Endüstriyel Makine Görüşü: Gerçek Zamanlı Hata Tespiti için Uç AI Kullanımı

AWS IoT Greengrass ve Amazon SageMaker, makine öğrenimi modellerini endüstriyel uçta dağıtmak için bir uygulama yaklaşımını temsil eder. Ancak daha geniş eğilim, tek bir satıcı ekosisteminin çok ötesine uzanır. Otomotiv, yarı iletken, gıda işleme ve proses endüstrileri genelinde üreticiler, kalite kontrolü ve arıza tespitini iyileştirmek için giderek daha fazla uç yapay zeka ve makine görme teknolojilerini benimsemektedir.

Neden Üretimde Arıza Tespiti Uca Doğru Kaymaktadır

Üreticiler, daha yüksek ürün kalitesi, daha düşük işletme maliyetleri ve daha yüksek üretim verimliliği peşindedir. Üretim hatları hızlandıkça ve daha otomatik hale geldikçe, geleneksel muayene yöntemleri modern üretim hızı gereksinimlerine ayak uydurmakta zorlanır. İnsan muayenesi birçok sektörde değerli olsa da, genellikle değişkenlik, yorgunluğa bağlı hatalar ve ölçeklenebilirlik sınırlamaları getirir.

Aynı zamanda, endüstriyel tesisler artık sensörler, kameralar, kontrolörler ve bağlı cihazlar aracılığıyla muazzam miktarda operasyonel veri üretmektedir. Bu veri kaynakları, ürünler müşterilere ulaşmadan çok önce kalite sorunlarını tespit edebilen gelişmiş analizler ve makine öğrenimi uygulamaları için fırsatlar yaratır.

Son yıllardaki en önemli gelişmelerden biri, makine öğrenimi modellerinin doğrudan endüstriyel uçta dağıtılmasıdır. Her görüntüyü analiz için uzak bir bulut platformuna göndermek yerine, üreticiler arıza tespitini üretim ekipmanlarının yakınındaki endüstriyel bilgisayarlarda, gömülü işlemcilerde ve uç ağ geçitlerinde yerel olarak gerçekleştirebilir.

Bu yaklaşım, gecikmeyi önemli ölçüde azaltırken sistemin yanıt verme hızını artırır. Üretim ekipmanları, tespit edilen arızalara hemen tepki verebilir, uygun olmayan ürünleri reddedebilir, alarmları tetikleyebilir veya bulut işlemesini beklemeden düzeltici işlemleri başlatabilir.

Bulut platformları, makine öğrenimi modellerinin eğitimi, yönetimi ve geliştirilmesi için hâlâ vazgeçilmezdir. Ancak, uç bilişim fabrikaların verinin üretildiği yerde gerçek zamanlı çıkarım yapmasına olanak tanır. Bulut zekası ile uç yürütmenin bu birleşimi, endüstriyel otomasyon için güçlü bir mimari haline gelmiştir.

Bu mimariyi destekleyen önde gelen teknolojiler arasında Amazon SageMaker ve AWS IoT Greengrass bulunur. Bu platformlar birlikte, üretimde arıza tespiti uygulamalarında kullanılan makine öğrenimi modellerinin oluşturulması, dağıtılması, izlenmesi ve sürekli geliştirilmesi için bir çerçeve sağlar.

Şekil 1. Otomatik makine görme sistemleri, modern üretim ortamlarında yüksek hızlı kalite kontrolü sağlar.

Endüstriyel Arıza Tespiti Zorluğunu Anlamak

Arıza tespiti yüzeyde basit görünür. Bir kamera görüntü yakalar, yazılım ürünü değerlendirir ve sistem ürünün muayeneden geçip geçmediğine karar verir. Ancak pratikte, endüstriyel muayene ortamları birçok teknik zorluk sunar.

Ürünler farklı hızlarda hareket eder. Aydınlatma koşulları gün boyunca değişir. Yüzey malzemeleri ışığı farklı şekilde yansıtabilir. Üretim toleransları kabul edilebilir ürünler arasında hafif farklılıklar yaratabilir. Toz, titreşim, sıcaklık dalgalanmaları ve çevresel koşullar görüntü alımını daha da karmaşık hale getirebilir.

Bu nedenle üreticiler, normal üretim varyasyonunu gerçek kusurlardan ayırt edebilen denetim sistemleri geliştirmelidir.

Yaygın üretim kusurları şunları içerir:

• Yüzey çizikleri
• Çatlaklar ve kırıklar
• Eksik bileşenler
• Montaj hataları
• Yanlış kaynaklar
• Boya kusurları
• Kabarcıklar ve boşluklar
• Boyutsal sapmalar
• Ambalajlama kusurları
• Etiketleme hataları

Otomotiv üretimi, yarı iletken imalatı, ilaç, gıda işleme, elektronik montajı ve enerji üretimi gibi sektörlerde kusur tespiti doğrudan kârlılık ve müşteri memnuniyetini etkiler.

Kaçırılan bir kusur, garanti taleplerine, güvenlik olaylarına, ürün geri çağırmalarına, düzenleyici cezalara veya marka itibarına zarar verebilir. Öte yandan, aşırı katı denetim kriterleri hurda oranlarını artırabilir ve üretim verimliliğini düşürebilir.

Makine öğrenimi, büyük veri setlerinden desenleri öğrenerek ve yalnızca manuel programlanmış denetim kurallarına bağlı kalmayarak bu zorlukların üstesinden gelmeye yardımcı olur.

Makine Görme Geleneksel Kural Tabanlı Denetimin Ötesine Geçti

Geleneksel makine görme sistemleri büyük ölçüde deterministik görüntü işleme algoritmalarına dayanır. Mühendisler eşik değerleri, kenar algılama parametreleri, geometrik ölçümler ve özellik tanıma kurallarını manuel olarak tanımlar.

Bu yaklaşımlar birçok uygulama için etkili olmaya devam eder. Ancak ürünler önemli ölçüde değişkenlik gösterdiğinde veya kusurlar tahmin edilemeyen şekillerde ortaya çıktığında bakım zorlaşır.

Modern makine öğrenimi modelleri temelde farklı bir yaklaşım sunar.

Her denetim kuralını manuel olarak tanımlamak yerine, mühendisler binlerce hatta milyonlarca örnek görüntü kullanarak modelleri eğitir. Sistem, kabul edilebilir ürünleri kusurlu ürünlerden ayıran özellikleri öğrenir.

Bu, makine öğrenimi sistemlerinin geleneksel görsel algoritmaların tanımlamakta zorlanabileceği ince desenleri tespit etmesini sağlar.

Endüstriyel denetim sistemlerinde yaygın olarak birkaç makine öğrenimi yaklaşımı kullanılır.

Görüntü Sınıflandırma

Sınıflandırma modelleri, bir görüntünün belirli bir kategoriye ait olup olmadığını belirler.

Örneğin, bir model ürünleri şu şekilde sınıflandırabilir:

• Başarılı
• Başarısız
• Hasarlı
• Eksik
• Hizalanmamış

Sınıflandırma genellikle en basit uygulama modelidir ve birçok üretim uygulaması için etkili bir başlangıç noktasıdır.

Nesne Tespiti

Nesne tespiti, sınıflandırmanın ötesine geçerek hem kusurun varlığını hem de konumunu belirler.

Bir kusurun var olduğunu basitçe bildirmek yerine, model kusurun görüntü içinde nerede göründüğünü belirler.

Bu yetenek, bakım ekiplerinin ve kalite mühendislerinin süreç sorunlarını ve temel nedenleri daha iyi anlamalarını sağlar.

Anlamsal Segmentasyon

Anlamsal segmentasyon piksel düzeyinde analiz sağlar.

Her piksele bir sınıflandırma etiketi atanır, böylece sistem kusurun kesin sınırlarını belirleyebilir.

Segmentasyon modelleri, üreticilerin çatlak boyutları, korozyon alanları, kaplama kusurları veya malzeme tutarsızlıkları hakkında ayrıntılı bilgiye ihtiyaç duyduğu durumlarda özellikle faydalıdır.

Gelişmiş segmentasyon teknikleri, kusur büyüme desenlerinin daha geniş proses optimizasyon çabalarının bir parçası olduğu öngörücü kalite girişimlerini destekleyebilir.

Endüstriyel Otomasyonda Edge AI'nin Önemi

Birçok endüstriyel tesis hala sıkı güvenilirlik gereksinimleri altında çalışmaktadır. Üretim hatları genellikle uzun süre kesintisiz çalışır ve tamamen bulut bağlantısına bağımlı olamaz.

Her denetim görüntüsünü uzak bir sunucuya göndermek birkaç sınırlama getirir:

• Ağ gecikmesi
• Bant genişliği tüketimi
• Bulut işleme maliyetleri
• Siber güvenlik endişeleri
• Bağlantı riskleri

Dakikada binlerce kap üretimi yapan bir şişeleme tesisini düşünün. Yüksek çözünürlüklü kameralar her saat gigabaytlarca görüntü verisi üretebilir.

Her görüntüyü buluta göndermek pahalı ve gereksiz olur.

Bunun yerine, edge tabanlı çıkarım yerel karar vermeyi mümkün kılar ve yalnızca ilgili bilgileri merkezi sistemlere iletir.

Bu mimari, operasyonel teknoloji (OT) sistemlerinin bilgi teknolojisi (IT) altyapısıyla giderek daha fazla entegre olduğu modern endüstriyel otomasyon stratejileriyle yakından uyumludur.

Endüstriyel edge AI, aşağıdakiler dahil birçok otomasyon ortamını destekleyebilir:

• PLC kontrollü üretim hatları
• DCS tabanlı proses tesisleri
• SCADA izleme sistemleri
• Türbin izleme ağları
• Paketleme makineleri
• Robotik montaj hücreleri
• Depo otomasyon sistemleri

Birçok tesis zaten büyük endüstriyel tedarikçilerin otomasyon platformlarını kullanmaktadır. Edge AI çözümleri, Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV ve Yokogawa CENTUM VP gibi sistemlerle yan yana çalışabilir.

Bu ortamlarda, makine görme sistemleri genel üretim hedeflerini destekleyen başka bir operasyonel zeka kaynağı haline gelir.

Amazon SageMaker'ın Endüstriyel Makine Öğrenimindeki Rolü

Amazon SageMaker, makine öğrenimi modelleri oluşturma, eğitme, optimize etme, dağıtma ve yönetme için bulut tabanlı bir ortam sağlar.

Başlıca avantajlarından biri, makine öğrenimi geliştirme ile geleneksel olarak ilişkili birçok görevi basitleştirmesidir.

Veri bilimciler ve mühendisler altyapı yönetimi yerine model performansına odaklanabilir.

Bir üretim ortamında, SageMaker makine öğrenimi yaşam döngüsünün tamamını destekleyebilir.

Veri Toplama ve Hazırlama

Başarılı bir kusur tespiti projesinin temeli yüksek kaliteli bir veri setidir.

Üreticiler genellikle üretim hatları boyunca stratejik denetim noktalarına endüstriyel kameralar kurar. Bu kameralar, hem kabul edilebilir hem de kusurlu ürünlerin görüntülerini yakalar.

Toplanan görüntüler daha sonra etiketlenmeli ve düzenlenmelidir.

Doğru etiketleme model performansını doğrudan etkiler. Kötü etiketlenmiş veri setleri genellikle dağıtım sırasında yanlış pozitif ve yanlış negatiflere yol açar.

Hata tespiti uygulamaları için mühendisler sıklıkla şunları tanımlayan açıklamalar oluşturur:

• Hata türü
• Hata konumu
• Hata şiddeti
• Ürün kategorisi
• Üretim parti bilgisi

Veri setleri büyüdükçe, üreticiler ek üretim senaryolarını dahil ederek model doğruluğunu sürekli olarak artırabilir.

Model Eğitimi ve Optimizasyonu

Makine öğrenimi modellerini eğitmek önemli hesaplama kaynakları gerektirir.

İşte bulut altyapısı burada önemli avantajlar sağlar.

Üreticiler, özel yerel yapay zeka sunucularına yatırım yapmak yerine, modelleri daha verimli eğitmek için ölçeklenebilir bulut kaynaklarından yararlanabilir.

SageMaker, endüstriyel makine görme uygulamalarında yaygın olarak kullanılan birden fazla çerçeve ve model mimarisini destekler.

Popüler sinir ağı mimarileri şunlardır:

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

Her mimari, doğruluk, hesaplama gereksinimleri ve çıkarım hızı arasında farklı ödünler sunar.

Endüstriyel mühendisler, üretim dağıtımı için en uygun modeli seçmeden önce genellikle birden fazla mimariyi değerlendirir.

Donanım Farkındalığına Sahip Model Dağıtımı

Endüstriyel yapay zeka projelerindeki en büyük zorluklardan biri, bulutta eğitilen modelleri kaynakları kısıtlı uç donanıma aktarmaktır.

Bulut GPU’sunda olağanüstü performans gösteren bir model, endüstriyel bir ağ geçidi veya gömülü işlemci üzerinde dağıtıldığında zorlanabilir.

SageMaker, hedef donanım platformları için modelleri optimize etmeye yardımcı olan araçlar sunar.

Bu optimizasyon süreci, bellek gereksinimlerini azaltır, çıkarım hızını artırır ve güç tüketimini en aza indirirken kabul edilebilir doğruluğu korur.

Bu tür yetenekler, yüzlerce veya binlerce uç cihazın aynı anda çalışabileceği büyük ölçekli üretim ortamlarında özellikle önem kazanır.

Bölüm 2’de, AWS IoT Greengrass’ın bu modelleri endüstriyel uçta nasıl dağıttığını ve yönettiğini inceleyeceğiz, buluttan uca hata tespiti iş akışlarını keşfedeceğiz, pratik uygulama mimarilerini tartışacağız ve PLC’ler, SCADA sistemleri, DCS platformları ve öngörücü kalite programlarını içeren gerçek dünya üretim kullanım örneklerini gözden geçireceğiz.

AWS IoT Greengrass ile Makine Öğrenimi Modellerini Fabrika Katına Getirmek

Bir makine öğrenimi modelini eğitmek yolculuğun sadece bir parçasıdır. Üreticilerin nihayetinde bu modelleri üretim tesislerinde dağıtmak, yönetmek, izlemek ve güncellemek için pratik bir yönteme ihtiyacı vardır. İşte AWS IoT Greengrass mimarinin kritik bir bileşeni haline gelir.

AWS IoT Greengrass, yazılımın, makine öğrenimi modellerinin ve otomasyon uygulamalarının endüstriyel cihazlar üzerinde doğrudan çalışmasını sağlayan bir uç çalışma zamanı ortamı olarak hizmet verir. Sürekli bulut bağlantısına güvenmek yerine, Greengrass çıkarım iş yüklerinin yerel olarak yürütülmesine olanak tanır ve merkezi bulut hizmetleriyle senkronizasyonu sürdürür.

Üretim tesisleri için bu mimari, bulut ölçeklenebilirliği ile yerel yanıt verme arasında bir denge sağlar.

Üretim ekipmanları, geçici ağ kesintileri sırasında bile çalışmaya devam edebilir. Kalite denetimi kararları gerçek zamanlı olarak kullanılabilir durumda kalır ve operasyonel veriler bağlantı yeniden sağlandığında bulut sistemleriyle senkronize edilebilir.

Bu yetenek, üretim hatlarının birden fazla bina, uzak tesis veya coğrafi olarak dağıtılmış üretim sahaları arasında çalışabileceği büyük endüstriyel ortamlarda özellikle değerlidir.

Şekil 2. AWS IoT Greengrass, bulut entegrasyonunu korurken endüstriyel kenar cihazlarda makine öğrenimi çıkarımı sağlar.

Buluttan Kenara Endüstriyel Kusur Tespit Hattı Oluşturma

Başarılı kusur tespit sistemleri yalnızca eğitilmiş bir sinir ağı gerektirmez. Üreticiler, veri edinimi, model geliştirme, dağıtım, izleme ve sürekli iyileştirmeyi yöneten eksiksiz bir yaşam döngüsü kurmalıdır.

Modern bir bulut-kenar denetim mimarisi genellikle birkaç aşamayı takip eder.

Aşama 1: Görüntü Edinimi

Süreç, görüntü toplama ile başlar.

Endüstriyel kameralar, ürünleri üretim ekipmanları, konveyörler, robotik iş istasyonları veya montaj hücreleri boyunca hareket ederken yakalar. Kamera seçimi uygulama gereksinimlerine bağlıdır ve şunları içerebilir:

• Alan tarama kameraları
• Hat tarama kameraları
• 3D görüş kameraları
• Termal görüntüleme sistemleri
• Hiperspektral görüntüleme sensörleri

Doğru aydınlatma tasarımı da aynı derecede önemlidir. İleri düzey makine öğrenimi modelleri bile görüntü kalitesi tutarsız olduğunda zorlanır.

Başarılı dağıtımlar genellikle gölgeleri, yansımaları ve ortam ışığı değişimlerini en aza indiren kontrollü aydınlatma ortamlarını içerir.

Aşama 2: Veri Etiketleme ve Açıklama

Görüntüler toplandıktan sonra mühendisler eğitim veri setleri oluşturur.

Görüntüler, hem normal hem de kusurlu çalışma koşullarını doğru şekilde temsil etmelidir. Birçok kuruluş bu aşamayı başlangıçta hafife alır. Aslında, veri seti kalitesi genellikle proje başarısını model seçiminden daha fazla belirler.

Üreticiler, birden fazla üretim vardiyasından, ekipman koşullarından, hammadde partilerinden ve çevresel senaryolardan örnekler toplamalıdır.

Bu çeşitlilik, modelin dağıtımdan sonra sağlamlığını sağlamaya yardımcı olur.

Aşama 3: SageMaker'da Model Eğitimi

Eğitim, Amazon SageMaker içinde bulut bilişim kaynakları kullanılarak gerçekleştirilir.

Mühendisler performansı artırmak için birden fazla mimariyi değerlendirir ve hiperparametreleri optimize eder.

Tipik optimizasyon hedefleri şunları içerir:

• Daha yüksek tespit doğruluğu
• Azaltılmış yanlış pozitifler
• Azaltılmış yanlış negatifler
• Daha hızlı çıkarım hızı
• Daha düşük bellek kullanımı

Üretim ortamları genellikle marjinal doğruluk iyileştirmelerinden çok güvenilirliğe öncelik verir. Biraz daha düşük doğruluğa sahip ancak son derece öngörülebilir davranış sergileyen bir model, gerçek üretim koşullarında teorik olarak üstün bir modeli geride bırakabilir.

Aşama 4: Edge Dağıtımı

Doğrulamanın ardından SageMaker modeli dağıtım için paketler.

Greengrass, modeli yerel çıkarımın gerçekleştiği edge donanımına dağıtır.

Uygulamaya bağlı olarak, dağıtım hedefleri şunları içerebilir:

• Endüstriyel PC'ler
• Gömülü yapay zeka ağ geçitleri
• ARM tabanlı edge kontrolörler
• GPU destekli edge sunucular
• Makine görme sistemlerine entegre endüstriyel bilgisayarlar

Çıkarım yerel olarak gerçekleştirilir ve denetim sonuçları milisaniyeler içinde sağlanır.

Aşama 5: Sürekli İyileştirme

Bu mimarinin belki de en güçlü yönü geri bildirim döngüsüdür.

Edge cihazları seçilen görüntüleri ve operasyonel metrikleri buluta yükleyebilir. Mühendisler zor vakaları inceler, yeni verileri etiketler, modelleri yeniden eğitir ve güncellenmiş sürümleri dağıtır.

Bu, değişen üretim koşullarına uyum sağlayan sürekli gelişen bir denetim sistemi yaratır.

Makine Görüşünün Ötesinde Endüstriyel Otomasyon Entegrasyonu

Kusur tespit sistemleri, mevcut otomasyon altyapısıyla entegre edildiğinde en büyük değeri sunar.

Sadece kusurları tanımlayan bağımsız bir kamera sınırlı operasyonel fayda sağlar. Modern üreticiler denetim sistemlerini giderek daha fazla doğrudan üretim kontrollerine bağlar.

Örneğin, bir denetim sonucu otomatik olarak şunları tetikleyebilir:

• Ürün reddetme mekanizmaları
• Robotik ayırma sistemleri
• Alarm bildirimleri
• Üretim hattı yavaşlamaları
• Bakım iş emirleri
• Kalite raporlama sistemleri

Birçok tesis bu entegrasyonu EtherNet/IP, PROFINET, Modbus TCP, OPC UA ve MQTT gibi endüstriyel iletişim protokolleri aracılığıyla gerçekleştirir.

Makine görme sistemi, daha geniş otomasyon ekosistemi içinde başka bir akıllı düğüm haline gelir.

Modern PLC platformları kullanan kuruluşlar, denetim sonuçlarını genellikle doğrudan kontrol mantığına entegre eder. Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon veya Mitsubishi MELSEC kontrolörleri etrafında kurulu sistemler, kusur verilerini kullanabilir ve otomatik yanıtları tetikleyebilir.

Kontrolör yükseltmeleri veya genişletme projelerini değerlendiren tesisler, gelecekteki endüstriyel yapay zeka girişimlerini desteklemek için genellikle PLC & PAC Sistemleri kategorisindeki mevcut donanımı inceler.

Yüksek Hızlı Üretim Ortamlarında Kusur Tespiti

Her üretim ortamı aynı gereksinimleri sunmaz.

Denetim stratejileri üretim hızı, ürün karmaşıklığı ve iş hedefleriyle uyumlu olmalıdır.

Elektronik Üretimi

Elektronik üretimi genellikle insan operatörlerin tutarlı şekilde tanımlaması zor olan son derece küçük kusurları içerir.

Makine öğrenimi sistemleri şunları denetleyebilir:

• Lehim bağlantıları
• PCB izleri
• Bağlayıcı yerleşimi
• Bileşen yönelimi
• Yüzey kontaminasyonu

Üretim hacimleri yüksek olduğundan, tespit doğruluğundaki küçük iyileşmeler bile önemli maliyet tasarrufları sağlayabilir.

Otomotiv Üretimi

Otomotiv tesisleri genellikle makine görüşü sistemlerini gövde montajı, boyama, güç aktarma organları üretimi ve son montaj işlemlerinde kullanır.

Denetim sistemleri şunları tespit edebilir:

• Boya kusurları
• Kaynak kalitesi sorunları
• Eksik bağlantı elemanları
• Bileşen hizalanmaması
• Yüzey kusurları

Uç tabanlı işlem özellikle önemlidir çünkü üretim hatları yüksek hızda çalışır ve aşırı gecikmeyi tolere edemez.

Gıda ve İçecek İşleme

Gıda üreticileri genellikle makine görüşünü paketleme kusurlarını, etiketleme sorunlarını, kontaminasyon risklerini ve dolum seviyesi tutarsızlıklarını belirlemek için kullanır.

Hızlı yerel karar verme, kusurlu ürünlerin sonraki paketleme ve dağıtım süreçlerine ulaşmasını önlemeye yardımcı olur.

İlaç Üretimi

Düzenlenen endüstriler yüksek güvenilirlikte denetim sistemleri gerektirir.

Makine öğrenimi modelleri, paketleme kusurlarını, etiketleme hatalarını, şişe kontaminasyonunu ve ürün tutarsızlıklarını tespit ederek doğrulama faaliyetlerini destekleyebilir ve ayrıntılı denetim kayıtları tutabilir.

Uç AI ve Öngörücü Kalite Yönetimi

Birçok kuruluş başlangıçta makine görüşü sistemlerini sadece geçme/kalma denetimi için kurar. Ancak zamanla, üreticiler çok daha büyük bir fırsat keşfeder.

Kusur verisi, süreç performansı hakkında değerli bilgiler içerir.

Kusur oluşumundaki eğilimleri analiz ederek, üreticiler kalite seviyeleri önemli ölçüde bozulmadan önce ortaya çıkan üretim sorunlarını tespit edebilir.

Bu kavram bazen öngörücü kalite olarak adlandırılır.

Örneğin, artan çizik kusurları takım aşınmasını gösterebilir. Artan boyutsal sapmalar kalibrasyon kaymasını işaret edebilir. Yüzey bitiş sorunları, yukarı akış işleme ekipmanındaki problemleri ortaya çıkarabilir.

Endüstriyel izleme sistemleriyle entegre edildiğinde, kusur tespit verisi operasyonel zekanın ek bir kaynağı haline gelir.

Dönen makinelerin güvenilirliğinden sorumlu kuruluşlar genellikle kalite izleme ile titreşim analizi ve varlık durum izleme platformlarını birleştirir. Bu ortamlarda, Makine İzleme portföyünde bulunan makine sağlığı çözümleri, genellikle daha geniş öngörücü bakım girişimlerini tamamlar.

Endüstriyel Uç AI Dağıtımları için Donanım Dikkatleri

Doğru donanım platformunun seçilmesi, herhangi bir uç AI projesinde en önemli tasarım kararlarından biridir.

İdeal donanım birkaç faktöre bağlıdır:

• Görüntü çözünürlüğü
• İnceleme hızı
• Model karmaşıklığı
• Güç kullanılabilirliği
• Çevresel koşullar
• Ölçeklenebilirlik gereksinimleri

Endüstriyel tesisler giderek daha fazla, özel sinirsel işlem birimleri (NPU'lar), grafik hızlandırıcıları ve yapay zeka çıkarım motorları içeren işlemciler kullanıyor.

Bu yetenekler, güç tüketimini azaltırken makine öğrenimi performansını önemli ölçüde artırır.

NXP i.MX 8M Plus gibi platformlar, gömülü donanımın endüstriyel yapay zeka iş yüklerini desteklemek için nasıl evrimleşmeye devam ettiğini göstermektedir.

Yapay zeka benimsenmesi arttıkça, üreticilerin performans, yaşam döngüsü desteği, siber güvenlik ve toplam sahip olma maliyeti arasında denge kurması gerektiğinden donanım optimizasyonu giderek daha önemli hale gelmektedir.

Bağlı Denetim Sistemleri için Siber Güvenlik Hususları

Her bağlı endüstriyel cihaz potansiyel siber güvenlik riskleri getirir.

Makine görme sistemleri de istisna değildir.

Bulut bağlantılı denetim mimarileri uygulayan kuruluşlar, aşağıdakileri kapsayan net siber güvenlik politikaları oluşturmalıdır:

• Kimlik yönetimi
• Cihaz kimlik doğrulaması
• Şifreli iletişim
• Ağ segmentasyonu
• Yazılım yamaları
• Erişim kontrol politikaları

Birçok üretici, PLC ağları, SCADA sistemleri, dağıtılmış kontrol sistemleri ve endüstriyel tarihçiler dahil olmak üzere OT ortamlarında bu ilkeleri zaten uygulamaktadır.

Makine öğrenimi altyapısı aynı siber güvenlik çerçevesini takip etmelidir.

Kusur Tespit Sistemlerini SCADA, MES ve Tesis Genelindeki Operasyonlarla Bağlamak

Birçok üretici başlangıçta makine görme sistemlerini bağımsız denetim istasyonları olarak kurar. Bu yaklaşım kalite kontrolü iyileştirebilse de, endüstriyel yapay zekanın gerçek değeri denetim verileri daha büyük bir operasyonel ekosistemin parçası haline geldiğinde ortaya çıkar.

Modern üretim tesisleri giderek daha fazla kalite sistemlerini Denetleyici Kontrol ve Veri Toplama (SCADA) platformları, Üretim Yürütme Sistemleri (MES), kurumsal raporlama araçları ve tesis tarihçileri ile bağlamaktadır. Bu entegrasyon, kusur tespitini reaktif bir kalite fonksiyonundan proaktif bir operasyonel zeka platformuna dönüştürür.

Bir makine görme sistemi bir kusur tespit ettiğinde, bilgi gerçek zamanlı olarak tesis genelinde dağıtılabilir. Üretim denetçileri kalite trendlerini SCADA panelleri aracılığıyla izleyebilir, bakım ekipleri otomatik bildirimler alabilir ve proses mühendisleri kusurları makine parametreleri, çevresel koşullar veya hammadde değişiklikleri ile ilişkilendirebilir.

Örneğin, bir paketleme tesisi, konveyör hızı belirli bir eşiği aştığında etiket yerleştirme hatalarının arttığını keşfedebilir. Bir otomotiv üreticisi, kaynak hataları ile robot kalibrasyon kayması arasında bir ilişki tespit edebilir. Bir ilaç fabrikası, paketleme anormalliklerini belirli ekipman ayarları veya üretim partileri ile ilişkilendirebilir.

Entegrasyon olmadan, bu içgörüler genellikle izole denetim sistemleri içinde gizli kalır.

Birçok kuruluş, makine görme platformları ile üst düzey endüstriyel yazılımlar arasında birincil iletişim katmanı olarak OPC UA'yı kullanmaktadır. MQTT de hafif mimarisi ve Endüstriyel Nesnelerin İnterneti (IIoT) uygulamalarına uygunluğu nedeniyle giderek daha popüler hale gelmektedir.

Üreticiler Endüstri 4.0 girişimlerine devam ettikçe, kusur tespit sistemleri, kurumsal çapta karar vermeyi destekleyen stratejik veri kaynaklarına dönüşüyor.

Bulut AI ve Kenar AI: Neden Çoğu Fabrika Hibrit Yaklaşımı Tercih Ediyor

Endüstriyel kuruluşlar sık sık makine öğrenimi uygulamalarının tamamen bulutta mı yoksa tamamen kenarda mı çalıştırılması gerektiğini sorar. Gerçekte, başarılı dağıtımların çoğu her iki ortamın güçlü yönlerini birleştiren hibrit bir mimari kullanır.

Bulut platformları, model eğitimi, büyük ölçekli veri depolama, merkezi yönetim ve uzun vadeli analizlerde üstündür. Derin öğrenme modellerinin eğitimi genellikle fabrika ekipmanlarına doğrudan dağıtılması pratik olmayan önemli hesaplama kaynakları gerektirir.

Öte yandan, kenar sistemleri endüstriyel operasyonlar için gereken yanıt hızını sağlar. Denetim kararlarının genellikle milisaniyeler içinde alınması gerekir. Üretim hatları, bir ürünün denetimi geçip geçmediğini belirlemek için bulut iletişimlerini bekleyemez.

Her saat binlerce baskılı devre kartı üreten bir elektronik montaj hattını düşünün. Yüksek çözünürlüklü denetim kameraları, tek bir üretim vardiyası sırasında terabaytlarca görüntü verisi üretebilir. Her görüntüyü uzak bir bulut platformuna göndermek, bant genişliği gereksinimlerini artırır ve gereksiz gecikmeye yol açar.

Görüntüleri yerel olarak işleyerek, yalnızca ilgili bilgilerin buluta iletilmesi gerekir. Bu, iletişim yükünü önemli ölçüde azaltırken gerçek zamanlı performansı korur.

Tipik bir hibrit mimari basit bir iş akışını takip eder:

• Bulut altyapısı, modelleri eğitir ve doğrular.
• SageMaker, modelleri dağıtım için optimize eder.
• AWS IoT Greengrass, modelleri kenar cihazlara dağıtır.
• Kenardaki cihazlar yerel çıkarım yapar.
• Seçilen denetim sonuçları buluta geri gönderilir.
• Mühendisler, yeni veriler kullanarak modelleri yeniden eğitir ve geliştirir.

Bu geri bildirim döngüsü, üretim performansından ödün vermeden sürekli iyileştirmeyi mümkün kılar.

Hibrit model, merkezi mühendislik ekiplerinin birçok tesiste makine öğrenimi varlıklarını yönettiği çoklu tesis üretim operasyonlarını da destekler.

Kenarda Tabanlı Kusur Tespitinin Gerçek Dünya Üretim Uygulamaları

Makine görüşü onlarca yıldır var olsa da, makine öğrenimindeki son gelişmeler, üreticilerin otomatikleştirebileceği denetim uygulamalarının kapsamını genişletti.

Otomotiv Gövde Muayenesi

Otomotiv üreticileri, sıkı kozmetik ve boyutsal standartları korumak zorundadır. En ufak boya kusurları veya yüzey düzensizlikleri bile pahalı yeniden işleme faaliyetlerine yol açabilir.

Makine öğrenimi sistemleri, geleneksel denetim yöntemlerinin gözden kaçırabileceği ince boya kusurlarını, çizikleri, göçükleri ve kaplama tutarsızlıklarını tespit edebilir.

Uçta doğrudan çıkarım yaparak, üreticiler kusurlu bileşenleri aşağı montaj süreçlerine geçmeden önce reddedebilir.

Yarı İletken Üretimi

Yarı iletken üretimi, modern endüstride en zorlu denetim gereksinimlerinden bazılarını sunar. Mikron cinsinden ölçülen kusurlar ürün performansını ve verimini etkileyebilir.

Gelişmiş makine öğrenimi modelleri, geleneksel görme algoritmalarıyla tespit edilmesi zor olabilecek wafer kontaminasyonu, litografi kusurları ve süreç anormalliklerini belirlemeye yardımcı olur.

Yarı iletken tesisleri büyük miktarda görüntü verisi ürettiğinden, uçta işlem yapmak ağ tıkanıklığını azaltırken denetim verimliliğini korur.

Gıda Ambalaj Doğrulaması

Gıda ve içecek üreticileri, ambalaj kalitesi, izlenebilirlik ve düzenleyici uyumluluğu sağlama konusunda artan baskı altındadır.

Makine öğrenimi sistemleri şunları doğrulayabilir:

• Etiket doğruluğu
• Son kullanma tarihleri
• Mühür bütünlüğü
• Paket boyutları
• Dolum seviyeleri
• Ürün yönlendirmesi

Bu denetimler, manuel operatörlerin sürdüremeyeceği üretim hızlarında sürekli olarak gerçekleşir.

Batarya Üretimi

Elektrikli araç üretiminin hızlı büyümesi, gelişmiş batarya denetim teknolojilerine olan talebi artırdı.

Üreticiler, batarya üretim süreçlerinde elektrot kusurlarını, kaplama tutarsızlıklarını, kontaminasyonu ve montaj sorunlarını tespit etmek için makine görüsü ve makine öğrenimini kullanır.

Batarya kusurları performans ve güvenliği etkileyebileceğinden, denetim doğruluğu kritik bir operasyonel hedeftir.

Endüstriyel Makine Öğrenimi İçin Daha İyi Veri Setleri Oluşturmak

Birçok organizasyon model seçimine çok odaklanırken, veri seti geliştirme önemini göz ardı eder. Aslında, eğitim verisinin kalitesi, kullanılan spesifik sinir ağı mimarisinden daha fazla proje başarısını etkiler.

Bir makine öğrenimi modeli yalnızca eğitim veri setinde bulunan bilgilerden öğrenebilir. Kritik kusur senaryoları yoksa, model bu koşullar üretimde ortaya çıktığında zorlanabilir.

Başarılı endüstriyel veri setleri genellikle şunları içerir:

• Normal üretim örnekleri
• Nadir kusur koşulları
• Çoklu aydınlatma ortamları
• Farklı üretim vardiyaları
• Mevsimsel değişiklikler
• Ekipman aşınma koşulları
• Hammadde varyasyonları
• Bakım ile ilgili süreç değişiklikleri

Üreticiler ayrıca dağıtımdan sonra veri setlerini sürekli genişletmelidir.

SageMaker ve Greengrass ekosisteminin bir avantajı, üretim operasyonları ile model geliştirme ekipleri arasında bir geri bildirim mekanizması oluşturabilmesidir. Zor denetim vakaları gözden geçirilebilir, yeniden etiketlenebilir ve gelecekteki eğitim döngülerine dahil edilebilir.

Bu süreç, yanlış pozitif ve yanlış negatifleri azaltırken model performansını kademeli olarak iyileştirir.

Makine öğrenimini tek seferlik bir proje olarak değil, sürekli bir operasyonel yetenek olarak ele alan organizasyonlar genellikle en iyi uzun vadeli sonuçları elde eder.

Endüstriyel Yapay Zeka Standart Bir Kalite Aracı Haline Gelecek

Makine öğrenimi, uç bilişim ve endüstriyel otomasyon hızla birleşiyor. Bir zamanlar deneysel teknoloji olarak görülen bu alan, kaliteyi artırmak, atıkları azaltmak ve operasyonel verimliliği yükseltmek için pratik bir araç haline geliyor.

Bilgi işlem donanımı daha güçlü hale geldikçe ve makine öğrenimi çerçeveleri daha kolay uygulanabilir oldukça, her büyüklükteki üretici gelişmiş hata tespit sistemlerinden faydalanabilir.

Amazon SageMaker ve AWS IoT Greengrass gibi platformlar, makine öğrenimini araştırma ortamlarından gerçek üretim tesislerine taşımak için gerekli altyapıyı sağlar.

En başarılı uygulamalar sadece kusurlu ürünleri tanımlamakla kalmayacak. Üreticilerin neden kusurların oluştuğunu anlamalarına, kalite sorunlarını büyümeden önce tahmin etmelerine ve üretim süreçlerini sürekli optimize etmelerine yardımcı olacak.

Önümüzdeki yıllarda, uç tabanlı makine görme, üretim hatlarında bugün PLC'ler, HMI'lar, endüstriyel ağlar ve SCADA sistemleri kadar yaygın hale gelecektir. Bu yetenekleri şimdi geliştirmeye başlayan tesisler, kaliteyi artırmak, verimi maksimize etmek ve giderek veri odaklı hale gelen üretim pazarlarında rekabet etmek için daha iyi konumda olacak.

Endüstriyel Hata Tespitinin Geleceği

Endüstriyel hata tespiti, basit görüntü analizinden akıllı, uyarlanabilir kalite sistemlerine doğru evrilmeye devam ediyor.

Makine öğrenimi, uç bilişim, endüstriyel ağlar ve bulut altyapısındaki gelişmeler, üreticilerin ürünleri her zamankinden daha hızlı ve daha hassas bir şekilde denetlemesini sağlıyor.

Amazon SageMaker ve AWS IoT Greengrass gibi teknolojiler, bulut tabanlı model geliştirme ile gerçek dünya fabrika uygulamaları arasındaki boşluğu kapatmaya yardımcı olur. Birlikte, üreticilere operasyonel verilerden öğrenebilen ve zamanla sürekli gelişen ölçeklenebilir denetim sistemleri oluşturma araçları sunarlar.

Endüstriyel kuruluşlar dijital dönüşüm girişimlerini sürdürürken, hata tespiti giderek makine görme, öngörücü bakım, süreç optimizasyonu ve operasyonel analizleri birleştiren daha geniş akıllı üretim stratejilerinin bir parçası haline gelecektir.

Sonuç sadece daha iyi kalite kontrolü değildir. Değer yaratan ekipman, ürünler ve süreçlere yakın, uçta veri odaklı kararların alındığı daha akıllı bir üretim ortamıdır.