{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
收藏
点赞
投稿
人工智能正在快速融入自动化
  2024-04-01      56

文章来源:贝加莱工业自动化、e-works数字化企业网    作者:贝加莱

AI正在成为一种热潮,不断的引发产业的关注。而在制造业,AI同样正在成为各个自动化厂商、机械制造商、用户关注的焦点。作为自动化领域的技术领导企业,贝加莱一直在关注着AI的进程,并在其产品技术研发、工程实践中,不断的引入AI来解决实际制造业中的问题。

人工智能-隐性知识的挖掘

自动化系统正是用机器和系统来代替和帮助人的工作,而因此,机器和系统需要像人一样的思考。而人的思维方式主要是演绎法和归纳法,我们可以理解为对应了物理建模(Physics-based Modeling)和数据驱动建模(Data-Driven Modeling)。物理建模具有良好的可解释性、可预测、算力低、安全等优点。但是,它并不产生新知识,并且,它的控制是在既定规则下的控制,具有局限性。而工程中更多的隐性的知识,如隐藏在技师脑中的经验,它无法被有效的描述进而复用。并且,工程中必然存在着大量的不确定、非线性问题,尚未被认知,因此,通过数据驱动的建模,包括统计学、机器学习,深度学习的方式是更好的知识挖掘—而“学习”是人工智能的基础能力。

image.png

图1-工业知识的软件化过程

图1显示了工业软件的本质在于知识的复用,知识是显性,可被物理化学公式描述的,而经验则是隐性的-需要被挖掘。实际上,自动化系统进行AI的训练具有先天的条件。而现代控制理论的研究中,控制科学与工程领域的专家通常也兼具AI专家。主要在系统辨识、最优优化、模糊控制、自适应控制等领域。而工程实践中,AI也作为一种重要的工具辅助问题的解决。

自动化开发工业AI优势

与商业AI不同,工业AI在可解释性、实时性、稳定与安全等有着特殊的需求。这使得自动化领域的工程师,必须依据工业的特殊场景,基于AI的方法和工具,来解决复杂的问题。因此,在工业AI的应用开发中,自动化领域有着先天的优势。这包括了以下几个方面:

  ● 在数据方面的资源

  自动化领域有丰富的现场数据采集与处理,包括逻辑、运动控制的扭矩、速度、位置,振动信号、视觉等专用的I/O模块。以及在内存中的中间计算量等,这些数据可以被直接访问,也可以被访问。

  ● 工业通信与信息建模

  通信,除了底层的物理层与数据链路层的网络协议,也包括用于信息建模的垂直行业模型,如PackML、EUROMAP、Unimat、Automation ML等。信息模型使得数据被结构化,并提供周期性采样与传输能力。包括OPC UA/MQTT,可以建立在运行的OT系统与边缘、云端系统,经由通信规范来实现连接。例如OPC UA可以通过Pub/Sub机制在OT与云平台之间进行数据的上下行访问。

  ● 机电经验积累的专家

  在工业自动化领域,工程师们通常需要对机电对象的物理特性,如对材料的张力特性、机械摩擦、模态等的了解,才能更好的进行控制。而同样,这些经验丰富的机电专家,在AI的数据采集、特征工程、训练模型的评估、参数调校、泛化方面给出自己的洞见(Insight)--这非常关键,因为,工业数据的背后是机电的强耦合关系,这些关系的判断,对于AI如何去训练具有非常重要的指导意义。

image.png

图2-自动化在工业AI应用中的优势

● 智能执行

AI可以让机器变得更聪明,但是,聪明的大脑还需要有力的臂膀去在现场执行。基于工业的控制系统、运动控制、输送技术—AI优化的参数、模型,可以被本地推理,并发送给智能的执行机构去执行。而工业自动化可以现场执行—实现整个的逻辑闭环。

AI应用场景分析

在工业场景中,较为常见的AI应用需求包括:

● 机器人智能导引:

在离散产品组装线上,机器人目前已经广泛应用于产品分拣等,但是,随着AI的智能导引训练的加入。机器人将完成更多、更复杂场景的工作,例如:随机物料的队列排序、配合包装容器变化的捡取,配合加工工站的加工动作—最为重要的是,它可以通过更为简单的示教,让机器自动学习,而非传统的既有规则下的编程实现。

image.png

图3-AI在制造业中的常用场景

● 视觉缺陷分析

视觉的高维度参数中包含了各种可能性,而缺陷包括划痕、斑点、轮廓线的偏差、褶皱、波纹等,可以用于更多的产品缺陷分析。而图形图像的处理,正是AI发挥优势的所在。

工艺参数优化

这是传统的控制科学与工程研究领域,在过去,囿于算力成本,它并未被大量的应用。随着算力成本的降低,对于各种闭环控制,在PID参数、前馈、滤波等参数的寻优方面,AI可以发挥其作用。通过为历史数据和实时数据建立约束条件,使得参数可以被收敛到更为高效的匹配中。   

● 创成式设计

在新的系统设计方法中,创成式设计在机械、动力学领域开始有应用。而随着AGI的快速发展,其在自动化工程领域也有了潜力。它可以为工程师在重复性,以及更为广泛的开源设计寻找创新的灵感,使得设计不仅高效,并且,更具创新性。  

故障预警

故障早期预警是较为普遍的使用,传统基于断裂力学、疲劳力学等物理建模方式往往需要非常久的积累,对于较为复杂的传动链,它非常依赖于专家及长期的故障复现才能实现预测。而基于数据的方式,在于不依赖这些物理知识下,通过数据的挖掘来实现故障预测与定位,如果能够结合物理方法,两者发挥各自优势,将会让AI发挥事半功倍的效果。  

● 排程与调度

随着产品多样性、流程复杂性,以及长流程生产中的复杂组合,背后形成的庞大可能性很难被人工计算,以获得效率最高的生产排程和任务调度能力。而AI正是擅长在这复杂的背后,寻找那些路径最短和基于评价指标(如成本、能耗、时间最优的约束条件)的调度组合。

软硬件架构

在AI应用中,贝加莱可以提供多个层级的IT与OT融合架构 

根据多个层级的算力需求的硬件架构 

在对算力需求并不高的场景里,嵌入式系统如X20的PLC本身也可以作为一个简单的AI训练和推理单元。

● 边缘侧的训练 

对于较高算力,及边缘侧的全局数据训练,可以通过APC/Panel PC方式进行训练。这里,APC本身采用了诸如Intel Apollo Lake算力较高的处理器,对于更高性能要求的,可以采用了aPCI插槽可以插入AI加速器。贝加莱通过与专业的AI硬件(如HAILO)及软件企业(MVtec的HALCON)合作,在其硬件和软件方面集成AI训练方法集。

云端长周期数据训练 

对于较长周期的大数据训练,贝加莱的PLC/PC可以通过OPC UA Pub/Sub的方式建立与云端的连接。运行在云服务上的模型训练可提供更大容量的数据,更长周期的训练。并通过OPC UA下发至本地推理。

image.png

图4-贝加莱的整体AI与控制集成架构

如图4,通过Hypervisor技术的PC,在Linux平台的数据训练方法可以进行本地的AI训练和推理,也可以长周期的云端训练,并通过通信系统部署本地推理。而整个系统可以实现底层数据采集、通信传输、模型训练、现场执行,构成完整的应用闭环。

应用场景

案例1:X光轮胎缺陷检测

由于轮胎关乎乘用车辆的安全性,因此,缺陷检测环节在出厂前是一个必须的环节。在过去,通过X光成像后的缺陷标定,都特别依赖于经验丰富的技术人员,效率也比较低。而对于X光的图片而言,由于其背景对缺陷本身的干扰,使得这个检测会变得较为困难。轮胎的缺陷也具有多样性,如内部气泡、钢丝圈的缠绕中的错位、断裂,内部褶皱等,这些缺陷之间也会产生相似性的干扰,这为轮胎缺陷检测带来了复杂性。  

如图5所示,轮胎经由X光机采样,提供图像给AI分析系统进行处理。

image.png

图5-采用卷积神经网络进行轮胎缺陷检测

通过采用卷积神经网络CNN算法,对来自X光机的图像进行识别,系统将不断对各种缺陷进行类型判定、缺陷位置定位,并将这些学习到的模型部署到本地的品检站数据库。由生产管理系统对其进行相应的处理,并作为依据为前道的生产提供改善参数。  

案例2:预测性维护

预测性维护是比较多的场景,过去,专家型系统昂贵是一方面,另外就是场景适用性比较单一。随着AI算力的成本不断下降,使得产业更为关注在更为普遍的关键设备上部署预测性维护系统。

image.png

图6-预测性维护架构

图6是贝加莱在相关设备领域提供的机器早期故障预警的系统架构。通过AI的数据分析,可以为机器的长周期稳定运行提供预警。通过预警,实现几个关键的制造过程管控。首先是制定停机和备件计划,而对于OEM而言,它可以提供在出厂前振动分析和运行中设备的过程中预警,并可以返回作为改善设计的依据。

贝加莱未来的AI投资

贝加莱一直在专注于AI与自动化技术的融合,并在其未来的产品技术中,融入AI元素,增强自动化系统解决制造问题的能力。

1.Automation Studio Copilot生成式编程

在即将到来的Automation Studio开发平台中,生成式AI将帮助工程师来提高代码开发的效率。

image.png

图7-生成式AI应用于PLC编程

在图7中,我们可以看到,点击“提问”,以语音/文本输入给系统,它会自动去进行代码的编写,并生成代码。Automation Studio Copilot版本中将包含以下AI代码生成:

● 采用ST语言生成程序

● 注释和代码优化

●  提供对开发者问题的生成式响应能力

image.png

图8-生成式AI与自动化工程开发

2.深度学习机器视觉

通过与AI领域的软硬件伙伴合作,在贝加莱的机器视觉中增强了AI处理能力。它集成了基于规则(Rule-based)的图像处理系统中。深度学习网络将提供评估和热图,使用所有基于规则的函数对热图进行详细的分析。

image.png

图9-AI集成的机器视觉

贝加莱的机器视觉本身具有集成性,将光源、相机和AI处理集成于一体,可以实现与运动控制、机器人、逻辑任务实现高精度的同步。极高响应的AI视觉可以让处理过程更高精度、更快的响应-这在制造过程中会降低初始的开机废料,以及运行中的品质一致性。

3.机器人的手-眼标定

在新的机器人集成应用中,贝加莱将集成“eye-hand”的手眼标定技术—这就是让机器人快速去学习人在机器人与机器中心、路径等方面的能力。

image.png

图10-机器人的眼-手示教

它将降低机器人在生产变化中的示教时间,减少编程所需的工作,并能够适应快速的生产任务变化。

4.集成AI能力的伺服驱动器

image.png

图11 AI加持伺服驱动器的参数自适应

在机器控制中,伺服电机连接的机械负载在速度、加速度变化,以及负载惯量的变化时,它都需要更好的控制参数匹配,以获得更优的控制效果。这关系到加工精度,单位时间的产出,也会因为曲线的光滑与否关系机器的运行寿命。通常这些伺服参数由经验丰富的工程师在机器设计时,为其建模并能够进行良好的控制。这样带来的问题就是,它比较依赖于电气工程师对机械对象的理解,而通过AI可以经由电流、速度、位置等反馈,由AI学习并训练出优化的运动控制参数,例如在电子凸轮裁切、各种印刷包装领域的材料张力闭环控制、注塑开合模等。

在贝加莱的持续创新中,也包括边缘侧的控制器、AI集成的驱动系统等,未来AI将更多的融入自动化开发平台中,为用户带来更具创新,而又效率更高、成本更低的自动化解决方案。

分享到:
  点赞
  收藏
  打印
评论(0
已输入0
相关推荐