將 AI 與電腦視覺帶入工業廠房

March 27, 2019 Erik Sherman

機器視覺正在帶動品管轉型。現代的檢驗系統能做到的遠超過接受或拒絕零件。託深度學習的福,它們能自動調整製造程序,減少浪費與效率低落的情形。

請考慮焊接和 3D 列印等積層製造程序。這些程序對溫度、產線速度、機器校準,以及材料多樣性等因素極為敏感。當參數脫離規格,可能很快就會產生無法使用的零件。

標準的檢驗系統可能可以辨識錯誤的零件,但無法找出異常的原因。這時便需要人力介入,只有在檢驗遭到捨棄的零件後,才能調整製程。相反的,深度學習檢驗系統可提供關於問題本質的更深入洞見。

請想像一種金屬積層製造程序。標準的檢驗系統只能評估完工的成品,進行簡單的接受或拒絕決定。相反的,深度學習系統可監控製造程序本身,持續評估熔融金屬流向的一致性。這可在問題發生時提供進行修正的機會,挽救可能遭到拒絕的零件。

在更傳統的製造產線上,深度學習系統可做出指示 PLC 以降低產線速度,或是提高製程溫度等調整。這種持續的調整可大幅減少遭到捨棄的零件數量。

部署挑戰

對開發者來說,找到部署機器視覺的方法是一種挑戰。有一種常見的方法是以圖形處理器 (GPU) 為基礎來打造客製化硬體。雖然這種方法可能可以提供所需效能,但 GPU 通常無法滿足工業產業對於可靠度的要求。電源也是一個問題,因為 GPU 會越運轉越熱,需要冷卻風扇,這並不是很適合嚴苛的工業環境。

完全自訂系統所需付出的努力也是一種問題。除了建造客製化硬體的基本難度以外,工程師還需要將設計整合至控制迴圈內。考慮到用於控制工業設備的 PLC 的專業性,這可能會帶來前所未見的挑戰。

更簡單的 AI 整合

為了解決這些問題,SIEMENS AG 與 Intel® 攜手合作,為 Siemens SIMATIC S7 系列的 PLC 開發全新的深度學習模組。「使用此模組,人們只要增加用於現場推斷的 AI 延伸模組,就能擴增控制機器的現有 PLC 系統,」Intel 技術客戶經理 Thomas Dietrich 表示: 「若您已經安裝 SIMATIC S7-1500 控制器,那麼這會是一個很簡易的附加元件。只要插入 AI 延伸模組與攝影機或非視覺感應器中,便可完成硬體設置。」

SIMATIC S7-1500 TM NPU 是一種 PLC 延伸模組,以 Intel® Movidius Myriad X 視覺處理器 (VPU) 為基礎。專為符合電源效益的 AI 所設計,此 Intel 技術可讓模組處理來自多個攝影機串流的最多 720 組立體像對,且僅需要使用被動冷卻,以近乎即時的速度運行電腦視覺,無需犧牲耗電量或準確度。解析度比其他 VGA 解析度的平台高 3 倍,且比 30 Hz 的平台高 6 倍。

模組會處理視覺資料或是音訊或振動等非視覺資料,並將分析結果透過底板傳送至 PLC。接著 PLC 會執行控制演算法,以分析資料做為輸入值,並調整控制流程。

圖 1 展示產線在取放物料情境中運用此系統的範例。生產物件進入左側的輸送帶。上方 LED 照明設備照亮該物件。安裝於平台上的攝影機取得影像,並將其傳輸至 PLC 延伸模組。接著,PLC 引導機器手臂抬起物件,並放置到右側的輸送帶。

圖 1. Siemens 視覺系統在取放物料等多種使用案例上表現優異。(資料來源:Siemens)

透過用於抓取的 AI 模組,模組會在微秒內計算數百個抓取點,並選擇最適合該特定物件的抓取位置。其後便可將此資訊傳輸到控制機器手臂的 PLC 上,以最佳方法拿取物件 — 可使用 PLC SIMATIC S7-1500 系列等專用硬體,或是搭載於電腦之可為額外應用提供 Windows 分割區的 SIMATIC ET 200SP Open Controller v2。

編按:此示範將在 2019 年 4 月 1 日至 5 日於 Hannover Messe 展示。想要親自參觀的話,請前往展廳 9,攤位編號 D35 造訪 Siemens 攤位。

這樣的自動化能節省大量的人力。「舉例來說,在現今各自分離的製造產線中有很多的手動程序,比如仰賴肉眼進行的品管,或是 PCB 製造上的通孔插裝技術等混合零件安裝,」Dietrich 說: 「這些使用案例可透過 AI 增加自動化程度,以改善品質及/或產量。」

除了透過機器手臂舉起物料之外,PLC 亦可直接引導其他類型的工廠裝置,例如之前提到的焊接設備或 CNC 機器工具等。事實上,系統甚至並非侷限在視覺方面。「主要的使用案例為影片,但也可用來進行其他事項,」Dietrich 表示: 「這開放了一系列不同的使用案例可能性,例如振動,甚至是聲音分析等,以進行預測性維護。」

打造 AI 模型

當然,除非您建立了深度學習模型,否則這些優異的硬體都無法發揮作用。又一次地,Intel 和 Siemens 攜手合作解決這個問題,整合他們的工具鏈,打造端對端解決方案。

由使用 Caffe 或 Tensorflow 等最受歡迎的 AI 架構開發深度學習模型開始,可在之後加以最佳化,並經由 SD 卡搭配小型的應用程式部署至模組中。一般來說,您可以使用現有的免費 DL 模型開始著手,並透過可用的製造資料重新訓練,將其調整成配合您的特定使用案例。從此之後,模組便可配置到 Siemens Engineering 架構 TIA Portal 中,以導入並運用來自 PLC 程式中 TM NPU 模組的資料。

(不久的)將來的計畫是能夠提供 AI 工作台,以簡化建立、部署和實現工業 AI 解決方案的程序,讓它們不再僅能由 AI 專家使用,而是讓所有自動化工程師都能運用。

機器視覺的嶄新面貌

對製造商而言,這種更簡單的機器視覺方法開啟了大量的可能性。不再受限於只能在事後修正問題,製造商可以持續調整製程,將效率提高到最大程度。透過 Siemens 所追求的高度整合方法,製造商能以前所未有的速度,讓這些機器視覺系統派上用場。

作者簡介

Erik Sherman

Erik Sherman is a journalist, analyst, and consultant with a background in engineering, technology, and business management. He's written about such topics as semiconductors, enterprise software, logistics, software development, advertising technology, scientific instruments, biotechnology, economics, finance, marketing, and public policy.

More Content by Erik Sherman
上個文章
您的機器正在表達意見,您聽到了嗎?
您的機器正在表達意見,您聽到了嗎?

在資產管理方面,工業組織必須找到最高的投資報酬率。妥善規劃的預測式分析能預測設備的故障可能性。

下個文章
運用邊緣分析,將油田資料傳送至中央辦公室
運用邊緣分析,將油田資料傳送至中央辦公室

透過工業物聯網與邊緣運算進行遠端監控、分析與控制功能,可強化位置偏遠且環境嚴苛的油田營運成效。

×

名字
Company Name
Phone Number
Country/Region
提交本網站上的表單,即表示你確認你是一個年滿18週歲的成人,且你同意受Intel(英特爾)和 Intel® 物聯網解決方案聯盟成員透過與營銷相關的電子郵件或電話與您聯絡。你可以隨時取消訂閱。英特爾的網站和通信受制於我們的隱私政策和使用條款
我希望這篇公司聯絡我: -可選
!
Thank you!
Error - something went wrong!
×

立即註冊獲取工業的最新更新。

Country/Region
insightTechOptIn
Intel GDPR Optin
提交本網站上的表單,即表示你確認你是一個年滿18週歲的成人,且你同意受Intel(英特爾)和 Intel® 物聯網解決方案聯盟成員透過與營銷相關的電子郵件或電話與您聯絡。你可以隨時取消訂閱。英特爾的網站和通信受制於我們的隱私政策和使用條款
謝謝
Error - something went wrong!