید سیستم‌های بازرسی‌ای توسعه دهند که بتوانند تفاوت بین تغییرات طبیعی تولید و نقص‌های واقعی را تشخیص دهند.

نقص‌های رایج تولید شامل موارد زیر است:

• خش‌های سطحی
• ترک‌ها و شکستگی‌ها
• قطعات گمشده
• خطاهای مونتاژ
• جوش‌های نامناسب
• نواقص رنگ‌آمیزی
• حباب‌ها و خلأها
• انحرافات ابعادی
• نقص‌های بسته‌بندی
• خطاهای برچسب‌گذاری

در صنایعی مانند تولید خودرو، ساخت نیمه‌هادی، داروسازی، فرآوری غذا، مونتاژ الکترونیک و تولید انرژی، شناسایی نقص مستقیماً بر سودآوری و رضایت مشتری تأثیر می‌گذارد.

نقصی که شناسایی نشود می‌تواند منجر به ادعاهای گارانتی، حوادث ایمنی، فراخوان محصولات، جریمه‌های قانونی یا آسیب به شهرت برند شود. برعکس، معیارهای بازرسی بیش از حد سختگیرانه می‌تواند نرخ ضایعات را افزایش داده و کارایی تولید را کاهش دهد.

یادگیری ماشین به حل این چالش‌ها کمک می‌کند با یادگیری الگوها از داده‌های بزرگ به جای تکیه صرف بر قوانین بازرسی برنامه‌ریزی شده دستی.

بینایی ماشین فراتر از بازرسی مبتنی بر قوانین سنتی پیشرفت کرده است

سیستم‌های بینایی ماشین سنتی به شدت به الگوریتم‌های پردازش تصویر قطعی متکی هستند. مهندسین به صورت دستی آستانه‌ها، پارامترهای تشخیص لبه، اندازه‌گیری‌های هندسی و قوانین شناسایی ویژگی‌ها را تعریف می‌کنند.

این رویکردها برای بسیاری از کاربردها همچنان مؤثر هستند. با این حال، وقتی محصولات تنوع قابل توجهی دارند یا نقص‌ها به شکل‌های غیرقابل پیش‌بینی ظاهر می‌شوند، نگهداری آن‌ها دشوارتر می‌شود.

مدل‌های یادگیری ماشین مدرن رویکردی کاملاً متفاوت ارائه می‌دهند.

به جای تعریف دستی هر قانون بازرسی، مهندسین مدل‌ها را با استفاده از هزاران یا حتی میلیون‌ها تصویر نمونه آموزش می‌دهند. سیستم ویژگی‌هایی را می‌آموزد که محصولات قابل قبول را از محصولات معیوب متمایز می‌کند.

این امکان را به سیستم‌های یادگیری ماشین می‌دهد تا الگوهای ظریفی را که ممکن است برای الگوریتم‌های بینایی سنتی دشوار باشد، شناسایی کنند.

چندین رویکرد یادگیری ماشین معمولاً در سیستم‌های بازرسی صنعتی دیده می‌شوند.

طبقه‌بندی تصویر

مدل‌های طبقه‌بندی تعیین می‌کنند که آیا یک تصویر به دسته خاصی تعلق دارد یا خیر.

برای مثال، یک مدل ممکن است محصولات را به صورت زیر طبقه‌بندی کند:

• قبول شده
• رد شده
• آسیب‌دیده
• ناقص
• نامنظم

طبقه‌بندی اغلب ساده‌ترین مدل پیاده‌سازی است و به عنوان نقطه شروع مؤثر برای بسیاری از کاربردهای تولید عمل می‌کند.

شناسایی اشیاء

شناسایی اشیاء فراتر از طبقه‌بندی است و هم وجود و هم محل نقص را تعیین می‌کند.

به جای اینکه صرفاً گزارش دهند که نقصی وجود دارد، مدل محل ظاهر شدن نقص را در تصویر شناسایی می‌کند.

این قابلیت به تیم‌های نگهداری و مهندسین کیفیت کمک می‌کند تا مسائل فرآیند و علل ریشه‌ای را بهتر درک کنند.

تقسیم‌بندی معنایی

تقسیم‌بندی معنایی تحلیل در سطح پیکسل را فراهم می‌کند.

هر پیکسل یک برچسب طبقه‌بندی دریافت می‌کند که به سیستم اجازه می‌دهد مرزهای دقیق عیب را شناسایی کند.

مدل‌های تقسیم‌بندی به‌ویژه زمانی مفید هستند که تولیدکنندگان به اطلاعات دقیق درباره ابعاد ترک، نواحی خوردگی، عیوب پوشش یا ناسازگاری‌های مواد نیاز دارند.

تکنیک‌های پیشرفته تقسیم‌بندی می‌توانند از ابتکارات کیفیت پیش‌بینی پشتیبانی کنند که در آن الگوهای رشد عیب بخشی از تلاش‌های بهینه‌سازی فرآیند گسترده‌تر می‌شوند.

چرا هوش مصنوعی لبه در اتوماسیون صنعتی اهمیت دارد

بسیاری از تأسیسات صنعتی هنوز تحت الزامات سختگیرانه قابلیت اطمینان فعالیت می‌کنند. خطوط تولید اغلب به طور مداوم برای دوره‌های طولانی اجرا می‌شوند و نمی‌توانند کاملاً به اتصال ابری وابسته باشند.

ارسال هر تصویر بازرسی به سرور راه دور محدودیت‌های متعددی ایجاد می‌کند:

• تاخیر شبکه
• مصرف پهنای باند
• هزینه‌های پردازش ابری
• نگرانی‌های امنیت سایبری
• ریسک‌های اتصال

یک کارخانه بطری‌سازی را در نظر بگیرید که هزاران ظرف در دقیقه تولید می‌کند. دوربین‌های با وضوح بالا ممکن است هر ساعت گیگابایت‌ها داده تصویری تولید کنند.

ارسال هر تصویر به ابر هزینه‌بر و غیرضروری است.

در عوض، استنتاج مبتنی بر لبه امکان تصمیم‌گیری محلی را فراهم می‌کند در حالی که فقط اطلاعات مرتبط به سیستم‌های متمرکز ارسال می‌شود.

این معماری به‌طور نزدیکی با استراتژی‌های مدرن اتوماسیون صنعتی هماهنگ است که در آن سیستم‌های فناوری عملیاتی (OT) به طور فزاینده‌ای با زیرساخت فناوری اطلاعات (IT) ادغام می‌شوند.

هوش مصنوعی صنعتی لبه می‌تواند از محیط‌های اتوماسیون متعددی پشتیبانی کند از جمله:

• خطوط تولید کنترل‌شده با PLC
• کارخانه‌های فرآیندی مبتنی بر DCS
• سیستم‌های نظارت SCADA
• شبکه‌های نظارت توربین
• ماشین‌آلات بسته‌بندی
• سلول‌های مونتاژ رباتیک
• سیستم‌های اتوماسیون انبار

بسیاری از تأسیسات قبلاً پلتفرم‌های اتوماسیون از تأمین‌کنندگان بزرگ صنعتی را اجرا می‌کنند. راه‌حل‌های هوش مصنوعی لبه می‌توانند در کنار سیستم‌هایی مانند Allen-Bradley ControlLogix، Siemens SIMATIC S7، ABB 800xA، Honeywell Experion PKS، Emerson DeltaV و Yokogawa CENTUM VP coexist کنند.

در این محیط‌ها، سیستم‌های بینایی ماشین به منبع دیگری از هوش عملیاتی تبدیل می‌شوند که از اهداف کلی تولید پشتیبانی می‌کند.

نقش Amazon SageMaker در یادگیری ماشین صنعتی

Amazon SageMaker محیطی مبتنی بر ابر برای ساخت، آموزش، بهینه‌سازی، استقرار و مدیریت مدل‌های یادگیری ماشین فراهم می‌کند.

یکی از مزایای اصلی آن این است که بسیاری از وظایف سنتی مرتبط با توسعه یادگیری ماشین را ساده می‌کند.

دانشمندان داده و مهندسان می‌توانند به جای مدیریت زیرساخت، روی عملکرد مدل تمرکز کنند.

در محیط تولید، SageMaker می‌تواند کل چرخه عمر یادگیری ماشین را پشتیبانی کند.

جمع‌آوری و آماده‌سازی داده‌ها

پایه و اساس هر پروژه موفق در تشخیص عیب، یک مجموعه داده با کیفیت بالا است.

تولیدکنندگان معمولاً دوربین‌های صنعتی را در نقاط بازرسی استراتژیک در طول خطوط تولید نصب می‌کنند. این دوربین‌ها تصاویر محصولات قابل قبول و معیوب را ضبط می‌کنند.

تصاویر جمع‌آوری‌شده باید سپس برچسب‌گذاری و سازماندهی شوند.

برچسب‌گذاری دقیق مستقیماً بر عملکرد مدل تأثیر می‌گذارد. داده‌های برچسب‌گذاری شده ضعیف اغلب در هنگام استقرار باعث ایجاد مثبت کاذب و منفی کاذب می‌شوند.

برای برنامه‌های تشخیص نقص، مهندسان اغلب حاشیه‌نویسی‌هایی ایجاد می‌کنند که شامل:

• نوع نقص
• مکان نقص
• شدت نقص
• دسته محصول
• اطلاعات دسته تولید

با افزایش داده‌ها، تولیدکنندگان می‌توانند دقت مدل را با افزودن سناریوهای تولیدی بیشتر به‌طور مداوم بهبود بخشند.

آموزش و بهینه‌سازی مدل

آموزش مدل‌های یادگیری ماشین به منابع محاسباتی قابل توجهی نیاز دارد.

اینجاست که زیرساخت ابری مزایای قابل توجهی ارائه می‌دهد.

به جای سرمایه‌گذاری در سرورهای اختصاصی هوش مصنوعی در محل، تولیدکنندگان می‌توانند از منابع ابری مقیاس‌پذیر برای آموزش مدل‌ها به‌صورت کارآمدتر بهره ببرند.

SageMaker از چندین چارچوب و معماری مدل که معمولاً در برنامه‌های بینایی ماشین صنعتی استفاده می‌شوند، پشتیبانی می‌کند.

معماری‌های محبوب شبکه‌های عصبی شامل:

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

هر معماری تعادل‌های متفاوتی بین دقت، نیازهای محاسباتی و سرعت استنتاج ارائه می‌دهد.

مهندسان صنعتی اغلب چندین معماری را ارزیابی می‌کنند تا مدل بهینه برای استقرار در تولید را انتخاب کنند.

استقرار مدل آگاه به سخت‌افزار

یکی از بزرگ‌ترین چالش‌ها در پروژه‌های هوش مصنوعی صنعتی، انتقال مدل‌های آموزش‌دیده در ابر به سخت‌افزار لبه‌ای با منابع محدود است.

مدلی که در GPU ابری عملکرد بسیار خوبی دارد ممکن است هنگام استقرار روی دروازه صنعتی یا پردازنده تعبیه‌شده دچار مشکل شود.

SageMaker ابزارهایی ارائه می‌دهد که به بهینه‌سازی مدل‌ها برای پلتفرم‌های سخت‌افزاری هدف کمک می‌کند.

این فرآیند بهینه‌سازی نیازهای حافظه را کاهش می‌دهد، سرعت استنتاج را بهبود می‌بخشد و مصرف انرژی را به حداقل می‌رساند در حالی که دقت قابل قبولی را حفظ می‌کند.

چنین قابلیت‌هایی به‌ویژه در محیط‌های تولیدی بزرگ که صدها یا هزاران دستگاه لبه‌ای ممکن است به‌طور همزمان کار کنند، اهمیت پیدا می‌کند.

در بخش دوم، بررسی خواهیم کرد که چگونه AWS IoT Greengrass این مدل‌ها را در لبه صنعتی مستقر و مدیریت می‌کند، جریان‌های کاری تشخیص نقص از ابر به لبه را بررسی می‌کنیم، معماری‌های پیاده‌سازی عملی را بحث می‌کنیم و موارد استفاده واقعی در تولید شامل PLCها، سیستم‌های SCADA، پلتفرم‌های DCS و برنامه‌های کیفیت پیش‌بینی را مرور خواهیم کرد.

آوردن مدل‌های یادگیری ماشین به کف کارخانه با AWS IoT Greengrass

آموزش یک مدل یادگیری ماشین تنها بخشی از مسیر است. تولیدکنندگان در نهایت به روشی عملی برای استقرار، مدیریت، نظارت و به‌روزرسانی این مدل‌ها در سراسر کارخانه‌ها نیاز دارند. اینجاست که AWS IoT Greengrass به یک جزء حیاتی در معماری تبدیل می‌شود.

AWS IoT Greengrass به‌عنوان یک محیط اجرای لبه‌ای عمل می‌کند که امکان اجرای نرم‌افزارها، مدل‌های یادگیری ماشین و برنامه‌های اتوماسیون را مستقیماً روی دستگاه‌های صنعتی فراهم می‌کند. به جای تکیه بر اتصال مداوم به ابر، Greengrass اجازه می‌دهد بارهای استنتاج به‌صورت محلی اجرا شوند و در عین حال با خدمات متمرکز ابری همگام‌سازی حفظ شود.

برای تأسیسات تولیدی، این معماری تعادلی بین مقیاس‌پذیری ابر و پاسخگویی محلی فراهم می‌کند.

تجهیزات تولید حتی در هنگام قطعی موقت شبکه می‌توانند به کار خود ادامه دهند. تصمیمات بازرسی کیفیت به‌صورت بلادرنگ در دسترس باقی می‌مانند و داده‌های عملیاتی پس از بازیابی اتصال با سیستم‌های ابری همگام‌سازی می‌شوند.

این قابلیت به‌ویژه در محیط‌های صنعتی بزرگ که خطوط تولید ممکن است در چندین ساختمان، تأسیسات دورافتاده یا سایت‌های تولید جغرافیایی پراکنده فعالیت کنند، ارزشمند است.

شکل ۲. AWS IoT Greengrass امکان استنتاج یادگیری ماشین را مستقیماً روی دستگاه‌های صنعتی لبه فراهم می‌کند و در عین حال یکپارچگی با ابر را حفظ می‌کند.

ساخت یک خط لوله تشخیص عیب صنعتی از ابر تا لبه

سیستم‌های موفق تشخیص عیب بیش از یک شبکه عصبی آموزش‌دیده نیاز دارند. تولیدکنندگان باید چرخه عمر کاملی را ایجاد کنند که مدیریت جمع‌آوری داده، توسعه مدل، استقرار، نظارت و بهبود مستمر را شامل شود.

معماری مدرن بازرسی از ابر تا لبه معمولاً چندین مرحله را دنبال می‌کند.

مرحله ۱: دریافت تصویر

فرآیند با جمع‌آوری تصویر آغاز می‌شود.

دوربین‌های صنعتی محصولات را هنگام عبور از تجهیزات تولید، نقاله‌ها، ایستگاه‌های کاری رباتیک یا سلول‌های مونتاژ ضبط می‌کنند. انتخاب دوربین بستگی به نیازهای کاربرد دارد و ممکن است شامل موارد زیر باشد:

• دوربین‌های اسکن سطحی
• دوربین‌های اسکن خطی
• دوربین‌های دید سه‌بعدی
• سیستم‌های تصویربرداری حرارتی
• حسگرهای تصویربرداری فراطیفی

طراحی مناسب نورپردازی به همان اندازه مهم است. حتی مدل‌های پیشرفته یادگیری ماشین زمانی که کیفیت تصویر نامنظم باشد، دچار مشکل می‌شوند.

استقرارهای موفق معمولاً شامل محیط‌های نورپردازی کنترل‌شده‌ای هستند که سایه‌ها، بازتاب‌ها و تغییرات نور محیطی را به حداقل می‌رسانند.

مرحله ۲: برچسب‌گذاری و حاشیه‌نویسی داده‌ها

پس از جمع‌آوری تصاویر، مهندسان مجموعه داده‌های آموزشی را ایجاد می‌کنند.

تصاویر باید به‌طور دقیق شرایط عملکرد عادی و معیوب را نشان دهند. بسیاری از سازمان‌ها در ابتدا این مرحله را دست‌کم می‌گیرند. در واقع، کیفیت مجموعه داده‌ها اغلب بیش از انتخاب مدل، موفقیت پروژه را تعیین می‌کند.

تولیدکنندگان باید نمونه‌هایی از چندین شیفت تولید، شرایط تجهیزات، دسته‌های مواد اولیه و سناریوهای محیطی جمع‌آوری کنند.

این تنوع به تضمین استحکام مدل پس از استقرار کمک می‌کند.

مرحله ۳: آموزش مدل در SageMaker

آموزش در محیط Amazon SageMaker با استفاده از منابع محاسبات ابری انجام می‌شود.

مهندسان چندین معماری را ارزیابی کرده و ابرپارامترها را برای بهبود عملکرد بهینه می‌کنند.

اهداف معمول بهینه‌سازی شامل موارد زیر است:

• دقت بالاتر در تشخیص
• کاهش مثبت‌های کاذب
• کاهش منفی‌های کاذب
• سرعت استنتاج سریع‌تر
• استفاده کمتر از حافظه

محیط‌های تولید اغلب قابلیت اطمینان را بر بهبودهای جزئی دقت اولویت می‌دهند. مدلی با دقت کمی کمتر اما رفتار بسیار قابل پیش‌بینی ممکن است در شرایط واقعی تولید بهتر از مدل نظری برتر عمل کند.

مرحله ۴: استقرار در لبه

پس از اعتبارسنجی، SageMaker مدل را برای استقرار بسته‌بندی می‌کند.

Greengrass مدل را به سخت‌افزار لبه توزیع می‌کند که در آن استنتاج محلی انجام می‌شود.

بسته به کاربرد، اهداف استقرار ممکن است شامل موارد زیر باشد:

• کامپیوترهای صنعتی
• دروازه‌های هوش مصنوعی تعبیه‌شده
• کنترلرهای لبه مبتنی بر ARM
• سرورهای لبه مجهز به GPU
• کامپیوترهای صنعتی یکپارچه با سیستم‌های بینایی ماشین

استنتاج به صورت محلی اجرا می‌شود و نتایج بازرسی را در عرض میلی‌ثانیه ارائه می‌دهد.

مرحله ۵: بهبود مستمر

شاید قدرتمندترین جنبه این معماری حلقه بازخورد باشد.

دستگاه‌های لبه می‌توانند تصاویر و معیارهای عملیاتی منتخب را به ابر ارسال کنند. مهندسان موارد دشوار را بررسی، داده‌های جدید را برچسب‌گذاری، مدل‌ها را دوباره آموزش داده و نسخه‌های به‌روزشده را مستقر می‌کنند.

این یک سیستم بازرسی بهبود مستمر ایجاد می‌کند که با شرایط متغیر تولید سازگار می‌شود.

ادغام اتوماسیون صنعتی فراتر از بینایی ماشین

سیستم‌های شناسایی نقص بیشترین ارزش را زمانی ارائه می‌دهند که با زیرساخت اتوماسیون موجود ادغام شوند.

یک دوربین مستقل که فقط نقص‌ها را شناسایی می‌کند، مزیت عملی محدودی دارد. تولیدکنندگان مدرن به طور فزاینده‌ای سیستم‌های بازرسی را مستقیماً به کنترل‌های تولید متصل می‌کنند.

برای مثال، یک نتیجه بازرسی می‌تواند به‌طور خودکار فعال کند:

• مکانیزم‌های رد محصول
• سیستم‌های مرتب‌سازی رباتیک
• اطلاع‌رسانی‌های هشدار
• کندی خطوط تولید
• دستورکارهای نگهداری
• سیستم‌های گزارش‌دهی کیفیت

بسیاری از تأسیسات این ادغام را از طریق پروتکل‌های ارتباطی صنعتی مانند EtherNet/IP، PROFINET، Modbus TCP، OPC UA و MQTT انجام می‌دهند.

سیستم بینایی ماشین به یک گره هوشمند دیگر در اکوسیستم گسترده‌تر اتوماسیون تبدیل می‌شود.

سازمان‌هایی که از پلتفرم‌های مدرن PLC استفاده می‌کنند، اغلب نتایج بازرسی را مستقیماً در منطق کنترل ادغام می‌کنند. سیستم‌های مبتنی بر کنترلرهای Allen-Bradley ControlLogix، Siemens SIMATIC S7، ABB AC 800M، Schneider Modicon یا Mitsubishi MELSEC می‌توانند داده‌های نقص را دریافت کرده و پاسخ‌های خودکار را فعال کنند.

تأسیساتی که در حال ارزیابی ارتقاء کنترلر یا پروژه‌های توسعه هستند، اغلب سخت‌افزار موجود در دسته سیستم‌های PLC و PAC را برای حمایت از ابتکارات آینده هوش مصنوعی صنعتی بررسی می‌کنند.

شناسایی نقص در محیط‌های تولید با سرعت بالا

هر محیط تولیدی الزامات یکسانی ندارد.

استراتژی‌های بازرسی باید با سرعت تولید، پیچیدگی محصول و اهداف کسب‌وکار هماهنگ باشند.

تولید الکترونیک

تولید الکترونیک اغلب شامل نقص‌های بسیار کوچک است که شناسایی مداوم آن‌ها توسط اپراتورهای انسانی دشوار است.

سیستم‌های یادگیری ماشین می‌توانند بازرسی کنند:

• اتصالات لحیم‌کاری
• ردیف‌های مدار چاپی
• محل قرارگیری کانکتور
• جهت‌گیری قطعات
• آلودگی سطحی

از آنجا که حجم تولید بالا است، حتی بهبودهای کوچک در دقت تشخیص می‌تواند صرفه‌جویی‌های قابل توجهی در هزینه ایجاد کند.

تولید خودرو

کارخانه‌های خودروسازی اغلب سیستم‌های بینایی ماشین را در سراسر مونتاژ بدنه، رنگ‌آمیزی، تولید پیشرانه و عملیات مونتاژ نهایی به کار می‌گیرند.

سیستم‌های بازرسی ممکن است موارد زیر را تشخیص دهند:

• نقص‌های رنگ‌آمیزی
• مشکلات کیفیت جوش
• نبود پیچ و مهره‌ها
• عدم تراز قطعات
• نواقص سطحی

پردازش مبتنی بر لبه به ویژه مهم می‌شود زیرا خطوط تولید با سرعت بالا کار می‌کنند و نمی‌توانند تأخیر زیاد را تحمل کنند.

فرآوری مواد غذایی و نوشیدنی

تولیدکنندگان مواد غذایی اغلب از بینایی ماشین برای شناسایی نقص‌های بسته‌بندی، مشکلات برچسب‌گذاری، خطرات آلودگی و ناسازگاری‌های سطح پر شدن استفاده می‌کنند.

تصمیم‌گیری سریع محلی به جلوگیری از رسیدن محصولات معیوب به فرآیندهای بسته‌بندی و توزیع پایین‌دستی کمک می‌کند.

تولید دارویی

صنایع تنظیم‌شده به سیستم‌های بازرسی بسیار قابل اعتماد نیاز دارند.

مدل‌های یادگیری ماشین می‌توانند فعالیت‌های اعتبارسنجی را با تشخیص نقص‌های بسته‌بندی، خطاهای برچسب‌گذاری، آلودگی ویال و ناسازگاری‌های محصول پشتیبانی کنند و در عین حال سوابق دقیق حسابرسی را حفظ کنند.

هوش مصنوعی لبه و مدیریت کیفیت پیش‌بینی شده

بسیاری از سازمان‌ها در ابتدا سیستم‌های بینایی ماشین را فقط برای بازرسی قبول/رد به کار می‌گیرند. اما با گذشت زمان، تولیدکنندگان اغلب فرصت بسیار بزرگ‌تری را کشف می‌کنند.

داده‌های نقص حاوی اطلاعات ارزشمندی درباره عملکرد فرآیند هستند.

با تحلیل روندهای وقوع نقص، تولیدکنندگان می‌توانند مشکلات تولید در حال ظهور را قبل از اینکه سطح کیفیت به طور قابل توجهی کاهش یابد، شناسایی کنند.

این مفهوم گاهی اوقات کیفیت پیش‌بینی شده نامیده می‌شود.

برای مثال، افزایش نقص‌های خراش ممکن است نشان‌دهنده سایش ابزار باشد. افزایش تعداد انحرافات ابعادی ممکن است نشان‌دهنده انحراف کالیبراسیون باشد. مشکلات سطحی می‌تواند مسائل مربوط به تجهیزات پردازش بالادستی را نشان دهد.

وقتی با سیستم‌های نظارت صنعتی یکپارچه می‌شود، داده‌های تشخیص نقص به منبع اضافی اطلاعات عملیاتی تبدیل می‌شوند.

سازمان‌های مسئول اطمینان از قابلیت اطمینان ماشین‌آلات دوار اغلب نظارت کیفیت را با تحلیل ارتعاش و پلتفرم‌های نظارت بر وضعیت دارایی ترکیب می‌کنند. در این محیط‌ها، راه‌حل‌های سلامت ماشین‌آلات مانند آنچه در مجموعه نظارت بر ماشین‌آلات یافت می‌شود، اغلب مکمل ابتکارات نگهداری پیش‌بینی شده گسترده‌تر هستند.

ملاحظات سخت‌افزاری برای استقرارهای هوش مصنوعی صنعتی لبه

انتخاب پلتفرم سخت‌افزاری مناسب یکی از مهم‌ترین تصمیمات طراحی در هر پروژه هوش مصنوعی لبه است.

سخت‌افزار ایده‌آل به چندین عامل بستگی دارد:

• وضوح تصویر
• سرعت بازرسی
• پیچیدگی مدل
• دسترسی به برق
• شرایط محیطی
• نیازهای مقیاس‌پذیری

تاسیسات صنعتی به طور فزاینده‌ای پردازنده‌هایی را به کار می‌گیرند که شامل واحدهای پردازش عصبی اختصاصی (NPU)، شتاب‌دهنده‌های گرافیکی و موتورهای استنتاج هوش مصنوعی هستند.

این قابلیت‌ها عملکرد یادگیری ماشین را به‌طور قابل توجهی بهبود می‌بخشند و در عین حال مصرف انرژی را کاهش می‌دهند.

پلتفرم‌هایی مانند NXP i.MX 8M Plus نشان می‌دهند که چگونه سخت‌افزار تعبیه‌شده به‌طور خاص برای پشتیبانی از بارهای کاری هوش مصنوعی صنعتی همچنان در حال تکامل است.

با گسترش پذیرش هوش مصنوعی، بهینه‌سازی سخت‌افزار اهمیت فزاینده‌ای پیدا می‌کند زیرا تولیدکنندگان باید بین عملکرد، پشتیبانی چرخه عمر، امنیت سایبری و کل هزینه مالکیت تعادل برقرار کنند.

ملاحظات امنیت سایبری برای سیستم‌های بازرسی متصل

هر دستگاه صنعتی متصل، خطرات احتمالی امنیت سایبری را به همراه دارد.

سیستم‌های بینایی ماشین نیز مستثنی نیستند.

سازمان‌هایی که معماری‌های بازرسی متصل به ابر را پیاده‌سازی می‌کنند باید سیاست‌های امنیت سایبری روشنی را پوشش دهند که شامل:

• مدیریت هویت
• احراز هویت دستگاه
• ارتباطات رمزگذاری‌شده
• تقسیم‌بندی شبکه
• به‌روزرسانی نرم‌افزار
• سیاست‌های کنترل دسترسی

بسیاری از تولیدکنندگان این اصول را در سراسر محیط‌های OT خود، از جمله شبکه‌های PLC، سیستم‌های SCADA، سیستم‌های کنترل توزیع‌شده و تاریخچه‌نگاران صنعتی اعمال می‌کنند.

زیرساخت یادگیری ماشین باید از همان چارچوب امنیت سایبری پیروی کند.

اتصال سیستم‌های تشخیص نقص به SCADA، MES و عملیات سراسری کارخانه

بسیاری از تولیدکنندگان در ابتدا سیستم‌های بینایی ماشین را به‌عنوان ایستگاه‌های بازرسی مستقل مستقر می‌کنند. در حالی که این رویکرد می‌تواند کنترل کیفیت را بهبود بخشد، ارزش واقعی هوش مصنوعی صنعتی زمانی آشکار می‌شود که داده‌های بازرسی بخشی از یک اکوسیستم عملیاتی بزرگ‌تر شوند.

کارخانه‌های تولیدی مدرن به‌طور فزاینده‌ای سیستم‌های کیفیت را با پلتفرم‌های کنترل و جمع‌آوری داده‌های نظارتی (SCADA)، سیستم‌های اجرای تولید (MES)، ابزارهای گزارش‌دهی سازمانی و تاریخچه‌نگاران کارخانه متصل می‌کنند. این یکپارچه‌سازی تشخیص نقص را از یک عملکرد کیفیت واکنشی به یک پلتفرم هوش عملیاتی پیشگیرانه تبدیل می‌کند.

وقتی یک سیستم بینایی ماشین نقصی را شناسایی می‌کند، اطلاعات می‌تواند به‌صورت بلادرنگ در سراسر کارخانه توزیع شود. سرپرستان تولید می‌توانند روندهای کیفیت را از طریق داشبوردهای SCADA نظارت کنند، تیم‌های نگهداری می‌توانند اعلان‌های خودکار دریافت کنند و مهندسان فرآیند می‌توانند نقص‌ها را با پارامترهای ماشین، شرایط محیطی یا تغییرات مواد اولیه مرتبط سازند.

برای مثال، یک مرکز بسته‌بندی ممکن است کشف کند که خطاهای قرارگیری برچسب هرگاه سرعت نقاله از یک آستانه خاص فراتر رود افزایش می‌یابد. یک تولیدکننده خودرو ممکن است همبستگی بین نقص‌های جوشکاری و انحراف کالیبراسیون ربات را شناسایی کند. یک کارخانه داروسازی می‌تواند ناهنجاری‌های بسته‌بندی را به تنظیمات خاص تجهیزات یا دسته‌های تولید مرتبط کند.

بدون یکپارچه‌سازی، این بینش‌ها اغلب در سیستم‌های بازرسی جداگانه پنهان می‌مانند.

بسیاری از سازمان‌ها از OPC UA به‌عنوان لایه اصلی ارتباطی بین پلتفرم‌های بینایی ماشین و نرم‌افزارهای صنعتی سطح بالاتر استفاده می‌کنند. MQTT نیز به دلیل معماری سبک و مناسب بودن برای کاربردهای اینترنت صنعتی اشیاء (IIoT) به‌طور فزاینده‌ای محبوب شده است.

با ادامه تلاش تولیدکنندگان برای پیگیری ابتکارات صنعت ۴.۰، سیستم‌های تشخیص نقص به منابع داده استراتژیک تبدیل می‌شوند که از تصمیم‌گیری در سطح سازمانی پشتیبانی می‌کنند.

هوش مصنوعی ابری در مقابل هوش مصنوعی لبه: چرا اکثر کارخانه‌ها رویکرد ترکیبی را انتخاب می‌کنند

سازمان‌های صنعتی اغلب می‌پرسند که آیا برنامه‌های یادگیری ماشین باید کاملاً در ابر اجرا شوند یا کاملاً در لبه. در واقع، اکثر استقرارهای موفق از معماری ترکیبی استفاده می‌کنند که نقاط قوت هر دو محیط را ترکیب می‌کند.

پلتفرم‌های ابری در آموزش مدل، ذخیره‌سازی داده‌های بزرگ‌مقیاس، مدیریت متمرکز و تحلیل‌های بلندمدت برتری دارند. آموزش مدل‌های یادگیری عمیق اغلب به منابع محاسباتی قابل توجهی نیاز دارد که استقرار مستقیم آن‌ها روی تجهیزات کارخانه عملی نیست.

از سوی دیگر، سیستم‌های لبه پاسخگویی لازم برای عملیات صنعتی را فراهم می‌کنند. تصمیمات بازرسی اغلب باید در عرض میلی‌ثانیه انجام شوند. خطوط تولید نمی‌توانند منتظر ارتباطات ابری بمانند تا تعیین کنند آیا یک محصول از بازرسی عبور می‌کند یا خیر.

یک خط مونتاژ الکترونیک را در نظر بگیرید که هزاران برد مدار چاپی را در هر ساعت تولید می‌کند. دوربین‌های بازرسی با وضوح بالا ممکن است در یک شیفت تولید تنها ترابایت‌ها داده تصویری تولید کنند. ارسال هر تصویر به یک پلتفرم ابری از راه دور نیاز به پهنای باند را افزایش داده و تأخیر غیرضروری ایجاد می‌کند.

با پردازش تصاویر به صورت محلی، تنها اطلاعات مرتبط باید به ابر ارسال شود. این به طور قابل توجهی بار ارتباطی را کاهش می‌دهد و در عین حال عملکرد در زمان واقعی را حفظ می‌کند.

یک معماری ترکیبی معمولی از یک جریان کاری ساده پیروی می‌کند:

• زیرساخت ابری مدل‌ها را آموزش داده و اعتبارسنجی می‌کند.
• SageMaker مدل‌ها را برای استقرار بهینه می‌کند.
• AWS IoT Greengrass مدل‌ها را به دستگاه‌های لبه توزیع می‌کند.
• دستگاه‌های لبه استنتاج محلی را انجام می‌دهند.
• نتایج بازرسی انتخاب شده به ابر بازگردانده می‌شوند.
• مهندسان با استفاده از داده‌های جدید مدل‌ها را دوباره آموزش داده و بهبود می‌بخشند.

این حلقه بازخورد امکان بهبود مستمر را بدون قربانی کردن عملکرد تولید فراهم می‌کند.

مدل ترکیبی همچنین از عملیات تولید چندمحلی پشتیبانی می‌کند که در آن تیم‌های مهندسی متمرکز دارایی‌های یادگیری ماشین را در چندین کارخانه مدیریت می‌کنند.

کاربردهای واقعی تولید در دنیای واقعی برای تشخیص نقص مبتنی بر لبه

اگرچه بینایی ماشین دهه‌هاست که وجود دارد، پیشرفت‌های اخیر در یادگیری ماشین دامنه کاربردهای بازرسی که تولیدکنندگان می‌توانند خودکار کنند را گسترش داده است.

بازرسی بدنه خودرو

تولیدکنندگان خودرو باید استانداردهای دقیق ظاهری و ابعادی را حفظ کنند. حتی نقص‌های جزئی رنگ یا ناهمواری‌های سطحی می‌توانند منجر به فعالیت‌های پرهزینه بازکاری شوند.

سیستم‌های یادگیری ماشین می‌توانند نقص‌های ظریف رنگ، خراش‌ها، فرورفتگی‌ها و ناهماهنگی‌های پوشش را که روش‌های بازرسی سنتی ممکن است نادیده بگیرند، شناسایی کنند.

با انجام استنتاج مستقیماً در لبه، تولیدکنندگان می‌توانند قطعات معیوب را قبل از انتقال به فرآیندهای مونتاژ پایین‌دستی رد کنند.

تولید نیمه‌هادی

تولید نیمه‌هادی برخی از سخت‌ترین نیازهای بازرسی در صنعت مدرن را ارائه می‌دهد. نقص‌هایی که در مقیاس میکرون اندازه‌گیری می‌شوند می‌توانند بر عملکرد و بازده محصول تأثیر بگذارند.

مدل‌های پیشرفته یادگیری ماشین به شناسایی آلودگی ویفر، نقص‌های لیتوگرافی و ناهنجاری‌های فرآیندی که ممکن است با الگوریتم‌های بینایی معمولی دشوار باشد، کمک می‌کنند.

از آنجا که تأسیسات نیمه‌هادی حجم زیادی از داده‌های تصویری تولید می‌کنند، پردازش در لبه به کاهش ازدحام شبکه کمک می‌کند و در عین حال توان عملیاتی بازرسی را حفظ می‌کند.

تأیید بسته‌بندی مواد غذایی

تولیدکنندگان مواد غذایی و نوشیدنی با فشار فزاینده‌ای برای تضمین کیفیت بسته‌بندی، ردیابی و رعایت مقررات مواجه هستند.

سیستم‌های یادگیری ماشین می‌توانند موارد زیر را تأیید کنند:

• دقت برچسب
• تاریخ انقضا
• یکپارچگی مهر و موم
• ابعاد بسته‌بندی
• سطح پر شدن
• جهت‌گیری محصول

این بازرسی‌ها به طور مداوم و با سرعت تولیدی انجام می‌شوند که برای اپراتورهای دستی غیرممکن است.

تولید باتری

رشد سریع تولید خودروهای الکتریکی تقاضا برای فناوری‌های پیشرفته بازرسی باتری را افزایش داده است.

تولیدکنندگان از بینایی ماشین و یادگیری ماشین برای شناسایی نقص‌های الکترود، ناهماهنگی‌های پوشش، آلودگی و مشکلات مونتاژ در طول فرآیندهای تولید باتری استفاده می‌کنند.

از آنجا که نقص‌های باتری می‌توانند بر عملکرد و ایمنی تأثیر بگذارند، دقت بازرسی همچنان یک هدف عملیاتی حیاتی است.

ساخت مجموعه داده‌های بهتر برای یادگیری ماشین صنعتی

بسیاری از سازمان‌ها به شدت بر انتخاب مدل تمرکز می‌کنند در حالی که اهمیت توسعه مجموعه داده را نادیده می‌گیرند. در واقع، کیفیت داده‌های آموزشی اغلب تأثیر بیشتری بر موفقیت پروژه نسبت به معماری خاص شبکه عصبی مورد استفاده دارد.

یک مدل یادگیری ماشین تنها می‌تواند از اطلاعات موجود در مجموعه داده آموزشی خود بیاموزد. اگر سناریوهای نقص بحرانی غایب باشند، مدل ممکن است هنگام مواجهه با آن شرایط در تولید دچار مشکل شود.

مجموعه داده‌های صنعتی موفق معمولاً شامل موارد زیر است:

• نمونه‌های تولید عادی
• شرایط نادر نقص
• محیط‌های نوری متعدد
• شیفت‌های مختلف تولید
• تغییرات فصلی
• شرایط فرسودگی تجهیزات
• تغییرات مواد خام
• تغییرات فرآیند مرتبط با نگهداری

تولیدکنندگان همچنین باید پس از استقرار به طور مداوم مجموعه داده‌ها را گسترش دهند.

یکی از مزایای اکوسیستم SageMaker و Greengrass توانایی ایجاد مکانیزم بازخورد بین عملیات تولید و تیم‌های توسعه مدل است. موارد بازرسی دشوار می‌توانند بازبینی، برچسب‌گذاری مجدد و در چرخه‌های آموزشی آینده گنجانده شوند.

این فرآیند به تدریج عملکرد مدل را بهبود می‌بخشد و در عین حال مثبت‌های کاذب و منفی‌های کاذب را کاهش می‌دهد.

سازمان‌هایی که یادگیری ماشین را به عنوان یک قابلیت عملیاتی مداوم و نه یک پروژه یک‌باره در نظر می‌گیرند، معمولاً بهترین نتایج بلندمدت را کسب می‌کنند.

هوش مصنوعی صنعتی به ابزاری استاندارد برای کیفیت تبدیل خواهد شد

یادگیری ماشین، محاسبات لبه و اتوماسیون صنعتی به سرعت در حال همگرایی هستند. آنچه زمانی فناوری آزمایشی محسوب می‌شد، اکنون به ابزاری عملی برای بهبود کیفیت، کاهش ضایعات و افزایش بهره‌وری عملیاتی تبدیل شده است.

با قدرتمندتر شدن سخت‌افزارهای محاسباتی و آسان‌تر شدن استقرار چارچوب‌های یادگیری ماشین، تولیدکنندگان در هر اندازه‌ای می‌توانند از سیستم‌های پیشرفته تشخیص نقص بهره‌مند شوند.

پلتفرم‌هایی مانند Amazon SageMaker و AWS IoT Greengrass زیرساخت لازم برای انتقال یادگیری ماشین از محیط‌های تحقیقاتی به کارخانه‌های واقعی تولید را فراهم می‌کنند.

موفق‌ترین استقرارها تنها محصولات معیوب را شناسایی نمی‌کنند. بلکه به تولیدکنندگان کمک می‌کنند بفهمند چرا نقص‌ها رخ می‌دهند، مشکلات کیفیت را پیش‌بینی کنند قبل از اینکه تشدید شوند و فرآیندهای تولید را به طور مداوم بهینه کنند.

در سال‌های آینده، بینایی ماشین مبتنی بر لبه احتمالاً به اندازه PLCها، HMIها، شبکه‌های صنعتی و سیستم‌های SCADA که امروزه رایج هستند، در خطوط تولید رایج خواهد شد. تأسیساتی که اکنون شروع به ساخت این قابلیت‌ها کنند، موقعیت بهتری برای بهبود کیفیت، حداکثر کردن بازده و رقابت در بازارهای تولیدی مبتنی بر داده خواهند داشت.

آینده تشخیص نقص صنعتی

تشخیص نقص صنعتی همچنان از تحلیل ساده تصویر به سمت سیستم‌های کیفیت هوشمند و تطبیقی در حال تحول است.

پیشرفت‌های یادگیری ماشین، محاسبات لبه، شبکه‌های صنعتی و زیرساخت ابری به تولیدکنندگان امکان می‌دهد محصولات را سریع‌تر و با دقت بیشتری نسبت به گذشته بازرسی کنند.

فناوری‌هایی مانند Amazon SageMaker و AWS IoT Greengrass به پر کردن فاصله بین توسعه مدل مبتنی بر ابر و استقرار واقعی در کارخانه کمک می‌کنند. این دو با هم ابزارهایی را در اختیار تولیدکنندگان قرار می‌دهند تا سیستم‌های بازرسی مقیاس‌پذیر بسازند که بتوانند از داده‌های عملیاتی یاد بگیرند و به طور مداوم بهبود یابند.

با پیشرفت سازمان‌های صنعتی در مسیر تحول دیجیتال، تشخیص نقص به طور فزاینده‌ای بخشی از استراتژی‌های گسترده‌تر تولید هوشمند خواهد شد که بینایی ماشین، نگهداری پیش‌بینی، بهینه‌سازی فرآیند و تحلیل‌های عملیاتی را ترکیب می‌کند.

نتیجه تنها کنترل کیفیت بهتر نیست. بلکه محیط تولید هوشمندتری است که در آن تصمیمات مبتنی بر داده در لبه، نزدیک به تجهیزات، محصولات و فرآیندهایی که ارزش ایجاد می‌کنند، اتخاذ می‌شود.