Miért tolódik az ipari hibafelismerés az edge felé?

A gyártók továbbra is a magasabb termékminőségre, az alacsonyabb működési költségekre és a nagyobb termelési hatékonyságra törekednek. Ahogy a gyártósorok gyorsabbá és automatizáltabbá válnak, a hagyományos ellenőrzési módszerek nehezen tudnak lépést tartani a modern áteresztőképességi követelményekkel. Az emberi ellenőrzés számos iparágban továbbra is értékes, de gyakran változékonysággal, a fáradtságból eredő hibákkal és a skálázhatóság korlátaival jár.

Ezzel egyidejűleg az ipari létesítmények ma már hatalmas mennyiségű működési adatot állítanak elő érzékelők, kamerák, vezérlők és csatlakoztatott eszközök révén. Ezek az adatforrások lehetőséget teremtenek olyan fejlett analitikai és gépi tanulási alkalmazások számára, amelyek már jóval azelőtt képesek azonosítani a minőségi problémákat, hogy a termékek eljutnának a vásárlókhoz.

Az elmúlt évek egyik legjelentősebb fejleménye a gépi tanulási modellek közvetlen üzembe helyezése az ipari edge-en. Ahelyett, hogy minden képet egy távoli felhőplatformra küldenének elemzésre, a gyártók helyben is elvégezhetik a hibafelismerést a gyártóberendezések közelében telepített ipari számítógépeken, beágyazott processzorokon és edge-átjárókon.

Ez a megközelítés jelentősen csökkenti a késleltetést, miközben javítja a rendszer válaszkészségét. A gyártóberendezések azonnal reagálhatnak az észlelt hibákra, elutasíthatják a nem megfelelő termékeket, riasztásokat indíthatnak, illetve korrekciós intézkedéseket kezdeményezhetnek anélkül, hogy meg kellene várniuk a felhőben végzett feldolgozást.

A felhőplatformok továbbra is nélkülözhetetlenek a gépi tanulási modellek betanításához, kezeléséhez és fejlesztéséhez. Az edge computing azonban lehetővé teszi, hogy a gyárak valós időben, az adatok keletkezési helyén hajtsák végre a következtetést. A felhőalapú intelligencia és az edge-en történő végrehajtás kombinációja az ipari automatizálás hatékony architektúrájává vált.

Az ezt az architektúrát támogató vezető technológiák közé tartozik az Amazon SageMaker és az AWS IoT Greengrass. Ezek a platformok együtt keretrendszert biztosítanak a gyártási hibafelismerési alkalmazásokban használt gépi tanulási modellek létrehozásához, üzembe helyezéséhez, felügyeletéhez és folyamatos fejlesztéséhez.

1. ábra. Az automatizált gépi látórendszerek nagy sebességű minőségellenőrzést tesznek lehetővé a modern gyártási környezetekben.

Az ipari hibafelismerési kihívás megértése

A hibák felismerése első látásra egyszerűnek tűnik. Egy kamera képet készít, a szoftver kiértékeli a terméket, a rendszer pedig meghatározza, hogy a termék megfelelt-e az ellenőrzésen. A gyakorlatban azonban az ipari ellenőrzési környezetek számos műszaki kihívást tartogatnak.

A termékek eltérő sebességgel haladnak. A fényviszonyok a nap folyamán változnak. A felületi anyagok eltérően verhetik vissza a fényt. A gyártási tűrések kisebb eltéréseket okozhatnak az elfogadható termékek között. A por, a rezgés, a hőmérséklet-ingadozások és a környezeti feltételek tovább nehezíthetik a képrögzítést.

A gyártóknak ezért olyan ellenőrzőrendszereket kell kialakítaniuk, amelyek képesek megkülönböztetni a normál gyártási eltéréseket a tényleges hibáktól.

A gyakori gyártási hibák közé tartoznak:

• Felületi karcolások
• Repedések és törések
• Hiányzó alkatrészek
• Összeszerelési hibák
• Nem megfelelő hegesztések
• Festési hibák
• Buborékok és üregek
• Méreteltérések
• Csomagolási hibák
• Címkézési hibák

Az olyan iparágakban, mint az autógyártás, a félvezetőgyártás, a gyógyszergyártás, az élelmiszer-feldolgozás, az elektronikai összeszerelés és az energiatermelés, a hibák felismerése közvetlenül befolyásolja a jövedelmezőséget és az ügyfelek elégedettségét.

Egy fel nem ismert hiba garanciális igényekhez, biztonsági incidensekhez, termékvisszahívásokhoz, hatósági büntetésekhez vagy a márka hírnevének romlásához vezethet. Ezzel szemben a túl szigorú ellenőrzési kritériumok növelhetik a selejtarányt és csökkenthetik a termelés hatékonyságát.

A gépi tanulás úgy segít kezelni ezeket a kihívásokat, hogy nagy adathalmazokból tanul mintázatokat, ahelyett hogy kizárólag manuálisan programozott ellenőrzési szabályokra támaszkodna.

A gépi látás túllépett a hagyományos, szabályalapú ellenőrzésen

A hagyományos gépi látórendszerek nagymértékben determinisztikus képfeldolgozó algoritmusokra támaszkodnak. A mérnökök manuálisan határozzák meg a küszöbértékeket, az élérzékelési paramétereket, a geometriai méréseket és a jellemzők felismerésére vonatkozó szabályokat.

Ezek a megközelítések számos alkalmazásban továbbra is hatékonyak. Azonban egyre nehezebbé válik a karbantartásuk, amikor a termékek jelentős változatosságot mutatnak, vagy a hibák kiszámíthatatlan formákban jelennek meg.

A modern gépi tanulási modellek alapvetően eltérő megközelítést kínálnak.

Ahelyett, hogy minden ellenőrzési szabályt manuálisan határoznának meg, a mérnökök több ezer vagy akár több millió minta képével tanítják a modelleket. A rendszer megtanulja az elfogadható és a hibás termékeket megkülönböztető jellemzőket.

Ez lehetővé teszi, hogy a gépi tanulási rendszerek olyan finom mintázatokat is felismerjenek, amelyeket a hagyományos képfeldolgozó algoritmusok nehezen azonosítanak.

Az ipari ellenőrzőrendszerekben gyakran többféle gépi tanulási megközelítést alkalmaznak.

Képosztályozás

A besorolási modellek meghatározzák, hogy egy kép egy adott kategóriába tartozik-e.

A modell például a termékeket a következőképpen osztályozhatja:

• Megfelelt
• Nem felelt meg
• Sérült
• Hiányos
• Eltérő pozícióban

A besorolás gyakran a legegyszerűbb telepítési modell, és számos gyártási alkalmazás hatékony kiindulópontja.

Objektumészlelés

Az objektumészlelés a jelenlét és a hely meghatározásával egészíti ki az osztályozást.

Ahelyett, hogy csupán jelezné egy hiba jelenlétét, a modell azonosítja, hol jelenik meg a hiba a képen belül.

Ez a képesség lehetővé teszi a karbantartási csapatok és a minőségmérnökök számára, hogy jobban megértsék a folyamatproblémákat és azok kiváltó okait.

Szemantikus szegmentálás

A szemantikus szegmentálás képpontszintű elemzést biztosít.

Minden képpont osztályozási címkét kap, így a rendszer képes azonosítani a hiba pontos határait.

A szegmentálási modellek különösen hasznosak, amikor a gyártóknak részletes információra van szükségük a repedések méretéről, a korróziós területekről, a bevonathibákról vagy az anyag inkonzisztenciáiról.

A fejlett szegmentálási technikák támogathatják az előrejelző minőségbiztosítási kezdeményezéseket, amelyekben a hibák növekedési mintázatai a szélesebb körű folyamatoptimalizálási törekvések részévé válnak.

Miért fontos az élen végzett AI az ipari automatizálásban?

Számos ipari létesítményre továbbra is szigorú megbízhatósági követelmények vonatkoznak. A gyártósorok gyakran hosszú időn át folyamatosan működnek, és nem támaszkodhatnak teljes mértékben a felhőkapcsolatra.

Minden vizsgálati kép távoli szerverre küldése számos korlátozással jár:

• Hálózati késleltetés
• Sávszélesség-felhasználás
• Felhőalapú feldolgozási költségek
• Kiberbiztonsági aggályok
• Kapcsolati kockázatok

Vegyünk egy palackozóüzemet, amely percenként több ezer tartályt gyárt. A nagy felbontású kamerák óránként gigabájtnyi képadatot is létrehozhatnak.

Minden kép felhőbe továbbítása költséges és szükségtelen.

Ehelyett az élen végzett következtetés lehetővé teszi a helyi döntéshozatalt, miközben csak a releváns információkat továbbítja a központi rendszereknek.

Ez az architektúra szorosan illeszkedik a modern ipari automatizálási stratégiákhoz, amelyekben az üzemeltetési technológiai (OT) rendszerek egyre inkább integrálódnak az informatikai (IT) infrastruktúrába.

Az ipari élen végzett AI számos automatizálási környezetet támogathat, többek között:

• PLC-vezérelt gyártósorok
• DCS-alapú technológiai üzemek
• SCADA-felügyeleti rendszerek
• Turbinafelügyeleti hálózatok
• Csomagológépek
• Robotizált összeszerelő cellák
• Raktárautomatizálási rendszerek

Számos üzem már jelentős ipari beszállítók automatizálási platformjait használja. Az élen végzett AI-megoldások együttműködhetnek többek között az Allen-Bradley ControlLogix, a Siemens SIMATIC S7, az ABB 800xA, a Honeywell Experion PKS, az Emerson DeltaV és a Yokogawa CENTUM VP rendszereivel.

Ezekben a környezetekben a gépi látórendszerek az üzemeltetési intelligencia újabb forrásává válnak, amely támogatja az átfogó termelési célkitűzéseket.

Az Amazon SageMaker szerepe az ipari gépi tanulásban

Az Amazon SageMaker felhőalapú környezetet biztosít gépi tanulási modellek létrehozásához, betanításához, optimalizálásához, üzembe helyezéséhez és kezeléséhez.

Egyik legfontosabb előnye, hogy leegyszerűsít számos, hagyományosan a gépi tanulás fejlesztéséhez kapcsolódó feladatot.

Az adattudósok és mérnökök az infrastruktúra kezelése helyett a modell teljesítményére összpontosíthatnak.

Gyártási környezetben a SageMaker a gépi tanulási életciklus egészét támogatni tudja.

Adatgyűjtés és -előkészítés

Minden sikeres hibadetektálási projekt alapja a kiváló minőségű adathalmaz.

A gyártók jellemzően ipari kamerákat telepítenek a gyártósorok mentén kijelölt ellenőrzési pontokra. Ezek a kamerák elfogadható és hibás termékekről egyaránt képeket készítenek.

A begyűjtött képeket ezt követően címkézni és rendszerezni kell.

A pontos címkézés közvetlenül befolyásolja a modell teljesítményét. A rosszul címkézett adathalmazok gyakran téves pozitív és téves negatív eredményeket okoznak a telepítés során.

A hibadetektálási alkalmazásokhoz a mérnökök gyakran a következőket azonosító annotációkat készítenek:

• Hiba típusa
• Hiba helye
• Hiba súlyossága
• Termékkategória
• Gyártási tétel adatai

Az adathalmazok bővülésével a gyártók további gyártási forgatókönyvek bevonásával folyamatosan javíthatják a modell pontosságát.

Modellbetanítás és -optimalizálás

A gépi tanulási modellek betanítása jelentős számítási erőforrásokat igényel.

Itt nyújt a felhőinfrastruktúra jelentős előnyöket.

Ahelyett, hogy dedikált helyszíni MI-szerverekbe fektetnének, a gyártók skálázható felhő-erőforrásokat használhatnak a modellek hatékonyabb betanítására.

A SageMaker több, az ipari gépi látási alkalmazásokban gyakran használt keretrendszert és modellarchitektúrát támogat.

A népszerű neurális hálózati architektúrák közé tartoznak:

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

Minden architektúra eltérő kompromisszumokat kínál a pontosság, a számítási követelmények és az inferencia sebessége között.

Az ipari mérnökök gyakran több architektúrát is kiértékelnek, mielőtt kiválasztják a gyártási bevezetéshez optimális modellt.

Hardverfüggő modelltelepítés

Az ipari MI-projektek egyik legnagyobb kihívása a felhőben betanított modellek átvitele korlátozott erőforrású peremhálózati hardverre.

Egy felhőalapú GPU-n kivételesen jól teljesítő modell nehézségekbe ütközhet, amikor ipari átjárón vagy beágyazott processzoron telepítik.

A SageMaker olyan eszközöket biztosít, amelyek segítenek a modellek célhardver-platformokra történő optimalizálásában.

Ez az optimalizálási folyamat csökkenti a memóriaigényt, javítja az inferencia sebességét és mérsékli az energiafogyasztást, miközben fenntartja az elfogadható pontosságot.

Az ilyen képességek különösen fontossá válnak nagy léptékű gyártási környezetekben, ahol több száz vagy akár több ezer peremeszköz működhet egyidejűleg.

A 2. részben megvizsgáljuk, hogyan telepíti és kezeli az AWS IoT Greengrass ezeket a modelleket az ipari peremhálózaton, feltárjuk a felhőből a peremhálózatra irányuló hibadetektálási munkafolyamatokat, áttekintjük a gyakorlati megvalósítási architektúrákat, valamint valós gyártási felhasználási eseteket vizsgálunk PLC-kkel, SCADA-rendszerekkel, DCS-platformokkal és prediktív minőségbiztosítási programokkal kapcsolatban.

Gépi tanulási modellek bevezetése a gyártósorra az AWS IoT Greengrass segítségével

A gépi tanulási modell betanítása csak az út egy része. A gyártóknak végső soron praktikus módra van szükségük e modellek gyártóüzemekben történő üzembe helyezéséhez, kezeléséhez, felügyeletéhez és frissítéséhez. Ebben válik az AWS IoT Greengrass az architektúra kritikus összetevőjévé.

Az AWS IoT Greengrass peremfuttatási környezetként szolgál, amely lehetővé teszi, hogy a szoftverek, a gépi tanulási modellek és az automatizálási alkalmazások közvetlenül az ipari eszközökön fussanak. A folyamatos felhőkapcsolatra való támaszkodás helyett a Greengrass lehetővé teszi a következtetési feladatok helyi végrehajtását, miközben fenntartja a szinkronizációt a központi felhőszolgáltatásokkal.

A gyártóüzemek számára ez az architektúra egyensúlyt teremt a felhő skálázhatósága és a helyi reakcióképesség között.

A termelőberendezések ideiglenes hálózati kimaradások esetén is folytathatják működésüket. A minőségellenőrzési döntések valós időben továbbra is elérhetők, az üzemeltetési adatok pedig a kapcsolat helyreállítása után szinkronizálhatók a felhőrendszerekkel.

Ez a képesség különösen értékes nagy ipari környezetekben, ahol a gyártósorok több épületben, távoli létesítményekben vagy földrajzilag elosztott gyártóhelyszíneken működhetnek.

2. ábra. Az AWS IoT Greengrass lehetővé teszi a gépi tanulási következtetések közvetlen végrehajtását ipari peremeszközökön, miközben fenntartja a felhőintegrációt.

Ipari hibafelismerési folyamat kiépítése a felhőtől a peremhálózatig

A sikeres hibafelismerő rendszerekhez többre van szükség, mint egy betanított neurális hálózatra. A gyártóknak teljes életciklust kell kialakítaniuk, amely kezeli az adatgyűjtést, a modellfejlesztést, az üzembe helyezést, a felügyeletet és a folyamatos fejlesztést.

Egy modern, felhőtől a peremhálózatig terjedő vizsgálati architektúra jellemzően több szakaszból áll.

1. szakasz: Képfelvétel

A folyamat a képek összegyűjtésével kezdődik.

Az ipari kamerák a gyártóberendezéseken, szállítószalagokon, robotizált munkaállomásokon vagy összeszerelő cellákon áthaladó termékeket rögzítik. A kamera kiválasztása az alkalmazási követelményektől függ, és többek között az alábbiakat foglalhatja magában:

• Területletapogató kamerák
• Soros letapogatású kamerák
• 3D-s látásérzékelő kamerák
• Hőkamerás képalkotó rendszerek
• Hiperspektrális képalkotó érzékelők

A megfelelő világítástervezés ugyanolyan fontos. Még a fejlett gépi tanulási modellek is nehezen boldogulnak, ha a képminőség nem egyenletes.

A sikeres üzembe helyezések gyakran szabályozott megvilágítási környezetet foglalnak magukban, amely minimalizálja az árnyékokat, a visszaverődéseket és a környezeti fény változásait.

2. szakasz: Adatcímkézés és annotáció

A képek összegyűjtése után a mérnökök létrehozzák a tanítási adatkészleteket.

A képeknek pontosan kell ábrázolniuk mind a normál, mind a hibás működési körülményeket. Sok szervezet kezdetben alábecsüli ezt a szakaszt. A valóságban az adatkészlet minősége gyakran nagyobb mértékben határozza meg a projekt sikerét, mint a modell kiválasztása.

A gyártóknak több termelési műszakból, eltérő berendezésállapotokból, nyersanyag-tételekből és környezeti körülmények közül kell mintákat gyűjteniük.

Ez a sokféleség segít biztosítani a modell robusztusságát az üzembe helyezést követően.

3. szakasz: Modellbetanítás a SageMakerben

A tanítás az Amazon SageMakerben, felhőalapú számítási erőforrások használatával zajlik.

A mérnökök több architektúrát értékelnek, és optimalizálják a hiperparamétereket a teljesítmény javítása érdekében.

A tipikus optimalizálási célok a következők:

• Nagyobb felismerési pontosság
• Kevesebb hamis pozitív találat
• Kevesebb hamis negatív találat
• Gyorsabb következtetési sebesség
• Alacsonyabb memóriahasználat

A gyártási környezetek gyakran a megbízhatóságot részesítik előnyben a pontosság csekély javulásával szemben. Egy kissé alacsonyabb pontosságú, de rendkívül kiszámíthatóan működő modell a valós gyártási körülmények között jobban teljesíthet, mint egy elméletileg kiválóbb modell.

4. szakasz: Telepítés az élen

Az érvényesítés után a SageMaker csomagolja a modellt a telepítéshez.

A Greengrass szétosztja a modellt az éleszközökön, ahol a helyi következtetés végbemegy.

Az alkalmazástól függően a telepítés célhardverei a következők lehetnek:

• Ipari PC-k
• Beágyazott MI-átjárók
• ARM-alapú élvezérlők
• GPU-val felszerelt élszerverek
• Gépi látórendszerekbe integrált ipari számítógépek

A következtetés helyben fut, így az ellenőrzési eredmények ezredmásodperceken belül rendelkezésre állnak.

5. szakasz: Folyamatos fejlesztés

Ennek az architektúrának talán a legerősebb eleme a visszacsatolási hurok.

Az éleszközök a kiválasztott képeket és működési mutatókat feltölthetik a felhőbe. A mérnökök áttekintik a nehéz eseteket, felcímkézik az új adatokat, újratanítják a modelleket, majd telepítik a frissített verziókat.

Ez folyamatosan fejlődő ellenőrzőrendszert hoz létre, amely alkalmazkodik a változó gyártási körülményekhez.

Ipari automatizálási integráció a gépi látáson túl

A hibafelismerő rendszerek akkor biztosítják a legnagyobb értéket, ha integrálják őket a meglévő automatizálási infrastruktúrába.

Egy önálló kamera, amely csupán azonosítja a hibákat, korlátozott működési előnyt biztosít. A modern gyártók egyre gyakrabban közvetlenül a gyártásvezérléshez kapcsolják az ellenőrzőrendszereket.

Például egy ellenőrzési eredmény automatikusan elindíthatja a következőket:

• Termékkiselejtező mechanizmusok
• Robotizált válogatórendszerek
• Riasztási értesítések
• A gyártósor lelassítása
• Karbantartási munkamegrendelések
• Minőségjelentési rendszerek

Sok üzem ezt az integrációt olyan ipari kommunikációs protokollokon keresztül valósítja meg, mint az EtherNet/IP, a PROFINET, a Modbus TCP, az OPC UA és az MQTT.

A gépi látórendszer a tágabb automatizálási ökoszisztéma egy újabb intelligens csomópontjává válik.

A modern PLC-platformokat üzemeltető szervezetek gyakran közvetlenül a vezérlési logikába integrálják az ellenőrzési eredményeket. Az Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon vagy Mitsubishi MELSEC vezérlőkre épülő rendszerek képesek fogadni a hibákra vonatkozó adatokat, és automatikus válaszokat indítani.

A vezérlők korszerűsítését vagy bővítési projekteket értékelő üzemek gyakran áttekintik a rendelkezésre álló hardvereket a PLC- és PAC-rendszerek kategóriában, hogy támogassák a jövőbeli ipari MI-kezdeményezéseket.

Hibák észlelése nagy sebességű gyártási környezetekben

Nem minden gyártási környezet támaszt azonos követelményeket.

Az ellenőrzési stratégiáknak összhangban kell lenniük a gyártási sebességgel, a termék összetettségével és az üzleti célkitűzésekkel.

Elektronikai gyártás

Az elektronikai gyártás során gyakran rendkívül kisméretű hibák fordulnak elő, amelyeket az emberi kezelők nehezen tudnak következetesen azonosítani.

A gépi tanulási rendszerek a következőket ellenőrizhetik:

• Forrasztási kötések
• NYÁK-vezetősávok
• Csatlakozók elhelyezkedése
• Alkatrész-orientáció
• Felületi szennyeződés

Mivel a gyártási volumenek magasak, már a felismerési pontosság kisebb javulása is jelentős költségmegtakarítást eredményezhet.

Autóipari gyártás

Az autóipari üzemek gyakran telepítenek gépi látórendszereket a karosszéria-összeszerelés, a festés, a hajtáslánc-gyártás és a végső összeszerelés során.

Az ellenőrzőrendszerek a következőket észlelhetik:

• Festési hibák
• Hegesztési minőségi problémák
• Hiányzó rögzítőelemek
• Alkatrészek eltolódása
• Felületi tökéletlenségek

A peremhálózati feldolgozás különösen fontossá válik, mivel a gyártósorok nagy sebességgel működnek, és nem tolerálják a túlzott késleltetést.

Élelmiszer- és italipari feldolgozás

Az élelmiszergyártók gyakran gépi látást használnak a csomagolási hibák, címkézési problémák, szennyeződési kockázatok és töltésszint-eltérések azonosítására.

A gyors helyi döntéshozatal segít megelőzni, hogy a hibás termékek eljussanak a további csomagolási és disztribúciós folyamatokba.

Gyógyszergyártás

A szabályozott iparágak rendkívül megbízható ellenőrzőrendszereket igényelnek.

A gépi tanulási modellek támogathatják a validálási tevékenységeket a csomagolási hibák, címkézési hibák, ampullaszennyeződés és termék-inkonzisztenciák felismerésével, miközben részletes auditnyomokat vezetnek.

Peremhálózati mesterséges intelligencia és prediktív minőségirányítás

Számos szervezet kezdetben kizárólag megfelelt/nem felelt meg típusú ellenőrzésre telepít gépi látórendszereket. Idővel azonban a gyártók gyakran sokkal nagyobb lehetőséget fedeznek fel.

A hibákra vonatkozó adatok értékes információkat tartalmaznak a folyamat teljesítményéről.

A gyártók a hibák előfordulásának trendjeit elemezve még azelőtt azonosíthatják a kialakulóban lévő gyártási problémákat, hogy a minőségi szint jelentősen romlana.

Ezt a koncepciót időnként prediktív minőségnek nevezik.

A karcolási hibák számának növekedése például szerszámkopásra utalhat. A méreteltérések növekvő száma kalibrációs eltolódásra utalhat. A felületi minőséggel kapcsolatos problémák a gyártási folyamat korábbi szakaszában használt berendezések hibáira deríthetnek fényt.

Ipari monitorozórendszerekkel integrálva a hibafelismerési adatok az üzemi intelligencia további forrásává válnak.

A gépek megbízhatóságáért felelős szervezetek gyakran kombinálják a minőségfelügyeletet a rezgéselemzéssel és az eszközállapot-felügyeleti platformokkal. Ezekben a környezetekben a gépállapot-felügyeleti megoldások, például a Gépmonitorozás portfólióban találhatók, gyakran kiegészítik a szélesebb körű prediktív karbantartási kezdeményezéseket.

Hardveres szempontok ipari peremhálózati MI-telepítésekhez

A megfelelő hardverplatform kiválasztása továbbra is az egyik legfontosabb tervezési döntés minden peremhálózati MI-projektben.

Az ideális hardver több tényezőtől függ:

• Képfelbontás
• Ellenőrzési sebesség
• A modell összetettsége
• Elérhető tápellátás
• Környezeti feltételek
• Skálázhatósági követelmények

Az ipari létesítmények egyre gyakrabban telepítenek dedikált neurális feldolgozóegységeket (NPU-kat), grafikus gyorsítókat és MI-következtetési motorokat tartalmazó processzorokat.

Ezek a képességek jelentősen javítják a gépi tanulás teljesítményét, miközben csökkentik az energiafogyasztást.

Az olyan platformok, mint az NXP i.MX 8M Plus, jól példázzák, hogyan fejlődik a beágyazott hardver kifejezetten az ipari MI-munkaterhelések támogatására.

Ahogy terjed a mesterséges intelligencia alkalmazása, a hardver optimalizálása egyre fontosabbá válik, mivel a gyártóknak egyensúlyt kell teremteniük a teljesítmény, az életciklus-támogatás, a kiberbiztonság és a teljes birtoklási költség között.

Kiberbiztonsági szempontok a hálózatba kapcsolt ellenőrzőrendszereknél

Minden hálózathoz kapcsolt ipari eszköz potenciális kiberbiztonsági kockázatokat hordoz.

A gépi látórendszerek sem kivételek.

A felhőhöz kapcsolódó ellenőrzési architektúrákat bevezető szervezeteknek egyértelmű kiberbiztonsági szabályzatokat kell kialakítaniuk, amelyek kiterjednek a következőkre:

• Identitáskezelés
• Eszközhitelesítés
• Titkosított kommunikáció
• Hálózati szegmentálás
• Szoftverjavítások telepítése
• Hozzáférés-vezérlési szabályzatok

Sok gyártó már alkalmazza ezeket az elveket teljes OT-környezetében, beleértve a PLC-hálózatokat, a SCADA-rendszereket, az elosztott vezérlőrendszereket és az ipari adatelőzmény-rendszereket.

A gépi tanulási infrastruktúrának ugyanazt a kiberbiztonsági keretrendszert kell követnie.

Hibafelismerő rendszerek összekapcsolása a SCADA-val, a MES-sel és az egész üzem működésével

Sok gyártó kezdetben önálló ellenőrzőállomásként telepít gépi látórendszereket. Bár ez a megközelítés javíthatja a minőség-ellenőrzést, az ipari mesterséges intelligencia valódi értéke akkor bontakozik ki, amikor az ellenőrzési adatok egy nagyobb operatív ökoszisztéma részévé válnak.

A modern gyártóüzemek egyre gyakrabban kapcsolják össze a minőségirányítási rendszereket a felügyeleti vezérlő- és adatgyűjtő (SCADA) platformokkal, a gyártás-végrehajtási rendszerekkel (MES), a vállalati jelentéskészítő eszközökkel és az üzemi adatelőzmény-rendszerekkel. Ez az integráció a hibafelismerést reaktív minőségügyi funkcióból proaktív operatív intelligenciaplatformmá alakítja.

Amikor egy gépi látórendszer hibát azonosít, az információ valós időben továbbítható az egész üzemben. A termelési vezetők SCADA-irányítópultokon követhetik a minőségi trendeket, a karbantartócsapatok automatikus értesítéseket kaphatnak, a folyamatmérnökök pedig összefüggésbe hozhatják a hibákat a gépparaméterekkel, a környezeti feltételekkel vagy a nyersanyagok változásaival.

Egy csomagolóüzem például felfedezheti, hogy a címkeelhelyezési hibák száma megnő, amikor a szállítószalag sebessége meghalad egy bizonyos küszöbértéket. Egy autógyártó összefüggést azonosíthat a hegesztési hibák és a robot kalibrációs eltolódása között. Egy gyógyszergyár a csomagolási rendellenességeket konkrét berendezésbeállításokhoz vagy gyártási tételekhez kötheti.

Integráció nélkül ezek a betekintések gyakran elszigetelt ellenőrzőrendszerekben maradnak rejtve.

Számos szervezet az OPC UA-t használja elsődleges kommunikációs rétegként a gépi látórendszerek és a magasabb szintű ipari szoftverek között. Az MQTT is egyre népszerűbb könnyű architektúrája és az ipari tárgyak internetéhez (IIoT) való alkalmassága miatt.

Ahogy a gyártók továbbra is az Ipar 4.0 kezdeményezéseit követik, a hibadetektáló rendszerek stratégiai adatforrásokká fejlődnek, amelyek az egész vállalatra kiterjedő döntéshozatalt támogatják.

Felhőalapú MI a peremalapú MI-vel szemben: Miért választja a legtöbb gyár a hibrid megközelítést?

Az ipari szervezetek gyakran teszik fel a kérdést, hogy a gépi tanulási alkalmazásoknak teljes egészében a felhőben vagy teljes egészében a peremen kell-e futniuk. A valóságban a sikeres telepítések többsége olyan hibrid architektúrát használ, amely mindkét környezet előnyeit ötvözi.

A felhőplatformok kiválóan alkalmasak modellbetanításra, nagyméretű adattárolásra, központi kezelésre és hosszú távú elemzésre. A mélytanulási modellek betanítása gyakran jelentős számítási erőforrásokat igényel, amelyek közvetlenül a gyári berendezéseken történő üzembe helyezése nem lenne praktikus.

A peremeszközök ezzel szemben az ipari műveletekhez szükséges gyors reagálást biztosítják. Az ellenőrzési döntéseket gyakran ezredmásodperceken belül kell meghozni. A gyártósorok nem várhatnak a felhővel folytatott kommunikációra annak eldöntéséhez, hogy egy termék megfelel-e az ellenőrzésen.

Vegyünk egy elektronikai összeszerelő sort, amely óránként több ezer nyomtatott áramköri lapot gyárt. A nagy felbontású ellenőrzőkamerák egyetlen gyártási műszak alatt terabájtnyi képadatot is generálhatnak. Ha minden képet egy távoli felhőplatformra küldenének, az növelné a sávszélességigényt, és szükségtelen késleltetést okozna.

A képek helyi feldolgozásával csak a releváns információkat kell továbbítani a felhőbe. Ez jelentősen csökkenti a kommunikációs terhelést, miközben megőrzi a valós idejű teljesítményt.

Egy tipikus hibrid architektúra egyszerű munkafolyamatot követ:

• A felhőinfrastruktúra betanítja és validálja a modelleket.
• A SageMaker optimalizálja a modelleket az üzembe helyezéshez.
• Az AWS IoT Greengrass modelleket terjeszt a peremeszközökre.
• A peremeszközök helyi következtetést végeznek.
• A kiválasztott ellenőrzési eredmények visszakerülnek a felhőbe.
• A mérnökök új adatok felhasználásával újratanítják és továbbfejlesztik a modelleket.

Ez a visszacsatolási kör folyamatos fejlesztést tesz lehetővé a gyártási teljesítmény feláldozása nélkül.

A hibrid modell a több telephelyen működő gyártási folyamatokat is támogatja, amelyekben központosított mérnöki csapatok kezelik a gépi tanulási eszközöket számos létesítményben.

Valós gyártási alkalmazások élalapú hibadetektáláshoz

Bár a gépi látás már évtizedek óta létezik, a gépi tanulás legújabb fejlődései kibővítették azoknak az ellenőrzési alkalmazásoknak a körét, amelyeket a gyártók automatizálhatnak.

Karosszéria-ellenőrzés az autóiparban

Az autógyártóknak szigorú esztétikai és méretpontossági szabványoknak kell megfelelniük. Még a kisebb festékhibák vagy felületi egyenetlenségek is költséges utómunkát tehetnek szükségessé.

A gépi tanulási rendszerek képesek azonosítani az apró festékhibákat, karcolásokat, horpadásokat és bevonati egyenetlenségeket, amelyeket a hagyományos ellenőrzési módszerek esetleg nem vesznek észre.

A peremhálózaton közvetlenül végzett következtetéssel a gyártók még azelőtt kiszűrhetik a hibás alkatrészeket, hogy azok a következő összeszerelési folyamatokba kerülnének.

Félvezetőgyártás

A félvezetőgyártás a modern ipar egyik legnagyobb kihívást jelentő ellenőrzési követelményeit támasztja. A mikronokban mért hibák befolyásolhatják a termék teljesítményét és kihozatalát.

A fejlett gépi tanulási modellek segítenek azonosítani a szeletszennyeződéseket, a litográfiai hibákat és a folyamat anomáliáit, amelyeket a hagyományos látóalgoritmusokkal nehéz lehet észlelni.

Mivel a félvezetőgyártó üzemek hatalmas mennyiségű képadatot generálnak, a peremhálózati feldolgozás segít csökkenteni a hálózati torlódást, miközben fenntartja az ellenőrzési áteresztőképességet.

Élelmiszer-csomagolás ellenőrzése

Az élelmiszer- és italgyártókra egyre nagyobb nyomás nehezedik a csomagolás minőségének, nyomon követhetőségének és a jogszabályi megfelelésnek a biztosítása érdekében.

A gépi tanulási rendszerek a következőket tudják ellenőrizni:

• Címke pontossága
• Lejárati dátumok
• Zárás épsége
• Csomagolás méretei
• Töltöttségi szintek
• Termék tájolása

Ezek az ellenőrzések folyamatosan, olyan gyártási sebesség mellett zajlanak, amelyet a kézi ellenőrzést végző dolgozók nem tudnának tartósan fenntartani.

Akkumulátorgyártás

Az elektromos járművek gyártásának gyors növekedése fokozta az igényt a fejlett akkumulátor-ellenőrzési technológiák iránt.

A gyártók gépi látást és gépi tanulást alkalmaznak az elektródahibák, a bevonat egyenetlenségei, a szennyeződések és az összeszerelési problémák észlelésére az akkumulátorgyártási folyamatok során.

Mivel az akkumulátorhibák a teljesítményt és a biztonságot is befolyásolhatják, az ellenőrzés pontossága továbbra is kritikus működési cél.

Jobb adathalmazok létrehozása az ipari gépi tanuláshoz

Számos szervezet nagy hangsúlyt fektet a modell kiválasztására, miközben figyelmen kívül hagyja az adathalmaz fejlesztésének fontosságát. A valóságban a tanítási adatok minősége gyakran nagyobb hatással van a projekt sikerére, mint az alkalmazott neurális hálózati architektúra.

Egy gépi tanulási modell csak a tanítási adathalmazában elérhető információkból tud tanulni. Ha kritikus hibás helyzetek hiányoznak, a modell nehezen kezelheti ezeket, amikor a gyártás során előfordulnak.

A sikeres ipari adathalmazok jellemzően a következőket tartalmazzák:

• Normál gyártási minták
• Ritka hibás állapotok
• Többféle megvilágítási környezet
• Különböző gyártási műszakok
• Szezonális eltérések
• A berendezések kopási állapota
• Nyersanyag-eltérések
• Karbantartással kapcsolatos folyamatváltozások

A gyártóknak a telepítést követően is folyamatosan bővíteniük kell az adathalmazokat.

A SageMaker- és Greengrass-ökoszisztéma egyik előnye, hogy visszacsatolási mechanizmust hozhat létre a termelési műveletek és a modellfejlesztő csapatok között. A nehéz ellenőrzési esetek áttekinthetők, újracímkézhetők és beépíthetők a későbbi tanítási ciklusokba.

Ez a folyamat fokozatosan javítja a modell teljesítményét, miközben csökkenti a téves pozitív és téves negatív eredmények számát.

Azok a szervezetek, amelyek a gépi tanulást egyszeri projekt helyett folyamatos operatív képességként kezelik, általában a legjobb hosszú távú eredményeket érik el.

Az ipari MI szabványos minőségbiztosítási eszközzé válik

A gépi tanulás, a peremalapú számítástechnika és az ipari automatizálás gyorsan összekapcsolódik. Ami korábban kísérleti technológiának számított, az a minőség javításának, a hulladék csökkentésének és az operatív hatékonyság növelésének praktikus eszközévé válik.

Ahogy a számítási hardver egyre nagyobb teljesítményűvé válik, a gépi tanulási keretrendszerek pedig könnyebben bevezethetővé válnak, minden méretű gyártó kiaknázhatja a fejlett hibadetektáló rendszerek előnyeit.

Az olyan platformok, mint az Amazon SageMaker és az AWS IoT Greengrass, biztosítják a gépi tanulás kutatási környezetekből valódi gyártóüzemekbe történő átültetéséhez szükséges infrastruktúrát.

A legsikeresebb bevezetések nem csupán a hibás termékeket azonosítják. Segítenek a gyártóknak megérteni, miért fordulnak elő hibák, előre jelezni a minőségi problémákat, mielőtt azok súlyosbodnának, és folyamatosan optimalizálni a gyártási folyamatokat.

Az elkövetkező években a peremalapú gépi látás valószínűleg ugyanolyan általánossá válik a gyártósorokon, mint ma a PLC-k, a HMI-k, az ipari hálózatok és a SCADA-rendszerek. Azok az üzemek, amelyek már most elkezdik kiépíteni ezeket a képességeket, jobb helyzetben lesznek a minőség javításához, a kihozatal maximalizálásához és a versenyhez az egyre inkább adatalapú gyártási piacokon.

Az ipari hibadetektálás jövője

Az ipari hibadetektálás folyamatosan fejlődik az egyszerű képelemzéstől az intelligens, adaptív minőségbiztosítási rendszerek felé.

A gépi tanulás, a peremalapú számítástechnika, az ipari hálózatok és a felhőinfrastruktúra fejlődése lehetővé teszi a gyártók számára, hogy a termékeket minden eddiginél gyorsabban és nagyobb pontossággal ellenőrizzék.

Az olyan technológiák, mint az Amazon SageMaker és az AWS IoT Greengrass, segítenek áthidalni a felhőalapú modellfejlesztés és a valós gyári bevezetés közötti szakadékot. Együtt olyan eszközöket biztosítanak a gyártók számára, amelyekkel skálázható ellenőrzőrendszereket építhetnek, amelyek képesek tanulni az üzemeltetési adatokból, és idővel folyamatosan fejlődnek.

Ahogy az ipari szervezetek digitális transzformációs kezdeményezéseket valósítanak meg, a hibadetektálás egyre inkább a gépi látást, a prediktív karbantartást, a folyamatoptimalizálást és az operatív elemzést ötvöző, átfogóbb intelligens gyártási stratégiák részévé válik.

Az eredmény nem csupán jobb minőség-ellenőrzés. Ez egy intelligensebb termelési környezet, ahol az adatalapú döntések a peremen, az értéket létrehozó berendezések, termékek és folyamatok közelében születnek.