เหตุใดการตรวจจับข้อบกพร่องในการผลิตจึงมุ่งสู่เอดจ์

ผู้ผลิตยังคงมุ่งยกระดับคุณภาพผลิตภัณฑ์ ลดต้นทุนการดำเนินงาน และเพิ่มประสิทธิภาพการผลิต เมื่อสายการผลิตทำงานเร็วขึ้นและมีระบบอัตโนมัติมากขึ้น วิธีการตรวจสอบแบบดั้งเดิมจึงประสบปัญหาในการรองรับปริมาณการผลิตตามข้อกำหนดสมัยใหม่ การตรวจสอบโดยมนุษย์ยังคงมีคุณค่าในหลายอุตสาหกรรม แต่บ่อยครั้งทำให้เกิดความแปรปรวน ข้อผิดพลาดจากความเหนื่อยล้า และข้อจำกัดด้านการขยายขนาด

ขณะเดียวกัน โรงงานอุตสาหกรรมในปัจจุบันสร้างข้อมูลการดำเนินงานในปริมาณมหาศาลผ่านเซนเซอร์ กล้อง ตัวควบคุม และอุปกรณ์ที่เชื่อมต่อกัน แหล่งข้อมูลเหล่านี้เปิดโอกาสให้ใช้การวิเคราะห์ขั้นสูงและแอปพลิเคชันแมชชีนเลิร์นนิงเพื่อระบุปัญหาด้านคุณภาพได้ตั้งแต่เนิ่น ๆ ก่อนที่ผลิตภัณฑ์จะถึงมือลูกค้า

หนึ่งในการพัฒนาที่สำคัญที่สุดในช่วงไม่กี่ปีที่ผ่านมา คือการนำโมเดลแมชชีนเลิร์นนิงไปใช้งานโดยตรงที่เอดจ์ในโรงงานอุตสาหกรรม แทนที่จะส่งภาพทุกภาพไปยังแพลตฟอร์มคลาวด์ระยะไกลเพื่อวิเคราะห์ ผู้ผลิตสามารถตรวจจับข้อบกพร่องภายในพื้นที่โรงงานได้บนคอมพิวเตอร์อุตสาหกรรม โปรเซสเซอร์แบบฝังตัว และเอดจ์เกตเวย์ที่ติดตั้งอยู่ใกล้อุปกรณ์การผลิต

แนวทางนี้ช่วยลดเวลาแฝงลงอย่างมาก พร้อมเพิ่มการตอบสนองของระบบ อุปกรณ์การผลิตสามารถตอบสนองต่อข้อบกพร่องที่ตรวจพบได้ทันที คัดแยกผลิตภัณฑ์ที่ไม่เป็นไปตามข้อกำหนด เรียกใช้สัญญาณเตือน หรือเริ่มดำเนินการแก้ไขได้โดยไม่ต้องรอการประมวลผลจากคลาวด์

แพลตฟอร์มคลาวด์ยังคงมีความสำคัญต่อการฝึก จัดการ และปรับปรุงโมเดลแมชชีนเลิร์นนิง อย่างไรก็ตาม เอดจ์คอมพิวติ้งช่วยให้โรงงานสามารถดำเนินการอนุมานแบบเรียลไทม์ ณ จุดที่ข้อมูลถูกสร้างขึ้น การผสานความสามารถด้านอัจฉริยะของคลาวด์เข้ากับการประมวลผลที่เอดจ์ได้กลายเป็นสถาปัตยกรรมที่ทรงพลังสำหรับระบบอัตโนมัติในอุตสาหกรรม

เทคโนโลยีชั้นนำที่รองรับสถาปัตยกรรมนี้ ได้แก่ Amazon SageMaker และ AWS IoT Greengrass แพลตฟอร์มทั้งสองทำงานร่วมกันเพื่อมอบกรอบการทำงานสำหรับสร้าง ปรับใช้ ตรวจสอบ และปรับปรุงโมเดลแมชชีนเลิร์นนิงอย่างต่อเนื่อง ซึ่งใช้ในแอปพลิเคชันตรวจจับข้อบกพร่องในการผลิต

รูปที่ 1 ระบบแมชชีนวิชันอัตโนมัติช่วยให้สามารถตรวจสอบคุณภาพด้วยความเร็วสูงในสภาพแวดล้อมการผลิตสมัยใหม่

ทำความเข้าใจความท้าทายในการตรวจจับข้อบกพร่องในอุตสาหกรรม

การตรวจจับข้อบกพร่องดูเหมือนเป็นเรื่องตรงไปตรงมาในภาพรวม กล้องถ่ายภาพ ซอฟต์แวร์ประเมินผลิตภัณฑ์ และระบบตัดสินว่าสินค้าผ่านการตรวจสอบหรือไม่ อย่างไรก็ตาม ในทางปฏิบัติ สภาพแวดล้อมการตรวจสอบทางอุตสาหกรรมมีความท้าทายทางเทคนิคมากมาย

ผลิตภัณฑ์เคลื่อนที่ด้วยความเร็วที่แตกต่างกัน สภาพแสงเปลี่ยนแปลงตลอดทั้งวัน วัสดุพื้นผิวอาจสะท้อนแสงแตกต่างกัน ความคลาดเคลื่อนในการผลิตอาจทำให้ผลิตภัณฑ์ที่ยอมรับได้มีความแตกต่างกันเล็กน้อย ฝุ่น การสั่นสะเทือน ความผันผวนของอุณหภูมิ และสภาพแวดล้อมยังอาจทำให้การได้มาซึ่งภาพมีความซับซ้อนยิ่งขึ้น

ดังนั้น ผู้ผลิตจึงต้องพัฒนาระบบตรวจสอบที่สามารถแยกแยะความแปรผันตามปกติของการผลิตออกจากข้อบกพร่องจริงได้

ข้อบกพร่องทั่วไปในการผลิต ได้แก่:

• รอยขีดข่วนบนพื้นผิว
• รอยร้าวและการแตกหัก
• ชิ้นส่วนขาดหาย
• ข้อผิดพลาดในการประกอบ
• แนวเชื่อมที่ไม่ถูกต้อง
• ตำหนิบนสี
• ฟองอากาศและช่องว่าง
• ความคลาดเคลื่อนด้านขนาด
• ข้อบกพร่องด้านบรรจุภัณฑ์
• ข้อผิดพลาดในการติดฉลาก

ในอุตสาหกรรมต่าง ๆ เช่น การผลิตยานยนต์ การผลิตเซมิคอนดักเตอร์ เภสัชกรรม การแปรรูปอาหาร การประกอบอิเล็กทรอนิกส์ และการผลิตพลังงาน การตรวจจับข้อบกพร่องส่งผลโดยตรงต่อความสามารถในการทำกำไรและความพึงพอใจของลูกค้า

การตรวจไม่พบข้อบกพร่องอาจนำไปสู่การเรียกร้องการรับประกัน เหตุการณ์ด้านความปลอดภัย การเรียกคืนผลิตภัณฑ์ บทลงโทษจากหน่วยงานกำกับดูแล หรือความเสียหายต่อชื่อเสียงของแบรนด์ ในทางกลับกัน เกณฑ์การตรวจสอบที่เข้มงวดเกินไปอาจเพิ่มอัตราผลิตภัณฑ์เสียและลดประสิทธิภาพการผลิต

แมชชีนเลิร์นนิงช่วยจัดการกับความท้าทายเหล่านี้ด้วยการเรียนรู้รูปแบบจากชุดข้อมูลขนาดใหญ่ แทนที่จะพึ่งพากฎการตรวจสอบที่ตั้งโปรแกรมไว้ด้วยตนเองเพียงอย่างเดียว

แมชชีนวิชันพัฒนาไปไกลกว่าการตรวจสอบแบบอิงกฎแบบดั้งเดิม

ระบบแมชชีนวิชันแบบดั้งเดิมพึ่งพาอัลกอริทึมประมวลผลภาพแบบกำหนดตายตัวเป็นอย่างมาก วิศวกรจะกำหนดค่าเกณฑ์ พารามิเตอร์การตรวจจับขอบ การวัดทางเรขาคณิต และกฎการรู้จำคุณลักษณะด้วยตนเอง

แนวทางเหล่านี้ยังคงมีประสิทธิภาพสำหรับการใช้งานจำนวนมาก อย่างไรก็ตาม การบำรุงรักษาจะทำได้ยากขึ้นเรื่อย ๆ เมื่อผลิตภัณฑ์มีความหลากหลายอย่างมาก หรือเมื่อข้อบกพร่องปรากฏในรูปแบบที่คาดเดาไม่ได้

โมเดลแมชชีนเลิร์นนิงสมัยใหม่มอบแนวทางที่แตกต่างไปโดยพื้นฐาน

แทนที่จะกำหนดกฎการตรวจสอบทุกข้อด้วยตนเอง วิศวกรจะฝึกโมเดลด้วยภาพตัวอย่างหลายพันภาพหรือแม้แต่หลายล้านภาพ ระบบจะเรียนรู้คุณลักษณะที่ใช้แยกแยะผลิตภัณฑ์ที่ยอมรับได้ออกจากผลิตภัณฑ์ที่มีข้อบกพร่อง

ช่วยให้ระบบแมชชีนเลิร์นนิงตรวจจับรูปแบบที่ละเอียดอ่อน ซึ่งอัลกอริทึมวิชันแบบดั้งเดิมอาจระบุได้ยาก

แนวทางด้านแมชชีนเลิร์นนิงหลายรูปแบบมักถูกนำมาใช้ในระบบตรวจสอบทางอุตสาหกรรม

การจำแนกประเภทภาพ

โมเดลการจำแนกประเภทจะระบุว่าภาพอยู่ในหมวดหมู่เฉพาะหรือไม่

ตัวอย่างเช่น โมเดลอาจจำแนกผลิตภัณฑ์ได้ดังนี้:

• ผ่าน
• ไม่ผ่าน
• เสียหาย
• ไม่สมบูรณ์
• ไม่ตรงแนว

การจำแนกประเภทมักเป็นรูปแบบการนำระบบไปใช้งานที่ง่ายที่สุด และเป็นจุดเริ่มต้นที่มีประสิทธิภาพสำหรับการใช้งานด้านการผลิตจำนวนมาก

การตรวจจับวัตถุ

การตรวจจับวัตถุต่อยอดจากการจำแนก โดยระบุทั้งการมีอยู่และตำแหน่งของข้อบกพร่อง

แทนที่จะรายงานเพียงว่ามีข้อบกพร่อง โมเดลจะระบุตำแหน่งที่ข้อบกพร่องปรากฏภายในภาพ

ความสามารถนี้ช่วยให้ทีมบำรุงรักษาและวิศวกรคุณภาพเข้าใจปัญหาของกระบวนการและสาเหตุรากเหง้าได้ดียิ่งขึ้น

การแบ่งส่วนเชิงความหมาย

การแบ่งส่วนเชิงความหมายช่วยให้วิเคราะห์ได้ในระดับพิกเซล

พิกเซลแต่ละพิกเซลจะได้รับป้ายกำกับการจำแนก ทำให้ระบบสามารถระบุขอบเขตที่แน่นอนของข้อบกพร่องได้

โมเดลการแบ่งส่วนมีประโยชน์อย่างยิ่งเมื่อผู้ผลิตต้องการข้อมูลโดยละเอียดเกี่ยวกับขนาดรอยร้าว พื้นที่การกัดกร่อน ข้อบกพร่องของสารเคลือบ หรือความไม่สม่ำเสมอของวัสดุ

เทคนิคการแบ่งส่วนขั้นสูงสามารถสนับสนุนโครงการริเริ่มด้านคุณภาพเชิงคาดการณ์ ซึ่งรูปแบบการขยายตัวของข้อบกพร่องจะกลายเป็นส่วนหนึ่งของความพยายามในการปรับกระบวนการให้เหมาะสมในภาพรวม

เหตุใด Edge AI จึงมีความสำคัญต่อระบบอัตโนมัติภาคอุตสาหกรรม

โรงงานอุตสาหกรรมหลายแห่งยังคงดำเนินงานภายใต้ข้อกำหนดด้านความน่าเชื่อถือที่เข้มงวด สายการผลิตมักทำงานต่อเนื่องเป็นเวลานานและไม่สามารถพึ่งพาการเชื่อมต่อคลาวด์ได้ทั้งหมด

การส่งภาพตรวจสอบทุกภาพไปยังเซิร์ฟเวอร์ระยะไกลก่อให้เกิดข้อจำกัดหลายประการ:

• ความหน่วงของเครือข่าย
• การใช้แบนด์วิดท์
• ค่าใช้จ่ายในการประมวลผลบนคลาวด์
• ข้อกังวลด้านความปลอดภัยทางไซเบอร์
• ความเสี่ยงด้านการเชื่อมต่อ

ลองพิจารณาโรงงานบรรจุขวดที่ผลิตภาชนะหลายพันชิ้นต่อนาที กล้องความละเอียดสูงอาจสร้างข้อมูลภาพหลายกิกะไบต์ต่อชั่วโมง

การส่งภาพทุกภาพไปยังคลาวด์มีค่าใช้จ่ายสูงและไม่จำเป็น

ในทางกลับกัน การอนุมานที่เอดจ์ช่วยให้ตัดสินใจได้ในพื้นที่ โดยส่งต่อเฉพาะข้อมูลที่เกี่ยวข้องไปยังระบบส่วนกลาง

สถาปัตยกรรมนี้สอดคล้องอย่างใกล้ชิดกับกลยุทธ์ระบบอัตโนมัติภาคอุตสาหกรรมสมัยใหม่ ซึ่งระบบเทคโนโลยีปฏิบัติการ (OT) เชื่อมรวมเข้ากับโครงสร้างพื้นฐานเทคโนโลยีสารสนเทศ (IT) มากขึ้น

Edge AI ภาคอุตสาหกรรมสามารถรองรับสภาพแวดล้อมระบบอัตโนมัติได้หลากหลายรูปแบบ ได้แก่:

• สายการผลิตที่ควบคุมด้วย PLC
• โรงงานกระบวนการผลิตที่ใช้ DCS
• ระบบตรวจสอบ SCADA
• เครือข่ายตรวจสอบกังหัน
• เครื่องจักรบรรจุภัณฑ์
• เซลล์ประกอบด้วยหุ่นยนต์
• ระบบอัตโนมัติในคลังสินค้า

โรงงานหลายแห่งใช้งานแพลตฟอร์มระบบอัตโนมัติจากผู้จัดจำหน่ายอุตสาหกรรมรายใหญ่อยู่แล้ว โซลูชัน Edge AI สามารถทำงานร่วมกับระบบต่าง ๆ เช่น Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV และ Yokogawa CENTUM VP ได้

ในสภาพแวดล้อมเหล่านี้ ระบบแมชชีนวิชันกลายเป็นแหล่งข้อมูลเชิงปฏิบัติการอีกแหล่งหนึ่งที่สนับสนุนเป้าหมายการผลิตโดยรวม

บทบาทของ Amazon SageMaker ในแมชชีนเลิร์นนิงภาคอุตสาหกรรม

Amazon SageMaker มอบสภาพแวดล้อมบนคลาวด์สำหรับสร้าง ฝึก ปรับให้เหมาะสม ปรับใช้ และจัดการโมเดลแมชชีนเลิร์นนิง

ข้อได้เปรียบหลักประการหนึ่งคือช่วยให้งานหลายอย่างที่โดยทั่วไปเกี่ยวข้องกับการพัฒนาแมชชีนเลิร์นนิงง่ายขึ้น

นักวิทยาศาสตร์ข้อมูลและวิศวกรสามารถมุ่งเน้นที่ประสิทธิภาพของโมเดลแทนการจัดการโครงสร้างพื้นฐาน

ภายในสภาพแวดล้อมการผลิต SageMaker สามารถรองรับวงจรชีวิตแมชชีนเลิร์นนิงทั้งหมด

การรวบรวมและการเตรียมข้อมูล

รากฐานของโครงการตรวจจับข้อบกพร่องที่ประสบความสำเร็จคือชุดข้อมูลคุณภาพสูง

โดยทั่วไปผู้ผลิตจะติดตั้งกล้องอุตสาหกรรม ณ จุดตรวจสอบเชิงกลยุทธ์ตามแนวสายการผลิต กล้องเหล่านี้จะบันทึกภาพทั้งผลิตภัณฑ์ที่ได้มาตรฐานและผลิตภัณฑ์ที่มีข้อบกพร่อง

จากนั้นต้องติดป้ายกำกับและจัดระเบียบภาพที่รวบรวมมา

การติดป้ายกำกับอย่างถูกต้องส่งผลโดยตรงต่อประสิทธิภาพของโมเดล ชุดข้อมูลที่ติดป้ายกำกับไม่ดีมักทำให้เกิดผลบวกลวงและผลลบลวงระหว่างการนำไปใช้งาน

สำหรับการใช้งานตรวจจับข้อบกพร่อง วิศวกรมักสร้างคำกำกับที่ระบุ:

• ประเภทข้อบกพร่อง
• ตำแหน่งข้อบกพร่อง
• ระดับความรุนแรงของข้อบกพร่อง
• หมวดหมู่ผลิตภัณฑ์
• ข้อมูลชุดการผลิต

เมื่อชุดข้อมูลมีขนาดใหญ่ขึ้น ผู้ผลิตสามารถปรับปรุงความแม่นยำของโมเดลได้อย่างต่อเนื่องด้วยการเพิ่มสถานการณ์การผลิตเพิ่มเติม

การฝึกและเพิ่มประสิทธิภาพโมเดล

การฝึกโมเดลแมชชีนเลิร์นนิงต้องใช้ทรัพยากรการประมวลผลจำนวนมาก

นี่คือจุดที่โครงสร้างพื้นฐานคลาวด์มอบข้อได้เปรียบอย่างมาก

แทนที่จะลงทุนในเซิร์ฟเวอร์ AI ภายในองค์กรโดยเฉพาะ ผู้ผลิตสามารถใช้ทรัพยากรคลาวด์ที่ปรับขนาดได้เพื่อฝึกโมเดลได้อย่างมีประสิทธิภาพยิ่งขึ้น

SageMaker รองรับเฟรมเวิร์กและสถาปัตยกรรมโมเดลหลากหลายรูปแบบที่ใช้กันทั่วไปในงานแมชชีนวิชันภาคอุตสาหกรรม

สถาปัตยกรรมโครงข่ายประสาทเทียมที่ได้รับความนิยม ได้แก่:

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

สถาปัตยกรรมแต่ละแบบมีข้อแลกเปลี่ยนที่แตกต่างกันระหว่างความแม่นยำ ความต้องการด้านการประมวลผล และความเร็วในการอนุมาน

วิศวกรอุตสาหกรรมมักประเมินสถาปัตยกรรมหลายรูปแบบก่อนเลือกโมเดลที่เหมาะสมที่สุดสำหรับการนำไปใช้งานจริงในสายการผลิต

การนำโมเดลไปใช้งานโดยคำนึงถึงฮาร์ดแวร์

หนึ่งในความท้าทายสำคัญของโครงการ AI ภาคอุตสาหกรรมคือการถ่ายโอนโมเดลที่ฝึกบนคลาวด์ไปยังฮาร์ดแวร์เอดจ์ที่มีทรัพยากรจำกัด

โมเดลที่ทำงานได้ดีเยี่ยมบน GPU ของคลาวด์อาจทำงานได้ไม่ดีเมื่อใช้งานบนเกตเวย์อุตสาหกรรมหรือโปรเซสเซอร์แบบฝังตัว

SageMaker มีเครื่องมือที่ช่วยเพิ่มประสิทธิภาพโมเดลสำหรับแพลตฟอร์มฮาร์ดแวร์เป้าหมาย

กระบวนการเพิ่มประสิทธิภาพนี้ช่วยลดความต้องการหน่วยความจำ เพิ่มความเร็วในการอนุมาน และลดการใช้พลังงาน โดยยังคงความแม่นยำให้อยู่ในระดับที่ยอมรับได้

ความสามารถดังกล่าวมีความสำคัญเป็นพิเศษในสภาพแวดล้อมการผลิตขนาดใหญ่ ซึ่งอุปกรณ์เอดจ์หลายร้อยหรือหลายพันเครื่องอาจทำงานพร้อมกัน

ในส่วนที่ 2 เราจะตรวจสอบวิธีที่ AWS IoT Greengrass นำโมเดลเหล่านี้ไปใช้งานและจัดการโมเดลที่เอดจ์ในภาคอุตสาหกรรม สำรวจกระบวนการตรวจจับข้อบกพร่องจากคลาวด์สู่เอดจ์ พูดคุยเกี่ยวกับสถาปัตยกรรมการใช้งานจริง และทบทวนกรณีการใช้งานด้านการผลิตในโลกจริงที่เกี่ยวข้องกับ PLC ระบบ SCADA แพลตฟอร์ม DCS และโครงการคุณภาพเชิงคาดการณ์

การนำโมเดลแมชชีนเลิร์นนิงสู่สายการผลิตด้วย AWS IoT Greengrass

การฝึกโมเดลแมชชีนเลิร์นนิงเป็นเพียงส่วนหนึ่งของกระบวนการเท่านั้น ท้ายที่สุดแล้ว ผู้ผลิตต้องการวิธีที่ใช้งานได้จริงในการนำโมเดลเหล่านี้ไปใช้งาน จัดการ ติดตามตรวจสอบ และอัปเดตโมเดลเหล่านี้ทั่วทั้งโรงงานผลิต นี่คือจุดที่ AWS IoT Greengrass กลายเป็นองค์ประกอบสำคัญของสถาปัตยกรรม

AWS IoT Greengrass ทำหน้าที่เป็นสภาพแวดล้อมรันไทม์ที่เอดจ์ ซึ่งช่วยให้ซอฟต์แวร์ โมเดลแมชชีนเลิร์นนิง และแอปพลิเคชันระบบอัตโนมัติทำงานได้โดยตรงบนอุปกรณ์อุตสาหกรรม แทนที่จะพึ่งพาการเชื่อมต่อคลาวด์อย่างต่อเนื่อง Greengrass ช่วยให้ดำเนินการเวิร์กโหลดการอนุมานภายในพื้นที่ได้ พร้อมรักษาการซิงโครไนซ์กับบริการคลาวด์ส่วนกลาง

สำหรับโรงงานผลิต สถาปัตยกรรมนี้มอบสมดุลระหว่างความสามารถในการขยายระบบของคลาวด์กับการตอบสนองที่รวดเร็วในพื้นที่

อุปกรณ์การผลิตยังคงทำงานต่อได้แม้เกิดการหยุดชะงักของเครือข่ายชั่วคราว การตัดสินใจตรวจสอบคุณภาพยังคงพร้อมใช้งานแบบเรียลไทม์ และข้อมูลการดำเนินงานสามารถซิงโครไนซ์กับระบบคลาวด์ได้เมื่อการเชื่อมต่อกลับคืนมา

ความสามารถนี้มีคุณค่าอย่างยิ่งในสภาพแวดล้อมอุตสาหกรรมขนาดใหญ่ ซึ่งสายการผลิตอาจดำเนินงานอยู่ในหลายอาคาร สถานที่ห่างไกล หรือโรงงานผลิตที่กระจายอยู่ในหลายพื้นที่ทางภูมิศาสตร์

รูปที่ 2 AWS IoT Greengrass ช่วยให้ดำเนินการอนุมานด้วยแมชชีนเลิร์นนิงได้โดยตรงบนอุปกรณ์เอดจ์ในอุตสาหกรรม พร้อมคงการเชื่อมต่อกับคลาวด์

การสร้างกระบวนการตรวจจับข้อบกพร่องในอุตสาหกรรมตั้งแต่คลาวด์ถึงเอดจ์

ระบบตรวจจับข้อบกพร่องที่ประสบความสำเร็จต้องการมากกว่าโครงข่ายประสาทเทียมที่ผ่านการฝึกแล้ว ผู้ผลิตต้องจัดทำวงจรชีวิตที่สมบูรณ์เพื่อจัดการการรับข้อมูล การพัฒนาโมเดล การนำไปใช้งาน การติดตามตรวจสอบ และการปรับปรุงอย่างต่อเนื่อง

สถาปัตยกรรมการตรวจสอบสมัยใหม่ตั้งแต่คลาวด์ถึงเอดจ์มักดำเนินตามหลายระยะ

ระยะที่ 1: การรับภาพ

กระบวนการเริ่มต้นด้วยการเก็บภาพ

กล้องอุตสาหกรรมจะบันทึกภาพผลิตภัณฑ์ขณะที่ผลิตภัณฑ์เคลื่อนผ่านอุปกรณ์การผลิต สายพานลำเลียง สถานีทำงานหุ่นยนต์ หรือเซลล์ประกอบ การเลือกกล้องขึ้นอยู่กับข้อกำหนดของการใช้งาน และอาจรวมถึง:

• กล้องสแกนแบบพื้นที่
• กล้องสแกนแบบเส้น
• กล้องวิชัน 3 มิติ
• ระบบถ่ายภาพความร้อน
• เซนเซอร์ถ่ายภาพไฮเปอร์สเปกตรัม

การออกแบบแสงสว่างที่เหมาะสมก็มีความสำคัญไม่แพ้กัน แม้แต่โมเดลแมชชีนเลิร์นนิงขั้นสูงก็ยังทำงานได้ยากเมื่อคุณภาพของภาพไม่สม่ำเสมอ

การนำไปใช้งานที่ประสบความสำเร็จมักมีสภาพแวดล้อมการจัดแสงที่ควบคุมได้ ซึ่งช่วยลดเงา แสงสะท้อน และความแปรผันของแสงโดยรอบ

ระยะที่ 2: การติดป้ายกำกับและการทำคำอธิบายประกอบข้อมูล

เมื่อเก็บภาพแล้ว วิศวกรจะสร้างชุดข้อมูลสำหรับการฝึก

ภาพต้องแสดงสภาวะการทำงานทั้งปกติและมีข้อบกพร่องได้อย่างถูกต้อง หลายองค์กรประเมินความสำคัญของขั้นตอนนี้ต่ำเกินไปในช่วงแรก ในความเป็นจริง คุณภาพของชุดข้อมูลมักเป็นตัวกำหนดความสำเร็จของโครงการมากกว่าการเลือกโมเดล

ผู้ผลิตควรเก็บตัวอย่างจากกะการผลิตหลายกะ สภาพอุปกรณ์ที่แตกต่างกัน ล็อตวัตถุดิบหลายล็อต และสถานการณ์ด้านสิ่งแวดล้อมที่หลากหลาย

ความหลากหลายนี้ช่วยให้มั่นใจได้ว่าโมเดลจะมีความทนทานหลังการนำไปใช้งานจริง

ขั้นที่ 3: การฝึกโมเดลใน SageMaker

การฝึกโมเดลเกิดขึ้นภายใน Amazon SageMaker โดยใช้ทรัพยากรการประมวลผลบนคลาวด์

วิศวกรจะประเมินสถาปัตยกรรมหลายรูปแบบและปรับไฮเปอร์พารามิเตอร์เพื่อเพิ่มประสิทธิภาพ

วัตถุประสงค์ทั่วไปในการปรับให้เหมาะสม ได้แก่:

• ความแม่นยำในการตรวจจับสูงขึ้น
• ผลบวกลวงลดลง
• ผลลบลวงลดลง
• ความเร็วในการประมวลผลอนุมานสูงขึ้น
• การใช้หน่วยความจำลดลง

สภาพแวดล้อมการผลิตมักให้ความสำคัญกับความน่าเชื่อถือมากกว่าการเพิ่มความแม่นยำเพียงเล็กน้อย โมเดลที่มีความแม่นยำต่ำกว่าเล็กน้อยแต่ให้ผลลัพธ์ที่คาดการณ์ได้สูง อาจทำงานได้ดีกว่าโมเดลที่เหนือกว่าในทางทฤษฎีภายใต้สภาวะการผลิตจริง

ขั้นที่ 4: การนำไปใช้งานบนเอดจ์

หลังจากตรวจสอบความถูกต้องแล้ว SageMaker จะจัดแพ็กเกจโมเดลเพื่อการนำไปใช้งาน

Greengrass กระจายโมเดลไปยังฮาร์ดแวร์เอดจ์ ซึ่งการประมวลผลอนุมานจะเกิดขึ้นภายในเครื่อง

เป้าหมายการนำไปใช้งานอาจรวมถึง:

• พีซีอุตสาหกรรม
• เกตเวย์ AI แบบฝังตัว
• คอนโทรลเลอร์เอดจ์ที่ใช้สถาปัตยกรรม ARM
• เซิร์ฟเวอร์เอดจ์ที่รองรับ GPU
• คอมพิวเตอร์อุตสาหกรรมที่ผสานรวมอยู่ในระบบแมชชีนวิชัน

การประมวลผลอนุมานทำงานภายในเครื่อง ทำให้ได้ผลการตรวจสอบภายในเวลาไม่กี่มิลลิวินาที

ขั้นที่ 5: การปรับปรุงอย่างต่อเนื่อง

สิ่งที่ทรงพลังที่สุดประการหนึ่งของสถาปัตยกรรมนี้คือวงจรป้อนกลับ

อุปกรณ์เอดจ์สามารถอัปโหลดรูปภาพที่เลือกและเมตริกการดำเนินงานกลับไปยังคลาวด์ วิศวกรจะตรวจสอบกรณีที่ซับซ้อน ติดป้ายกำกับข้อมูลใหม่ ฝึกโมเดลอีกครั้ง และนำเวอร์ชันที่อัปเดตไปใช้งาน

สิ่งนี้ก่อให้เกิดระบบตรวจสอบที่พัฒนาอย่างต่อเนื่องและปรับตัวตามสภาวะการผลิตที่เปลี่ยนแปลง

การผสานรวมระบบอัตโนมัติอุตสาหกรรมนอกเหนือจากแมชชีนวิชัน

ระบบตรวจจับข้อบกพร่องมอบคุณค่าสูงสุดเมื่อผสานรวมเข้ากับโครงสร้างพื้นฐานระบบอัตโนมัติที่มีอยู่

กล้องแบบทำงานแยกเดี่ยวที่เพียงระบุข้อบกพร่อง ให้ประโยชน์ด้านการดำเนินงานอย่างจำกัด ผู้ผลิตสมัยใหม่เชื่อมต่อระบบตรวจสอบเข้ากับระบบควบคุมการผลิตโดยตรงมากขึ้น

ตัวอย่างเช่น ผลการตรวจสอบสามารถเรียกใช้สิ่งต่อไปนี้โดยอัตโนมัติ:

• กลไกคัดทิ้งผลิตภัณฑ์
• ระบบคัดแยกด้วยหุ่นยนต์
• การแจ้งเตือนสัญญาณเตือน
• การชะลอความเร็วของสายการผลิต
• ใบสั่งงานบำรุงรักษา
• ระบบรายงานคุณภาพ

โรงงานหลายแห่งทำการผสานรวมนี้ผ่านโปรโตคอลการสื่อสารอุตสาหกรรม เช่น EtherNet/IP, PROFINET, Modbus TCP, OPC UA และ MQTT

ระบบแมชชีนวิชันกลายเป็นโหนดอัจฉริยะอีกหนึ่งโหนดภายในระบบนิเวศของระบบอัตโนมัติโดยรวม

องค์กรที่ใช้แพลตฟอร์ม PLC สมัยใหม่มักผสานผลการตรวจสอบเข้ากับลอจิกควบคุมโดยตรง ระบบที่สร้างขึ้นบนคอนโทรลเลอร์ Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon หรือ Mitsubishi MELSEC สามารถรับข้อมูลข้อบกพร่องและสั่งการตอบสนองอัตโนมัติได้

โรงงานที่กำลังประเมินการอัปเกรดคอนโทรลเลอร์หรือโครงการขยายระบบ มักตรวจสอบฮาร์ดแวร์ที่มีอยู่ในหมวด ระบบ PLC และ PAC เพื่อรองรับโครงการริเริ่มด้าน AI อุตสาหกรรมในอนาคต

การตรวจจับข้อบกพร่องในสภาพแวดล้อมการผลิตความเร็วสูง

สภาพแวดล้อมการผลิตแต่ละแห่งไม่ได้มีข้อกำหนดเหมือนกัน

กลยุทธ์การตรวจสอบต้องสอดคล้องกับความเร็วในการผลิต ความซับซ้อนของผลิตภัณฑ์ และเป้าหมายทางธุรกิจ

การผลิตอุปกรณ์อิเล็กทรอนิกส์

การผลิตอุปกรณ์อิเล็กทรอนิกส์มักมีข้อบกพร่องขนาดเล็กมาก ซึ่งผู้ปฏิบัติงานไม่สามารถระบุได้อย่างสม่ำเสมอ

ระบบแมชชีนเลิร์นนิงสามารถตรวจสอบ:

• จุดบัดกรี
• ลายวงจรบน PCB
• ตำแหน่งการวางคอนเน็กเตอร์
• ทิศทางการวางชิ้นส่วน
• การปนเปื้อนบนพื้นผิว

เนื่องจากปริมาณการผลิตสูง แม้การปรับปรุงความแม่นยำในการตรวจจับเพียงเล็กน้อยก็สามารถสร้างการประหยัดต้นทุนได้อย่างมาก

การผลิตยานยนต์

โรงงานยานยนต์มักติดตั้งระบบแมชชีนวิชันทั่วทั้งกระบวนการประกอบตัวถัง การพ่นสี การผลิตระบบส่งกำลัง และการประกอบขั้นสุดท้าย

ระบบตรวจสอบอาจตรวจพบ:

• ข้อบกพร่องของสี
• ปัญหาคุณภาพรอยเชื่อม
• ตัวยึดหายไป
• การจัดแนวชิ้นส่วนไม่ตรง
• ความไม่สมบูรณ์ของพื้นผิว

การประมวลผลที่ขอบเครือข่ายมีความสำคัญเป็นพิเศษ เนื่องจากสายการผลิตทำงานด้วยความเร็วสูงและไม่สามารถยอมรับความหน่วงมากเกินไปได้

การแปรรูปอาหารและเครื่องดื่ม

ผู้ผลิตอาหารมักใช้แมชชีนวิชันเพื่อระบุข้อบกพร่องของบรรจุภัณฑ์ ปัญหาด้านฉลาก ความเสี่ยงจากการปนเปื้อน และความไม่สม่ำเสมอของระดับการบรรจุ

การตัดสินใจภายในพื้นที่ผลิตอย่างรวดเร็วช่วยป้องกันไม่ให้สินค้าที่มีข้อบกพร่องเข้าสู่กระบวนการบรรจุและจัดจำหน่ายในขั้นตอนถัดไป

การผลิตยา

อุตสาหกรรมที่อยู่ภายใต้การกำกับดูแลจำเป็นต้องใช้ระบบตรวจสอบที่มีความน่าเชื่อถือสูง

โมเดลแมชชีนเลิร์นนิงสามารถสนับสนุนกิจกรรมการตรวจรับรองด้วยการตรวจจับข้อบกพร่องของบรรจุภัณฑ์ ข้อผิดพลาดด้านฉลาก การปนเปื้อนในขวดบรรจุยา และความไม่สม่ำเสมอของผลิตภัณฑ์ พร้อมจัดเก็บบันทึกการตรวจสอบโดยละเอียด

Edge AI และการจัดการคุณภาพเชิงคาดการณ์

ในช่วงแรก หลายองค์กรติดตั้งระบบแมชชีนวิชัน solely เพื่อการตรวจสอบผ่าน/ไม่ผ่านเท่านั้น อย่างไรก็ตาม เมื่อเวลาผ่านไป ผู้ผลิตมักค้นพบโอกาสที่ยิ่งใหญ่กว่านั้นมาก

ข้อมูลข้อบกพร่องมีข้อมูลอันมีค่าเกี่ยวกับประสิทธิภาพของกระบวนการ

ด้วยการวิเคราะห์แนวโน้มการเกิดข้อบกพร่อง ผู้ผลิตสามารถระบุปัญหาการผลิตที่กำลังก่อตัวได้ก่อนที่ระดับคุณภาพจะเสื่อมลงอย่างมีนัยสำคัญ

แนวคิดนี้บางครั้งเรียกว่า “คุณภาพเชิงคาดการณ์”

ตัวอย่างเช่น ข้อบกพร่องประเภทรอยขีดข่วนที่เพิ่มขึ้นอาจบ่งชี้ว่าเครื่องมือเริ่มสึกหรอ จำนวนความคลาดเคลื่อนด้านมิติที่เพิ่มขึ้นอาจบ่งบอกถึงการเบี่ยงเบนของการสอบเทียบ ปัญหาด้านผิวสำเร็จอาจเผยให้เห็นปัญหาของอุปกรณ์ในกระบวนการต้นน้ำ

เมื่อผสานรวมกับระบบตรวจสอบอุตสาหกรรม ข้อมูลการตรวจจับข้อบกพร่องจะกลายเป็นแหล่งข้อมูลเพิ่มเติมสำหรับข้อมูลเชิงลึกด้านการปฏิบัติงาน

องค์กรที่รับผิดชอบด้านความน่าเชื่อถือของเครื่องจักรหมุนมักผสานการตรวจสอบคุณภาพเข้ากับการวิเคราะห์การสั่นสะเทือนและแพลตฟอร์มตรวจสอบสภาพสินทรัพย์ ในสภาพแวดล้อมเหล่านี้ โซลูชันตรวจสอบสุขภาพเครื่องจักร เช่น โซลูชันในพอร์ตโฟลิโอ การตรวจสอบเครื่องจักร มักช่วยเสริมโครงการบำรุงรักษาเชิงคาดการณ์ที่ครอบคลุมยิ่งขึ้น

ข้อควรพิจารณาด้านฮาร์ดแวร์สำหรับการใช้งาน Edge AI ในภาคอุตสาหกรรม

การเลือกแพลตฟอร์มฮาร์ดแวร์ที่เหมาะสมยังคงเป็นหนึ่งในการตัดสินใจด้านการออกแบบที่สำคัญที่สุดในโครงการ Edge AI

ฮาร์ดแวร์ที่เหมาะสมขึ้นอยู่กับหลายปัจจัย:

• ความละเอียดของภาพ
• ความเร็วในการตรวจสอบ
• ความซับซ้อนของโมเดล
• ความพร้อมใช้งานของพลังงาน
• สภาพแวดล้อมการใช้งาน
• ข้อกำหนดด้านความสามารถในการขยายระบบ

โรงงานอุตสาหกรรมติดตั้งโปรเซสเซอร์ที่มีหน่วยประมวลผลโครงข่ายประสาทเทียม (NPU) ตัวเร่งการประมวลผลกราฟิก และเอนจินอนุมาน AI โดยเฉพาะมากขึ้นเรื่อย ๆ

ความสามารถเหล่านี้ช่วยเพิ่มประสิทธิภาพการเรียนรู้ของเครื่องได้อย่างมาก พร้อมลดการใช้พลังงาน

แพลตฟอร์มอย่าง NXP i.MX 8M Plus แสดงให้เห็นว่าฮาร์ดแวร์แบบฝังตัวยังคงพัฒนาอย่างต่อเนื่องเพื่อรองรับเวิร์กโหลด AI อุตสาหกรรมโดยเฉพาะ

เมื่อการนำ AI มาใช้ขยายตัว การเพิ่มประสิทธิภาพฮาร์ดแวร์ก็มีความสำคัญมากขึ้น เนื่องจากผู้ผลิตต้องสร้างสมดุลระหว่างประสิทธิภาพ การสนับสนุนตลอดอายุการใช้งาน ความมั่นคงปลอดภัยทางไซเบอร์ และต้นทุนรวมในการเป็นเจ้าของ

ข้อควรพิจารณาด้านความมั่นคงปลอดภัยทางไซเบอร์สำหรับระบบตรวจสอบที่เชื่อมต่อ

อุปกรณ์อุตสาหกรรมที่เชื่อมต่อทุกชนิดก่อให้เกิดความเสี่ยงด้านความมั่นคงปลอดภัยทางไซเบอร์ที่อาจเกิดขึ้นได้

ระบบวิชันก็ไม่มีข้อยกเว้น

องค์กรที่นำสถาปัตยกรรมระบบตรวจสอบที่เชื่อมต่อกับคลาวด์มาใช้ควรกำหนดนโยบายความมั่นคงปลอดภัยทางไซเบอร์ที่ชัดเจน ซึ่งครอบคลุม:

• การจัดการข้อมูลระบุตัวตน
• การยืนยันตัวตนอุปกรณ์
• การสื่อสารแบบเข้ารหัส
• การแบ่งส่วนเครือข่าย
• การติดตั้งแพตช์ซอฟต์แวร์
• นโยบายควบคุมการเข้าถึง

ผู้ผลิตหลายรายใช้หลักการเหล่านี้อยู่แล้วทั่วทั้งสภาพแวดล้อม OT รวมถึงเครือข่าย PLC ระบบ SCADA ระบบควบคุมแบบกระจาย และระบบจัดเก็บประวัติข้อมูลอุตสาหกรรม

โครงสร้างพื้นฐานการเรียนรู้ของเครื่องควรใช้กรอบงานความมั่นคงปลอดภัยทางไซเบอร์เดียวกัน

การเชื่อมต่อระบบตรวจจับข้อบกพร่องเข้ากับ SCADA, MES และการปฏิบัติงานทั่วทั้งโรงงาน

ผู้ผลิตหลายรายเริ่มติดตั้งระบบวิชันเป็นสถานีตรวจสอบแบบแยกเดี่ยว แม้แนวทางนี้จะช่วยปรับปรุงการควบคุมคุณภาพได้ แต่คุณค่าที่แท้จริงของ AI อุตสาหกรรมจะเกิดขึ้นเมื่อข้อมูลการตรวจสอบกลายเป็นส่วนหนึ่งของระบบนิเวศด้านการปฏิบัติงานที่ใหญ่ขึ้น

โรงงานอุตสาหกรรมสมัยใหม่เชื่อมต่อระบบคุณภาพเข้ากับแพลตฟอร์ม Supervisory Control and Data Acquisition (SCADA), ระบบ Manufacturing Execution Systems (MES), เครื่องมือจัดทำรายงานระดับองค์กร และระบบจัดเก็บประวัติข้อมูลของโรงงานมากขึ้นเรื่อย ๆ การผสานรวมนี้เปลี่ยนการตรวจจับข้อบกพร่องจากฟังก์ชันควบคุมคุณภาพเชิงรับให้เป็นแพลตฟอร์มข่าวกรองด้านการปฏิบัติงานเชิงรุก

เมื่อระบบวิชันตรวจจับข้อบกพร่อง ข้อมูลดังกล่าวสามารถกระจายไปทั่วโรงงานได้แบบเรียลไทม์ หัวหน้างานฝ่ายผลิตสามารถติดตามแนวโน้มคุณภาพผ่านแดชบอร์ด SCADA ทีมบำรุงรักษาสามารถรับการแจ้งเตือนอัตโนมัติ และวิศวกรกระบวนการสามารถเชื่อมโยงข้อบกพร่องกับพารามิเตอร์ของเครื่องจักร สภาพแวดล้อม หรือการเปลี่ยนแปลงของวัตถุดิบได้

ตัวอย่างเช่น โรงงานบรรจุภัณฑ์อาจค้นพบว่าข้อผิดพลาดในการติดฉลากเพิ่มขึ้นทุกครั้งที่ความเร็วสายพานลำเลียงเกินค่าขีดจำกัดหนึ่ง ผู้ผลิตยานยนต์อาจระบุความสัมพันธ์ระหว่างข้อบกพร่องจากการเชื่อมกับการคลาดเคลื่อนของการสอบเทียบหุ่นยนต์ โรงงานเภสัชกรรมอาจเชื่อมโยงความผิดปกติของบรรจุภัณฑ์กับการตั้งค่าอุปกรณ์หรือชุดการผลิตบางรายการ

หากไม่มีการผสานรวม ข้อมูลเชิงลึกเหล่านี้มักยังคงซ่อนอยู่ภายในระบบตรวจสอบที่แยกออกจากกัน

หลายองค์กรใช้ OPC UA เป็นชั้นการสื่อสารหลักระหว่างแพลตฟอร์มแมชชีนวิชันกับซอฟต์แวร์อุตสาหกรรมระดับสูง MQTT ก็ได้รับความนิยมเพิ่มขึ้นเช่นกัน เนื่องจากมีสถาปัตยกรรมที่มีน้ำหนักเบาและเหมาะสำหรับแอปพลิเคชัน Internet of Things ภาคอุตสาหกรรม (IIoT)

ขณะที่ผู้ผลิตยังคงเดินหน้าสานต่อโครงการริเริ่ม Industry 4.0 ระบบตรวจจับข้อบกพร่องกำลังพัฒนาไปเป็นแหล่งข้อมูลเชิงกลยุทธ์ที่สนับสนุนการตัดสินใจทั่วทั้งองค์กร

AI บนคลาวด์เทียบกับ AI ที่เอดจ์: เหตุใดโรงงานส่วนใหญ่จึงเลือกแนวทางแบบไฮบริด

องค์กรอุตสาหกรรมมักตั้งคำถามว่าแอปพลิเคชันแมชชีนเลิร์นนิงควรทำงานทั้งหมดบนคลาวด์หรือทั้งหมดที่เอดจ์ ในความเป็นจริง การนำไปใช้งานที่ประสบความสำเร็จส่วนใหญ่ใช้สถาปัตยกรรมแบบไฮบริดที่ผสานจุดแข็งของทั้งสองสภาพแวดล้อม

แพลตฟอร์มคลาวด์มีความโดดเด่นด้านการฝึกโมเดล การจัดเก็บข้อมูลขนาดใหญ่ การจัดการแบบรวมศูนย์ และการวิเคราะห์ระยะยาว การฝึกโมเดลดีปเลิร์นนิงมักต้องใช้ทรัพยากรการประมวลผลจำนวนมาก ซึ่งไม่เหมาะสมหากนำไปติดตั้งโดยตรงบนอุปกรณ์ในโรงงาน

ในทางกลับกัน ระบบเอดจ์มอบการตอบสนองที่จำเป็นสำหรับการดำเนินงานในภาคอุตสาหกรรม การตัดสินใจตรวจสอบมักต้องเกิดขึ้นภายในเวลาไม่กี่มิลลิวินาที สายการผลิตไม่สามารถรอการสื่อสารกับคลาวด์ก่อนตัดสินได้ว่าสินค้าผ่านการตรวจสอบหรือไม่

ลองพิจารณาสายการประกอบอิเล็กทรอนิกส์ที่ผลิตแผงวงจรพิมพ์หลายพันแผ่นต่อชั่วโมง กล้องตรวจสอบความละเอียดสูงอาจสร้างข้อมูลภาพระดับเทราไบต์ภายในกะการผลิตเพียงกะเดียว การส่งภาพทุกภาพไปยังแพลตฟอร์มคลาวด์ระยะไกลจะเพิ่มความต้องการแบนด์วิดท์และทำให้เกิดความหน่วงที่ไม่จำเป็น

การประมวลผลภาพภายในเครื่องทำให้ส่งข้อมูลที่เกี่ยวข้องเท่านั้นไปยังคลาวด์ได้ ซึ่งช่วยลดภาระการสื่อสารลงอย่างมากพร้อมคงประสิทธิภาพแบบเรียลไทม์ไว้

สถาปัตยกรรมแบบไฮบริดทั่วไปมีเวิร์กโฟลว์ที่ตรงไปตรงมาดังนี้:

• โครงสร้างพื้นฐานคลาวด์ใช้ฝึกและตรวจสอบความถูกต้องของโมเดล
• SageMaker ปรับโมเดลให้เหมาะสมสำหรับการนำไปใช้งาน
• AWS IoT Greengrass กระจายโมเดลไปยังอุปกรณ์เอดจ์
• อุปกรณ์เอดจ์ทำการอนุมานภายในเครื่อง
• ผลการตรวจสอบที่เลือกไว้จะถูกส่งกลับไปยังคลาวด์
• วิศวกรฝึกและปรับปรุงโมเดลโดยใช้ข้อมูลใหม่

วงจรป้อนกลับนี้ช่วยให้เกิดการปรับปรุงอย่างต่อเนื่องโดยไม่ลดทอนประสิทธิภาพการผลิต

โมเดลแบบไฮบริดยังรองรับการดำเนินงานด้านการผลิตหลายไซต์ ซึ่งทีมวิศวกรรมส่วนกลางสามารถจัดการทรัพยากรแมชชีนเลิร์นนิงในโรงงานหลายแห่งได้

การประยุกต์ใช้การตรวจจับข้อบกพร่องด้วยเอดจ์ในภาคการผลิตจริง

แม้แมชชีนวิชันจะมีมานานหลายทศวรรษแล้ว แต่ความก้าวหน้าล่าสุดของแมชชีนเลิร์นนิงได้ขยายขอบเขตการใช้งานด้านการตรวจสอบที่ผู้ผลิตสามารถทำให้เป็นระบบอัตโนมัติได้

การตรวจสอบตัวถังรถยนต์

ผู้ผลิตยานยนต์ต้องรักษามาตรฐานด้านรูปลักษณ์และมิติอย่างเข้มงวด แม้ข้อบกพร่องของสีหรือความผิดปกติบนพื้นผิวเพียงเล็กน้อยก็อาจทำให้ต้องทำงานแก้ไขซ้ำซึ่งมีค่าใช้จ่ายสูง

ระบบแมชชีนเลิร์นนิงสามารถระบุความไม่สมบูรณ์เล็กน้อยของสี รอยขีดข่วน รอยบุบ และความไม่สม่ำเสมอของการเคลือบที่วิธีการตรวจสอบแบบดั้งเดิมอาจมองข้าม

ด้วยการประมวลผลอนุมานโดยตรงที่เอดจ์ ผู้ผลิตสามารถคัดแยกชิ้นส่วนที่มีข้อบกพร่องก่อนที่จะเข้าสู่กระบวนการประกอบขั้นปลาย

การผลิตเซมิคอนดักเตอร์

การผลิตเซมิคอนดักเตอร์มีข้อกำหนดด้านการตรวจสอบที่ท้าทายที่สุดในอุตสาหกรรมสมัยใหม่ ข้อบกพร่องที่วัดได้ในระดับไมครอนอาจส่งผลต่อประสิทธิภาพและผลผลิตของผลิตภัณฑ์

โมเดลแมชชีนเลิร์นนิงขั้นสูงช่วยระบุการปนเปื้อนบนเวเฟอร์ ข้อบกพร่องจากกระบวนการลิโทกราฟี และความผิดปกติของกระบวนการที่อาจตรวจจับได้ยากด้วยอัลกอริทึมแมชชีนวิชันแบบดั้งเดิม

เนื่องจากโรงงานผลิตเซมิคอนดักเตอร์สร้างข้อมูลภาพจำนวนมหาศาล การประมวลผลที่เอดจ์จึงช่วยลดความแออัดของเครือข่าย พร้อมรักษาอัตราการประมวลผลการตรวจสอบ

การตรวจสอบบรรจุภัณฑ์อาหาร

ผู้ผลิตอาหารและเครื่องดื่มเผชิญแรงกดดันเพิ่มขึ้นในการรับรองคุณภาพบรรจุภัณฑ์ การตรวจสอบย้อนกลับ และการปฏิบัติตามข้อกำหนดด้านกฎระเบียบ

ระบบแมชชีนเลิร์นนิงสามารถตรวจสอบได้ดังนี้:

• ความถูกต้องของฉลาก
• วันหมดอายุ
• ความสมบูรณ์ของการปิดผนึก
• ขนาดบรรจุภัณฑ์
• ระดับการบรรจุ
• การวางแนวผลิตภัณฑ์

การตรวจสอบเหล่านี้เกิดขึ้นอย่างต่อเนื่องด้วยความเร็วในการผลิตที่ผู้ปฏิบัติงานมนุษย์ไม่สามารถทำได้อย่างต่อเนื่อง

การผลิตแบตเตอรี่

การเติบโตอย่างรวดเร็วของการผลิตยานยนต์ไฟฟ้าทำให้ความต้องการเทคโนโลยีการตรวจสอบแบตเตอรี่ขั้นสูงเพิ่มขึ้น

ผู้ผลิตใช้แมชชีนวิชันและแมชชีนเลิร์นนิงเพื่อตรวจจับข้อบกพร่องของขั้วไฟฟ้า ความไม่สม่ำเสมอของการเคลือบ การปนเปื้อน และปัญหาในการประกอบตลอดกระบวนการผลิตแบตเตอรี่

เนื่องจากข้อบกพร่องของแบตเตอรี่ส่งผลกระทบได้ทั้งต่อประสิทธิภาพและความปลอดภัย ความแม่นยำในการตรวจสอบจึงยังคงเป็นเป้าหมายการดำเนินงานที่สำคัญ

การสร้างชุดข้อมูลที่ดียิ่งขึ้นสำหรับแมชชีนเลิร์นนิงในภาคอุตสาหกรรม

หลายองค์กรให้ความสำคัญกับการเลือกโมเดลเป็นอย่างมาก ขณะเดียวกันกลับมองข้ามความสำคัญของการพัฒนาชุดข้อมูล ในความเป็นจริง คุณภาพของข้อมูลฝึกสอนมักส่งผลต่อความสำเร็จของโครงการมากกว่าสถาปัตยกรรมโครงข่ายประสาทเทียมเฉพาะที่ใช้

โมเดลแมชชีนเลิร์นนิงสามารถเรียนรู้ได้เฉพาะจากข้อมูลที่มีอยู่ในชุดข้อมูลฝึกสอนเท่านั้น หากไม่มีสถานการณ์ข้อบกพร่องที่สำคัญ โมเดลอาจทำงานได้ไม่ดีเมื่อเงื่อนไขเหล่านั้นเกิดขึ้นในการผลิต

ชุดข้อมูลอุตสาหกรรมที่ประสบความสำเร็จมักประกอบด้วย:

• ตัวอย่างจากการผลิตปกติ
• สภาวะข้อบกพร่องที่พบได้ยาก
• สภาพแวดล้อมด้านแสงที่หลากหลาย
• กะการผลิตที่แตกต่างกัน
• ความแตกต่างตามฤดูกาล
• สภาพการสึกหรอของอุปกรณ์
• ความแตกต่างของวัตถุดิบ
• การเปลี่ยนแปลงกระบวนการที่เกี่ยวข้องกับการบำรุงรักษา

ผู้ผลิตควรขยายชุดข้อมูลอย่างต่อเนื่องหลังการนำไปใช้งาน

ข้อได้เปรียบประการหนึ่งของระบบนิเวศ SageMaker และ Greengrass คือความสามารถในการสร้างกลไกป้อนกลับระหว่างการดำเนินงานการผลิตกับทีมพัฒนาโมเดล กรณีการตรวจสอบที่ยากสามารถนำมาทบทวน ติดป้ายกำกับใหม่ และผนวกเข้ากับรอบการฝึกในอนาคตได้

กระบวนการนี้ช่วยปรับปรุงประสิทธิภาพของโมเดลอย่างค่อยเป็นค่อยไป พร้อมลดผลบวกลวงและผลลบลวง

องค์กรที่มองแมชชีนเลิร์นนิงเป็นขีดความสามารถด้านการดำเนินงานที่ต้องพัฒนาอย่างต่อเนื่อง แทนที่จะเป็นโครงการที่ทำเพียงครั้งเดียว มักจะบรรลุผลลัพธ์ระยะยาวที่ดีที่สุด

AI ในภาคอุตสาหกรรมจะกลายเป็นเครื่องมือมาตรฐานด้านคุณภาพ

แมชชีนเลิร์นนิง เอดจ์คอมพิวติ้ง และระบบอัตโนมัติในภาคอุตสาหกรรมกำลังหลอมรวมเข้าด้วยกันอย่างรวดเร็ว เทคโนโลยีที่ครั้งหนึ่งเคยถูกมองว่าเป็นเทคโนโลยีทดลอง กำลังกลายเป็นเครื่องมือที่ใช้งานได้จริงสำหรับยกระดับคุณภาพ ลดของเสีย และเพิ่มประสิทธิภาพการดำเนินงาน

เมื่อฮาร์ดแวร์คอมพิวเตอร์มีประสิทธิภาพมากขึ้นและเฟรมเวิร์กแมชชีนเลิร์นนิงนำไปใช้งานได้ง่ายขึ้น ผู้ผลิตทุกขนาดก็สามารถใช้ประโยชน์จากระบบตรวจจับข้อบกพร่องขั้นสูงได้

แพลตฟอร์มอย่าง Amazon SageMaker และ AWS IoT Greengrass จัดเตรียมโครงสร้างพื้นฐานที่จำเป็นสำหรับการนำแมชชีนเลิร์นนิงจากสภาพแวดล้อมการวิจัยไปสู่โรงงานผลิตจริง

การนำไปใช้งานที่ประสบความสำเร็จสูงสุดจะไม่เพียงระบุผลิตภัณฑ์ที่มีข้อบกพร่องเท่านั้น แต่ยังช่วยให้ผู้ผลิตเข้าใจสาเหตุของข้อบกพร่อง คาดการณ์ปัญหาด้านคุณภาพก่อนที่จะรุนแรงขึ้น และเพิ่มประสิทธิภาพกระบวนการผลิตอย่างต่อเนื่อง

ในอีกไม่กี่ปีข้างหน้า การมองเห็นด้วยเครื่องจักรบนเอดจ์มีแนวโน้มจะกลายเป็นสิ่งที่พบได้ทั่วไปบนสายการผลิต เช่นเดียวกับ PLC, HMI, เครือข่ายอุตสาหกรรม และระบบ SCADA ในปัจจุบัน โรงงานที่เริ่มพัฒนาขีดความสามารถเหล่านี้ตั้งแต่ตอนนี้จะอยู่ในตำแหน่งที่พร้อมกว่าที่จะยกระดับคุณภาพ เพิ่มผลผลิตให้สูงสุด และแข่งขันในตลาดการผลิตที่ขับเคลื่อนด้วยข้อมูลมากขึ้นเรื่อย ๆ

อนาคตของการตรวจจับข้อบกพร่องในภาคอุตสาหกรรม

การตรวจจับข้อบกพร่องในภาคอุตสาหกรรมยังคงพัฒนาจากการวิเคราะห์ภาพอย่างง่ายไปสู่ระบบคุณภาพอัจฉริยะที่ปรับตัวได้

ความก้าวหน้าด้านแมชชีนเลิร์นนิง เอดจ์คอมพิวติ้ง เครือข่ายอุตสาหกรรม และโครงสร้างพื้นฐานคลาวด์ ช่วยให้ผู้ผลิตตรวจสอบผลิตภัณฑ์ได้รวดเร็วและแม่นยำยิ่งกว่าที่เคย

เทคโนโลยีอย่าง Amazon SageMaker และ AWS IoT Greengrass ช่วยเชื่อมช่องว่างระหว่างการพัฒนาโมเดลบนคลาวด์กับการนำไปใช้งานจริงในโรงงาน เมื่อทำงานร่วมกัน เทคโนโลยีเหล่านี้ช่วยให้ผู้ผลิตมีเครื่องมือสำหรับสร้างระบบตรวจสอบที่ปรับขนาดได้ ซึ่งเรียนรู้จากข้อมูลการดำเนินงานและพัฒนาอย่างต่อเนื่องเมื่อเวลาผ่านไป

ขณะที่องค์กรอุตสาหกรรมเดินหน้าตามโครงการริเริ่มด้านการเปลี่ยนผ่านสู่ดิจิทัล การตรวจจับข้อบกพร่องจะกลายเป็นส่วนหนึ่งของกลยุทธ์การผลิตอัจฉริยะที่กว้างขึ้นมากขึ้นเรื่อย ๆ โดยผสานการมองเห็นด้วยเครื่องจักร การบำรุงรักษาเชิงคาดการณ์ การเพิ่มประสิทธิภาพกระบวนการ และการวิเคราะห์การดำเนินงาน

ผลลัพธ์ไม่ได้มีเพียงการควบคุมคุณภาพที่ดีขึ้นเท่านั้น แต่ยังเป็นสภาพแวดล้อมการผลิตที่ชาญฉลาดยิ่งขึ้น ซึ่งการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลเกิดขึ้นที่เอดจ์ ใกล้กับอุปกรณ์ ผลิตภัณฑ์ และกระบวนการที่สร้างมูลค่า