边缘预测性维护维持设备运行

气体压缩机是多种工业环境中的关键设备。压缩机为气体增压,并将气体注入全球运输液化天然气 (LNG) 的管道、便携式储罐和船舶,以进行能源生产。

“压缩机是相当昂贵的设备。它价值数百万元,通常是生产流程的核心,”专门从事工业工作流程实时数据收集的 TTTech Industrial 产品管理总监 Alexander Bergner 表示。“在 LNG 船舶中,如果不压缩,实际上必须燃烧气体,才不会在储罐中产生过大的压力。在化工行业,如果没有运行压缩机,系统会堵塞,您必须全部拆开以进行清洁,然后重新调试。”

因此,保证气体压缩机以最佳状态运行,与它们执行的基本功能一样至关重要。利用数据收集和分析跟踪压缩机设备状况的预测性维护在依赖压缩的生产流程中越来越常见。

并非所有预测性维护解决方案都以相同方式构建

预测性维护不仅有助于防止压缩机磨损以延长设备寿命,更重要的是,它允许经营者更好地规划何时更换零件,特别是在气体压缩机长时间处于海上,零件无法轻松更换的情况下。

例如,对于 LNG 船舶,预测性维护的后勤工作可能会变得复杂。随着船舶从一个港口航行到另一个港口,确保设备不会在途中发生故障至关重要。预测性维护使经营者能够将技术人员和零件分配到需要进行维护的下一个港口,以便在船舶进港时准备就绪。相反,预测性维护能防止过早更换零件,避免推高成本。

“船舶压缩机对精心规划的维护特别敏感,” Bergner 指出。“备件需及时送达,而且还必须是适当的备件。”

为此,预测性维护需要在构建时考虑性能和实时监控,说时容易做时难。

领先的气体压缩机设备供应商 HOERBIGER 在寻找更好的方法跟踪其压缩设备状况时,发现很难做到这一点。它希望为石油、天然气、汽车和工艺行业的客户提供预测性维护解决方案,这些行业依赖主要在边缘站点运行的压缩机、活塞、活塞头和活塞环。

该公司利用定制硬件构建内部预测性维护解决方案。但是,他们需要能够提供计算能力和灵活性,以适应未来需求的新一代系统。

因此,HOERBIGER 求助于 TTTech Group 的子公司 TTTech Industrial,该公司致力于开发满足企业特定需求的原型。“他们提出了技术挑战,我们勾勒出解决方案。我们甚至深入勾勒工作流程,” Bergner 表示。

HOERBIGER 需要具有边缘功能的物联网解决方案,因为在许多环境中,气体压缩机不论是否有云连接,都会 24/7 全天候运行。TTTech Industrial 基于其神经边缘计算平台上的解决方案,能够以不到 150 行代码在约 100 小时内开发概念验证。

HOERBIGER 快速批准设计,并聘请 TTTech Industrial 进行安装和集成。“我们 TTTech Industrial 负责提供符合其需求的数据获取框架以及存储和可视化框架。他们的软件工程师专注于开发事实上用于预测性维护的算法,” Bergner 指出。

预测性维护的实时边缘平台

Nerve 是一个开放、安全的模块化边缘平台,为无数用例奠定了基础,如冷锻工具维护、制造流程中的数字孪生实施以及工业生产软件远程管理。

就 HOERBIGER 而言,TTTech Industrial 提供了 Nerve 集成服务程序包。该程序包提供了架构基础和边缘管理软件,HOERBIGER 在此基础上构建了其预测性维护应用程序。

Nerve 平台安装在搭载英特尔® 酷睿 i7 处理器的 MOXA 工业用电脑上。英特尔处理器和硬件的使用对 HOERBIGER 至关重要,因为它们包含在危险环境中运行所需的认证。

该平台的软 PLC 模块还支持高速数据采集,这是计算活塞环和阀门等部件磨损所必需的。通过以 50 KHz 的采样速率测量与曲轴位置值相关的气缸压力,即可实现此目标。每秒必须处理多达 600,000 个样本。

Nerve 的数据服务模块利用 Nerve 的网关应用程序处理数据,它将数据发送到 Timescale 时间序列数据库进行后期处理,以估算压缩机磨损程序。数据可视化由 Nerve 中集成的 Grafana 系统提供。

无论是 HOERBIGER 还是其他客户,使用 Nerve 的另一个重要优势是该平台在云连接的系统以及气隙隔离的边缘环境中运行。Bergner 指出,在某些环境中需要气隙隔离。

“想象一下,您运行了一批机器。该批机器的一部分存在气隙,因为它位于关键基础设施中,无法轻松或合法地弥合该气隙,” Bergner 表示。“您仍然希望以同质方式处理所有机器,因此您的解决方案必须能够在线、离线或气隙隔离运行。”

Nerve 的边缘功能可以在不连接的情况下安全收集和分析数据。但客户可以通过与本地或云中运行的集中管理系统链接的网页门户访问预处理边缘数据。

预测性维护即服务

Bergner 估计,HOERBIGER 预测性维护解决方案最终将覆盖数千个地点,具体取决于注册的客户数量。他解释道,客户可以购买预测性维护即服务,也可以与自己的维护技术人员一起内部使用。

预测性维护对 HOERBIGER 及其客户非常重要,使企业能够精确地在合适的时间交付关键气体压缩机零件。“它方便公司正确规划更换零件的后勤服务,” Bergner 指出。“这些都是非常关键的零件,可确保压缩机不发生故障。”

展望未来,Bergner 预测了在 Nerve 上为不同行业构建的更多预测性维护用例。由于其具有边缘功能,Nerve 将允许企业能够提供网络安全更新,并根据需要为其边缘设备添加功能。Bergner 解释道,这将有助于符合未来趋势的运营,以便随着技术的发展而不断适应。

 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

自主移动机器人走出工厂车间

曾经是科幻小说的描写现在正在成为现实。如今,自主移动机器人 (AMR) 在制造领域正获得真正的推动力。但它们也有望在其他许多领域(从酒店到医疗保健)大显身手,变得越来越智能,越来越独立。这一构想旨在减轻人类工作者的负担,代替他们完成某些重复性或危险性的任务,并与这些人一起工作。

自然,要让这些机器人系统感知环境、进行操作和执行命令,需要做很多工作。这需要技术提供高强度计算能力,以及设计人员提供灵活性和可扩展性。Claire Liu嵌入式计算模块供应商 congatec 的产品营销经理;以及 Timo Kuehn嵌入式和实时解决方案提供商 Real-Time Systems 的系统架构师兼产品经理,为我们解释了这一快速变化的行业趋势(视频 1)

视频 1. Congatec 的 Claire Liu 和 Real-Time Systems 的 Timo Kuehn 讨论了成功开发和部署自主移动机器人所需的关键要素。(资料来源:insight.tech

究竟什么是自主移动机器人?

Claire Liu:自主移动机器人是能够独立运行、无需人工直接干预的系统。它们配备了防御传感器、人工智能算法和复杂的控制系统,能够自主导航、感知环境并做出决策。

自主移动机器人依靠多种技术的组合,如各种传感器(例如激光雷达或者 2D 或 3D 摄像头),来感知周围环境。该传感器数据由计算平台实时处理,以分析周围环境的信息。然后,机器人可以使用这些信息创建地图,以便在环境中进行自我定位和导航。

制造业对自主移动机器人越来越感兴趣,因为它们可以完成物料搬运之类的任务,在生产线上拾取和运送原材料及在制品。这些重复性任务过去由人工执行,可能对工人的健康和安全构成风险。现在,工人不必浪费生产时间来完成这些体力工作,他们可以专注于高技能、更具附加值的任务。

在制造环境中使用自主移动机器人可简化制造流程、提高生产效率和运营效率,并改善工人安全。

谈一谈 AMR 的软件架构。

Timo Kuehn:当然,AMR 中有许多软件。有各种各样的功能,比如 Claire 提到的感知。机器人必须感知周围的环境才能知道发生了什么;它必须在任何时刻都知道自己的位置;需要知道向哪里移动。运动本身,即运动控制非常重要:要避开障碍物,还要与人类互动,这取决于机器人的类型和诊断情况。

这些软件功能必须由相应的软件模块进行映射,而且它们通常在时间和资源使用方面有很高的要求,甚至是相互竞争的要求。例如,如果一个软件模块需要大量性能,而另一个软件模块需要及时的确定性响应,你不能把所有东西都扔给机器人,然后还指望它正常工作。这是相当复杂的。

尤其对于运动控制来说,可能非常具有挑战性。它需要确定性:需要在预定义的时间范围内对传感器信号做出反应。而时间范围取决于各种因素,例如:是否有轮子?是否有轴?需要控制多少个轴?AMR 的速度是多少?需要多高的精度?设备是在二维还是三维中移动?负载是否动态添加或卸载?

通常,为了进行基于各方的调度和确保不会错过最后期限,使用的是实时操作系统。关键任务,如感知或运动控制,具有更高的优先级,这样它们不会被优先级较低的任务打断。这种资源分配和优化由操作系统或软件架构提供。

多讲讲模块化方法的采用。

Claire Liu:congatec 计算机模块可无缝利用英特尔处理器技术规模(从低功耗到高计算性能),使开发人员能够开发出工作时间更长、更智能,并以更高的熟练度和效率执行复杂任务的机器人。

英特尔® 第 13 代酷睿 处理器集低功耗、高效率、高灵活性和高性能于一身,是 congatec 计算机模块的理想解决方案。MrCoM 现在可以受益于这些最新的英特尔处理器,同时运行更多应用程序,并运行更多工作负载和连接更多设备。

开发人员只需简单地更改模块即可快速轻松地适应最新的英特尔处理器技术,甚至在自主移动机器人运行多年后,仍然可以为其增加智能。此外,英特尔 OpenVINO 工具套件为开发人员提供了优化的 AI 影响模型和全面的支持。

开发自主移动机器人还涉及哪些工具和技术?

Timo Kuehn:开发 AMR 需要结合硬件、软件和连接。在硬件方面,有计算平台、底盘、电机、传感器电源系统,当然还有根据应用要求使用的各种传感器。软件方面涉及感知、定位、路径规划、运动控制和避障。诊断和与人类的互动也发挥着非常重要的作用。所以集成和管理所有这些功能可能非常复杂。

AMR 由电池供电,因此添加大量控制器是不合理的。这些控制器需要连接起来,这会增加重量、体积、成本和复杂性。因此,必须将多个功能整合到较少的处理器上。

这就是嵌入式实时管理程序大显身手的地方,它可以在单个处理器上整合多个工作负载。该功能有许多优势,例如隔离和安全性。因此,感知和运动控制可以相互独立地在各自的虚拟机中安全运行,确保当一个虚拟机需要大量负载或产生大量负载时,另一个虚拟机不受影响,仍然可以按时完成任务。

这一点非常关键。假设传感器发出一个信号,而 AMR 或控制器的反应来得太晚。这可能会导致碰撞,甚至在涉及到人类时会导致受伤。它还有助于性能优化和负载平衡;每个虚拟机都可以获得专用资源,以满足时间和性能要求。

AMR 有哪些使用案例?

Claire Liu:事实证明,自主移动机器人在各行各业用途广泛。比如我之前提到的,制造环境中的物料搬运,甚至还有协作装配。电子商务有物流和订单履行。在疫情期间,自主移动机器人被用来运送医疗用品和药物,并协助患者护理。在其他领域,如农业、酒店业和零售业,也有越来越多的应用。新的用例不断涌现。

Timo Kuehn:环境监测是 AMR 的一个很好的用例,它可用于收集空气质量、水质或土壤条件等方面的数据。或者用于危险环境,例如检查发电厂,这可以降低人类工人的风险。它们可用于公共场所,提供实时视频信号。或者在大型设施中,它们可用于运输包裹流程的最后一公里配送。它们可以协助物料运输,也可以协助建筑项目。确实有很多不同的用例,我同意 Claire 的观点,未来会有更多的用例。

在未来几年,预计这个领域的走向会是如何?

Claire Liu:在不久的将来,AMR 领域将出现新的令人兴奋的可能性。随着软件架构设计采用模块化方法,机器人领域的技术发展将日新月异。自主移动机器人公司将适应快速变化的环境,通过强大的可扩展性将这一尖端解决方案付诸实践。

Timo Kuehn:当然,这很难预测,但我相信在不久的将来会有许多进展,特别是在集成了 AI 加速器的英特尔处理器方面。这将带来更强的感知和对象识别、更智能的路径规划和优化,以及自适应学习能力。我们还可以想象,人类与机器人之间的协作将得到改善,例如实时做出复杂决策的能力,用于评估状况并执行复杂的任务,而只需少量人类干预。

总结:将虚拟化技术、实时能力和集成 AI 加速器相结合,有很大潜力开发出全新类型的自主移动机器人。它们将变得更加智能、更具适应性,并能够以高精度和高效率执行复杂任务。

相关内容

要了解有关自主移动机器人的更多信息,请收听《自主移动机器人开发内幕》,并阅读《物联网虚拟化推动协作机器人发展》。有关 congatec 和 Real-Time Systems 的最新创新,请在 Twitter 上关注 @congatecAG,以及在 LinkedIn 上关注 congatecReal-Time Systems GmbH

 

本文由文案编辑 Erin Noble 编辑

机器视觉解决方案:检测和预防缺陷

减少质量缺陷及其涉及的工作量和成本,是当今制造业面临的最大挑战之一。由于产品不符合预期或达不到可接受的质量标准而不得不重新设计、返工,甚至为客户退款,可能对企业收入产生巨大的财务影响(高达 40%)。这就是为什么许多企业想方设法防止缺陷外流的原因。

但这不仅仅是识别缺陷那么简单。工业 4.0 的兴起迫使制造商让工厂变得更加智能。为了取得成功并保持竞争力,他们需要找到在一开始就能防止缺陷出现的方法,这需要了解质量问题发生的原因和位置。

许多企业已转向机器视觉解决方案来提供缺陷检测,但直到最近,这些系统还难以部署、长期维护、扩展,也很难超出检测异常的范畴。

幸运的是,视觉解决方案提供商 Eigen Innovations 提供了旨在让用户尽可能接近零缺陷制造的软件和服务。

“这不仅关系到检测和预防缺陷,还涉及利用过程数据帮助制造商深入了解过程内部发生的情况”,Eigen Innovations 的首席收入官 Jonathan Weiss 表示。

为制造商配备智能视觉

Eigen 通过首先关注互操作性来做到这一点。该公司开发的解决方案可直接集成到 PLC 中,并支持几乎任何符合行业标准的相机或传感器硬件,因此制造商可以轻松地开始运行机器视觉系统。

其直观的用户界面使制造公司能够设计和管理定制的视觉系统,实时执行在线质量检测,确保零部件存在,优化流程以及简化缺陷的根本原因分析。

例如,一家大型跨国纸浆和纸张制造商在大卷高光纸和层压板涂层的质量控制方面遇到困难,该公司求助于 Eigen Innovations 来实施机器视觉系统。

“他们遇到了一个与涂层堆积有关的问题,导致特种高光纸产品出现条纹”,Weiss 说。该公司无法验证涂层是否均匀涂抹。Weiss 补充说,“如果不均匀,即使只有 8-10 秒,也会导致意外停机,使设备停止运行。”

在 Eigen 的帮助下,该纸张制造商应用了一套智能视觉系统,从而能够发现层压板涂抹过程中的图案,并识别出涂层堆积的区域。Weiss 解释说,由于能够了解堆积的根本原因,并在问题开始发生时获得实时警报,该制造商每年能节省超过 100 万美元。

“视觉系统需要能够识别缺陷并采取相应措施”,Weiss 表示。(视频 1)“由于可以与控制网络通信,我们的解决方案允许制造商接收实时警报,并在检测到问题时触发自动响应。”

视频 1. Eigen Innovations 面向智能工厂的智能视觉系统可捕获数据,使制造商能够超越质量检查。(来源:Eigen Innovations

除了在线质量检查、实时监控和过程优化外,Eigen 还可以帮助制造商应对需要定期检查的需求。

例如,一家生产塑料部件的汽车原始设备制造商的每个工厂每周可生产超过 15,000 个零件。预计每个工厂有 42,000 个检查点。这个数量不仅无法手动处理,而且制造商需要查找的缺陷类型(例如焊接完整性问题)也不容易用人眼识别。

最初,该原始设备制造商考虑抽取随机样本并进行破坏性测试来检查组件完整性,但这会造成不必要的浪费和返工,而且无法保证在将产品运送给客户之前发现所有缺陷。

“最终,他们需要一种自动化的方式来保证质量和每周的产量”,Weiss 说。

通过与 Eigen 合作,该公司创建了一个解决方案,利用热成像仪捕捉焊接过程的各种视图。这些图像随后融合在一起,生成零件的数字映射,并且关键的过程数据将映射到检查区域,提供人眼无法提供的实时洞察。

“每个零件都要实时经历验证过程,几秒或几毫秒内即可完成”,Weiss 解释说。“他们目前达到的规模之大,仅依靠人眼是无法实现的。”

持续改进机器视觉解决方案

Eigen 以提供用户友好型机器视觉解决方案而自豪。机器操作员可以帮助实时训练和标记模型,确保解决方案随着时间的推移获得更高的准确性和性能。

“它非常易于使用,以至于我们的机器操作员和质量工程师在进行机器学习时甚至不知道他们正在进行机器学习”,Weiss 说。“例如,如果他们看到表面上有不应该存在的划痕,他们可以将其标记,更新模型,软件将来就会识别类似的划痕。”

该公司与英特尔的多层次合作关系使其能够快速测试、验证、采用机器视觉,并最终将其引入工厂。借助 OpenVINO 工具套件,Eigen 不仅能够为用户优化其模型开发和性能,还能根据用例使用各种不同的相机和硬件。

“我们有许多客户已经尝试过视觉系统,能使用现有硬件这一事实对他们很有吸引力”,Weiss 说。“他们不必再进行大笔资本支出。”

未来的机器视觉

展望未来,Eigen 认为机器视觉将继续在制造业中发挥重要作用。随着制造商面临劳动力短缺和找不到熟练工人的问题,机器视觉解决方案将能够介入并填补空白。

“视觉系统将成为员工队伍中不复存在的操作员的眼睛”,Weiss 表示。“我们的解决方案为工厂人员提供了以最高标准有效完成工作所需的工具。”

 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

软件为中心的自动化改变工艺行业

随着时间的推移,许多工业厂房中采用的专有分布式控制系统和硬件正逐渐接近过时。而更换这些系统将会是一项复杂、耗资巨大的工作,并且其通常需要一定的停机时间。除需应对这些挑战之外,掌握专业自动化知识的大批工人也在逐渐退出劳动力市场。

而自动化和数字化可为此提供一种替代方案。工厂可以配备以软件为中心的系统,以提供灵活性、高可用性和弹性,并同时支持可持续发展目标。其中一种解决方案便是使用开放标准技术将控制软件与硬件解耦来进行自动化改造。以软件为中心的自动化方案能够使制造商对市场需求做出响应,根据需要进行扩展,最小化过时问题,避免运营中断,并优化能源利用效率。

该解决方案是通过施耐德电气红帽 (Red Hat) 和英特尔之间的合作伙伴关系提供的。该解决方案利用了施耐德电气的 EcoStruxture Automation Expert (Soft dPAC)、英特尔的 Edge Controls for Industrial 以及红帽公司的 Ansible。

施耐德电气全球分布式控制系统负责人 Michael Martinez 表示:“我们希望从旧的专有嵌入式控制器架构转向以软件为中心的自动化系统。”

EcoStruxure Automation Expert 采用容器化和编排技术来提高可用性,降低拥有成本,以及避免工艺中断。“通过利用这些技术,我们实现了软件与其运行的硬件平台解耦。实际上,我们可以将控制应用程序加载到不同的位置、不同的服务器甚至不同的计算单元中。这是一种关于自动化的新思维方式,而正是这种方式将为我们提供用户所需的弹性和灵活性,” Martinez 如是说道。

这种方法可以确保工艺的持续运行,避免生产中的任何中断。Martinez 表示:“我们大多数客户都在我们称之为连续工艺设施的情况下运营,这意味着他们无法停机。” 发电中断可能导致停电。在炼油厂或化工生产厂中,这可能会导致爆炸或泄漏事故发生。

软件编排实现连续运营

由于对连续运营的需求,替换技术将会使工艺制厂面临复杂、耗时且昂贵的挑战。Martinez 表示:“专有系统的服务、维护和现代化通常需要大规模的停机和改造。”

红帽公司的 Ansible 编排能力是整体解决方案的关键组成部分。此款创新的自动化解决方案可以处理任何重复和繁琐的任务,比如:将软件加载到机器上或将工作负载转移到其他位置。Martinez 说道:“如果我们的某个设备出现问题,我们可以使用编排器将过程控制应用程序重新部署到另一个正常的设备上。” 通过这种方式,工作人员可以更好地专注于更具创新性的活动。

以软件为中心的自动化系统可以缩短学习曲线

替换专有系统需要详细的计划和精心的执行,以防止在生产过程中发生任何中断。20 世纪 80 年代的控制系统采用了专有的编程语言,而这些语言很难进行转换,并且需要编排人员掌握特殊的知识。许多公司今天仍在使用这些编程语言。

施耐德电气工艺自动化副总裁 Tina Volkringer 说道:“以软件为中心的方法解决了这个重要痛点。这使得工作人员更加灵活,因为他们不再需要掌握专有深入知识来了解自动化系统;我们正在推动基于结果的解决方案。我们的目标是提供即插即用的功能。”

这种即插即用的方法解决了另一个问题:寻找有资格运行老旧设备的人才,而随着工人退休,这方面的人才正在迅速减少。

施耐德电气战略计划总监 Andre Babineau 表示道:“我们所谈论的是一种大多数自动化工程师都非常熟悉的、基于更开放标准的语言。这样,他们可以立即为工艺的价值做出贡献,而无需经过某种中间翻译或使用专有系统、专有语言或一套工具来控制工艺。”

扩展能力是另一个优势。对于操作人员来说,复制工艺可能是一个挑战,因为这需要额外的控制器和基础设施。Martinez 说道:“但是,EcoStruxure Automation Expert 只需少量工作就能简化复制储罐、泵或其他工艺的过程。” 这是由一个系统化的方法驱动的。该应用程序是为了优化产量而编写的,而其运行的硬件只在最后一步才被选择。

施耐德、红帽公司和英特尔联合推出的解决方案极有可能改变工艺自动化进程,为未来的发展奠定基础。利用编排、开放标准和合作伙伴关系,企业能够通过构建自动化解决方案来最小化中断、降低拥有成本,以及减少过时性所带来的影响。该解决方案是发展全自主生产设施的一条路径。尽管 Martinez 并不认为在不久的将来行业会实现完全的自主性,但他预计未来将会出现以软件为中心的自动化系统与人类并肩工作,将效率、灵活性和韧性推向新的高度。

 

insight.tech 的副主编 Georganne Benesch 编辑。

将工业 AI 模型应用于产品质量检查

新车进入组装的最后阶段时,检查员会进行一丝不苟的细致检查,以发现任何不一致之处。从油漆脱落到车轮缺陷,再到汽车发动机声音异常,都可能影响最终产品的质量。传统上,这些检查都是手动进行的,但现在员工可以通过人工智能获得迫切需要的援助。

无论检查员有多优秀,只要是人就会漏掉一些细节。工厂车间往往嘈杂、繁忙,会引发各种干扰。重复执行相同任务达数小时时间也会导致思维游离,带来各种错误。但这对于 AI 来说不是问题,AI 利用摄像头、麦克风和传感器在组装线上坚持不懈地寻求完美。

“视觉检查确实是一项繁琐的工作。在工业环境中工作时,您在嘈杂环境中的工作质量可能会随时间推移而下降。借助 AI,您可以实现流程自动化,” byteLAKE 联合创始人 Marcin Rojek 如是说,他是认知服务的开发者,而认知服务是一组专注于工业 4.0 的 AI 模型,负责质量控制相关工作

Rojek 表示,byteLAKE 认知服务存在的原因是向操作人员提供切实可行的信息,帮助他们制定出更好的决策。

与大多数工业 AI 解决方案不同,byteLAKE 不仅仅通过计算机视觉改进视觉处理方面的工作。该公司使用 AI 模型进行声音分析和基础设施监控。byteLAKE 认知服务可利用麦克风和其他传感器来检测温度、湿度和振动,进而监控设备,努力优化服务交付并防止发生故障。

认知服务将数据转化为洞察

Rojek 和他的好友兼业务合作伙伴 Mariusz Kolanko 于 2016 年联合创立了 byteLAKE,他们的初衷是希望解决如何处理工业组织捕获的所有数据这一问题。许多组织都不知道如何使用这些数据。

“我们希望将 AI 转化为工业案例的有形解决方案。我们将数据加以组合,转换为信息,回答诸如‘会发生什么,可能会发生什么,某件事为什么会发生,错误在哪里,错误是什么,根本原因是什么?’等问题,” Rojek 说道。

通过将不同来源的数据置于适当的上下文中,便有可能实现上述目标。

在制造过程中,计算机视觉算法会分析和解释摄像头沿生产线捕获的图像。可以对模型进行训练,使其理解某些图像,并检测划痕、凹痕和缺孔等各类情况。

在汽车制造过程中,麦克风会捕获发动机的轰鸣声,以确定车辆是否正常运行。这是人类能力可能会受到限制的另一个领域。Rojek 表示:“在聆听厂房中的数十台汽车发动机时,背景噪音此起彼伏,不断变化,您的检查质量可能会大打折扣。”

为确保实时收集所有信息,维持工厂的质量标准,该项技术在边缘安全运行。这样,用户便能够在靠近数据生成位置的地方处理数据,从而解决了带宽和连接时断时续的问题。

byteLAKE 还在食品服务行业中使用计算机视觉,以减少自助餐厅结账时的等待时间。Rojek 说:“收银员不必手动将所有食物品类输入机器,因为摄像头会拍照并识别不同品类。”

在能源基础设施等其他环境中,byteLAKE 将传感器、摄像头和麦克风结合使用,以跟踪液体流动、湿度水平、压力和温度等条件,所有这些条件都提供有关管道、泵、传动装置和其他部件的运行状况和性能信息。这有助于优化运营和资源利用率,减少浪费,最终提供更优质的服务。

Rojek 说:“我们能够预测可能发生的情况,为整个城市的能源管理系统提出最佳配置,我们需要根据当前使用量、预测使用量、历史数据、天气预报等情况,提前规划下周应订购多少能源。”

制造业 AI 弥补了人类的不足

虽然 byteLAKE 认知服务旨在取代重复、枯燥、耗时且易出错的任务,但 Rojek 将这一解决方案视为对人类工作的补充。他解释说,客户似乎并不担心人类被取代,因为 AI 解决了劳动力短缺等问题。AI 还有助于保护员工安全。例如,摄像头和传感器可以使人类远离组装线上的危险设备。

byteLAKE 还与各合作伙伴就客户特定解决方案开展合作。合作伙伴将认知服务与自己的软件和硬件自动化相结合,用以设计工作流程。

先前实施中的现有模型可以面向新客户进行定制。例如,可以通过对照明、生产线尺寸和其他规格调整,将造纸厂模型用于另一家工厂。

英特尔是实现上述所有目标的重要合作伙伴。byteLAKE 参与 AI Builders 等项目,并利用 OpenVINO 工具套件来优化解决方案,降低开发成本

展望未来,认知服务的功能将继续扩展。byteLAKE 正在开发可自行学习的模型,这样模型便可以“随时间推移自动改进”。Rojek 预计,在不久的将来,模型将以动态方式实时学习,从而“随着业务进展和生成更多数据,不断提高预测质量”。

从长远来看,该公司将专注于更轻松地与制造软件相集成。Rojek 解释说:“我们不想重制车轮,也不想过多地更改制造流程。我们希望弥补运营中的不足,成为其现有工作流程的一部分,而不是将所有工作推到重来。”

 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

IPC 和虚拟化:智能工厂的未来

工业电脑 (IPC) 在推动工业 4.0 的过程中发挥了重要作用。它们帮助制造商告别难以管理的专用可编程逻辑控制器 (PLC),转向在 Windows 和 Linux 等开放式系统上运行的软件定义工业控制应用。

这样做带来了巨大的优势。但制造商仍在寻找更好的方法来收集和分析工厂车间的数据,统一技术堆栈以提高效率,并促进 IT/OT 融合。

IPC 是智能工厂之路上的第一步,但早期版本缺乏灵活性,无法充分利用虚拟化技术带来的各种可能。

这些强大的边缘计算系统实现了敏捷、丰富的数据采集,同时比过去的专有系统更易于管理、更经济高效、更灵活。

全新 IPC 平台 — 新的边缘优势

多用途 IPC 平台(如 IPC 系统制造商深圳大唐计算机有限公司设计的平台)提供了传统工业计算系统的优势:高性能、低功耗处理、高可用性、坚固型设计,以及出色的实时分析平台。

但这些平台真正的强大之处在于,它们提供了高性能计算,可运行现代软件虚拟化技术,使多个工作负载能够在单个系统上运行。此外还有整合和安全优势,因为软件开发人员可以轻松地将现有工业应用移植到最新 IPC 技术上,充分发挥硬件和软件堆栈提升的优势。

这也降低了复杂性和成本,使工厂人员能够更轻松地维护和监控整个工厂的系统。此外,根据底层平台的不同,多用途 IPC 可以通过一套统一的软件工具带来附加值,这些工具能够提供更好的工厂数据洞察,优化性能并加快开发工作。

例如,大唐的平台采用特定的英特尔工业软件技术:

  • 英特尔® 工业边缘控制平台(英特尔® ECI),它是一个模块化软件参考平台,使多用途 ICS 可以在通用硬件上运行。英特尔 ECI 显著降低了制造商的升级和更新难度。该平台还支持实时分析功能、工作负载集成虚拟化以及可配置软件模块,可满足工业计算的性能需求,降低成本并提高灵活性。
  • 英特尔® 工业边缘洞见平台(英特尔® EII),它是一个面向工业物联网应用的开源软件平台,提供数据收集、存储、分析、可视化模块和容器化部署。英特尔 EII 针对英特尔硬件进行了优化,并与英特尔® OpenVINO 工具套件集成,加速了边缘 AI 解决方案的开发,提供更好的数据洞察,并帮助企业加快上市速度。

对大唐来说,英特尔技术的运用至关重要。英特尔拥有无与伦比的面向工业边缘计算的高性能稳定硬件平台。在缩短开发时间并将解决方案推向市场方面,其软件工具同样重要。

虚拟化 — 软件定义的 ICS 平台

除了帮助制造商转向开放式系统并整合硬件/软件堆栈以外,多用途 IPC 还提供了另一项显著优势:内置虚拟化技术,可在易于管理的统一平台上运行。

工业计算虚拟化的优势已经显而易见,例如,可以在不中断运营的情况下升级基础设施。

首先,虚拟化是将计算机资源与底层硬件分离的有效方式。它还提高了网络安全,因为可以更轻松地将计算系统细分为独立的安全环境。但虚拟化的最大优势是工作负载整合,即利用闲置计算资源,从而提高效率并降低成本。

多用途 IPC 和工业控制的未来

在未来几年,采用虚拟化技术的灵活工业计算系统将在制造业领域引起越来越多的关注。

部分原因是工业计算领域的进步。例如,大唐正在考虑将 Type 1 管理程序集成到他们的产品中。Type 1 管理程序也被称为裸机管理程序,可直接在底层硬件上运行,无需主机操作系统。这样可以实现更高效的资源分配、更高的性能以及更好的安全性。这对制造业带来的优势不言而喻,但随着工业物联网的发展,更有吸引力的 Type 1 管理程序和虚拟化技术即将到来。

一种鼓舞人心的可能是 ACRN 参考管理程序,这是一种专为嵌入式物联网开发而打造的开源虚拟化工具。ACRN 管理程序解决了制造商认为特别繁琐的数据中心问题:较长的引导时间、高昂的成本和巨大的开发开销。ACRN 有助于推动工业 4.0 向软件定义的开放式平台工业计算发展。

但多用途 IPC 平台的主要优势在于它们能够为多方利益相关者解决问题。

对原始设备制造商/原始设计制造商来说,现代 IPC 平台提供的开发便利性意味着他们可以专注于满足制造商的需求,而不必担心高昂的研发成本。对经常处理小批量订单的构建商和运营技术系统集成商来说,由于这些平台具有灵活性和可定制性,开发成本也会下降。

毫无疑问,对制造商来说,优势非常明显。多用途 IPC 平台提供更简单、更易于管理的访问方式,可实现最初推动数字化转型的所有优势:实时控制、更高的产品质量、更低的成本以及更快的创新路线。

 

insight.tech 的副主编 Georganne Benesch 编辑。

利用基于人工智能的计算机视觉重新定义铁路检查

铁路是连接世界基础设施的大动脉。尽管铁路在全球运输和供应链中发挥着至关重要的作用,但大多数铁路养护工作都是从人工巡检员开始的。

为了找出损坏的枕木和铁轨,巡检员每天沿铁路线步行或驱车数英里,探查隐患。手动检查美国 160,000 英里的铁轨所需的总时间和成本是无法量化的,而且由于检查是由人工进行,因此本质上也很容易出错。

计算机视觉 (CV) 的最新技术成果为自动化铁路巡检带来了新的机遇,在整个流程中显著降低了成本并提高了准确性。但铁路系统从部署环境的高度差异性,到安全关键行业对可信赖解决方案的优先考虑,对计算机视觉系统提出了独特的挑战。

这就是为什么像 Ignitarium(一家产品工程公司)这样的组织正在使用人工智能技术重塑计算机视觉,以解决痛点并减少对人工巡检的需要。

利用基于人工智能的计算机视觉克服基础设施检查的挑战

计算机视觉系统在受控的室内环境下表现出色,铁路系统则与之不同,存在各种照明条件、天气变化和其他不可预测的因素。这些变数可能显著影响计算机视觉系统的性能和准确性。

计算机视觉技术在户外铁路应用中的另一场艰苦战斗正在改变 Ignitarium 首席技术官 Sujeeth Joseph 所说的“行业中非常传统的思维模式”,即铁路专业人士希望使用经过试验和测试的方法,而不是新颖的方法。

这些挑战促成了 Ignitarium TYQ-i 平台的开发,该平台旨在将最出色的经典计算机视觉技术与高级自定义神经网络相结合。最终制定出有效的解决方案,可以检测数英里铁轨上的各种异常情况。

TYQ-i 的运行可分为 4 个阶段:

  • 数据摄取:该平台支持许多视觉传感器,包括 RGB、3D、激光和多光谱接口。Joseph 表示,在铁路行业,2D 摄像头和激光扫描仪是首选传感器。
  • 预处理:Ignitarium 开发了一个图像处理组件库,用于准备数据进行分析。其中包括缩放和旋转等基本操作以及拼接、追踪和降噪等更复杂的任务。
  • 深度学习:TYQ-i 的核心是面向特定用例的自定义人工智能模型。这些模型经过预训练,可以检测各种异常类别,以最少的客户投入提供高水平的准确性和效率。
  • 提供结果:数据经过处理之后,通过人类和机器可读的仪表板和文件提供给用户。这使得该平台能够与现有流程无缝集成,有助于克服采用新技术的阻力。

Joseph 表示,如何利用这些功能的一个例子是铁路道砟——铺设枕木的道床。安装在火车头底部的挂载无人机或摄像头可以使用 TYQ-i 来检测需要补充道砟的区域,以及由于安全或其他操作问题而应避免的区域。然后,该信息将传送至道砟铺设和捣固机,以便其可以仅在适当的区域自动开展维护。

通过 TYQ-i 实现扩展性和灵活性

为了获得 Ignitarium TYQ-i 平台的准确性和可靠性,它最初使用 TensorFlow 和 PyTorch(两种最流行的机器学习和神经网络开源框架)进行了训练。该训练最初是在功能强大的英特尔® CPU 和 GPU 目标上进行的,为平台的人工智能功能提供了坚实的基础。

但为了真正在各种用例中扩展性能,Ignitarium 认识到需要更通用的处理解决方案。这促使我们决定将 TYQ-i 迁移到英特尔® 酷睿 和至强® 处理器。虽然不是常见目标,但英特尔® Arria® 家族高性能 FPGA 上甚至有一个端口。

这些处理器的互操作性有助于公司控制成本。Joseph 解释说,“如果工作负载比较繁重,我们会选择服务器级机器”。但对于较轻的工作负载,该公司使用第 12 代英特尔® 酷睿 处理器等解决方案,该处理器可以通过其内置的英特尔® 核芯显卡的集成显卡处理器 (IGP) 加速人工智能。

迁移到英特尔® 处理器还带来了额外的优势。例如,它使 Ignitarium 能够利用英特尔生态系统强大的软件基础设施,该基础设施提供了广泛的工具和资源来优化性能和效率。

OpenVINO 人工智能工具套件就是这样的工具之一,Ignitarium 使用它来进一步优化 TYQ-i。OpenVINO 旨在促进人工智能应用在边缘的部署,为各种神经网络架构提供支持,并提供一整套用于优化性能的工具。

由于该工具套件支持多种英特尔处理器,Ignitarium 可以选用一个处理器,并且 Joseph 解释说,“代码只需编译并运行即可”。同时,OpenVINO 提供各种工具,帮助开发人员充分利用他们选择的处理器。Joseph 说,“我们利用工具套件可以提供的一切进行优化”。

所有这些功能使 TYQ-i 能够在从边缘设备到基于云的系统的各种环境中运行。在边缘,TYQ-i 可以实时处理数据,提供即时洞察并可实现快速决策。这在低延迟至关重要的情况下尤为实用,例如检测高速铁路线上的缺陷。

对于更大规模的应用,TYQ-i 还可以部署在云端,以支持大量数据并执行更复杂的分析——这是监控大范围铁路网络的实用功能。

这种灵活性使其能够部署在广泛的场景中,使其成为适应性强的基础设施监控解决方案。

基础设施检查的未来就在眼前

铁路巡检行业面临巨大的挑战。从一望无际的铁轨到高度多样化的环境,该行业迫切需要创新的解决方案。Ignitarium 的 TYQ-i 平台融合了人工智能和计算机视觉技术,为这些挑战提供了强有力的应对之策。

TYQ-I 的自定义人工智能模型经过磨练,以最少的客户数据集实现了高性能,提供了一种可以轻松融入现有工作流程的解决方案,消除了对新方案用于老问题的偏见。最终的解决方案赢得了美国各地轨道维护人员的青睐。

展望未来,我们清楚地看到,像 TYQ-i 这样基于人工智能的计算机视觉解决方案,将在基础设施巡检行业转型中发挥至关重要的作用,为所有人提供更出色的准确性、效率和安全性。

 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

SR-IOV:在工业物联网中充分发挥 GPU 的功能

图形处理器 (GPU) 已成为工业物联网 (IIoT) 的重要资源。嵌入式解决方案提供商 DFI解决方案产品经理 Waterball Liu 表示,任何需要高度密集计算的应用(例如,机器视觉处理、数据分析或机器学习应用)都可以从 GPU 受益。

但是,对于将上述严苛的工作负载整合到单个系统中的多功能平台来说,对性能的需求尤其强烈。添加图形显示到组合中(这些整合系统中的常见功能),而 GPU 变得更加重要。

接下来的挑战就变成了如何共享 GPU。

现代工业物联网系统通常使用虚拟化或容器来整合工作负载,但这两种技术都会在 GPU 级形成性能限制瓶颈。这一切都归结为复杂性。随着时间的推移,虚拟化技术逐渐扩展至包括内存、I/O 设备、网络和存储,但并非所有硬件组件都可以轻松虚拟化。

显卡技术就是最好的例子:现代 3D 渲染管道的高度复杂性、不同厂商的 GPU 之间缺乏统一的指令集标准,以及高度可编程的 3D 应用程序编程接口,使得 GPU 驱动程序变得类似于高级语言编译器,这也提高了 GPU 虚拟化的技术要求。

对于工业物联网平台开发人员来说,他们的主要目标是以最低的成本和资源利用率更充分地利用单个系统,而这些障碍通常会使围绕 GPU 技术构建工作负载整合系统变得费力不讨好。

SR-IOV 在 GPU 虚拟化中的作用

但如果出现某个问题没有相应的解决方案,那么从技术角度一定会找到解决办法。

例如,PCIe 标准单根 I/O 虚拟化 (SR-IOV) 定义了一种通过将物理设备划分出多个虚拟功能来共享物理设备的方法。SR-IOV 已广泛用于虚拟化网络适配器,这意味着它提供了一种易于理解且经过彻底现场测试的编程模型。

但当该技术应用于 GPU 的新环境时,每个虚拟机 (VM) 或容器都可以获取具有接近本机性能的显卡功能。

Liu 解释说,“SR-IOV 降低了虚拟化环境的开销。它使近 100% 的 GPU 功能可用于虚拟化应用程序。”

SR-IOV 的实际应用:性能游戏规则的变革者

过去,工业工作负载整合所需的高性能 GPU 只能以昂贵的独立芯片的形式提供,这给工业系统带来了不必要的成本。但当今的主流处理器,如第 12 代英特尔® 酷睿 嵌入式处理器,在其集成显卡引擎中提供具有相当高性能的 SR-IOV。Liu 指出,“英特尔® 处理器中的集成 GPU 为工业计算提供了经济高效且可靠的解决方案,并且无需额外的独立 GPU”。

这种简化的 GPU 加速方法为优化工业工作负载开辟了新的可能性。Liu 以检测系统为例。他表示,“这些系统需要大量的计算能力来执行与 AI 相关的任务,例如缺陷检测和图像识别。借助集成显卡和 SR-IOV,这些系统能够以最小的系统复杂性高效地执行这些应用程序”。

例如,采用 SR-IOV 的第 12 代酷睿处理器至多可支持 4 个独立显示器和 7 个虚拟化功能。图 1 说明了多达 7 个虚拟机如何独立访问这些功能。

英特尔® 显卡 SR-IOV 可实现 GPU 的高效共享。
图 1。英特尔® 显卡 SR-IOV 可实现 GPU 的高效共享。(资料来源:英特尔

Liu 解释说,在实际应用中,SR-IOV 的影响是非常显著的。作为第一家在搭载集成显卡的英特尔处理器上验证 SR-IOV 的公司,DFI 通过在其 ADS310 microATX 主板上运行两个虚拟化 Windows 10 操作系统(一个采用 SR-IOV,另一个不采用 SR-IOV)来展示性能的提升。

在概念验证中,将一个视频文件通过两个操作系统从本地存储进行流式传输,并通过 Wi-Fi 和 100 Mbps HDBaseT 以太网传输到远程显示器。未采用 SR-IOV 的设备的显卡吞吐量约为 28 fps,而采用 SR-IOV 的设备的显卡吞吐量为 60 fps(这是实现流畅显卡渲染的常见目标)。

当然,SR-IOV 带来的性能提升不仅仅局限于视频流;该技术可应用于工业环境中的大量人工智能物联网 (AIoT) 工作负载。例如,该技术是 DFI 虚拟化工业自动化和零售业解决方案的核心。

Liu 解释说,“您现在只需要一台计算机即可输出到多个屏幕。想象一下工业产品线,其中每个制造阶段都有自己的显示器。每个阶段的显示器可能只是暂时运行。”

他继续说道,“过去,此类应用需要许多台计算机,或一台搭载功能更强大且昂贵的独立显卡适配器卡的计算机。但现在,使用一个英特尔嵌入式处理器即可。”

高效人工智能物联网充满前景的未来

英特尔® 显卡 SR-IOV 正在成为工业自动化和人工智能物联网应用领域潜在的游戏规则改变者。通过使高性能应用程序能够在集成 GPU 上高效运行,它为提升效率和功能开辟了新途径。

AI 的潜在优势尤其引人关注。Liu 表示,“越来越多的 AI 应用需要强大的计算能力,应用越来越复杂,功能也各不相同。因此,新一代处理器和显卡将为 AI 和其他应用需求提供更灵活、功能更强大的解决方案。”

他总结说,“通过 SR-IOV,我们将开启工业物联网发展的新篇章。”

 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

了解尖端制造业 AI 的进步

工业革命改变了制造业。计算机的兴起导致系统和流程的另一场剧变。现在,制造业正再次受到数字转型和 AI 的出现的影响。这个新的前沿技术在今年 4 月召开的德国汉诺威工业博览会 (HMI) 上展出,这是 Covid 后的第一次聚会,在该聚会上,不仅要讨论工业环境中的所有新可能性,而且要展示它们。

今年在 HMI 上的是英特尔的工业解决方案总监 Ricky Watts数字趋势英特尔零售专家 Teo Pham。他们讨论了他们在汉诺威看到的东西,包括 ChatGPT,它对制造业意味着什么—制造业中的 ChatGPT,以及即使是最令人兴奋的技术创新,如果对用户来说不简单,它们也是毫无意义的(视频 1)

视频 1。新的工业机会、工具和技术即将进入工厂车间。(资料来源:insight.tech 

根据您在活动中看到的情况,您认为制造业的发展方向是什么?

Ricky Watts:在技术方面,我认为有三个领域让我感到兴奋,并且在某种程度上让我有点担心。该领域的一些较大的公司已经在使用该技术来提高制造业的效率。说实话,看到它的数量以及它的高级程度,我真的很惊讶。

另一件事是这种 3D 现实(全宇宙、元宇宙,诸如此类的东西),沉浸式技术在未来将如何使用。我可以设计和建造工厂来改变 3D VR 中的结果吗?然后使用 ChatGPT 和 AI 创建也可以在制造业中创造物理现实的数字化双胞胎?

我注意到的最后一件事是展会上有很多机器人。机器人在制造业中无处不在,它们出现在我们在制造业中经常看到的物流和重复性任务中。但有一件事让我特别感兴趣的是,机器人正在制造其他机器人来驱动结果。一个机器人被赋予一项任务,然后另一个机器人制造第一个机器人来驱动任务的结果。第二个机器人使用 AI 来了解它需要做什么来发送命令,为第一个机器人制造或设计新工具,从而对其进行优化。

Teo Pham:本次展览的主题和参与者种类繁多,我对此感到非常惊讶。因为您希望看到机器人;您希望看到硬件制造商;您希望看到半导体制造商。但您还拥有软件公司、咨询公司和云服务提供商。它只是展示了整个空间的多样性,而且它不仅仅体现在物理设备上。这就是您创建令人兴奋的新应用程序的方法。

Ricky 提到了元宇宙。我看到西门子和微软等公司正在推广工业元宇宙之类的东西,创造使生产更加身临其境的新技术,而且在使用数字化双胞胎来运行这些惊人的模拟以真正在数字空间中测试东西的意义上也便宜得多,然后再以物理单位创建它们。

哪些 AI 应用特别让你对制造业的未来感到兴奋?

Ricky Watts:AI ChatGPT 的使用是一个特别的问题。在制造业中,我们有一种称为制造执行系统(MES)或可编程逻辑控制器(PLC)的东西。它是一种基本上用于制造业的设备或用具。PLC 有一种与其一起操作和运行的语言,称为 61131。我看到的一个演示是 ChatGPT 被用来构建代码。通常,制造工程师会编写目标代码,并且可能需要数周或数月才能完成。ChatGPT 正在做这件事,我要说,它在几分钟或几秒钟内就能完成。

我要强调的是,演示中所做的一切还是早期的事情。他们煞费苦心地指出,代码中存在一些错误,但用不了多久,准确性与将代码直接部署到这些机器上的能力就会变得很重要。制造业在很大程度上是一个围绕一套标准驱动的结构化环境。但当我们开始进入这个新的世界时,能够做到这一点确实令人兴奋。

Teo,您认为制造商的新机遇在哪里?

Teo Pham:谈到 AI,它只是让你加快流程,使它们更快、更便宜。一直有很多关于 ChatGPT 的讨论,但也有 AI 工具可以生成图像、蓝图或视频、网站或应用程序。我认为,生成 80% 的解决方案的成本将降至几乎为零。但显然,您仍然需要一些经验丰富的人来让你从 80% 到 100%。会有一些非常花哨的应用程序(例如 AI 3D 建模),但我认为即使对于文档或翻译等相当无聊的内容,这也将非常有用,因为这些任务可以在几分钟内完成。

您需要哪种处理能力才能利用这些机会?

Ricky Watts:AI 确实依赖于数据。一旦对其抽象化,就有了学习部分,然后是推理部分。CPU、GPU 和 FPGA 总是涉及。

制造业中许多 AI 的早期用例都是视觉用例:在制造环境中,我使用摄像头来分析某些东西,然后围绕我获得的图像训练模型。假设我有一条瓶子生产线,上面有标签。在这些瓶子上有摄像头,并且我想知道标签是否正确。因此,图像是围绕它创建的,然后我们通常在 GPU 环境中训练模型,因为它需要大量的密集处理。

现在我知道哪些是好的,哪些是坏的。但在制造环境中,我不能一直学习;这太困难了。接下来是推理阶段。我正在使用模型,并且我想应用模型。这就是CPU发挥作用的地方,因为它在非常非常接近制造商进入的地方那里会变得非常具有战术性。

培训是在您拥有大量计算能力的地方进行的,通常是在云环境中。在大多数情况下,推理是在制造处于边缘时完成的。所以您获得了 CPU 和 GPU,并且两者都有一个专业领域。但从英特尔的角度来看,我们开始看到的是将它们整合起来。您已经通过我们的一些新技术看到了它,特别是最新的Xeon® 芯片,Sapphire Rapids芯片。

但现在我们开始看到这些环境中的计算平台从边缘转到云。在这些环境中,有两组数据:一个是我提到的视频,但在制造业中更普遍的是时间系列数据。制造业使用我们所说的固定功能设备——机器、机器人、传送带——它们产生的数据不是视觉数据。数据可能是热量数据、压力数据、振动数据等等。这种类型的数据也经过优化,可以在边缘的 CPU 上运行。因此,您可以在边缘的 CPU 上进行培训推理,因为那里的数据完整度和数据主权正变得非常重要。

在 CPU 方面,我提到了 Sapphire Rapids。我们还推出了一个新的 GPU 产品组合。英特尔在该领域尚处于早期阶段。但我们学习得很快,并且未来几年将有更多的产品问世。我认为对我们来说,它将涉及集成硬件解决方案,然后在此之上为 AI 领域的开发人员提供统一的架构,以便访问这些技术,并且我们已经围绕此构建了许多工具套件并进行了优化。

无论是 CPU、GPU 还是 FPGA,我们都将在下面进行优化;您告诉我们工作负载是什么,然后我们将它们部署到边缘的合适芯片平台上,并提供统一的功能来将其带到云端。

您能否详述一下制造商转向边缘获得的好处吗?

Ricky Watts:制造业是一项非常具有竞争力的业务 — 无论是有形物品(例如汽车)还是流程(例如化学品制造商)。在这些环境中使用数据可以提供非常具有竞争力的优势。这实际上是关于他们是否可以将技术应用于业务驱动的结果。

在我们的环境中,一天结束时很容易忘记,归根结底这与技术无关;这是关于结果的。返回我的瓶子示例。如果我每天要处理十万瓶,并且假设其中 5% 是不准确的,那么我每天可能会扔掉 5,000 瓶。这是一个可持续发展问题;这是一个盈利能力问题。如果我能将故障率降低到 1%,则将对工厂的绩效产生巨大影响。

在技术行业,我们需要做的是使制造商更容易使用这项技术。制造商希望使用该技术,但他们不是 AI 专家,而且他们并不总是拥有数据科学家。我们必须确保制造业中的每个人都可以使用它,而不仅仅是拥有庞大工程师和数据科学家部门的大型制造商才能使用。我们正在努力为他们提供简单的按钮。

Teo Pham:当我们谈论 AI 的实施时,我认为我们必须做出的一项决策是使用边缘计算还是云计算。显然,边缘计算有一些优势:它可以减少延迟。由于涉及到数据隐私,因此我们不必将其发送到云端。另一方面,我们需要在硬件上投入更多资金,因为硬件成本高昂,并且占用空间。

您对“边缘与云”辩论有何想法?

Ricky Watts:两种场景都有明显的优势。将数据导入云端非常昂贵,因为数据量很大。需要考虑监管、数据主权、隐私、安全等因素。但是,在云端进行培训和在边缘进行推理有很多优势。然后,边缘采用越来越强大的计算,不仅可以在那里进行培训,还可以在那里进行学习。因此,在我看来,更多的处理将转移到边缘进行。

那么,这个领域的下一步操作是什么?

Teo Pham:人们说,我们正在见证 AI 的 iPhone 时刻。虽然 iPhone 在 2007 年问世之前,我们就拥有手机,但 iPhone 仍然改变了一切。今天,我们甚至无法想象没有 iPhone、智能手机、移动应用的世界。

同样,AI 已经存在 50 年甚至 60 年,但我认为我们目前处于这种良性循环中:我们拥有大量的数据;我们拥有必要的计算;我们拥有模型;我们拥有非常易于使用的界面,如 ChatGPT 。正在取得如此大的进展,甚至可能在6到12个月内,整个领域都会变得面目全非。我们正在享受一段非常有趣的旅程。

Ricky Watts:最终,制造业一定是生产产品。因此,我看到的是,制造商专注于新技术,但他们也需要确保他们今天拥有的制造环境在未来几年内要存在。

在英特尔,我们将继续确保制造商生产我们需要的产品;如果涉及到能量,灯就一直亮着。我们希望确保即将到来的转变是流畅和集成的,并且尽可能减少受阻。

相关内容

要了解有关智能制造的更多信息,请阅读 2023年汉诺威工业博览会:智能制造的下一阶段,并聆听智能工厂如何变革工业领域。有关英特尔的最新创新,请在 TwitterLinkedIn 上关注它们,并在 Twitter 上通过 @teoAI_ 关注 Teo 。

 

本文由文案编辑 Erin Noble 编辑

软件定义的流程:制造业的未来

工业 4.0 正通过开放式软件定义流程推动制造业的快速发展,解锁了以前孤立的数据,并为更敏捷的运营打开了大门。

这种转型是通过技术实现的,而专为解决特定问题并优化制造成果而设计的工业边缘 AI 是其关键所在。为各种行业提供这种解决方案的公司 Scalers.ai 的首席执行官 Steen Graham 表示,边缘 AI 带来了“绝佳的机遇,推动制造业向更好的方向发展”。

从许多方面来说,这项技术对制造业带来了福音。AI 是一家数据密集型企业,因此在边缘进行 AI 推理使制造商可以丢弃大量不相关的数据。Graham 表示:“避免将这些数据发送到云端,带来了巨大的经济价值。”此外,制造商可以在各种用例(如缺陷检测和生产线实时监控)中充分利用边缘 AI 近乎实时的特点。

Scalers.ai 致力于通过定制 AI 软件提高各种制造效率,而与戴尔科技的合作为它提供了可靠快速的边缘 AI 部署所需的性能。戴尔科技技术营销工程师 Manya Rastogi 表示,坚固型 Power Edge XR 平台提供客户所需的各种规格。Power Edge XR 具有短深度外形,并经过严格的冲击、振动和灰尘测试。Rastogi 指出:“它可以承受严苛的制造条件。”

提高边缘部署速度

承受各种制造条件固然不错,但行业无法为了使边缘 AI 高效运行而为每个用例定制 AI 模型。相反,迁移学习或应用 AI 有助于开发人员在现有 AI 模型中增加功能。

已经针对数亿(甚至数十亿)个参数进行训练的强大机器学习模型并非始终可行。Graham 表示,就像自选配料的快餐店里的就餐队伍一样,制造商可以先提供一个基础的“米饭和豆子”程序,再增加定制层,“然后进行迁移学习工作流程或再训练,从而增加自定义功能。在目前已有的卓越的模型基础之上,用户可以根据各自的领域、用例和实施方法定制这些模型。”

这种捷径不仅节省了工程资源和开发人员资源,而且有助于企业更快地部署边缘 AI 模型。当客户提出需求时,全新边缘 AI 部署的快速周转可以带来显著的效果。

Graham 表示,软件定义的制造使企业“能够随时改变环境,以满足客户不断变化的需求”。

制造业的未来:近乎实时的监控

通过率先满足消费者需求并优化时间、资金和原材料支出,企业增加了营收。

Rastogi 表示,坚固型边缘 AI 计算也有助于增加营收。以许多工业流程中使用的旋转部件—叶轮的制造为例。利用计算机视觉分层,可在边缘近乎实时地检测缺陷,这个流程可能存在于该部件制造过程任何阶段。例如,在成型阶段增加 AI 驱动型缺陷检测有助于提前发现缺陷,避免在有缺陷的最终产品上浪费任何额外材料或资源。由于程序可以实时发现问题,因此可以立即采取纠正措施,从而减少成本高昂且耗时的生产后检验。

使用边缘 AI 还有助于通过遥测数据和 OPC 统一架构 (OPC-UA) 等机器间协议缩短制造停机时间。OPC-UA 利用解锁的数据传输生产线上机器的实际运行状况,无需人工干预即可获得关键洞察。对现有机器传输的此类数据进行的边缘 AI 工作负载就是一个很好的例子,表明制造商可以使以前不透明的机器和生产线变得更加透明。

例如,如果生产线上的塔灯持续闪烁红色光,则表明存在需要立即检查的问题。由于边缘 AI 可以提前发现问题,车间管理人员更易于解决问题并达到每日生产配额。

Rastogi 表示,戴尔的 Power Edge XR 平台采用第四代英特尔® 至强® 可扩展处理器,无需额外加速器即可进行 CPU 推理。Graham 说:“英特尔第四代至强处理器真正的独特之处在于,它提供面向 AI 的指令集优化,而通用成品处理器并不具备这种特性。”

Graham 表示:“近年来,通过应用 AI 实施深度学习使开发人员更易于在制造业部署深度学习,即使在数据集较小的情况下也是如此。”他补充道:“这改变了游戏规则。运行这些模型所需的坚固型小尺寸硬件也进一步简化了部署。”它为未来的定制 AI 驱动型制造铺平了道路。

这对制造商以及要求苛刻的消费者来说是个好消息。

 

insight.tech 的副主编 Georganne Benesch 编辑。