广东湘恒智能科技有限公司
主营产品: 西门子PLC代理商,plc变频器,伺服电机,人机界面,触摸屏,线缆,DP接头
人工智能正在快速融入自动化(二)
发布时间:2024-06-17

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lingdaoqiye,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。



图片


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:


❶ 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。


❷ 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。


❸ 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。


图片

图2-自动化在工业AI应用中的优势


❹ 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:

❶ 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。


图片

图3-AI在制造业中的常用场景


❷ 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。


❸ 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。   


❹ 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。  


❺ 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。  


❻ 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 


❶ 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。


❷ 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。


❸ 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。


图片

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。



展开全文
商铺首页 拨打电话 QQ联系 发送询价