Dlaczego wykrywanie wad produkcyjnych przenosi się na brzeg sieci

Producenci nieustannie dążą do wyższej jakości produktów, niższych kosztów operacyjnych i większej wydajności produkcji. W miarę jak linie produkcyjne stają się szybsze i bardziej zautomatyzowane, tradycyjne metody kontroli mają trudności z dotrzymaniem kroku współczesnym wymaganiom dotyczącym przepustowości. Kontrola wykonywana przez ludzi pozostaje cenna w wielu branżach, ale często wiąże się ze zmiennością wyników, błędami wynikającymi ze zmęczenia i ograniczeniami skalowalności.

Jednocześnie zakłady przemysłowe generują obecnie ogromne ilości danych operacyjnych za pośrednictwem czujników, kamer, sterowników i podłączonych urządzeń. Te źródła danych stwarzają możliwości wykorzystania zaawansowanej analityki i aplikacji uczenia maszynowego, które mogą identyfikować problemy z jakością na długo przed dotarciem produktów do klientów.

Jednym z najważniejszych osiągnięć ostatnich lat jest wdrażanie modeli uczenia maszynowego bezpośrednio na przemysłowym brzegu sieci. Zamiast wysyłać każdy obraz do zdalnej platformy chmurowej w celu analizy, producenci mogą lokalnie wykrywać wady na komputerach przemysłowych, procesorach wbudowanych i bramach brzegowych zainstalowanych w pobliżu urządzeń produkcyjnych.

Takie podejście znacznie zmniejsza opóźnienia, jednocześnie zwiększając responsywność systemu. Urządzenia produkcyjne mogą natychmiast reagować na wykryte wady, odrzucać produkty niezgodne z wymaganiami, uruchamiać alarmy lub inicjować działania korygujące bez oczekiwania na przetwarzanie w chmurze.

Platformy chmurowe nadal odgrywają kluczową rolę w trenowaniu, zarządzaniu i udoskonalaniu modeli uczenia maszynowego. Jednak przetwarzanie brzegowe pozwala fabrykom wykonywać wnioskowanie w czasie rzeczywistym w miejscu generowania danych. To połączenie inteligencji chmurowej i wykonywania operacji na brzegu sieci stało się potężną architekturą automatyki przemysłowej.

Do wiodących technologii wspierających tę architekturę należą Amazon SageMaker i AWS IoT Greengrass. Wspólnie platformy te zapewniają środowisko do tworzenia, wdrażania, monitorowania i ciągłego udoskonalania modeli uczenia maszynowego wykorzystywanych w zastosowaniach związanych z wykrywaniem wad produkcyjnych.

Rysunek 1. Zautomatyzowane systemy wizyjne umożliwiają szybką kontrolę jakości we współczesnych zakładach produkcyjnych.

Zrozumienie wyzwania związanego z wykrywaniem wad przemysłowych

Wykrywanie wad na pierwszy rzut oka wydaje się proste. Kamera rejestruje obraz, oprogramowanie ocenia produkt, a system określa, czy wyrób przechodzi kontrolę. W praktyce jednak środowiska kontroli przemysłowej stwarzają liczne wyzwania techniczne.

Produkty poruszają się z różnymi prędkościami. Warunki oświetleniowe zmieniają się w ciągu dnia. Materiały powierzchniowe mogą różnie odbijać światło. Tolerancje produkcyjne mogą powodować niewielkie różnice między produktami spełniającymi wymagania. Kurz, wibracje, wahania temperatury i warunki środowiskowe mogą dodatkowo komplikować pozyskiwanie obrazów.

Producenci muszą zatem opracowywać systemy kontroli zdolne odróżniać normalne wahania produkcji od rzeczywistych wad.

Do typowych wad produkcyjnych należą:

• Zarysowania powierzchni
• Pęknięcia i złamania
• Brakujące komponenty
• Błędy montażowe
• Nieprawidłowe spawy
• Niedoskonałości powłoki lakierniczej
• Pęcherzyki i pustki
• Odchylenia wymiarowe
• Wady opakowań
• Błędy etykietowania

W branżach takich jak produkcja motoryzacyjna, wytwarzanie półprzewodników, farmacja, przetwórstwo spożywcze, montaż elektroniki i produkcja energii wykrywanie wad bezpośrednio wpływa na rentowność oraz zadowolenie klientów.

Niewykryta wada może prowadzić do roszczeń gwarancyjnych, incydentów związanych z bezpieczeństwem, wycofania produktów, kar regulacyjnych lub uszczerbku na reputacji marki. Z kolei zbyt restrykcyjne kryteria kontroli mogą zwiększać odsetek braków i obniżać wydajność produkcji.

Uczenie maszynowe pomaga sprostać tym wyzwaniom, ucząc się wzorców z dużych zbiorów danych zamiast polegać wyłącznie na ręcznie programowanych regułach kontroli.

Systemy wizyjne ewoluowały poza tradycyjną kontrolę opartą na regułach

Tradycyjne systemy wizyjne w dużej mierze opierają się na deterministycznych algorytmach przetwarzania obrazu. Inżynierowie ręcznie definiują progi, parametry wykrywania krawędzi, pomiary geometryczne i reguły rozpoznawania cech.

Podejścia te pozostają skuteczne w wielu zastosowaniach. Jednak ich utrzymanie staje się coraz trudniejsze, gdy produkty wykazują znaczne zróżnicowanie lub gdy wady pojawiają się w nieprzewidywalnych formach.

Nowoczesne modele uczenia maszynowego oferują zasadniczo inne podejście.

Zamiast ręcznie definiować każdą regułę kontroli, inżynierowie trenują modele z wykorzystaniem tysięcy, a nawet milionów obrazów przykładowych. System uczy się cech odróżniających produkty spełniające wymagania od produktów wadliwych.

Dzięki temu systemy uczenia maszynowego mogą wykrywać subtelne wzorce, które konwencjonalne algorytmy wizyjne mogą mieć trudności z identyfikacją.

W systemach kontroli przemysłowej powszechnie stosuje się kilka podejść z zakresu uczenia maszynowego.

Klasyfikacja obrazów

Modele klasyfikacji określają, czy obraz należy do konkretnej kategorii.

Na przykład model może klasyfikować produkty jako:

• Prawidłowy
• Nieprawidłowy
• Uszkodzony
• Niekompletny
• Nieprawidłowo ustawiony

Klasyfikacja jest często najprostszym modelem wdrożenia i stanowi skuteczny punkt wyjścia dla wielu zastosowań produkcyjnych.

Detekcja obiektów

Detekcja obiektów rozszerza klasyfikację, identyfikując zarówno obecność, jak i lokalizację wady.

Zamiast jedynie zgłaszać obecność wady, model określa, gdzie wada występuje na obrazie.

Ta funkcja pozwala zespołom utrzymania ruchu i inżynierom jakości lepiej rozumieć problemy procesowe oraz ich przyczyny źródłowe.

Segmentacja semantyczna

Segmentacja semantyczna zapewnia analizę na poziomie pikseli.

Każdy piksel otrzymuje etykietę klasyfikacyjną, co pozwala systemowi precyzyjnie określić granice wady.

Modele segmentacji są szczególnie przydatne, gdy producenci potrzebują szczegółowych informacji o wymiarach pęknięć, obszarach korozji, wadach powłoki lub niejednorodności materiału.

Zaawansowane techniki segmentacji mogą wspierać inicjatywy predykcyjnego zapewniania jakości, w których wzorce rozwoju wad stają się częścią szerszych działań optymalizacyjnych procesu.

Dlaczego brzegowa sztuczna inteligencja ma znaczenie w automatyce przemysłowej

Wiele zakładów przemysłowych nadal działa zgodnie z rygorystycznymi wymaganiami dotyczącymi niezawodności. Linie produkcyjne często pracują nieprzerwanie przez długi czas i nie mogą całkowicie polegać na łączności z chmurą.

Wysyłanie każdego obrazu z inspekcji do zdalnego serwera wiąże się z kilkoma ograniczeniami:

• Opóźnienia sieciowe
• Zużycie przepustowości
• Koszty przetwarzania w chmurze
• Obawy związane z cyberbezpieczeństwem
• Ryzyko problemów z łącznością

Rozważmy rozlewnię produkującą tysiące pojemników na minutę. Kamery o wysokiej rozdzielczości mogą generować gigabajty danych obrazowych w ciągu każdej godziny.

Przesyłanie każdego obrazu do chmury staje się kosztowne i niepotrzebne.

Zamiast tego wnioskowanie na brzegu sieci umożliwia podejmowanie decyzji lokalnie, a do systemów centralnych przesyłane są tylko istotne informacje.

Ta architektura jest ściśle zgodna z nowoczesnymi strategiami automatyki przemysłowej, w których systemy technologii operacyjnej (OT) coraz częściej integrują się z infrastrukturą technologii informacyjnej (IT).

Przemysłowa sztuczna inteligencja brzegowa może obsługiwać liczne środowiska automatyki, w tym:

• Linie produkcyjne sterowane przez PLC
• Zakłady procesowe oparte na systemach DCS
• Systemy monitorowania SCADA
• Sieci monitorowania turbin
• Maszyny pakujące
• Zrobotyzowane cele montażowe
• Systemy automatyki magazynowej

Wiele zakładów już korzysta z platform automatyki dostarczanych przez głównych dostawców przemysłowych. Rozwiązania brzegowej sztucznej inteligencji mogą współistnieć z systemami takimi jak Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV i Yokogawa CENTUM VP.

W tych środowiskach systemy wizyjne stają się kolejnym źródłem informacji operacyjnych wspierających ogólne cele produkcyjne.

Rola Amazon SageMaker w przemysłowym uczeniu maszynowym

Amazon SageMaker zapewnia oparte na chmurze środowisko do tworzenia, trenowania, optymalizowania, wdrażania i zarządzania modelami uczenia maszynowego.

Jedną z jego głównych zalet jest upraszczanie wielu zadań tradycyjnie związanych z tworzeniem rozwiązań uczenia maszynowego.

Analitycy danych i inżynierowie mogą skupić się na wydajności modeli, zamiast zarządzać infrastrukturą.

W środowisku produkcyjnym SageMaker może obsługiwać cały cykl życia uczenia maszynowego.

Gromadzenie i przygotowanie danych

Podstawą każdego udanego projektu wykrywania defektów jest wysokiej jakości zbiór danych.

Producenci zazwyczaj instalują kamery przemysłowe w strategicznych punktach kontroli wzdłuż linii produkcyjnych. Kamery te rejestrują obrazy zarówno produktów spełniających wymagania, jak i wadliwych.

Zebrane obrazy należy następnie opisać i uporządkować.

Dokładne etykietowanie bezpośrednio wpływa na wydajność modelu. Nieprawidłowo oznaczone zbiory danych często prowadzą do wyników fałszywie dodatnich i fałszywie ujemnych podczas wdrażania.

W zastosowaniach związanych z wykrywaniem defektów inżynierowie często tworzą adnotacje identyfikujące:

• Typ defektu
• Lokalizacja defektu
• Poziom istotności defektu
• Kategoria produktu
• Informacje o partii produkcyjnej

W miarę wzrostu zbiorów danych producenci mogą stale zwiększać dokładność modeli, uwzględniając dodatkowe scenariusze produkcyjne.

Trenowanie i optymalizacja modeli

Trenowanie modeli uczenia maszynowego wymaga znacznych zasobów obliczeniowych.

Właśnie tutaj infrastruktura chmurowa zapewnia znaczące korzyści.

Zamiast inwestować w dedykowane lokalne serwery AI, producenci mogą korzystać ze skalowalnych zasobów chmurowych, aby wydajniej trenować modele.

SageMaker obsługuje wiele frameworków i architektur modeli powszechnie wykorzystywanych w przemysłowych zastosowaniach widzenia maszynowego.

Do popularnych architektur sieci neuronowych należą:

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

Każda architektura oferuje inne kompromisy między dokładnością, wymaganiami obliczeniowymi a szybkością wnioskowania.

Inżynierowie przemysłowi często oceniają wiele architektur przed wyborem optymalnego modelu do wdrożenia produkcyjnego.

Wdrażanie modeli uwzględniające sprzęt

Jednym z największych wyzwań w projektach przemysłowej sztucznej inteligencji jest przenoszenie modeli wytrenowanych w chmurze na sprzęt brzegowy o ograniczonych zasobach.

Model, który działa wyjątkowo dobrze na karcie GPU w chmurze, może mieć problemy po wdrożeniu na przemysłowej bramie sieciowej lub procesorze wbudowanym.

SageMaker udostępnia narzędzia pomagające optymalizować modele pod kątem docelowych platform sprzętowych.

Ten proces optymalizacji zmniejsza wymagania dotyczące pamięci, zwiększa szybkość wnioskowania i ogranicza zużycie energii, zachowując przy tym akceptowalną dokładność.

Takie możliwości stają się szczególnie ważne w środowiskach produkcyjnych na dużą skalę, gdzie jednocześnie może działać setki lub tysiące urządzeń brzegowych.

W części 2. przeanalizujemy, jak AWS IoT Greengrass wdraża te modele i zarządza nimi na przemysłowym brzegu sieci, omówimy procesy wykrywania defektów od chmury po brzeg sieci, przedstawimy praktyczne architektury implementacji oraz przeanalizujemy rzeczywiste przypadki zastosowań w produkcji, obejmujące sterowniki PLC, systemy SCADA, platformy DCS i programy predykcyjnej kontroli jakości.

Wprowadzanie modeli uczenia maszynowego na hale fabryczne za pomocą AWS IoT Greengrass

Wytrenowanie modelu uczenia maszynowego to tylko część całego procesu. Producenci ostatecznie potrzebują praktycznego sposobu wdrażania, zarządzania, monitorowania i aktualizowania tych modeli w zakładach produkcyjnych. W tym miejscu AWS IoT Greengrass staje się kluczowym elementem architektury.

AWS IoT Greengrass pełni funkcję środowiska uruchomieniowego na brzegu sieci, które umożliwia bezpośrednie działanie oprogramowania, modeli uczenia maszynowego i aplikacji automatyzacji na urządzeniach przemysłowych. Zamiast polegać na stałej łączności z chmurą, Greengrass umożliwia lokalne wykonywanie zadań wnioskowania przy jednoczesnym zachowaniu synchronizacji ze scentralizowanymi usługami chmurowymi.

W przypadku zakładów produkcyjnych ta architektura zapewnia równowagę między skalowalnością chmury a lokalną szybkością reakcji.

Urządzenia produkcyjne mogą nadal działać nawet podczas tymczasowych przerw w połączeniu sieciowym. Decyzje dotyczące kontroli jakości pozostają dostępne w czasie rzeczywistym, a dane operacyjne mogą zostać zsynchronizowane z systemami chmurowymi po przywróceniu łączności.

Ta funkcja jest szczególnie cenna w dużych środowiskach przemysłowych, w których linie produkcyjne mogą działać w wielu budynkach, zdalnych zakładach lub geograficznie rozproszonych lokalizacjach produkcyjnych.

Rysunek 2. AWS IoT Greengrass umożliwia bezpośrednie wnioskowanie z użyciem uczenia maszynowego na przemysłowych urządzeniach brzegowych przy zachowaniu integracji z chmurą.

Budowa potoku wykrywania wad przemysłowych od chmury po urządzenia brzegowe

Skuteczne systemy wykrywania wad wymagają czegoś więcej niż wytrenowanej sieci neuronowej. Producenci muszą ustanowić kompletny cykl życia obejmujący pozyskiwanie danych, rozwój modelu, wdrażanie, monitorowanie i ciągłe doskonalenie.

Nowoczesna architektura inspekcji od chmury po urządzenia brzegowe zazwyczaj obejmuje kilka etapów.

Etap 1: Pozyskiwanie obrazów

Proces rozpoczyna się od gromadzenia obrazów.

Kamery przemysłowe rejestrują produkty podczas ich przemieszczania się przez urządzenia produkcyjne, przenośniki, zrobotyzowane stanowiska robocze lub gniazda montażowe. Wybór kamery zależy od wymagań danego zastosowania i może obejmować:

• Kamery skanujące obszarowo
• Kamery skanujące liniowo
• Kamery wizyjne 3D
• Systemy obrazowania termicznego
• Czujniki obrazowania hiperspektralnego

Odpowiednie zaprojektowanie oświetlenia jest równie ważne. Nawet zaawansowane modele uczenia maszynowego mają trudności, gdy jakość obrazu jest niespójna.

Skuteczne wdrożenia często obejmują środowiska o kontrolowanym oświetleniu, które minimalizują cienie, odbicia i wahania natężenia światła otoczenia.

Etap 2: Etykietowanie i adnotowanie danych

Po zebraniu obrazów inżynierowie tworzą zbiory danych treningowych.

Obrazy muszą dokładnie przedstawiać zarówno normalne, jak i wadliwe warunki pracy. Wiele organizacji początkowo nie docenia tej fazy. W rzeczywistości jakość zbioru danych często w większym stopniu decyduje o powodzeniu projektu niż wybór modelu.

Producenci powinni gromadzić próbki z wielu zmian produkcyjnych, przy różnych stanach urządzeń, z różnych partii surowców oraz w różnych warunkach środowiskowych.

Ta różnorodność pomaga zapewnić odporność modelu po wdrożeniu.

Etap 3: Trenowanie modelu w SageMaker

Trenowanie odbywa się w Amazon SageMaker z wykorzystaniem zasobów obliczeniowych chmury.

Inżynierowie oceniają wiele architektur i optymalizują hiperparametry, aby poprawić wydajność.

Typowe cele optymalizacji obejmują:

• Wyższa dokładność wykrywania
• Mniejsza liczba wyników fałszywie dodatnich
• Mniejsza liczba wyników fałszywie ujemnych
• Większa szybkość wnioskowania
• Mniejsze wykorzystanie pamięci

W środowiskach produkcyjnych często priorytetem jest niezawodność, a nie marginalna poprawa dokładności. Model o nieco niższej dokładności, ale zapewniający wysoce przewidywalne działanie, może przewyższać teoretycznie lepszy model w rzeczywistych warunkach produkcyjnych.

Etap 4: Wdrożenie na brzegu sieci

Po zakończeniu walidacji SageMaker pakuje model do wdrożenia.

Greengrass dystrybuuje model do sprzętu brzegowego, gdzie odbywa się lokalne wnioskowanie.

W zależności od zastosowania miejscami wdrożenia mogą być:

• Komputery przemysłowe
• Wbudowane bramy AI
• Sterowniki brzegowe oparte na architekturze ARM
• Serwery brzegowe wyposażone w procesory GPU
• Komputery przemysłowe zintegrowane z systemami wizyjnymi

Wnioskowanie odbywa się lokalnie, zapewniając wyniki inspekcji w ciągu milisekund.

Etap 5: Ciągłe doskonalenie

Być może najpotężniejszym elementem tej architektury jest pętla sprzężenia zwrotnego.

Urządzenia brzegowe mogą przesyłać wybrane obrazy i dane operacyjne z powrotem do chmury. Inżynierowie analizują trudne przypadki, oznaczają nowe dane, ponownie trenują modele i wdrażają ich zaktualizowane wersje.

Tworzy to stale doskonalony system inspekcji, który dostosowuje się do zmieniających się warunków produkcji.

Integracja automatyki przemysłowej wykraczająca poza systemy wizyjne

Systemy wykrywania wad zapewniają największą wartość, gdy są zintegrowane z istniejącą infrastrukturą automatyki.

Samodzielna kamera, która jedynie identyfikuje wady, zapewnia ograniczone korzyści operacyjne. Współcześni producenci coraz częściej podłączają systemy inspekcji bezpośrednio do układów sterowania produkcją.

Na przykład wynik inspekcji może automatycznie uruchomić:

• Mechanizmy odrzucania produktów
• Systemy sortowania robotycznego
• Powiadomienia alarmowe
• Spowolnienia linii produkcyjnej
• Zlecenia prac konserwacyjnych
• Systemy raportowania jakości

Wiele zakładów realizuje tę integrację za pomocą przemysłowych protokołów komunikacyjnych, takich jak EtherNet/IP, PROFINET, Modbus TCP, OPC UA i MQTT.

System wizyjny staje się kolejnym inteligentnym węzłem w szerszym ekosystemie automatyki.

Organizacje korzystające z nowoczesnych platform PLC często integrują wyniki inspekcji bezpośrednio z logiką sterowania. Systemy oparte na sterownikach Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon lub Mitsubishi MELSEC mogą odbierać dane o wadach i uruchamiać automatyczne reakcje.

Zakłady oceniające modernizacje sterowników lub projekty rozbudowy często przeglądają dostępny sprzęt w kategorii systemów PLC i PAC, aby wspierać przyszłe inicjatywy związane z przemysłową sztuczną inteligencją.

Wykrywanie wad w środowiskach produkcji wielkoseryjnej

Nie każde środowisko produkcyjne ma takie same wymagania.

Strategie kontroli muszą być dostosowane do szybkości produkcji, złożoności produktu i celów biznesowych.

Produkcja elektroniki

Produkcja elektroniki często wiąże się z występowaniem niezwykle małych wad, które operatorom trudno jest konsekwentnie identyfikować.

Systemy uczenia maszynowego mogą kontrolować:

• Połączenia lutowane
• Ścieżki PCB
• Umiejscowienie złączy
• Orientacja komponentów
• Zanieczyszczenie powierzchni

Ponieważ wielkość produkcji jest duża, nawet niewielka poprawa dokładności wykrywania może przynieść znaczne oszczędności kosztów.

Produkcja motoryzacyjna

Zakłady motoryzacyjne często wdrażają systemy wizyjne w obszarach montażu nadwozia, lakierowania, produkcji układów napędowych i montażu końcowego.

Systemy kontroli mogą wykrywać:

• Wady lakiernicze
• Problemy z jakością spawów
• Brakujące elementy złączne
• Nieprawidłowe ustawienie komponentów
• Niedoskonałości powierzchni

Przetwarzanie na brzegu sieci staje się szczególnie ważne, ponieważ linie produkcyjne działają z dużą prędkością i nie tolerują nadmiernych opóźnień.

Przetwórstwo żywności i napojów

Producenci żywności często wykorzystują systemy wizyjne do identyfikowania wad opakowań, problemów z etykietowaniem, ryzyka zanieczyszczeń i nieprawidłowości poziomu napełnienia.

Szybkie podejmowanie decyzji lokalnie pomaga zapobiegać przedostawaniu się wadliwych produktów do dalszych procesów pakowania i dystrybucji.

Produkcja farmaceutyczna

Branże regulowane wymagają wysoce niezawodnych systemów kontroli.

Modele uczenia maszynowego mogą wspierać działania walidacyjne, wykrywając wady opakowań, błędy etykietowania, zanieczyszczenia fiolek i niezgodności produktów, a jednocześnie prowadząc szczegółowe ścieżki audytu.

Brzegowa sztuczna inteligencja i zarządzanie jakością predykcyjną

Wiele organizacji początkowo wdraża systemy wizyjne wyłącznie do kontroli zgodności z kryteriami „zaliczony/niezaliczony”. Z czasem jednak producenci często odkrywają znacznie większe możliwości.

Dane dotyczące wad zawierają cenne informacje o wydajności procesu.

Analizując trendy dotyczące występowania wad, producenci mogą identyfikować pojawiające się problemy produkcyjne, zanim poziom jakości ulegnie znacznemu pogorszeniu.

Koncepcja ta jest czasami nazywana jakością predykcyjną.

Na przykład rosnąca liczba wad w postaci zarysowań może wskazywać na zużycie oprzyrządowania. Zwiększająca się liczba odchyleń wymiarowych może sugerować rozregulowanie kalibracji. Problemy z wykończeniem powierzchni mogą ujawniać usterki urządzeń wykorzystywanych we wcześniejszych etapach procesu.

Po integracji z przemysłowymi systemami monitorowania dane dotyczące wykrywania wad stają się dodatkowym źródłem informacji operacyjnych.

Organizacje odpowiedzialne za niezawodność maszyn wirujących często łączą monitorowanie jakości z analizą drgań i platformami do monitorowania stanu zasobów. W takich środowiskach rozwiązania do monitorowania stanu maszyn, takie jak te dostępne w ofercie Monitorowanie maszyn, często uzupełniają szersze inicjatywy konserwacji predykcyjnej.

Kwestie sprzętowe we wdrożeniach przemysłowej AI brzegowej

Wybór odpowiedniej platformy sprzętowej pozostaje jedną z najważniejszych decyzji projektowych w każdym projekcie brzegowej AI.

Idealny sprzęt zależy od kilku czynników:

• Rozdzielczość obrazu
• Szybkość inspekcji
• Złożoność modelu
• Dostępność zasilania
• Warunki środowiskowe
• Wymagania dotyczące skalowalności

Zakłady przemysłowe coraz częściej wdrażają procesory wyposażone w dedykowane jednostki przetwarzania neuronowego (NPU), akceleratory graficzne i silniki wnioskowania AI.

Możliwości te znacząco poprawiają wydajność uczenia maszynowego, jednocześnie zmniejszając zużycie energii.

Platformy takie jak NXP i.MX 8M Plus pokazują, jak sprzęt wbudowany nadal ewoluuje, aby obsługiwać obciążenia przemysłowej AI.

W miarę upowszechniania się AI optymalizacja sprzętu staje się coraz ważniejsza, ponieważ producenci muszą równoważyć wydajność, wsparcie w całym cyklu życia, cyberbezpieczeństwo i całkowity koszt posiadania.

Kwestie cyberbezpieczeństwa w przypadku połączonych systemów inspekcyjnych

Każde podłączone urządzenie przemysłowe wiąże się z potencjalnymi zagrożeniami dla cyberbezpieczeństwa.

Systemy wizyjne nie są wyjątkiem.

Organizacje wdrażające architektury inspekcji połączone z chmurą powinny ustanowić jasne zasady cyberbezpieczeństwa obejmujące:

• Zarządzanie tożsamością
• Uwierzytelnianie urządzeń
• Szyfrowana komunikacja
• Segmentacja sieci
• Aktualizowanie oprogramowania
• Zasady kontroli dostępu

Wielu producentów już stosuje te zasady w całych swoich środowiskach OT, w tym w sieciach PLC, systemach SCADA, rozproszonych systemach sterowania i przemysłowych archiwach danych.

Infrastruktura uczenia maszynowego powinna być objęta tymi samymi ramami cyberbezpieczeństwa.

Łączenie systemów wykrywania wad z SCADA, MES i operacjami w całym zakładzie

Wielu producentów początkowo wdraża systemy wizyjne jako samodzielne stacje inspekcyjne. Chociaż takie podejście może poprawić kontrolę jakości, prawdziwa wartość przemysłowej AI ujawnia się, gdy dane z inspekcji stają się częścią większego ekosystemu operacyjnego.

Nowoczesne zakłady produkcyjne coraz częściej łączą systemy jakości z platformami SCADA (Supervisory Control and Data Acquisition), systemami MES (Manufacturing Execution Systems), narzędziami raportowania korporacyjnego i archiwami danych zakładowych. Integracja ta przekształca wykrywanie wad z reaktywnej funkcji jakościowej w proaktywną platformę analizy operacyjnej.

Gdy system wizyjny identyfikuje wadę, informacje mogą być w czasie rzeczywistym rozpowszechniane w całym zakładzie. Kierownicy produkcji mogą monitorować trendy jakościowe za pomocą pulpitów nawigacyjnych SCADA, zespoły utrzymania ruchu mogą otrzymywać automatyczne powiadomienia, a inżynierowie procesu mogą korelować wady z parametrami maszyn, warunkami środowiskowymi lub zmianami surowców.

Na przykład zakład pakujący może odkryć, że błędy umieszczania etykiet nasilają się, gdy prędkość przenośnika przekracza określony próg. Producent samochodów może zidentyfikować korelację między wadami spawania a dryfem kalibracji robota. Zakład farmaceutyczny może powiązać nieprawidłowości w pakowaniu z konkretnymi ustawieniami urządzeń lub partiami produkcyjnymi.

Bez integracji te informacje często pozostają ukryte w odizolowanych systemach inspekcyjnych.

Wiele organizacji korzysta z OPC UA jako podstawowej warstwy komunikacyjnej między platformami wizyjnymi a oprogramowaniem przemysłowym wyższego poziomu. MQTT również zyskuje na popularności ze względu na lekką architekturę i przydatność w zastosowaniach Przemysłowego Internetu Rzeczy (IIoT).

W miarę jak producenci kontynuują realizację inicjatyw Przemysłu 4.0, systemy wykrywania wad ewoluują w strategiczne źródła danych wspierające podejmowanie decyzji w całym przedsiębiorstwie.

Sztuczna inteligencja w chmurze a sztuczna inteligencja brzegowa: dlaczego większość fabryk wybiera podejście hybrydowe

Organizacje przemysłowe często zastanawiają się, czy aplikacje uczenia maszynowego powinny działać wyłącznie w chmurze, czy wyłącznie na brzegu sieci. W rzeczywistości większość udanych wdrożeń korzysta z architektury hybrydowej, która łączy zalety obu środowisk.

Platformy chmurowe doskonale sprawdzają się w trenowaniu modeli, przechowywaniu dużych ilości danych, scentralizowanym zarządzaniu i długoterminowej analityce. Trenowanie modeli głębokiego uczenia często wymaga znacznych zasobów obliczeniowych, których wdrożenie bezpośrednio na wyposażeniu fabryki byłoby niepraktyczne.

Systemy brzegowe zapewniają natomiast szybkość reakcji wymaganą w operacjach przemysłowych. Decyzje dotyczące inspekcji często muszą być podejmowane w ciągu milisekund. Linie produkcyjne nie mogą czekać na komunikację z chmurą, zanim ustalą, czy produkt przechodzi inspekcję.

Rozważmy linię montażową elektroniki, na której co godzinę powstają tysiące płytek drukowanych. Kamery inspekcyjne o wysokiej rozdzielczości mogą wygenerować terabajty danych obrazowych podczas jednej zmiany produkcyjnej. Wysyłanie każdego obrazu do zdalnej platformy chmurowej zwiększyłoby wymagania dotyczące przepustowości i spowodowałoby niepotrzebne opóźnienia.

Przetwarzanie obrazów lokalnie sprawia, że do chmury trzeba przesyłać tylko istotne informacje. Znacząco zmniejsza to obciążenie komunikacyjne, zachowując jednocześnie wydajność w czasie rzeczywistym.

Typowa architektura hybrydowa obejmuje prosty przepływ pracy:

• Infrastruktura chmurowa trenuje i sprawdza poprawność modeli.
• SageMaker optymalizuje modele pod kątem wdrożenia.
• AWS IoT Greengrass dystrybuuje modele do urządzeń brzegowych.
• Urządzenia brzegowe wykonują wnioskowanie lokalnie.
• Wybrane wyniki inspekcji wracają do chmury.
• Inżynierowie ponownie trenują i ulepszają modele, korzystając z nowych danych.

Ta pętla sprzężenia zwrotnego umożliwia ciągłe doskonalenie bez pogarszania wydajności produkcji.

Model hybrydowy obsługuje również operacje produkcyjne w wielu lokalizacjach, w których scentralizowane zespoły inżynieryjne zarządzają zasobami uczenia maszynowego w licznych zakładach.

Rzeczywiste zastosowania wykrywania wad na brzegu sieci w produkcji

Chociaż systemy wizyjne są stosowane od dziesięcioleci, najnowsze postępy w dziedzinie uczenia maszynowego poszerzyły zakres zastosowań inspekcyjnych, które producenci mogą zautomatyzować.

Inspekcja karoserii samochodowych

Producenci samochodów muszą spełniać rygorystyczne standardy dotyczące wyglądu i wymiarów. Nawet drobne wady lakieru lub nieregularności powierzchni mogą skutkować kosztownymi pracami naprawczymi.

Systemy uczenia maszynowego mogą identyfikować subtelne niedoskonałości lakieru, zarysowania, wgniecenia i niejednorodności powłok, które mogą zostać pominięte przez tradycyjne metody inspekcji.

Wykonując wnioskowanie bezpośrednio na urządzeniu brzegowym, producenci mogą odrzucać wadliwe komponenty, zanim trafią one do dalszych procesów montażowych.

Produkcja półprzewodników

Produkcja półprzewodników wiąże się z jednymi z najbardziej wymagających wymagań inspekcyjnych we współczesnym przemyśle. Wady mierzone w mikronach mogą wpływać na wydajność produktu i uzysk produkcyjny.

Zaawansowane modele uczenia maszynowego pomagają identyfikować zanieczyszczenia wafli, wady litografii i anomalie procesowe, które mogą być trudne do wykrycia przy użyciu konwencjonalnych algorytmów wizyjnych.

Ponieważ zakłady produkujące półprzewodniki generują ogromne ilości danych obrazowych, przetwarzanie brzegowe pomaga zmniejszyć przeciążenie sieci przy jednoczesnym utrzymaniu przepustowości inspekcji.

Weryfikacja opakowań żywności

Producenci żywności i napojów odczuwają coraz większą presję, aby zapewnić jakość opakowań, identyfikowalność i zgodność z przepisami.

Systemy uczenia maszynowego mogą weryfikować:

• Poprawność etykiety
• Daty ważności
• Szczelność opakowania
• Wymiary opakowania
• Poziomy napełnienia
• Orientacja produktu

Inspekcje te odbywają się nieprzerwanie przy prędkościach produkcji, których operatorzy ręczni nie byliby w stanie utrzymać.

Produkcja akumulatorów

Gwałtowny rozwój produkcji pojazdów elektrycznych zwiększył zapotrzebowanie na zaawansowane technologie inspekcji akumulatorów.

Producenci wykorzystują systemy wizyjne i uczenie maszynowe do wykrywania wad elektrod, niejednorodności powłok, zanieczyszczeń i problemów montażowych na różnych etapach produkcji akumulatorów.

Ponieważ wady akumulatorów mogą wpływać zarówno na ich wydajność, jak i bezpieczeństwo, dokładność inspekcji pozostaje kluczowym celem operacyjnym.

Tworzenie lepszych zbiorów danych na potrzeby przemysłowego uczenia maszynowego

Wiele organizacji koncentruje się przede wszystkim na wyborze modelu, pomijając znaczenie tworzenia zbioru danych. W rzeczywistości jakość danych treningowych często ma większy wpływ na powodzenie projektu niż konkretna używana architektura sieci neuronowej.

Model uczenia maszynowego może uczyć się wyłącznie na podstawie informacji dostępnych w jego zbiorze treningowym. Jeśli brakuje w nim kluczowych scenariuszy występowania wad, model może mieć trudności, gdy takie warunki pojawią się w produkcji.

Skuteczne przemysłowe zbiory danych zazwyczaj obejmują:

• Próbki z normalnej produkcji
• Rzadko występujące wady
• Różne warunki oświetleniowe
• Różne zmiany produkcyjne
• Wahania sezonowe
• Warunki zużycia sprzętu
• Wahania właściwości surowców
• Zmiany w procesach związane z konserwacją

Producenci powinni również stale rozszerzać zbiory danych po wdrożeniu.

Jedną z zalet ekosystemu SageMaker i Greengrass jest możliwość stworzenia mechanizmu sprzężenia zwrotnego między operacjami produkcyjnymi a zespołami zajmującymi się tworzeniem modeli. Trudne przypadki inspekcji można analizować, ponownie etykietować i uwzględniać w przyszłych cyklach trenowania.

Proces ten stopniowo poprawia wydajność modelu, jednocześnie ograniczając liczbę wyników fałszywie dodatnich i fałszywie ujemnych.

Organizacje, które traktują uczenie maszynowe jako stałą zdolność operacyjną, a nie jednorazowy projekt, zazwyczaj osiągają najlepsze długoterminowe rezultaty.

Przemysłowa sztuczna inteligencja stanie się standardowym narzędziem kontroli jakości

Uczenie maszynowe, przetwarzanie brzegowe i automatyzacja przemysłowa szybko się łączą. To, co niegdyś uznawano za technologię eksperymentalną, staje się praktycznym narzędziem poprawy jakości, ograniczania marnotrawstwa i zwiększania wydajności operacyjnej.

W miarę jak sprzęt komputerowy staje się coraz wydajniejszy, a wdrażanie platform uczenia maszynowego coraz łatwiejsze, producenci każdej wielkości mogą korzystać z zaawansowanych systemów wykrywania defektów.

Platformy takie jak Amazon SageMaker i AWS IoT Greengrass zapewniają infrastrukturę niezbędną do przeniesienia uczenia maszynowego ze środowisk badawczych do rzeczywistych zakładów produkcyjnych.

Najbardziej udane wdrożenia nie będą jedynie identyfikować wadliwych produktów. Pomogą producentom zrozumieć, dlaczego występują defekty, przewidywać problemy z jakością, zanim się nasilą, oraz stale optymalizować procesy produkcyjne.

W nadchodzących latach wizyjne systemy brzegowe prawdopodobnie staną się na liniach produkcyjnych równie powszechne jak obecnie sterowniki PLC, panele HMI, sieci przemysłowe i systemy SCADA. Zakłady, które już teraz zaczną rozwijać te możliwości, będą lepiej przygotowane do poprawy jakości, maksymalizacji uzysku i konkurowania na coraz bardziej opartych na danych rynkach produkcyjnych.

Przyszłość wykrywania defektów przemysłowych

Wykrywanie defektów przemysłowych stale ewoluuje — od prostej analizy obrazu w kierunku inteligentnych, adaptacyjnych systemów jakości.

Postępy w dziedzinie uczenia maszynowego, przetwarzania brzegowego, sieci przemysłowych i infrastruktury chmurowej umożliwiają producentom kontrolowanie produktów szybciej i z większą precyzją niż kiedykolwiek wcześniej.

Technologie takie jak Amazon SageMaker i AWS IoT Greengrass pomagają wypełnić lukę między tworzeniem modeli w chmurze a ich wdrażaniem w rzeczywistych zakładach produkcyjnych. Razem zapewniają producentom narzędzia do budowania skalowalnych systemów inspekcji, które mogą uczyć się na podstawie danych operacyjnych i stale doskonalić się z czasem.

W miarę jak organizacje przemysłowe realizują inicjatywy transformacji cyfrowej, wykrywanie defektów będzie coraz częściej stawać się częścią szerszych strategii inteligentnej produkcji, łączących wizję maszynową, konserwację predykcyjną, optymalizację procesów i analitykę operacyjną.

Rezultatem nie jest jedynie lepsza kontrola jakości. To bardziej inteligentne środowisko produkcyjne, w którym decyzje oparte na danych są podejmowane na brzegu sieci, blisko urządzeń, produktów i procesów generujących wartość.