Skip to main content

視覺

HPEC + AI = 可預測維護作業 ROI

計算機視覺、預測性維護、工業邊緣人工智能

姑且不論可預測維護作業這類技術的精密與創新,它們的核心其實是節省成本的解決方案。

Hexagon Technology Inc. 是專精於自動化系統、安全儀表裝置與機器學習的技術服務公司,而 Peter Darveau 是該公司的工程設計部門主管兼首席工程師。他認同,可預測維護作業的第一個目標,就是分析機器一段時間的行為模式,以防止系統故障並且將效能最佳化。終極目標當然是締造更敏捷、競爭力更強且高獲利的作業。

Darveau 表示:「如果你的工廠設備價值 500 萬美元,而你採取的是典型的作法,也就是以 5% 的利息融資其 80% 的金額,而且你剛讓機器的壽命延長了一年,形同是省了 200,000 美元。」「如果你可以直接多獲得一年,這樣的投資回收率稱得上誘人。利息馬上就入袋了。」

然而,利息不保證操作簡易。

特徵工程:邁向操作性 AI 之路

將預測設備故障的過程自動化,並且推薦預防故障的行動,AI 是不可或缺的一環。若要讓 AI 發揮效益,人類必須伸出援手。

工程師必須產生資料集,而且資料得包含設備的「正常」情況與「故障」情況,AI 演算法才能識別異常情況。何謂正常及何謂故障是先從振動或聲學這類的類比訊號所擷取出來,然後再透過稱為特徵工程的程序相應地分類。然而,這個手動程序需要大量訊號處理專業知識,才能從目標機器適當擷取、評估及分類訊號資料。

特徵工程的複雜度,說明了可預測維護作業策略部署之所以曠日費時的原因。

Hexagon Technology 協助各公司為大規模工業設備實作資產監控解決方案,例如處理好幾噸原物料碎片的鋼銑削機器。每當大量材料移動,機器的基座便隨之振動,而基座的設計正是為了承受巨大的重量。Hexagon 開發出所謂的預測與可用性監測(P&AM)系統,會持續分析這些架構,維持完整性。

Darveau 表示:「過去我們進行振動分析時,光是為了獲得有幫助的資料集就必須大費周章。」「如果想分析嘈雜的訊號,就必須完成大量計算。你必須執行快速傅利葉轉換(FFT)這個將時間函數轉換為頻率函數的方法,才能篩選出噪音,接著則必須訓練資料。」

多虧了高效能嵌入式運算(HPEC)的進展,如今 Hexagon 得以略過大半的特徵工程程序。具體而言,該公司使用了 Intel® Xeon® 處理器、Intel® Movidius VPU,以及建置於 Intel® OpenVINO 工具組的推論引擎,在串流波形尋找模式,而非從複雜的類比訊號擷取特徵。

Darveau 表示:「由於目前使用 Intel1® 處理器的效能更高,因此我們能進行視訊的推論。」「我可以切割視訊畫面這件事意味著,我再也不必取得原始資料,也無須檢視非常特定的區域,而是輕輕鬆鬆檢視一段時間的模式,然後將它與模擬的資料加以比對。接著,讓推論引擎完成工作即可。」

生氣十足的 AI 與 ML 模型設計

Hexagon 的 P&AM 解決方案就技術而言是可運作的原型,而且已經在上述這類工廠以操作方式部署了兩年之久。那段期間,Hexagon 的視訊分析效能提升超過兩倍,從 30 增加為 60 FPS(或是肉眼可見的速度)再到 140 FPS。系統準確偵測已觀察到之特徵的能力也提高到了 95%。

儘管如此,Darveau 知道他的系統必須達到約 99.999% 的準確度,才能用於廣泛的商業部署。

「由於這個環境活力十足,而且任何 AI 或機器學習類的模型正是如此,因此模型是有生命的東西。改良系統是我們的工作。」他說明。「而且這將是難度最高的最後關頭。我們預期將會更新這個模型好幾次,直到我們覺得它效率夠高為止。」

打從一開始就知道他們的 P&AM 解決方案會是具有生命力的設計,OpenVINO 於是成了輕而易舉的選擇。它的最佳化功能不僅能儘量提升現今處理器的執行效能,其跨 CPU、GPU、FPGA 與加速器的可攜性也意味著,它可以將舊式的工作負載擴充至次世代處理器。這樣一來,工程師可以不受處理器限制更新模型,而且知道永遠都會有一款高效執行他們 AI 的硬體平台。

AI、可預測維護作業,以及邁向 ROI 之路

可預測維護的最後一項條件,就是有人負責引領有生命力的 AI 模型。理想的情況下,這是系統安裝所在之技術員工的一員。然而,目前許多公司不太可能存在這種角色。

這樣一來,Intel® DevCloud 這類工具會先為測試模型提供沙箱,然後才部署於可運作的硬體,是一款寶貴的平台。若是打算自行支援 P&AM 系統的組織,不妨使用 DevCloud 實驗分析與診斷功能,或是瞭解 AI 將如何與舊式裝置整合。

若結合 DevCloud 這類開發平台與 OpenVINO 最佳化的部署硬體,自動化公司終於可以實作可用的可預測維護作業系統。這樣一來,他們的 ROI 之路將會更加順暢無礙。

作者簡介

Brandon is a long-time contributor to insight.tech going back to its days as Embedded Innovator, with more than a decade of high-tech journalism and media experience in previous roles as Editor-in-Chief of electronics engineering publication Embedded Computing Design, co-host of the Embedded Insiders podcast, and co-chair of live and virtual events such as Industrial IoT University at Sensors Expo and the IoT Device Security Conference. Brandon currently serves as marketing officer for electronic hardware standards organization, PICMG, where he helps evangelize the use of open standards-based technology. Brandon’s coverage focuses on artificial intelligence and machine learning, the Internet of Things, cybersecurity, embedded processors, edge computing, prototyping kits, and safety-critical systems, but extends to any topic of interest to the electronic design community. Drop him a line at techielew@gmail.com, DM him on Twitter @techielew, or connect with him on LinkedIn.

Profile Photo of Brandon Lewis