راکول پردازندههای گرافیکی انویدیا را به رایانههای EdgeAI مدل 6300B-SB1 اضافه میکند
راکول پردازندههای گرافیکی NVIDIA RTX را به دو کامپیوتر صنعتی EdgeAI مدل 6300B-SB1 افزوده است. ما تناسب بارهای کاری، مرزهای کنترل قطعی و مشخصاتی را که هنوز لازم است بررسی میکنیم.
راکول اتومیشن در ۱۷ نوامبر ۲۰۲۶ دو رایانه صنعتی مجهز به GPU معرفی کرد: 6300B-SB1 EdgeAI 4000 با GPU مدل NVIDIA RTX PRO 4000 Blackwell و 6300B-SB1 EdgeAI 2000 با GPU مدل NVIDIA RTX 2000E Ada Generation. راکول هر دو سامانه را برای بارهای کاری هوش مصنوعی و یادگیری ماشین در لایه نظارتی در نظر گرفته است؛ از جمله بینایی ماشین پیشرفته، نگهداری و تعمیرات پیشبینانه، کنترل پیشبینانه مبتنی بر مدل و مدلهای زبانی کوچک که میتوانند به اپراتورها کمک کنند.
آنچه راکول تأیید کرده است
این عرضه، شتابدهی مجزای GPU شرکت NVIDIA را به خط رایانههای صنعتی 6300B-SB1 راکول اضافه میکند. راکول میگوید این سامانهها میتوانند برنامههای محاسباتی سنگین را بهصورت محلی اجرا کنند و با FactoryTalk Optix، پلتفرم HMI و مصورسازی این شرکت، یکپارچه شوند. اجرای استنتاج در محل میتواند وابستگی به اتصال دائمی به فضای ابری را کاهش دهد و به کارخانهها کمک کند دادههای عملیاتی را در داخل مجموعه نگه دارند.
دو پیکربندی معرفیشده از نظر نسل GPU و رده عملکرد تفاوت دارند. EdgeAI 4000 از GPU مدل RTX PRO 4000 Blackwell استفاده میکند، درحالیکه EdgeAI 2000 به GPU مدل RTX 2000E Ada Generation مجهز است. راکول این سامانهها را جایگزین PLCها یا کنترلرهای ایمنی معرفی نکرده است. در اطلاعیه این شرکت، این سامانهها در لایه نظارتی قرار میگیرند و صراحتاً گفته شده که مکمل معماریهای موجود کنترل، مصورسازی و پردازش لبه هستند.
GPU کنترل را قطعی نمیکند
شتابدهی GPU برای بارهای کاری موازی مانند استنتاج تصویر، استخراج ویژگی و اجرای مدل مناسب است. اما این شتابدهی بهتنهایی زمان اسکن محدود و قابلپیشبینی، واکنش به خطا یا رفتار ایمنی گواهیشدهای را فراهم نمیکند که از کنترل قطعی انتظار میرود. بنابراین، معماری عملی باید بارهای کاری توصیهای یا ادراکی را از عملکردهای کنترلیای جدا کند که باید هنگام از دسترس خارج شدن برنامه هوش مصنوعی، سیستمعامل یا GPU همچنان ادامه یابند.
این مرزبندی بهویژه زمانی اهمیت دارد که رایانه به یک پلتفرم کنترل و پردازش لبه LogixEdge متصل باشد یا اطلاعات را به یک HMI ارائه دهد. هوش مصنوعی میتواند یک نقطه تنظیم پیشنهاد کند، نقصی را طبقهبندی کند یا به یک هشدار اولویت بدهد؛ اما PLC، سامانه ایمنی و اینترلاکهای اعتبارسنجیشده همچنان باید محدودیتهای مجاز عملیاتی را اعمال کنند. طراحی باید مشخص کند اگر اطمینان استنتاج پایین باشد، مدل مقداری نامعتبر برگرداند یا رایانه لبه راهاندازی مجدد شود، چه اتفاقی میافتد.
مواردی که توان محاسباتی بیشتر میتواند در آنها کمک کند
بینایی ماشین روشنترین مورد استفاده است، چون چندین جریان دوربین با وضوح بالا میتوانند منابع محاسباتی قابلتوجهی مصرف کنند. استنتاج محلی میتواند ترافیک شبکه و تأخیر را کاهش دهد، اما سلول همچنان به تلرانسهای بازرسی مشخص، کنترل روشنایی، قوانین نگهداری تصویر و روشی برای رسیدگی به طبقهبندیهای نامطمئن نیاز دارد.
نگهداری و تعمیرات پیشبینانه یکی دیگر از بارهای کاری محتمل است. یک مدل محلی میتواند دادههای ارتعاشی، الکتریکی و فرایندی را ترکیب کند تا رفتار غیرعادی را بدون ارسال همه نمونههای خام به ابر تشخیص دهد. مزیت عملیاتی به کیفیت حسگرها، همگامسازی زمانی و گردش کار تعمیر و نگهداری بستگی دارد، نه فقط دقت مدل. هشدار فقط وقتی مفید است که تکنسینها بتوانند آن را به شواهد مرتبط کنند، هویت تجهیز را تأیید کنند و اقدام انجامشده را ثبت کنند.
راکول همچنین مدلهای زبانی کوچک را برای ارائه راهنمایی زمینهمند به اپراتورها معرفی میکند. ادغام با FactoryTalk Optix میتواند دفترچههای راهنما، تاریخچه آلارمها و زمینه عملیاتی را به لایه بصریسازی بیاورد. این کار میتواند زمان جستوجو را کاهش دهد، اما راهنمایی تولیدشده باید بهروشنی از منطق آلارم و رویههای عملیاتی تأییدشده جدا بماند. همین مسئله حاکمیتی در استراتژی گردش کار هوش مصنوعی FactoryTalk Conductor راکول نیز مطرح است: هماهنگسازی فقط زمانی ارزشمند است که مجوزها، منابع داده و نقاط تأیید انسانی بهروشنی مشخص باشند.
پرسشهای مهندسی هنوز به مستندات محصول نیاز دارند
نسخه منتشرشده در ۱۷ نوامبر، GPUها و بارهای کاری هدف را مشخص میکند، اما ماتریس کامل سفارش، گزینههای CPU، حافظه GPU، حافظه RAM سیستم، فضای ذخیرهسازی، مصرف برق، ابعاد، درجه حفاظت در برابر نفوذ، دمای کاری، رتبهبندی مقاومت در برابر ضربه و لرزش، آرایش خنککاری یا موجودی منطقهای را ارائه نمیدهد. این مقادیر تعیین میکنند که آیا یک سیستم در کابین کنترل جا میگیرد، میتواند گرما را دفع کند و در شرایط تولید از مدل موردنظر پشتیبانی میکند یا خیر.
- طراحی حرارتی: بار حرارتی پایدار و اوج را برای پیکربندی انتخابشده CPU، GPU و فضای ذخیرهسازی، از جمله کاهش ظرفیت ناشی از محفظه، محاسبه کنید.
- یکپارچگی برق: حفاظت ورودی، رفتار تداوم برق، اتصال به زمین و واکنش خاموشسازی به اختلال برق کارخانه را مشخص کنید.
- تفکیک ناحیههای شبکه: ترافیک دوربین، کنترل، مدیریت و سازمانی را از هم جدا کنید و دسترسی به سرویسهای ورودی و مدیریت از راه دور را محدود کنید.
- چرخه عمر مدل: نسخه مدل، دامنه دادههای آموزشی، نتایج اعتبارسنجی، آستانههای اطمینان و روش بازگشت به نسخه قبلی را ثبت کنید.
- رفتار ایمن در برابر خرابی: ثابت کنید که از دسترفتن یا خرابشدن خروجی هوش مصنوعی نمیتواند اینترلاکهای PLC یا عملکردهای ایمنی را مختل کند.
- قابلیت سرویسدهی: قابلتعویضبودن حافظه ذخیرهسازی، نگهداری فن یا فیلتر، پشتیبانی از درایور GPU و تصویر سیستمعامل پشتیبانیشده را بررسی کنید.
جایگاه آن در سبد محصولات کنونی راکول
عرضههای اخیر راکول سه لایه متمایز را نشان میدهند، نه یک پلتفرم همهمنظوره. PanelView Pro برای نمایش اطلاعات اپراتورها و مهاجرت FactoryTalk View ME است؛ LogixEdge کنترل Logix را با بارهای کاری لبهایِ کانتینری ترکیب میکند؛ و سیستمهای جدید EdgeAI 6300B-SB1 ظرفیت GPU بیشتری برای بارهای کاری نیازمند شتابدهی موازی فراهم میکنند. انتخاب از میان آنها باید با توجه به بار کاری، پیامد خرابی و الزامات چرخه عمر آغاز شود، نه با تمایل کلی به «افزودن هوش مصنوعی».
این معماری با تلاشهای دیگر فروشندگان برای ترکیب هوش مصنوعی لبهای و کنترل صنعتی نیز قابل مقایسه است؛ مانند یکپارچهسازی کنترل حرکت CODESYS و EtherCAT شرکت Advantech روی NVIDIA Jetson. در هر دو مورد، تجمیع میتواند دسترسی به دادهها را سادهتر کند و در عین حال اهمیت جداسازی بارهای کاری، مدیریت وصلهها و آزمون بازیابی را افزایش دهد.
ارزیابی تحریریه
سیستمهای EdgeAI 2000 و 4000 راکول، راهکاری پشتیبانیشده در اختیار تولیدکنندگان میگذارند تا بارهای کاری سنگینتر هوش مصنوعی را در نزدیکی خط تولید اجرا کنند. این اعلام از نظر فنی معتبر است، اما هنوز اطلاعات لازم برای تعیین مشخصات را کامل نمیکند. پیش از خرید، مهندسان به برگه مشخصات نهایی، سیاست چرخه عمر و محدودیتهای دقیق پیکربندی نیاز دارند؛ سپس باید بازبینی معماری انجام شود تا قابلیتهای مشورتی هوش مصنوعی خارج از مرزهای قطعی و ایمنیحساس باقی بمانند.