Өнеркәсіптік машиналық көру: ақауларды нақты уақытта анықтау үшін Edge AI пайдалану

AWS IoT Greengrass пен Amazon SageMaker машиналық оқыту модельдерін өнеркәсіптік шеткі ортада орналастыру тәсілдерінің бірін ұсынады. Алайда кеңірек үрдіс бір ғана жеткізушінің экожүйесімен шектелмейді. Автомобиль, жартылай өткізгіштер, тамақ өңдеу және технологиялық өндіріс салаларындағы өндірушілер сапаны тексеру мен ақауларды анықтауды жақсарту үшін шеткі AI және машиналық көру технологияларын барған сайын көп енгізіп жатыр.

Өндірістегі ақауларды анықтау неліктен шеткі ортаға көшуде

Өндірушілер өнім сапасын арттыруға, пайдалану шығындарын азайтуға және өндіріс тиімділігін жоғарылатуға ұмтылуын жалғастыруда. Өндіріс желілері жылдам әрі автоматтандырылған бола түскен сайын, дәстүрлі тексеру әдістері заманауи өндіріс қарқынының талаптарына ілесе алмай қалады. Адамның тексеруі көптеген салаларда құнды болып қала береді, бірақ ол көбіне өзгермелілікке, шаршаудан туындайтын қателерге және ауқымдау шектеулеріне әкеледі.

Сонымен қатар өнеркәсіптік нысандар сенсорлар, камералар, контроллерлер және қосылған құрылғылар арқылы қазір орасан көп пайдалану деректерін жасайды. Бұл дереккөздер өнімдер тұтынушыларға жеткенге дейін сапа мәселелерін анықтай алатын озық аналитика мен машиналық оқыту қолданбаларына мүмкіндіктер туғызады.

Соңғы жылдардағы ең елеулі өзгерістердің бірі — машиналық оқыту модельдерін тікелей өнеркәсіптік шеткі ортада орналастыру. Әрбір кескінді талдау үшін қашықтағы бұлттық платформаға жіберудің орнына, өндірушілер ақауларды өндірістік жабдықтың жанында орнатылған өнеркәсіптік компьютерлерде, ендірілген процессорларда және шеткі шлюздерде жергілікті түрде анықтай алады.

Бұл тәсіл кідірісті айтарлықтай азайтып, жүйенің әрекет ету жылдамдығын арттырады. Өндірістік жабдық анықталған ақауларға бірден жауап беріп, талапқа сай емес өнімдерді қабылдамай, дабылдарды іске қосып немесе бұлтта өңдеуді күтпей түзету әрекеттерін бастай алады.

Бұлттық платформалар машиналық оқыту модельдерін оқыту, басқару және жетілдіру үшін әлі де маңызды. Алайда шеткі есептеулер зауыттарға деректер жасалатын жерде нақты уақыт режимінде қорытынды жасауға мүмкіндік береді. Бұлттық интеллект пен шеткі орындауды үйлестіру өнеркәсіптік автоматтандыруға арналған қуатты архитектураға айналды.

Осы архитектураны қолдайтын жетекші технологиялардың қатарында Amazon SageMaker және AWS IoT Greengrass бар. Бұл платформалар өндірістегі ақауларды анықтау қолданбаларында пайдаланылатын машиналық оқыту модельдерін құруға, орналастыруға, бақылауға және үздіксіз жетілдіруге арналған негізді бірге қамтамасыз етеді.

1-сурет. Автоматтандырылған машиналық көру жүйелері заманауи өндіріс орталарында жоғары жылдамдықпен сапаны тексеруге мүмкіндік береді.

Өнеркәсіптік ақауларды анықтау мәселесін түсіну

Ақауларды анықтау сырттай қарағанда оңай көрінеді. Камера кескін түсіреді, бағдарламалық жасақтама өнімді бағалайды, ал жүйе бұйымның инспекциядан өткен-өтпегенін анықтайды. Алайда іс жүзінде өнеркәсіптік инспекция ортасы көптеген техникалық қиындықтар туғызады.

Өнімдер әртүрлі жылдамдықпен қозғалады. Күн бойы жарықтандыру жағдайлары өзгереді. Беткі материалдар жарықты әртүрлі шағылыстыруы мүмкін. Өндірістік рұқсаттар жарамды өнімдер арасында шамалы айырмашылықтар туғызуы мүмкін. Шаң, діріл, температураның ауытқуы және қоршаған орта жағдайлары кескін түсіруді одан әрі қиындатуы мүмкін.

Сондықтан өндірушілер қалыпты өндірістік ауытқуды нақты ақаулардан ажырата алатын инспекция жүйелерін әзірлеуі керек.

Кең таралған өндірістік ақауларға мыналар жатады:

• Беткі сызаттар
• Жарықтар мен сынықтар
• Жетіспейтін құрамдастар
• Құрастыру қателері
• Дұрыс орындалмаған дәнекерлеу жіктері
• Бояу ақаулары
• Көпіршіктер мен қуыстар
• Өлшемдік ауытқулар
• Қаптама ақаулары
• Таңбалау қателері

Автомобиль өндірісі, жартылай өткізгіштерді өндіру, фармацевтика, азық-түлік өңдеу, электроника құрастыру және энергия өндіру сияқты салаларда ақауларды анықтау табыстылық пен тұтынушы қанағаттануына тікелей әсер етеді.

Өткізіліп алынған ақау кепілдік бойынша талаптарға, қауіпсіздік оқиғаларына, өнімді кері қайтарып алуға, реттеуші айыппұлдарға немесе бренд беделіне нұқсан келтіруге әкелуі мүмкін. Керісінше, тым қатаң инспекция критерийлері жарамсыз өнім үлесін арттырып, өндіріс тиімділігін төмендетуі мүмкін.

Машиналық оқыту қолмен бағдарламаланған инспекция ережелеріне ғана сүйенбей, үлкен деректер жиындарынан заңдылықтарды үйрену арқылы осы қиындықтарды шешуге көмектеседі.

Машиналық көру дәстүрлі ережеге негізделген инспекция шеңберінен шықты

Дәстүрлі машиналық көру жүйелері детерминистік кескін өңдеу алгоритмдеріне айтарлықтай сүйенеді. Инженерлер шектерді, жиектерді анықтау параметрлерін, геометриялық өлшемдерді және белгілерді тану ережелерін қолмен анықтайды.

Бұл тәсілдер көптеген қолданбалар үшін тиімді болып қала береді. Алайда өнімдерде айтарлықтай өзгергіштік байқалғанда немесе ақаулар болжанбайтын түрде пайда болғанда, оларды қолдау барған сайын қиындай түседі.

Заманауи машиналық оқыту модельдері түбегейлі өзгеше тәсілді ұсынады.

Инженерлер әрбір инспекция ережесін қолмен анықтаудың орнына, модельдерді мыңдаған, тіпті миллиондаған үлгі кескіндерді пайдаланып оқытады. Жүйе жарамды өнімдерді ақаулы өнімдерден ажырататын сипаттарды үйренеді.

Бұл машиналық оқыту жүйелеріне дәстүрлі көру алгоритмдері анықтауы қиын болуы мүмкін нәзік заңдылықтарды анықтауға мүмкіндік береді.

Өнеркәсіптік инспекция жүйелерінде машиналық оқытудың бірнеше тәсілі жиі қолданылады.

Кескіндерді жіктеу

Жіктеу модельдері кескіннің белгілі бір санатқа жататынын анықтайды.

Мысалы, модель өнімдерді мынадай санаттарға жіктей алады:

• Сәтті
• Сәтсіз
• Зақымдалған
• Толық емес
• Сәйкессіз

Жіктеу көбіне орналастырудың ең қарапайым үлгісі болып табылады және көптеген өндірістік қолданбалар үшін тиімді бастапқы нүкте саналады.

Нысанды анықтау

Нысанды анықтау жіктеуді кеңейтіп, ақаудың бар-жоғын да, орналасқан жерін де анықтайды.

Ақаудың бар екенін ғана хабарлаудың орнына, модель ақаудың кескіннің қай жерінде орналасқанын анықтайды.

Бұл мүмкіндік техникалық қызмет көрсету топтары мен сапа инженерлеріне процестегі мәселелер мен олардың негізгі себептерін жақсырақ түсінуге мүмкіндік береді.

Семантикалық сегментация

Семантикалық сегментация пиксель деңгейінде талдау жүргізеді.

Әрбір пиксельге жіктеу белгісі беріледі, бұл жүйеге ақаудың нақты шекараларын анықтауға мүмкіндік береді.

Сегментация модельдері өндірушілерге сызат өлшемдері, коррозия аумақтары, жабын ақаулары немесе материал сәйкессіздіктері туралы егжей-тегжейлі ақпарат қажет болғанда аса пайдалы.

Жетілдірілген сегментация әдістері ақаулардың ұлғаю заңдылықтары процесті оңтайландырудың кеңірек жұмыстарының бір бөлігіне айналатын болжамды сапа бастамаларын қолдай алады.

Өнеркәсіптік автоматтандыруда Edge AI неліктен маңызды

Көптеген өнеркәсіптік нысандар әлі де қатаң сенімділік талаптарына сай жұмыс істейді. Өндірістік желілер көбіне ұзақ уақыт бойы үздіксіз жұмыс істейді және бұлтқа қосылымға толықтай тәуелді бола алмайды.

Әрбір тексеру кескінін қашықтағы серверге жіберу бірнеше шектеу туындатады:

• Желі кідірісі
• Өткізу қабілетінің жұмсалуы
• Бұлтта өңдеу шығындары
• Киберқауіпсіздік мәселелері
• Байланыс тәуекелдері

Минутына мыңдаған контейнер өндіретін құю цехын қарастырайық. Ажыратымдылығы жоғары камералар әр сағат сайын гигабайттаған кескін деректерін жасауы мүмкін.

Әрбір кескінді бұлтқа жіберу қымбат әрі қажетсіз болады.

Оның орнына edge негізіндегі инференс жергілікті жерде шешім қабылдауға мүмкіндік беріп, орталықтандырылған жүйелерге тек тиісті ақпаратты жібереді.

Бұл архитектура операциялық технология (OT) жүйелері ақпараттық технология (IT) инфрақұрылымымен барған сайын бірігетін заманауи өнеркәсіптік автоматтандыру стратегияларына тығыз сәйкес келеді.

Өнеркәсіптік edge AI көптеген автоматтандыру орталарын қолдай алады, соның ішінде:

• PLC арқылы басқарылатын өндірістік желілер
• DCS негізіндегі технологиялық қондырғылар
• SCADA бақылау жүйелері
• Турбиналарды бақылау желілері
• Қаптамаға арналған машиналар
• Роботтандырылған құрастыру ұяшықтары
• Қойма автоматтандыру жүйелері

Көптеген кәсіпорындар ірі өнеркәсіптік жеткізушілердің автоматтандыру платформаларын қазірдің өзінде пайдаланады. Edge AI шешімдері Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV және Yokogawa CENTUM VP сияқты жүйелермен қатар жұмыс істей алады.

Мұндай орталарда машиналық көру жүйелері жалпы өндірістік мақсаттарды қолдайтын операциялық интеллекттің тағы бір көзіне айналады.

Өнеркәсіптік машиналық оқытудағы Amazon SageMaker рөлі

Amazon SageMaker машиналық оқыту модельдерін құруға, үйретуге, оңтайландыруға, орналастыруға және басқаруға арналған бұлтқа негізделген ортаны ұсынады.

Оның негізгі артықшылықтарының бірі — машиналық оқытуды әзірлеуге тән көптеген тапсырманы жеңілдетуі.

Деректер ғалымдары мен инженерлер инфрақұрылымды басқаруға емес, модель өнімділігіне назар аудара алады.

Өндірістік ортада SageMaker машиналық оқытудың бүкіл өмірлік циклін қолдай алады.

Деректерді жинау және дайындау

Кез келген сәтті ақау анықтау жобасының негізі — сапалы деректер жиынтығы.

Өндірушілер әдетте өндірістік желілердің бойындағы стратегиялық тексеру нүктелеріне өнеркәсіптік камералар орнатады. Бұл камералар жарамды және ақаулы өнімдердің кескіндерін түсіреді.

Содан кейін жиналған кескіндер таңбаланып, реттелуі керек.

Дәл таңбалама модельдің өнімділігіне тікелей әсер етеді. Дұрыс таңбаланбаған деректер жиынтықтары орналастыру кезінде жалған оң және жалған теріс нәтижелердің пайда болуына жиі себеп болады.

Ақауларды анықтау қолданбаларында инженерлер көбіне мыналарды анықтайтын аннотациялар жасайды:

• Ақау түрі
• Ақаудың орналасқан жері
• Ақаудың ауырлық дәрежесі
• Өнім санаты
• Өндірістік партия туралы ақпарат

Деректер жиынтығы ұлғайған сайын, өндірушілер қосымша өндірістік жағдайларды енгізу арқылы модель дәлдігін үздіксіз жақсарта алады.

Модельдерді оқыту және оңтайландыру

Машиналық оқыту модельдерін оқыту үшін едәуір есептеу ресурстары қажет.

Бұлттық инфрақұрылым елеулі артықшылықтар беретін тұс — осы.

Өндірушілер арнайы жергілікті AI серверлеріне инвестиция салудың орнына, модельдерді тиімдірек оқыту үшін масштабталатын бұлттық ресурстарды пайдалана алады.

SageMaker өнеркәсіптік машиналық көру қолданбаларында жиі пайдаланылатын бірнеше фреймворк пен модель архитектурасын қолдайды.

Кең таралған нейрондық желі архитектураларына мыналар жатады:

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

Әр архитектура дәлдік, есептеу ресурстарына қойылатын талаптар және инференс жылдамдығы арасындағы әртүрлі ымыраларды ұсынады.

Өнеркәсіп инженерлері өндірісте орналастыру үшін оңтайлы модельді таңдамас бұрын, көбіне бірнеше архитектураны бағалайды.

Аппараттық құралдарды ескеретін модельді орналастыру

Өнеркәсіптік AI жобаларындағы ең үлкен қиындықтардың бірі — бұлтта оқытылған модельдерді ресурстары шектеулі шеткі құрылғыларға көшіру.

Бұлттағы GPU-да өте жоғары нәтиже көрсететін модель өнеркәсіптік шлюзге немесе ендірілген процессорға орналастырылғанда қиындыққа тап болуы мүмкін.

SageMaker модельдерді мақсатты аппараттық платформаларға оңтайландыруға көмектесетін құралдар ұсынады.

Бұл оңтайландыру процесі жадқа қойылатын талаптарды азайтады, инференс жылдамдығын арттырады және қолайлы дәлдікті сақтай отырып, қуат тұтынуын барынша азайтады.

Мұндай мүмкіндіктер жүздеген немесе мыңдаған шеткі құрылғылар бір уақытта жұмыс істей алатын ірі өндірістік орталарда аса маңызды болады.

2-бөлімде AWS IoT Greengrass бұл модельдерді өнеркәсіптік шеткі ортада қалай орналастырып, басқаратынын қарастырамыз, бұлттан шеткі ортаға ақауларды анықтау процестерін зерттейміз, іске асырудың практикалық архитектураларын талқылаймыз және PLC, SCADA жүйелері, DCS платформалары мен сапаны болжамды басқару бағдарламалары қолданылатын өндірістегі нақты жағдайларды шоламыз.

AWS IoT Greengrass көмегімен машиналық оқыту модельдерін зауыт өндірісіне енгізу

Машиналық оқыту моделін оқыту — үдерістің бір бөлігі ғана. Өндірушілерге бұл модельдерді өндіріс нысандарында іске енгізудің, басқарудың, бақылаудың және жаңартудың практикалық тәсілі қажет. AWS IoT Greengrass архитектураның маңызды құрамдас бөлігіне дәл осы жерде айналады.

AWS IoT Greengrass бағдарламалық жасақтаманың, машиналық оқыту модельдерінің және автоматтандыру қолданбаларының өнеркәсіптік құрылғыларда тікелей жұмыс істеуіне мүмкіндік беретін шеткі орындау ортасы ретінде қызмет етеді. Үздіксіз бұлт байланысына тәуелді болудың орнына, Greengrass орталықтандырылған бұлт қызметтерімен синхрондауды сақтай отырып, қорытындылау жүктемелерін жергілікті жерде орындауға мүмкіндік береді.

Өндіріс нысандары үшін бұл архитектура бұлттың ауқымдылығы мен жергілікті жедел әрекеттің теңгерімін қамтамасыз етеді.

Өндірістік жабдық желідегі уақытша үзілістер кезінде де жұмысын жалғастыра алады. Сапаны тексеру шешімдері нақты уақытта қолжетімді болып қалады, ал байланыс қалпына келгенде операциялық деректер бұлт жүйелерімен синхрондала алады.

Бұл мүмкіндік өндірістік желілер бірнеше ғимаратта, қашықтағы нысандарда немесе географиялық тұрғыдан бөлінген өндіріс орындарында жұмыс істеуі мүмкін ірі өнеркәсіптік орталарда аса құнды.

2-сурет. AWS IoT Greengrass бұлтпен интеграцияны сақтай отырып, машиналық оқыту қорытындысын өнеркәсіптік шеткі құрылғыларда тікелей орындауға мүмкіндік береді.

Бұлттан шеткі құрылғыларға дейінгі өнеркәсіптік ақауларды анықтау конвейерін құру

Ақауларды сәтті анықтау жүйелері оқытылған нейрондық желіден ғана тұрмайды. Өндірушілер деректерді жинауды, модельді әзірлеуді, іске енгізуді, бақылауды және үздіксіз жетілдіруді басқаратын толық өмірлік циклді қалыптастыруы керек.

Заманауи бұлттан шетке дейінгі инспекция архитектурасы әдетте бірнеше кезеңнен тұрады.

1-кезең: Сурет алу

Процесс сурет жинаудан басталады.

Өнеркәсіптік камералар өнімдерді өндірістік жабдық, конвейерлер, роботтандырылған жұмыс станциялары немесе құрастыру ұяшықтары арқылы қозғалған кезде түсіреді. Камераны таңдау қолданба талаптарына байланысты және мыналарды қамтуы мүмкін:

• Аумақтық сканерлеу камералары
• Жолдық сканерлеу камералары
• 3D көру камералары
• Жылулық бейнелеу жүйелері
• Гиперспектрлік бейнелеу сенсорлары

Дұрыс жарықтандыруды жобалау да бірдей маңызды. Сурет сапасы тұрақсыз болғанда, тіпті озық машиналық оқыту модельдері де қиналады.

Сәтті енгізілген жүйелерде көлеңкелерді, шағылысуларды және сыртқы жарық өзгерістерін азайтатын басқарылатын жарықтандыру ортасы жиі қолданылады.

2-кезең: Деректерді таңбалау және аннотациялау

Суреттер жиналғаннан кейін инженерлер оқыту деректер жиынтығын жасайды.

Суреттер қалыпты да, ақаулы да жұмыс жағдайларын дәл көрсетуі тиіс. Көптеген ұйымдар бұл кезеңнің маңызын бастапқыда жете бағаламайды. Шын мәнінде, деректер жиынтығының сапасы көбіне модель таңдаудан гөрі жобаның сәтті болуын көбірек айқындайды.

Өндірушілер бірнеше өндірістік ауысымнан, жабдықтың әртүрлі күйінен, шикізат партияларынан және қоршаған ортаның түрлі жағдайларынан үлгілер жинауы керек.

Бұл әртүрлілік модельдің іске енгізілгеннен кейінгі орнықтылығын қамтамасыз етуге көмектеседі.

3-кезең: SageMaker ішінде модельді оқыту

Оқыту Amazon SageMaker ішінде бұлттық есептеу ресурстарын пайдаланып орындалады.

Инженерлер өнімділікті жақсарту үшін бірнеше архитектураны бағалап, гиперпараметрлерді оңтайландырады.

Әдеттегі оңтайландыру мақсаттарына мыналар жатады:

• Анықтау дәлдігінің артуы
• Жалған оң нәтижелердің азаюы
• Жалған теріс нәтижелердің азаюы
• Инференстің жоғары жылдамдығы
• Жадты аз пайдалану

Өндірістік орталар дәлдіктің шамалы өсімінен гөрі сенімділікке басымдық береді. Дәлдігі сәл төмен болғанымен, әрекеті өте болжамды модель нақты өндіріс жағдайларында теориялық тұрғыдан жақсырақ модельден асып түсуі мүмкін.

4-кезең: Шеткі құрылғыға енгізу

Тексеруден кейін SageMaker модельді енгізуге дайындайды.

Greengrass модельді жергілікті инференс орындалатын шеткі жабдыққа таратады.

Қолданбаға байланысты енгізу мақсаттары мыналарды қамтуы мүмкін:

• Өнеркәсіптік дербес компьютерлер
• Кіріктірілген AI шлюздері
• ARM негізіндегі шеткі контроллерлер
• GPU қолдауы бар шеткі серверлер
• Машиналық көру жүйелеріне біріктірілген өнеркәсіптік компьютерлер

Инференс жергілікті жерде орындалып, тексеру нәтижелерін миллисекундтар ішінде береді.

5-кезең: Үздіксіз жетілдіру

Бұл архитектураның ең қуатты тұсы — кері байланыс циклі.

Шеткі құрылғылар таңдалған кескіндер мен пайдалану көрсеткіштерін бұлтқа қайта жүктей алады. Инженерлер күрделі жағдайларды қарап, жаңа деректерге белгі қояды, модельдерді қайта оқытады және жаңартылған нұсқаларды енгізеді.

Бұл өндіріс жағдайларының өзгеруіне бейімделетін, үздіксіз жетілдіріліп отыратын тексеру жүйесін қалыптастырады.

Машиналық көруден тыс өнеркәсіптік автоматтандыру интеграциясы

Ақауларды анықтау жүйелері қолданыстағы автоматтандыру инфрақұрылымымен біріктірілген кезде ең жоғары құндылық береді.

Ақауларды ғана анықтайтын дербес камераның өндірістік пайдасы шектеулі. Заманауи өндірушілер тексеру жүйелерін өндірісті басқару жүйелерімен тікелей байланыстыруда.

Мысалы, тексеру нәтижесі автоматты түрде мына әрекеттердің іске қосылуына себеп болуы мүмкін:

• Өнімді қабылдамау механизмдері
• Роботтандырылған сұрыптау жүйелері
• Дабыл хабарландырулары
• Өндіріс желісінің баяулауы
• Техникалық қызмет көрсетуге арналған жұмыс тапсырмалары
• Сапа туралы есеп беру жүйелері

Көптеген кәсіпорындар бұл интеграцияны EtherNet/IP, PROFINET, Modbus TCP, OPC UA және MQTT сияқты өнеркәсіптік байланыс протоколдары арқылы жүзеге асырады.

Машиналық көру жүйесі кеңірек автоматтандыру экожүйесіндегі тағы бір интеллектуалды түйінге айналады.

Заманауи PLC платформаларымен жұмыс істейтін ұйымдар тексеру нәтижелерін басқару логикасына тікелей біріктіреді. Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon немесе Mitsubishi MELSEC контроллерлері негізінде құрылған жүйелер ақау деректерін қабылдап, автоматтандырылған әрекеттерді іске қоса алады.

Контроллерлерді жаңарту немесе кеңейту жобаларын бағалайтын кәсіпорындар болашақтағы өнеркәсіптік AI бастамаларын қолдау үшін қолжетімді жабдықты PLC және PAC жүйелері санатынан жиі қарастырады.

Жоғары жылдамдықты өндіріс орталарында ақауларды анықтау

Өндірістің әрбір ортасы бірдей талаптар қоймайды.

Тексеру стратегиялары өндіріс жылдамдығына, өнімнің күрделілігіне және бизнес мақсаттарына сай болуы керек.

Электроника өндірісі

Электроника өндірісінде адам операторларына тұрақты түрде анықтау қиын өте ұсақ ақаулар жиі кездеседі.

Машиналық оқыту жүйелері мыналарды тексере алады:

• Дәнекерленген түйіспелер
• PCB өткізгіш жолдары
• Коннекторлардың орналасуы
• Компоненттердің бағыты
• Беттің ластануы

Өндіріс көлемі жоғары болғандықтан, анықтау дәлдігіндегі шағын жақсартулардың өзі айтарлықтай шығын үнемдеуіне әкелуі мүмкін.

Автомобиль өндірісі

Автомобиль зауыттары шанақты құрастыру, бояу, күштік агрегаттарды өндіру және соңғы құрастыру операцияларында машиналық көру жүйелерін жиі енгізеді.

Тексеру жүйелері мыналарды анықтауы мүмкін:

• Бояу ақаулары
• Дәнекерлеу сапасына қатысты мәселелер
• Бекіткіштердің болмауы
• Компоненттердің дұрыс тураланбауы
• Беттегі ақаулар

Шеткі құрылғыда өңдеу ерекше маңызды, өйткені өндіріс желілері жоғары жылдамдықпен жұмыс істейді және шамадан тыс кідіріске төзе алмайды.

Азық-түлік пен сусындарды өңдеу

Азық-түлік өндірушілері қаптама ақауларын, таңбалауға қатысты мәселелерді, ластану қаупін және толтыру деңгейіндегі сәйкессіздіктерді анықтау үшін машиналық көруді жиі қолданады.

Жергілікті шешімдерді жылдам қабылдау ақаулы өнімдердің кейінгі қаптамаға және тарату үдерістеріне жетуіне жол бермейді.

Фармацевтикалық өндіріс

Реттелетін салаларға сенімділігі өте жоғары тексеру жүйелері қажет.

Машиналық оқыту модельдері қаптама ақауларын, таңбалау қателерін, құтылардың ластануын және өнімдегі сәйкессіздіктерді анықтап, егжей-тегжейлі аудит іздерін сақтай отырып, валидациялау жұмыстарын қолдай алады.

Шеткі AI және болжамды сапаны басқару

Көптеген ұйымдар бастапқыда машиналық көру жүйелерін тек жарамды/жарамсыз екенін тексеру үшін енгізеді. Алайда уақыт өте келе өндірушілер көбіне әлдеқайда ауқымды мүмкіндікті байқайды.

Ақаулар туралы деректер үдерістің өнімділігі жөнінде құнды ақпарат береді.

Ақаулардың пайда болу үрдістерін талдау арқылы өндірушілер сапа деңгейі айтарлықтай нашарламай тұрып, өндірістегі туындап келе жатқан мәселелерді анықтай алады.

Бұл ұғым кейде болжамды сапа деп аталады.

Мысалы, сызат ақауларының көбеюі құралдың тозуын көрсетуі мүмкін. Өлшемдік ауытқулар санының артуы калибрлеудің ығысуын білдіруі ықтимал. Бет сапасына қатысты мәселелер алдыңғы өңдеу жабдықтарындағы ақауларды анықтауы мүмкін.

Өнеркәсіптік бақылау жүйелерімен біріктірілгенде, ақауларды анықтау деректері операциялық талдауға қосымша ақпарат көзі болады.

Айналмалы машиналардың сенімділігіне жауапты ұйымдар сапаны бақылауды дірілді талдаумен және активтердің күйін бақылау платформаларымен жиі біріктіреді. Мұндай ортада Машиналарды бақылау портфеліндегі сияқты машиналардың техникалық күйін бағалау шешімдері кеңірек болжамды техникалық қызмет көрсету бастамаларын толықтырады.

Өнеркәсіптік edge AI енгізулеріне қатысты аппараттық жабдық мәселелері

Тиісті аппараттық платформаны таңдау кез келген edge AI жобасындағы ең маңызды жобалау шешімдерінің бірі болып қала береді.

Идеалды жабдық бірнеше факторға байланысты:

• Кескін ажыратымдылығы
• Инспекция жылдамдығы
• Модель күрделілігі
• Қуаттың қолжетімділігі
• Қоршаған орта жағдайлары
• Масштабталу талаптары

Өнеркәсіптік нысандар арнайы нейрондық өңдеу блоктарын (NPU), графикалық үдеткіштерді және AI инференс қозғалтқыштарын қамтитын процессорларды барған сайын көбірек енгізуде.

Бұл мүмкіндіктер қуат тұтынуды азайта отырып, машиналық оқыту өнімділігін айтарлықтай жақсартады.

NXP i.MX 8M Plus сияқты платформалар ендірілген жабдықтың өнеркәсіптік AI жүктемелерін қолдау үшін арнайы дамып келе жатқанын көрсетеді.

AI қолдану аясы кеңейген сайын, жабдықты оңтайландыру барған сайын маңызды бола түсуде, өйткені өндірушілер өнімділікті, пайдалану мерзімі бойындағы қолдауды, киберқауіпсіздікті және иеленудің жалпы құнын теңестіруі керек.

Қосылған инспекциялық жүйелерге қатысты киберқауіпсіздік мәселелері

Желіге қосылған әрбір өнеркәсіптік құрылғы киберқауіпсіздікке ықтимал қауіп төндіреді.

Машиналық көру жүйелері де бұдан тыс қалмайды.

Бұлтқа қосылған инспекциялық архитектураларды енгізетін ұйымдар мына мәселелерді қамтитын нақты киберқауіпсіздік саясаттарын белгілеуі керек:

• Идентификацияны басқару
• Құрылғының түпнұсқалығын растау
• Шифрланған байланыс
• Желіні сегменттеу
• Бағдарламалық жасақтаманы жаңарту
• Қолжетімділікті басқару саясаттары

Көптеген өндірушілер бұл қағидаларды PLC желілерін, SCADA жүйелерін, үлестірілген басқару жүйелерін және өнеркәсіптік деректер архивтерін қоса алғанда, өздерінің OT орталарында қолданып келеді.

Машиналық оқыту инфрақұрылымы да сол киберқауіпсіздік негіздемесін ұстануы керек.

Ақауларды анықтау жүйелерін SCADA, MES және бүкіл зауыт операцияларымен байланыстыру

Көптеген өндірушілер машиналық көру жүйелерін бастапқыда дербес инспекциялық станциялар ретінде енгізеді. Бұл тәсіл сапаны бақылауды жақсарта алғанымен, өнеркәсіптік AI-дың шынайы құндылығы инспекциялық деректер кеңірек операциялық экожүйенің бір бөлігіне айналғанда көрінеді.

Заманауи өндіріс орындары сапа жүйелерін Supervisory Control and Data Acquisition (SCADA) платформаларымен, Manufacturing Execution Systems (MES) жүйелерімен, кәсіпорынның есеп беру құралдарымен және өндірістік деректер архивтерімен барған сайын көбірек байланыстыруда. Бұл интеграция ақауларды анықтауды әрекет орын алғаннан кейін жауап беретін сапа функциясынан проактивті операциялық барлау платформасына айналдырады.

Машиналық көру жүйесі ақауды анықтағанда, ақпаратты зауыт бойынша нақты уақыт режимінде таратуға болады. Өндіріс жетекшілері SCADA бақылау тақталары арқылы сапа үрдістерін бақылай алады, техникалық қызмет көрсету топтары автоматты хабарландырулар ала алады, ал үдеріс инженерлері ақауларды машина параметрлерімен, қоршаған орта жағдайларымен немесе шикізаттағы өзгерістермен байланыстыра алады.

Мысалы, қаптама өндіретін нысан конвейер жылдамдығы белгілі бір шектен асқан сайын жапсырмаларды орналастыру қателері көбейетінін анықтауы мүмкін. Автокөлік өндірушісі дәнекерлеу ақаулары мен робот калибрлеуінің ауытқуы арасындағы байланысты анықтауы ықтимал. Фармацевтикалық зауыт қаптамадағы ақауларды белгілі бір жабдық параметрлерімен немесе өндіріс партияларымен байланыстыра алады.

Интеграциясыз бұл түсініктер көбіне оқшауланған тексеру жүйелерінің ішінде жасырын күйде қалады.

Көптеген ұйымдар машиналық көру платформалары мен жоғары деңгейлі өнеркәсіптік бағдарламалық жасақтама арасындағы негізгі байланыс қабаты ретінде OPC UA пайдаланады. MQTT де жеңіл архитектурасы және Өнеркәсіптік заттар интернеті (IIoT) қолданбаларына сәйкестігі арқасында барған сайын танымал болып келеді.

Өндірушілер Industry 4.0 бастамаларын жалғастыра отырып, ақауларды анықтау жүйелері бүкіл кәсіпорын ауқымында шешім қабылдауды қолдайтын стратегиялық дереккөздерге айналуда.

Бұлттық AI мен жиектегі AI: зауыттардың көпшілігі неліктен гибридті тәсілді таңдайды

Өнеркәсіптік ұйымдар машиналық оқыту қолданбалары толығымен бұлтта немесе толығымен жиекте жұмыс істеуі керек пе деп жиі сұрайды. Шын мәнінде, сәтті енгізулердің басым көпшілігі екі ортаның артықшылықтарын біріктіретін гибридті архитектураны пайдаланады.

Бұлттық платформалар модельдерді оқытуда, деректерді ауқымды сақтауда, орталықтандырылған басқаруда және ұзақ мерзімді талдауда тиімді. Терең оқыту модельдерін оқыту көбіне зауыт жабдықтарына тікелей орналастыру тиімсіз болатын едәуір есептеу ресурстарын қажет етеді.

Ал жиек жүйелері өнеркәсіптік операцияларға қажетті жедел әрекетті қамтамасыз етеді. Тексеру туралы шешімдер көбіне миллисекундтар ішінде қабылдануы керек. Өнімнің тексеруден өткен-өтпегенін анықтау үшін өндірістік желілер бұлтпен байланыс орнатылғанша күте алмайды.

Мысалы, сағатына мыңдаған баспа платаларын өндіретін электроника құрастыру желісін қарастырайық. Ажыратымдылығы жоғары тексеру камералары бір өндірістік ауысымда терабайттаған кескін деректерін жасауы мүмкін. Әрбір кескінді қашықтағы бұлттық платформаға жіберу өткізу қабілетіне қойылатын талаптарды арттырып, қажетсіз кідіріс туғызар еді.

Кескіндерді жергілікті жерде өңдеу арқылы бұлтқа тек қажетті ақпарат жіберіледі. Бұл нақты уақыттағы өнімділікті сақтай отырып, байланысқа түсетін жүктемені айтарлықтай азайтады.

Әдеттегі гибридті архитектура қарапайым жұмыс процесіне сүйенеді:

• Бұлттық инфрақұрылым модельдерді оқытады және тексереді.
• SageMaker модельдерді орналастыру үшін оңтайландырады.
• AWS IoT Greengrass модельдерді жиек құрылғыларына таратады.
• Жиек құрылғылары жергілікті қорытынды жасауды орындайды.
• Таңдалған тексеру нәтижелері бұлтқа қайтарылады.
• Инженерлер жаңа деректерді пайдаланып, модельдерді қайта оқытады және жетілдіреді.

Бұл кері байланыс циклі өндіріс өнімділігін төмендетпей, үздіксіз жетілдіруге мүмкіндік береді.

Гибридті модель сондай-ақ орталықтандырылған инженерлік топтар көптеген нысандардағы машиналық оқыту ресурстарын басқаратын көп нысанды өндірістік операцияларды қолдайды.

Жиекке негізделген ақауларды анықтаудың нақты өндірістегі қолданылуы

Машиналық көру бірнеше онжылдық бойы қолданылып келе жатқанымен, машиналық оқытудағы соңғы жетістіктер өндірушілер автоматтандыра алатын тексеру қолданбаларының ауқымын кеңейтті.

Автомобиль шанағын тексеру

Автомобиль өндірушілері сыртқы көрініс пен өлшемдерге қатысты қатаң стандарттарды сақтауы керек. Бояудағы болмашы ақаулар немесе беткі қабаттағы біркелкі еместіктер қымбат қайта өңдеу жұмыстарына әкелуі мүмкін.

Машиналық оқыту жүйелері дәстүрлі тексеру әдістері байқамай қалуы мүмкін бояудағы ұсақ кемшіліктерді, сызаттарды, майысуларды және қаптаманың біркелкі еместігін анықтай алады.

Болжамды тікелей шеткі құрылғыда орындау арқылы өндірушілер ақаулы компоненттерді төменгі ағынды құрастыру үдерістеріне өтпей тұрып қабылдамай тастай алады.

Жартылай өткізгіштерді өндіру

Жартылай өткізгіштерді өндіру қазіргі өнеркәсіптегі ең күрделі тексеру талаптарының бірін ұсынады. Микронмен өлшенетін ақаулар өнімнің өнімділігі мен шығымына әсер етуі мүмкін.

Озық машиналық оқыту модельдері пластиналардың ластануын, литография ақауларын және дәстүрлі көру алгоритмдерімен анықтау қиын болуы мүмкін үдерістік ауытқуларды анықтауға көмектеседі.

Жартылай өткізгіш өндірісі орындары орасан көп кескін деректерін қалыптастыратындықтан, шеткі құрылғыларда өңдеу тексеру өткізу қабілетін сақтай отырып, желіге түсетін жүктемені азайтуға көмектеседі.

Азық-түлік қаптамасын тексеру

Азық-түлік және сусын өндірушілеріне қаптама сапасын, қадағалануды және нормативтік талаптарға сәйкестікті қамтамасыз ету үшін қысым артып келеді.

Машиналық оқыту жүйелері мыналарды тексере алады:

• Жапсырманың дұрыстығы
• Жарамдылық мерзімі
• Тығыздағыштың бүтіндігі
• Қаптама өлшемдері
• Толтыру деңгейлері
• Өнімнің орналасуы

Бұл тексерулер қолмен жұмыс істейтін операторлар үздіксіз орындай алмайтын өндіріс жылдамдығында үздіксіз жүргізіледі.

Батарея өндіру

Электр көліктерін өндірудің қарқынды өсуі батареяларды тексерудің озық технологияларына сұранысты арттырды.

Өндірушілер батарея өндіру үдерістерінің барлық кезеңінде электрод ақауларын, қаптаманың біркелкі еместігін, ластануды және құрастыру мәселелерін анықтау үшін машиналық көру мен машиналық оқытуды қолданады.

Батарея ақаулары өнімділікке де, қауіпсіздікке де әсер етуі мүмкін болғандықтан, тексеру дәлдігі маңызды операциялық мақсат болып қала береді.

Өнеркәсіптік машиналық оқытуға арналған сапалы деректер жиындарын құру

Көптеген ұйымдар деректер жиынын әзірлеудің маңызын елемей, модель таңдауға шамадан тыс көңіл бөледі. Іс жүзінде оқыту деректерінің сапасы жобаның сәттілігіне қолданылатын нақты нейрондық желі архитектурасына қарағанда көбірек әсер етеді.

Машиналық оқыту моделі тек өзінің оқыту деректер жиынында қолжетімді ақпараттан үйрене алады. Егер маңызды ақау сценарийлері қамтылмаса, өндірісте осындай жағдайлар пайда болған кезде модель қиналуы мүмкін.

Сәтті өнеркәсіптік деректер жиындары әдетте мыналарды қамтиды:

• Қалыпты өндірістік үлгілер
• Сирек кездесетін ақау жағдайлары
• Әртүрлі жарықтандыру орталары
• Әртүрлі өндірістік ауысымдар
• Маусымдық өзгерістер
• Жабдықтың тозу жағдайлары
• Шикізаттың өзгеруі
• Техникалық қызмет көрсетуге байланысты үдеріс өзгерістері

Өндірушілер өндірістен кейін де деректер жиындарын үздіксіз кеңейтуі керек.

SageMaker және Greengrass экожүйесінің артықшылықтарының бірі — өндірістік операциялар мен модельдерді әзірлеу топтары арасында кері байланыс тетігін құру мүмкіндігі. Тексеруі қиын жағдайларды қарап, қайта таңбалап, болашақ оқыту циклдеріне енгізуге болады.

Бұл процесс жалған оң және жалған теріс нәтижелерді азайта отырып, модельдің өнімділігін біртіндеп жақсартады.

Машиналық оқытуды бір реттік жоба емес, үздіксіз операциялық мүмкіндік ретінде қарастыратын ұйымдар, әдетте, ұзақ мерзімді ең жақсы нәтижелерге қол жеткізеді.

Өнеркәсіптік AI сапаны бақылаудың стандартты құралына айналады

Машиналық оқыту, шеткі есептеу және өнеркәсіптік автоматтандыру қарқынды түрде тоғысып жатыр. Бұрын тәжірибелік технология саналған нәрсе сапаны жақсартуға, қалдықтарды азайтуға және операциялық тиімділікті арттыруға арналған практикалық құралға айналуда.

Есептеу жабдықтары қуаттырақ болып, машиналық оқыту құрылымдарын орналастыру жеңілдеген сайын, кез келген көлемдегі өндірушілер ақауларды анықтаудың озық жүйелерін пайдалана алады.

Amazon SageMaker және AWS IoT Greengrass сияқты платформалар машиналық оқытуды зерттеу орталарынан нақты өндірістік нысандарға көшіруге қажетті инфрақұрылымды қамтамасыз етеді.

Ең сәтті енгізулер ақаулы өнімдерді жай ғана анықтап қоймайды. Олар өндірушілерге ақаулардың неліктен пайда болатынын түсінуге, сапа мәселелерін ушықпай тұрып болжауға және өндіріс процестерін үздіксіз оңтайландыруға көмектеседі.

Алдағы жылдары шеткі деңгейдегі машиналық көру өндіріс желілерінде бүгінде PLC, HMI, өнеркәсіптік желілер және SCADA жүйелері қаншалықты кең таралған болса, соншалықты үйреншікті болуы мүмкін. Бұл мүмкіндіктерді қазірден қалыптастыра бастаған нысандар сапаны жақсартуға, шығымдылықты барынша арттыруға және деректерге негізделген өндіріс нарықтарындағы бәсекеде алға шығуға жақсырақ дайын болады.

Өнеркәсіптегі ақауларды анықтаудың болашағы

Өнеркәсіптегі ақауларды анықтау қарапайым кескін талдауынан зияткерлік, бейімделгіш сапа жүйелеріне қарай дами беруде.

Машиналық оқыту, шеткі есептеу, өнеркәсіптік желілер және бұлттық инфрақұрылым салаларындағы жетістіктер өндірушілерге өнімдерді бұрынғыдан да жылдам әрі дәлірек тексеруге мүмкіндік беріп отыр.

Amazon SageMaker және AWS IoT Greengrass сияқты технологиялар бұлтқа негізделген модельдерді әзірлеу мен нақты зауытта орналастыру арасындағы алшақтықты жоюға көмектеседі. Олар бірігіп, өндірушілерге операциялық деректерден үйреніп, уақыт өте үздіксіз жақсара алатын ауқымды тексеру жүйелерін құруға арналған құралдар ұсынады.

Өнеркәсіптік ұйымдар цифрлық трансформация бастамаларын іске асыруға ұмтылған сайын, ақауларды анықтау машиналық көруді, болжамды техникалық қызмет көрсетуді, процестерді оңтайландыруды және операциялық аналитиканы біріктіретін кеңірек ақылды өндіріс стратегияларының бір бөлігіне айнала береді.

Нәтиже тек сапаны бақылаудың жақсаруы ғана емес. Бұл — деректерге негізделген шешімдер құндылық қалыптастыратын жабдыққа, өнімдерге және процестерге жақын жерде, яғни шеткі деңгейде қабылданатын анағұрлым зияткерлік өндірістік орта.