Penglihatan Mesin Industri: Menggunakan AI Edge untuk Pengesanan Kecacatan Masa Nyata

AWS IoT Greengrass dan Amazon SageMaker mewakili salah satu pendekatan pelaksanaan untuk menggunakan model pembelajaran mesin di pinggir industri. Walau bagaimanapun, trend yang lebih luas ini melangkaui satu ekosistem vendor. Pengeluar dalam sektor automotif, semikonduktor, pemprosesan makanan dan industri proses semakin menggunakan teknologi AI pinggir serta penglihatan mesin untuk meningkatkan pemeriksaan kualiti dan pengesanan kecacatan.

Mengapa Pengesanan Kecacatan Pembuatan Beralih ke Pinggir

Pengeluar terus berusaha mencapai kualiti produk yang lebih tinggi, kos operasi yang lebih rendah dan kecekapan pengeluaran yang lebih baik. Apabila barisan pengeluaran menjadi lebih pantas dan automatik, kaedah pemeriksaan tradisional sukar mengikuti keperluan kadar pengeluaran moden. Pemeriksaan manusia kekal bernilai dalam banyak industri, tetapi sering menyebabkan ketidaktekalan, kesilapan berkaitan keletihan dan keterbatasan dari segi kebolehskalaan.

Pada masa yang sama, kemudahan industri kini menjana jumlah data operasi yang sangat besar melalui penderia, kamera, pengawal dan peranti bersambung. Sumber data ini mewujudkan peluang untuk analitik lanjutan dan aplikasi pembelajaran mesin yang boleh mengenal pasti isu kualiti jauh sebelum produk sampai kepada pelanggan.

Salah satu perkembangan paling penting dalam beberapa tahun kebelakangan ini ialah penggunaan model pembelajaran mesin secara langsung di pinggir industri. Daripada menghantar setiap imej ke platform awan jauh untuk dianalisis, pengeluar boleh melaksanakan pengesanan kecacatan secara setempat pada komputer industri, pemproses terbenam dan get laluan pinggir yang dipasang berhampiran peralatan pengeluaran.

Pendekatan ini mengurangkan kependaman dengan ketara sambil meningkatkan daya respons sistem. Peralatan pengeluaran boleh bertindak balas serta-merta terhadap kecacatan yang dikesan, menolak produk yang tidak mematuhi spesifikasi, mencetuskan penggera atau memulakan tindakan pembetulan tanpa menunggu pemprosesan awan.

Platform awan kekal penting untuk melatih, mengurus dan menambah baik model pembelajaran mesin. Walau bagaimanapun, pengkomputeran pinggir membolehkan kilang melaksanakan inferens masa nyata di tempat data dijana. Gabungan kecerdasan awan dan pelaksanaan di pinggir ini telah menjadi seni bina yang berkuasa untuk automasi industri.

Antara teknologi utama yang menyokong seni bina ini ialah Amazon SageMaker dan AWS IoT Greengrass. Bersama-sama, platform ini menyediakan rangka kerja untuk membina, menggunakan, memantau dan menambah baik model pembelajaran mesin secara berterusan yang digunakan dalam aplikasi pengesanan kecacatan pembuatan.

Rajah 1. Sistem penglihatan mesin automatik membolehkan pemeriksaan kualiti berkelajuan tinggi dalam persekitaran pembuatan moden.

Memahami Cabaran Pengesanan Kecacatan Industri

Pengesanan kecacatan kelihatan mudah pada zahirnya. Kamera menangkap imej, perisian menilai produk dan sistem menentukan sama ada item itu lulus pemeriksaan. Namun dalam amalan, persekitaran pemeriksaan industri menampilkan pelbagai cabaran teknikal.

Produk bergerak pada kelajuan yang berbeza-beza. Keadaan pencahayaan berubah sepanjang hari. Bahan permukaan mungkin memantulkan cahaya secara berbeza. Toleransi pengeluaran boleh menyebabkan sedikit variasi antara produk yang boleh diterima. Habuk, getaran, turun naik suhu dan keadaan persekitaran boleh merumitkan lagi pemerolehan imej.

Oleh itu, pengilang perlu membangunkan sistem pemeriksaan yang mampu membezakan variasi pengeluaran normal daripada kecacatan sebenar.

Kecacatan pembuatan yang lazim termasuk:

• Calar permukaan
• Retakan dan rekahan
• Komponen yang hilang
• Ralat pemasangan
• Kimpalan yang tidak sempurna
• Ketidaksempurnaan cat
• Gelembung dan ruang kosong
• Penyimpangan dimensi
• Kecacatan pembungkusan
• Ralat pelabelan

Dalam industri seperti pembuatan automotif, fabrikasi semikonduktor, farmaseutikal, pemprosesan makanan, pemasangan elektronik dan pengeluaran tenaga, pengesanan kecacatan memberi kesan langsung terhadap keuntungan dan kepuasan pelanggan.

Kecacatan yang terlepas boleh menyebabkan tuntutan waranti, insiden keselamatan, penarikan balik produk, penalti kawal selia atau kerosakan pada reputasi jenama. Sebaliknya, kriteria pemeriksaan yang terlalu ketat boleh meningkatkan kadar produk terbuang dan mengurangkan kecekapan pengeluaran.

Pembelajaran mesin membantu menangani cabaran ini dengan mempelajari corak daripada set data yang besar, bukannya bergantung sepenuhnya pada peraturan pemeriksaan yang diprogramkan secara manual.

Penglihatan Mesin Telah Berkembang Melampaui Pemeriksaan Berasaskan Peraturan Tradisional

Sistem penglihatan mesin tradisional sangat bergantung pada algoritma pemprosesan imej yang bersifat deterministik. Jurutera mentakrifkan ambang, parameter pengesanan tepi, ukuran geometri dan peraturan pengecaman ciri secara manual.

Pendekatan ini kekal berkesan untuk banyak aplikasi. Walau bagaimanapun, pendekatan tersebut semakin sukar diselenggara apabila produk menunjukkan variasi yang ketara atau apabila kecacatan muncul dalam bentuk yang tidak dapat diramalkan.

Model pembelajaran mesin moden menawarkan pendekatan yang berbeza secara asas.

Daripada mentakrifkan setiap peraturan pemeriksaan secara manual, jurutera melatih model menggunakan ribuan atau bahkan jutaan imej sampel. Sistem mempelajari ciri-ciri yang membezakan produk yang boleh diterima daripada produk yang cacat.

Hal ini membolehkan sistem pembelajaran mesin mengesan corak halus yang mungkin sukar dikenal pasti oleh algoritma penglihatan konvensional.

Beberapa pendekatan pembelajaran mesin lazimnya digunakan dalam sistem pemeriksaan industri.

Klasifikasi Imej

Model klasifikasi menentukan sama ada imej tergolong dalam kategori tertentu.

Sebagai contoh, model mungkin mengklasifikasikan produk seperti berikut:

• Lulus
• Gagal
• Rosak
• Tidak lengkap
• Tidak sejajar

Klasifikasi sering menjadi model penggunaan yang paling mudah dan berfungsi sebagai titik permulaan yang berkesan untuk banyak aplikasi pembuatan.

Pengesanan Objek

Pengesanan objek mengembangkan klasifikasi dengan mengenal pasti kedua-dua kewujudan dan lokasi kecacatan.

Daripada sekadar melaporkan bahawa kecacatan wujud, model mengenal pasti lokasi kecacatan dalam imej.

Keupayaan ini membolehkan pasukan penyelenggaraan dan jurutera kualiti memahami isu proses serta punca asasnya dengan lebih baik.

Pembahagian Semantik

Pembahagian semantik menyediakan analisis pada peringkat piksel.

Setiap piksel menerima label klasifikasi, yang membolehkan sistem mengenal pasti sempadan tepat sesuatu kecacatan.

Model pembahagian amat berguna apabila pengilang memerlukan maklumat terperinci tentang dimensi retak, kawasan kakisan, kecacatan salutan atau ketidakseragaman bahan.

Teknik pembahagian lanjutan boleh menyokong inisiatif kualiti ramalan, apabila corak perkembangan kecacatan menjadi sebahagian daripada usaha pengoptimuman proses yang lebih menyeluruh.

Mengapa AI Edge Penting dalam Automasi Industri

Banyak kemudahan industri masih beroperasi di bawah keperluan kebolehpercayaan yang ketat. Barisan pengeluaran sering berjalan secara berterusan untuk tempoh yang panjang dan tidak boleh bergantung sepenuhnya pada ketersambungan awan.

Penghantaran setiap imej pemeriksaan ke pelayan jauh menimbulkan beberapa keterbatasan:

• Kependaman rangkaian
• Penggunaan lebar jalur
• Kos pemprosesan awan
• Kebimbangan keselamatan siber
• Risiko ketersambungan

Pertimbangkan sebuah kilang pembotolan yang menghasilkan ribuan bekas setiap minit. Kamera beresolusi tinggi mungkin menjana gigabait data imej setiap jam.

Penghantaran setiap imej ke awan menjadi mahal dan tidak diperlukan.

Sebaliknya, inferens berasaskan edge membolehkan pembuatan keputusan secara setempat sambil hanya menghantar maklumat yang berkaitan kepada sistem berpusat.

Seni bina ini sangat selaras dengan strategi automasi industri moden, yang menyaksikan sistem teknologi operasi (OT) semakin berintegrasi dengan infrastruktur teknologi maklumat (IT).

AI edge industri boleh menyokong pelbagai persekitaran automasi termasuk:

• Barisan pengeluaran dikawal PLC
• Loji proses berasaskan DCS
• Sistem pemantauan SCADA
• Rangkaian pemantauan turbin
• Jentera pembungkusan
• Sel pemasangan robotik
• Sistem automasi gudang

Banyak kemudahan sudah mengendalikan platform automasi daripada pembekal industri utama. Penyelesaian AI edge boleh berfungsi bersama sistem seperti Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV dan Yokogawa CENTUM VP.

Dalam persekitaran ini, sistem penglihatan mesin menjadi satu lagi sumber risikan operasi yang menyokong objektif pengeluaran keseluruhan.

Peranan Amazon SageMaker dalam Pembelajaran Mesin Industri

Amazon SageMaker menyediakan persekitaran berasaskan awan untuk membina, melatih, mengoptimumkan, menggunakan dan mengurus model pembelajaran mesin.

Salah satu kelebihan utamanya ialah ia memudahkan banyak tugas yang secara tradisinya dikaitkan dengan pembangunan pembelajaran mesin.

Saintis data dan jurutera boleh menumpukan perhatian pada prestasi model dan bukannya pengurusan infrastruktur.

Dalam persekitaran pembuatan, SageMaker boleh menyokong keseluruhan kitar hayat pembelajaran mesin.

Pengumpulan dan Penyediaan Data

Asas bagi mana-mana projek pengesanan kecacatan yang berjaya ialah set data berkualiti tinggi.

Pengilang biasanya memasang kamera industri di titik pemeriksaan strategik sepanjang barisan pengeluaran. Kamera ini merakam imej produk yang boleh diterima dan produk yang rosak.

Imej yang dikumpulkan kemudiannya mesti dilabel dan disusun.

Pelabelan yang tepat mempengaruhi prestasi model secara langsung. Set data yang dilabel dengan buruk sering menghasilkan positif palsu dan negatif palsu semasa penggunaan.

Untuk aplikasi pengesanan kecacatan, jurutera kerap membuat anotasi yang mengenal pasti:

• Jenis kecacatan
• Lokasi kecacatan
• Keterukan kecacatan
• Kategori produk
• Maklumat kelompok pengeluaran

Apabila set data berkembang, pengilang boleh meningkatkan ketepatan model secara berterusan dengan memasukkan senario pengeluaran tambahan.

Latihan dan Pengoptimuman Model

Melatih model pembelajaran mesin memerlukan sumber pengkomputeran yang besar.

Di sinilah infrastruktur awan memberikan kelebihan yang besar.

Daripada melabur dalam pelayan AI khusus di premis, pengilang boleh memanfaatkan sumber awan yang boleh diskalakan untuk melatih model dengan lebih cekap.

SageMaker menyokong pelbagai rangka kerja dan seni bina model yang lazim digunakan dalam aplikasi penglihatan mesin industri.

Seni bina rangkaian neural yang popular termasuk:

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

Setiap seni bina menawarkan pertukaran berbeza antara ketepatan, keperluan pengkomputeran dan kelajuan inferens.

Jurutera industri sering menilai berbilang seni bina sebelum memilih model optimum untuk penggunaan pengeluaran.

Penggunaan Model Berpandukan Perkakasan

Salah satu cabaran terbesar dalam projek AI industri ialah memindahkan model yang dilatih di awan ke perkakasan pinggir yang mempunyai sumber terhad.

Model yang berfungsi dengan sangat baik pada GPU awan mungkin menghadapi kesukaran apabila digunakan pada gerbang industri atau pemproses terbenam.

SageMaker menyediakan alat yang membantu mengoptimumkan model untuk platform perkakasan sasaran.

Proses pengoptimuman ini mengurangkan keperluan memori, meningkatkan kelajuan inferens dan meminimumkan penggunaan kuasa sambil mengekalkan ketepatan yang boleh diterima.

Keupayaan sedemikian menjadi amat penting dalam persekitaran pembuatan berskala besar, apabila ratusan atau ribuan peranti pinggir mungkin beroperasi serentak.

Dalam Bahagian 2, kita akan meneliti cara AWS IoT Greengrass menggunakan dan mengurus model-model ini di pinggir industri, meneroka aliran kerja pengesanan kecacatan dari awan ke pinggir, membincangkan seni bina pelaksanaan praktikal, serta meninjau kes penggunaan pembuatan dunia sebenar yang melibatkan PLC, sistem SCADA, platform DCS dan program kualiti ramalan.

Membawa Model Pembelajaran Mesin ke Lantai Kilang dengan AWS IoT Greengrass

Melatih model pembelajaran mesin hanyalah sebahagian daripada perjalanan. Pengilang akhirnya memerlukan cara praktikal untuk menggunakan, mengurus, memantau dan mengemas kini model ini merentasi kemudahan pengeluaran. Di sinilah AWS IoT Greengrass menjadi komponen penting dalam seni bina tersebut.

AWS IoT Greengrass berfungsi sebagai persekitaran masa jalan pinggir yang membolehkan perisian, model pembelajaran mesin dan aplikasi automasi beroperasi terus pada peranti industri. Daripada bergantung pada sambungan awan berterusan, Greengrass membolehkan pelaksanaan beban kerja inferens secara tempatan sambil mengekalkan penyegerakan dengan perkhidmatan awan berpusat.

Bagi kemudahan pembuatan, seni bina ini memberikan keseimbangan antara kebolehskalaan awan dan tindak balas tempatan.

Peralatan pengeluaran boleh terus beroperasi walaupun ketika gangguan rangkaian sementara. Keputusan pemeriksaan kualiti kekal tersedia dalam masa nyata, dan data operasi boleh disegerakkan dengan sistem awan setelah sambungan dipulihkan.

Keupayaan ini amat bernilai dalam persekitaran industri berskala besar, apabila barisan pengeluaran mungkin beroperasi merentasi beberapa bangunan, kemudahan terpencil atau tapak pembuatan yang tersebar secara geografi.

Rajah 2. AWS IoT Greengrass membolehkan inferens pembelajaran mesin secara langsung pada peranti pinggir industri sambil mengekalkan integrasi awan.

Membina Saluran Paip Pengesanan Kecacatan Industri dari Awan ke Pinggir

Sistem pengesanan kecacatan yang berjaya memerlukan lebih daripada rangkaian neural yang dilatih. Pengilang mesti mewujudkan kitar hayat lengkap yang mengurus pemerolehan data, pembangunan model, penggunaan, pemantauan dan penambahbaikan berterusan.

Seni bina pemeriksaan awan-ke-pinggir moden biasanya mengikut beberapa peringkat.

Peringkat 1: Pemerolehan Imej

Proses ini bermula dengan pengumpulan imej.

Kamera industri merakam produk ketika produk bergerak melalui peralatan pengeluaran, penghantar, stesen kerja robotik atau sel pemasangan. Pemilihan kamera bergantung pada keperluan aplikasi dan mungkin melibatkan:

• Kamera imbasan kawasan
• Kamera imbasan talian
• Kamera penglihatan 3D
• Sistem pengimejan terma
• Sensor pengimejan hiperspektrum

Reka bentuk pencahayaan yang betul juga penting. Model pembelajaran mesin yang canggih pun sukar berfungsi apabila kualiti imej tidak konsisten.

Penggunaan yang berjaya sering merangkumi persekitaran pencahayaan terkawal yang meminimumkan bayang-bayang, pantulan dan variasi cahaya ambien.

Peringkat 2: Pelabelan dan Anotasi Data

Setelah imej dikumpulkan, jurutera menghasilkan set data latihan.

Imej mesti mewakili dengan tepat keadaan operasi normal dan cacat. Banyak organisasi pada awalnya memandang rendah fasa ini. Sebenarnya, kualiti set data sering menentukan kejayaan projek lebih daripada pemilihan model.

Pengilang hendaklah mengumpulkan sampel daripada pelbagai syif pengeluaran, keadaan peralatan, kelompok bahan mentah dan senario persekitaran.

Kepelbagaian ini membantu memastikan keteguhan model selepas penggunaan.

Peringkat 3: Latihan Model dalam SageMaker

Latihan berlaku dalam Amazon SageMaker menggunakan sumber pengkomputeran awan.

Jurutera menilai pelbagai seni bina dan mengoptimumkan hiperparameter untuk meningkatkan prestasi.

Objektif pengoptimuman lazim termasuk:

• Ketepatan pengesanan yang lebih tinggi
• Positif palsu yang berkurang
• Negatif palsu yang berkurang
• Kelajuan inferens yang lebih pantas
• Penggunaan memori yang lebih rendah

Persekitaran pembuatan sering mengutamakan kebolehpercayaan berbanding peningkatan ketepatan marginal. Model dengan ketepatan yang sedikit lebih rendah tetapi tingkah laku yang sangat boleh diramal mungkin mengatasi model yang secara teori lebih unggul dalam keadaan pengeluaran sebenar.

Peringkat 4: Penggunaan Edge

Selepas pengesahan, SageMaker membungkus model untuk penggunaan.

Greengrass mengedarkan model kepada perkakasan edge, tempat inferens setempat berlaku.

Bergantung pada aplikasi, sasaran penggunaan mungkin termasuk:

• PC perindustrian
• Get laluan AI terbenam
• Pengawal edge berasaskan ARM
• Pelayan edge yang dilengkapi GPU
• Komputer perindustrian yang diintegrasikan ke dalam sistem penglihatan mesin

Inferens dilaksanakan secara setempat, memberikan hasil pemeriksaan dalam masa milisaat.

Peringkat 5: Penambahbaikan Berterusan

Mungkin aspek paling berkuasa dalam seni bina ini ialah gelung maklum balas.

Peranti edge boleh memuat naik imej terpilih dan metrik operasi kembali ke awan. Jurutera menyemak kes yang sukar, melabel data baharu, melatih semula model dan menggunakan versi yang dikemas kini.

Ini menghasilkan sistem pemeriksaan yang terus bertambah baik dan menyesuaikan diri dengan perubahan keadaan pengeluaran.

Integrasi Automasi Perindustrian Melangkaui Penglihatan Mesin

Sistem pengesanan kecacatan memberikan nilai terbesar apabila diintegrasikan dengan infrastruktur automasi sedia ada.

Kamera kendiri yang hanya mengenal pasti kecacatan memberikan manfaat operasi yang terhad. Pengeluar moden semakin menghubungkan sistem pemeriksaan terus kepada kawalan pengeluaran.

Sebagai contoh, hasil pemeriksaan boleh mencetuskan perkara berikut secara automatik:

• Mekanisme penolakan produk
• Sistem pengasingan robotik
• Pemberitahuan penggera
• Perlahangan barisan pengeluaran
• Perintah kerja penyelenggaraan
• Sistem pelaporan kualiti

Banyak kemudahan mencapai integrasi ini melalui protokol komunikasi perindustrian seperti EtherNet/IP, PROFINET, Modbus TCP, OPC UA dan MQTT.

Sistem penglihatan mesin menjadi satu lagi nod pintar dalam ekosistem automasi yang lebih luas.

Organisasi yang mengendalikan platform PLC moden sering mengintegrasikan hasil pemeriksaan terus ke dalam logik kawalan. Sistem yang dibina berasaskan pengawal Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon atau Mitsubishi MELSEC boleh menerima data kecacatan dan mencetuskan tindak balas automatik.

Kemudahan yang menilai peningkatan pengawal atau projek peluasan sering menyemak perkakasan yang tersedia dalam kategori Sistem PLC & PAC untuk menyokong inisiatif AI perindustrian pada masa hadapan.

Pengesanan Kecacatan dalam Persekitaran Pembuatan Berkelajuan Tinggi

Tidak semua persekitaran pembuatan mempunyai keperluan yang sama.

Strategi pemeriksaan mesti sejajar dengan kelajuan pengeluaran, kerumitan produk dan objektif perniagaan.

Pembuatan Elektronik

Pengeluaran elektronik sering melibatkan kecacatan yang amat kecil dan sukar dikenal pasti secara konsisten oleh pengendali manusia.

Sistem pembelajaran mesin boleh memeriksa:

• Sambungan pateri
• Jejak PCB
• Penempatan penyambung
• Orientasi komponen
• Pencemaran permukaan

Oleh sebab jumlah pengeluaran tinggi, peningkatan kecil dalam ketepatan pengesanan pun boleh menghasilkan penjimatan kos yang besar.

Pembuatan Automotif

Kilang automotif sering menggunakan sistem penglihatan mesin di seluruh operasi pemasangan badan, pengecatan, pengeluaran rangkaian kuasa dan pemasangan akhir.

Sistem pemeriksaan mungkin mengesan:

• Kecacatan cat
• Isu kualiti kimpalan
• Pengikat yang hilang
• Ketidakjajaran komponen
• Ketidaksempurnaan permukaan

Pemprosesan berasaskan pinggir menjadi amat penting kerana barisan pengeluaran beroperasi pada kelajuan tinggi dan tidak dapat menanggung kependaman berlebihan.

Pemprosesan Makanan dan Minuman

Pengeluar makanan sering menggunakan penglihatan mesin untuk mengenal pasti kecacatan pembungkusan, isu pelabelan, risiko pencemaran dan ketidakselarasan aras isian.

Pembuatan keputusan tempatan yang pantas membantu menghalang produk cacat daripada sampai ke proses pembungkusan dan pengedaran hiliran.

Pengeluaran Farmaseutikal

Industri terkawal memerlukan sistem pemeriksaan yang sangat boleh dipercayai.

Model pembelajaran mesin boleh menyokong aktiviti pengesahan dengan mengesan kecacatan pembungkusan, kesilapan pelabelan, pencemaran vial dan ketidakselarasan produk sambil mengekalkan jejak audit yang terperinci.

AI Pinggir dan Pengurusan Kualiti Ramalan

Banyak organisasi pada mulanya menggunakan sistem penglihatan mesin semata-mata untuk pemeriksaan lulus/gagal. Namun, dari semasa ke semasa, pengeluar sering menemui peluang yang jauh lebih besar.

Data kecacatan mengandungi maklumat berharga tentang prestasi proses.

Dengan menganalisis trend kejadian kecacatan, pengeluar boleh mengenal pasti isu pengeluaran yang mula muncul sebelum tahap kualiti merosot dengan ketara.

Konsep ini kadangkala dipanggil kualiti ramalan.

Sebagai contoh, peningkatan kecacatan calar mungkin menunjukkan kehausan alat. Pertambahan sisihan dimensi mungkin menandakan hanyutan penentukuran. Masalah kemasan permukaan boleh mendedahkan isu pada peralatan pemprosesan huluan.

Apabila disepadukan dengan sistem pemantauan industri, data pengesanan kecacatan menjadi sumber tambahan risikan operasi.

Organisasi yang bertanggungjawab terhadap kebolehpercayaan mesin berputar sering menggabungkan pemantauan kualiti dengan analisis getaran dan platform pemantauan keadaan aset. Dalam persekitaran ini, penyelesaian kesihatan mesin seperti yang terdapat dalam portfolio Pemantauan Mesin sering melengkapi inisiatif penyelenggaraan ramalan yang lebih menyeluruh.

Pertimbangan Perkakasan untuk Penggunaan AI Industri di Pinggir Rangkaian

Pemilihan platform perkakasan yang sesuai kekal sebagai salah satu keputusan reka bentuk paling penting dalam mana-mana projek AI di pinggir rangkaian.

Perkakasan yang ideal bergantung pada beberapa faktor:

• Resolusi imej
• Kelajuan pemeriksaan
• Kerumitan model
• Ketersediaan kuasa
• Keadaan persekitaran
• Keperluan kebolehskalaan

Kemudahan industri semakin menggunakan pemproses yang merangkumi unit pemprosesan neural (NPU) khusus, pemecut grafik dan enjin inferens AI.

Keupayaan ini meningkatkan prestasi pembelajaran mesin dengan ketara sambil mengurangkan penggunaan kuasa.

Platform seperti NXP i.MX 8M Plus menggambarkan bagaimana perkakasan terbenam terus berkembang khususnya untuk menyokong beban kerja AI industri.

Apabila penggunaan AI berkembang, pengoptimuman perkakasan menjadi semakin penting kerana pengeluar perlu mengimbangi prestasi, sokongan kitar hayat, keselamatan siber dan jumlah kos pemilikan.

Pertimbangan Keselamatan Siber untuk Sistem Pemeriksaan Bersambung

Setiap peranti industri yang disambungkan memperkenalkan potensi risiko keselamatan siber.

Sistem penglihatan mesin tidak terkecuali.

Organisasi yang melaksanakan seni bina pemeriksaan yang disambungkan ke awan hendaklah menetapkan dasar keselamatan siber yang jelas, meliputi:

• Pengurusan identiti
• Pengesahan peranti
• Komunikasi disulitkan
• Pembahagian rangkaian
• Penampalan perisian
• Dasar kawalan akses

Banyak pengeluar sudah menerapkan prinsip ini di seluruh persekitaran OT mereka, termasuk rangkaian PLC, sistem SCADA, sistem kawalan teragih dan pencatat sejarah industri.

Infrastruktur pembelajaran mesin hendaklah mengikuti rangka kerja keselamatan siber yang sama.

Menghubungkan Sistem Pengesanan Kecacatan dengan SCADA, MES dan Operasi Seluruh Kilang

Banyak pengeluar pada mulanya menggunakan sistem penglihatan mesin sebagai stesen pemeriksaan kendiri. Walaupun pendekatan ini dapat meningkatkan kawalan kualiti, nilai sebenar AI industri muncul apabila data pemeriksaan menjadi sebahagian daripada ekosistem operasi yang lebih besar.

Kemudahan pembuatan moden semakin menghubungkan sistem kualiti dengan platform Kawalan Penyeliaan dan Pemerolehan Data (SCADA), Sistem Pelaksanaan Pembuatan (MES), alat pelaporan perusahaan dan pencatat sejarah kilang. Penyepaduan ini mengubah pengesanan kecacatan daripada fungsi kualiti reaktif kepada platform risikan operasi proaktif.

Apabila sistem penglihatan mesin mengenal pasti kecacatan, maklumat tersebut boleh diedarkan ke seluruh kilang dalam masa nyata. Penyelia pengeluaran boleh memantau trend kualiti melalui papan pemuka SCADA, pasukan penyelenggaraan boleh menerima pemberitahuan automatik, dan jurutera proses boleh mengaitkan kecacatan dengan parameter mesin, keadaan persekitaran atau perubahan bahan mentah.

Sebagai contoh, kemudahan pembungkusan mungkin mendapati bahawa kesilapan penempatan label meningkat apabila kelajuan penghantar melebihi ambang tertentu. Pengilang automotif mungkin mengenal pasti korelasi antara kecacatan kimpalan dengan hanyutan penentukuran robot. Sebuah kilang farmaseutikal mungkin mengaitkan ketidaknormalan pembungkusan dengan tetapan peralatan atau kelompok pengeluaran tertentu.

Tanpa integrasi, cerapan ini sering kekal tersembunyi dalam sistem pemeriksaan yang terasing.

Banyak organisasi menggunakan OPC UA sebagai lapisan komunikasi utama antara platform penglihatan mesin dan perisian perindustrian peringkat lebih tinggi. MQTT juga semakin popular kerana seni binanya yang ringan dan kesesuaiannya untuk aplikasi Internet Benda Perindustrian (IIoT).

Apabila pengilang terus melaksanakan inisiatif Industri 4.0, sistem pengesanan kecacatan berkembang menjadi sumber data strategik yang menyokong pembuatan keputusan di seluruh perusahaan.

AI Awan berbanding AI Edge: Mengapa Kebanyakan Kilang Memilih Pendekatan Hibrid

Organisasi perindustrian sering bertanya sama ada aplikasi pembelajaran mesin patut dijalankan sepenuhnya dalam awan atau sepenuhnya di edge. Sebenarnya, majoriti penggunaan yang berjaya menggunakan seni bina hibrid yang menggabungkan kekuatan kedua-dua persekitaran.

Platform awan cemerlang dalam latihan model, penyimpanan data berskala besar, pengurusan berpusat dan analitik jangka panjang. Melatih model pembelajaran mendalam sering memerlukan sumber pengkomputeran yang besar, yang tidak praktikal untuk digunakan secara langsung pada peralatan kilang.

Sebaliknya, sistem edge menyediakan daya tindak balas yang diperlukan untuk operasi perindustrian. Keputusan pemeriksaan selalunya perlu dibuat dalam tempoh milisaat. Barisan pengeluaran tidak boleh menunggu komunikasi awan sebelum menentukan sama ada sesuatu produk lulus pemeriksaan.

Pertimbangkan barisan pemasangan elektronik yang menghasilkan ribuan papan litar bercetak setiap jam. Kamera pemeriksaan beresolusi tinggi mungkin menjana terabait data imej dalam satu syif pengeluaran. Menghantar setiap imej ke platform awan jauh akan meningkatkan keperluan lebar jalur dan menyebabkan kependaman yang tidak perlu.

Dengan memproses imej secara tempatan, hanya maklumat yang berkaitan perlu dihantar ke awan. Ini mengurangkan overhed komunikasi dengan ketara sambil mengekalkan prestasi masa nyata.

Seni bina hibrid yang lazim mengikuti aliran kerja yang mudah:

• Infrastruktur awan melatih dan mengesahkan model.
• SageMaker mengoptimumkan model untuk penggunaan.
• AWS IoT Greengrass mengedarkan model kepada peranti edge.
• Peranti edge menjalankan inferens tempatan.
• Keputusan pemeriksaan terpilih dihantar semula ke awan.
• Jurutera melatih semula dan menambah baik model menggunakan data baharu.

Gelung maklum balas ini membolehkan penambahbaikan berterusan tanpa menjejaskan prestasi pengeluaran.

Model hibrid ini turut menyokong operasi pembuatan berbilang lokasi, dengan pasukan kejuruteraan berpusat mengurus aset pembelajaran mesin merentas banyak kemudahan.

Aplikasi Dunia Sebenar Pengesanan Kecacatan Berasaskan Edge

Walaupun penglihatan mesin telah wujud selama beberapa dekad, kemajuan terkini dalam pembelajaran mesin telah memperluas skop aplikasi pemeriksaan yang boleh diautomasikan oleh pengilang.

Pemeriksaan Badan Automotif

Pengilang automotif mesti mengekalkan piawaian kosmetik dan dimensi yang ketat. Kecacatan cat atau ketidaksekataan permukaan yang kecil sekalipun boleh mengakibatkan aktiviti kerja semula yang mahal.

Sistem pembelajaran mesin boleh mengenal pasti ketidaksempurnaan cat yang halus, calar, kemek dan ketidakseragaman salutan yang mungkin terlepas daripada kaedah pemeriksaan tradisional.

Dengan melaksanakan inferens secara langsung di edge, pengilang boleh menolak komponen yang rosak sebelum komponen tersebut bergerak ke proses pemasangan hiliran.

Pengilangan Semikonduktor

Fabrikasi semikonduktor mempunyai antara keperluan pemeriksaan yang paling mencabar dalam industri moden. Kecacatan yang diukur dalam mikron boleh menjejaskan prestasi dan hasil produk.

Model pembelajaran mesin termaju membantu mengenal pasti pencemaran wafer, kecacatan litografi dan anomali proses yang mungkin sukar dikesan menggunakan algoritma penglihatan konvensional.

Oleh sebab kemudahan semikonduktor menghasilkan jumlah data imej yang sangat besar, pemprosesan di edge membantu mengurangkan kesesakan rangkaian sambil mengekalkan kadar pemprosesan pemeriksaan.

Pengesahan Pembungkusan Makanan

Pengilang makanan dan minuman menghadapi tekanan yang semakin meningkat untuk memastikan kualiti pembungkusan, kebolehkesanan dan pematuhan peraturan.

Sistem pembelajaran mesin boleh mengesahkan:

• Ketepatan label
• Tarikh luput
• Keutuhan kedap
• Dimensi bungkusan
• Paras isian
• Orientasi produk

Pemeriksaan ini berlaku secara berterusan pada kelajuan pengeluaran yang mustahil dikekalkan oleh pengendali manual.

Pengeluaran Bateri

Pertumbuhan pesat pengeluaran kenderaan elektrik telah meningkatkan permintaan terhadap teknologi pemeriksaan bateri yang canggih.

Pengilang menggunakan penglihatan mesin dan pembelajaran mesin untuk mengesan kecacatan elektrod, ketidakseragaman salutan, pencemaran dan masalah pemasangan sepanjang proses pengeluaran bateri.

Oleh sebab kecacatan bateri boleh menjejaskan prestasi dan keselamatan, ketepatan pemeriksaan kekal sebagai objektif operasi yang kritikal.

Membina Set Data yang Lebih Baik untuk Pembelajaran Mesin Industri

Banyak organisasi memberikan tumpuan besar kepada pemilihan model sambil mengabaikan kepentingan pembangunan set data. Sebenarnya, kualiti data latihan sering memberikan kesan yang lebih besar terhadap kejayaan projek berbanding seni bina rangkaian neural tertentu yang digunakan.

Model pembelajaran mesin hanya boleh belajar daripada maklumat yang tersedia dalam set data latihannya. Jika senario kecacatan kritikal tidak disertakan, model mungkin menghadapi kesukaran apabila keadaan tersebut muncul dalam pengeluaran.

Set data industri yang berjaya biasanya merangkumi:

• Sampel pengeluaran biasa
• Keadaan kecacatan yang jarang berlaku
• Pelbagai persekitaran pencahayaan
• Syif pengeluaran yang berbeza
• Variasi bermusim
• Keadaan kehausan peralatan
• Variasi bahan mentah
• Perubahan proses berkaitan penyelenggaraan

Pengilang juga perlu terus mengembangkan set data selepas pelaksanaan.

Salah satu kelebihan ekosistem SageMaker dan Greengrass ialah keupayaannya mewujudkan mekanisme maklum balas antara operasi pengeluaran dengan pasukan pembangunan model. Kes pemeriksaan yang sukar boleh disemak, dilabel semula dan dimasukkan ke dalam kitaran latihan seterusnya.

Proses ini meningkatkan prestasi model secara beransur-ansur sambil mengurangkan positif palsu dan negatif palsu.

Organisasi yang menganggap pembelajaran mesin sebagai keupayaan operasi berterusan, bukannya projek sekali sahaja, lazimnya mencapai hasil jangka panjang yang terbaik.

AI Perindustrian Akan Menjadi Alat Kualiti Standard

Pembelajaran mesin, pengkomputeran pinggir dan automasi perindustrian sedang bergabung dengan pantas. Teknologi yang dahulunya dianggap eksperimen kini menjadi alat praktikal untuk meningkatkan kualiti, mengurangkan pembaziran dan meningkatkan kecekapan operasi.

Apabila perkakasan pengkomputeran menjadi lebih berkuasa dan rangka kerja pembelajaran mesin semakin mudah dilaksanakan, pengilang daripada semua saiz boleh memanfaatkan sistem pengesanan kecacatan yang canggih.

Platform seperti Amazon SageMaker dan AWS IoT Greengrass menyediakan infrastruktur yang diperlukan untuk memindahkan pembelajaran mesin daripada persekitaran penyelidikan ke kemudahan pengeluaran sebenar.

Pelaksanaan yang paling berjaya bukan sekadar mengenal pasti produk yang cacat. Pelaksanaan ini akan membantu pengilang memahami punca kecacatan berlaku, meramalkan isu kualiti sebelum menjadi lebih serius dan mengoptimumkan proses pengeluaran secara berterusan.

Pada tahun-tahun akan datang, penglihatan mesin berasaskan pinggir rangkaian berkemungkinan menjadi sama lazimnya di barisan pengeluaran seperti PLC, HMI, rangkaian perindustrian dan sistem SCADA pada masa ini. Kemudahan yang mula membina keupayaan ini sekarang akan berada pada kedudukan yang lebih baik untuk meningkatkan kualiti, memaksimumkan hasil dan bersaing dalam pasaran pembuatan yang semakin dipacu data.

Masa Depan Pengesanan Kecacatan Perindustrian

Pengesanan kecacatan perindustrian terus berkembang daripada analisis imej ringkas kepada sistem kualiti pintar dan adaptif.

Kemajuan dalam pembelajaran mesin, pengkomputeran pinggir, rangkaian perindustrian dan infrastruktur awan membolehkan pengilang memeriksa produk dengan lebih pantas dan lebih tepat berbanding sebelum ini.

Teknologi seperti Amazon SageMaker dan AWS IoT Greengrass membantu merapatkan jurang antara pembangunan model berasaskan awan dengan pelaksanaan di kilang sebenar. Bersama-sama, teknologi ini menyediakan pengilang dengan alat untuk membina sistem pemeriksaan berskala yang boleh belajar daripada data operasi dan terus bertambah baik dari semasa ke semasa.

Apabila organisasi perindustrian melaksanakan inisiatif transformasi digital, pengesanan kecacatan akan semakin menjadi sebahagian daripada strategi pembuatan pintar yang lebih luas, yang menggabungkan penglihatan mesin, penyelenggaraan ramalan, pengoptimuman proses dan analitik operasi.

Hasilnya bukan sekadar kawalan kualiti yang lebih baik. Ia merupakan persekitaran pengeluaran yang lebih pintar, tempat keputusan berasaskan data dibuat di pinggir rangkaian, berhampiran peralatan, produk dan proses yang menjana nilai.