Użycie widzenia komputerowego w produkcji, kontroli procesów i innych zastosowaniach automatyzacji jest przez wielu uważane za stosunkowo nową technologię, ale w rzeczywistości sięga ona badań przeprowadzonych przez MIT w latach 60. XX wieku nad trójwymiarowym widzeniem maszynowym. Później, w latach 70. XX wieku, Laboratorium Sztucznej Inteligencji (AI) MIT otworzyło kurs widzenia maszynowego, który obejmował takie tematy, jak wykrywanie krawędzi i segmentacja. To również w latach 70. XX wieku po raz pierwszy użyto terminu „inteligentna kamera”; używanego do opisu samodzielnego systemu wizyjnego wyposażonego w czujnik obrazu, taki jak CCD lub czujnik pikseli aktywnych oparty na technologii CMOS. Ponadto, inteligentne kamery specyficzne dla aplikacji mogą wykrywać częstotliwości poza ludzkim wzrokiem; na przykład mogą być (i są) wykorzystywane do obrazowania termicznego.
Po zdigitalizowaniu obrazy z inteligentnych kamer mogą być interpretowane przez komputery lub programowalne sterowniki logiczne (PLC). To był przełom w automatyzacji w latach 80. i w znacznym stopniu przyczynił się do rozwoju przemysłowej technologii maszyna-maszyna (M2M), która rozwinęła się w latach 90-tych, ale ma swoje korzenie w branży telekomunikacyjnej w latach 70. Obecnie M2M wykorzystuje publiczne sieci przewodowe i bezprzewodowe - takie jak Ethernet i sieć komórkowa - do udostępniania danych między maszynami bez ingerencji człowieka.
Najnowsza, zapoczątkowana w drugiej dekadzie XXI wieku, czwarta rewolucja przemysłowa (znana również jako Przemysł 4.0) przeniosła automatyzację na zupełnie nowy poziom. Przemysł 4.0 obejmuje również rzeczywistość rozszerzoną, a także automatyzację w łańcuchu dostaw - taką jak zamawianie części, materiałów i transportu. Przemysł 4.0 opiera się na M2M, inteligentnych kamerach i innych zaawansowanych technologiach wykrywania; jest silnie wspierany przez cybernetyczne systemy fizyczne (CPS), duże zbiory danych i przetwarzanie w chmurze i jest również silnie powiązany z przemysłowym internetem rzeczy (IIoT). Ponadto, sztuczna inteligencja i uczenie maszynowe (ML - gałąź sztucznej inteligencji) w coraz większym stopniu przyczyniają się do rozwoju Przemysłu 4.0.
Inteligentne systemy wizyjne odgrywają kluczową rolę w aplikacjach do monitorowania/kontroli procesów produkcyjnych o dużej objętości. Przykładowo roboty wyposażone w systemy wizyjne mogą wykonywać zadania takie jak spawanie i cięcie laserowe, monitorując jednocześnie jakość spoin/cięć w trakcie ich wykonywania. Ponadto, inteligentny system wizyjny umożliwił również stworzenie tzw. robota współpracującego - cobot'a.
Jeśli chodzi o tradycyjne roboty produkcyjne, ich rozmiar (który zazwyczaj obejmuje wygrodzenie) i potrzeba szczegółowego programowania do określonych zadań mogą ograniczać ich zastosowanie w niektórych branżach. Z drugiej strony coboty nie wymagają ogrodzenia bezpieczeństwa (wygrodzenia) i wykrywają obecność ludzi za pomocą inteligentnych kamer oraz czujników siły i zbliżenia. Mogą również reagować na określone ruchy człowieka i polecenia głosowe, a dzięki uczeniu maszynowemu są maszynami, które potrafią się uczyć. Coboty mają zatem zastosowanie w pracy u boku ludzi w fabrykach (np. przy montażu produktów) oraz w magazynach i centrach dystrybucyjnych (kompletowanie i pakowanie). Ponadto, chociaż trudno sobie wyobrazić cokolwiek poza Przemysłem 4.0 (jest on niezwykle wszechstronny), coboty są uważane za integralną część ewolucji do Przemysłu 5.0 - ewolucji, która już trwa.
Unia Europejska twierdzi, że Przemysł 5.0 „…zapewnia wizję przemysłu, którego jedynym celem jest coś więcej niż wydajność i produktywność, i wzmacnia rolę i wkład przemysłu w społeczeństwo”. Ponadto: „Stawia dobrostan pracownika w centrum procesu produkcyjnego i wykorzystuje nowe technologie, aby zapewnić dobrobyt wykraczający poza miejsca pracy i wzrost, przy jednoczesnym poszanowaniu ograniczeń produkcyjnych planety”.
Włączenie sztucznej inteligencji i uczenia maszynowego do Przemysłu 4.0 (i powstającego Przemysłu 5.0) pomaga firmom czerpać korzyści z krótszych przestojów i większej przepustowości, które wynikają z konserwacji predykcyjnej. Przykładowo większość przemysłowych urządzeń robotycznych doświadcza wysokiego poziomu wibracji, co może prowadzić do degradacji komponentów i systemów w czasie. Personel operacyjny fabryki, który chce zwiększyć swoją świadomość wpływu tych wibracji, może wykorzystać analizę AI/ML do interpretowania danych, identyfikowania problemów przed ich wystąpieniem i rozwiązywania problemów w terminowy i opłacalny sposób przed całkowitą awarią systemu.
Konkretnie, strategia konserwacji predykcyjnej - obejmująca monitorowanie poziomów wibracji, temperatury, poboru prądu i wszelkich innych parametrów, które mogą wskazywać na zużycie/awarię części - pozwala producentom odejść od tradycyjnego podejścia do planowania konserwacji w regularnych odstępach czasu, w którym często wymienia się części, gdy mają jeszcze dużo żywotności. Takie podejście jest raczej ostrożne, ale nie jest szczególnie opłacalne ani przyjazne dla środowiska, ani też nie chroni w pełni przed nieoczekiwanymi awariami.
Ponieważ systemy robotyczne w nowoczesnej produkcji stają się coraz bardziej złożone, kierownicy fabryk muszą być świadomi swoich wymagań konserwacyjnych w czasie rzeczywistym i być na bieżąco z harmonogramem rutynowych i krytycznych usług, aby uniknąć przerw w świadczeniu usług i lepiej wykorzystać części. Ponadto stały monitoring kluczowych parametrów systemu oznacza, że w przypadku szybko ujawniającego się stanu awarii można uruchomić alarmy sprzętowe lub, w razie potrzeby, maszyny (w których występuje awaria, a także urządzenia znajdujące się dalej w dół rzeki) mogą zostać automatycznie wyłączone, aby zapobiec uszkodzeniom.
Na przestrzeni lat personel produkcyjny i serwisowy przyzwyczaił się do postępów oferowanych przez skomputeryzowane systemy zarządzania konserwacją (CMMS) i podejścia do konserwacji zorientowanej na niezawodność (RCM), które są zasilane danymi operacyjnymi. Przejście na modele konserwacji predykcyjnej oparte na AI/ML, zasilane bogactwem danych w czasie rzeczywistym, w większym stopniu wykorzystuje części, które się zużywają (i inne materiały eksploatacyjne, takie jak oleje), dzięki czemu jest bardziej opłacalne i zapewnia lepszą ochronę przed nieoczekiwanymi awariami.
Ponadto, ponieważ AI i ML mogą wnioskować o rzeczach - rzeczach, których niekoniecznie zostały nauczone - świetnie radzą sobie z wykrywaniem anomalii i wykrywaniem wartości odstających. Rozważmy na przykład monitorowanie temperatury silnika i poboru prądu. Oba monitorowane parametry miałyby limity, powyżej których uruchamiany byłby alarm. Oczekiwano by, że prąd (pobór prądu) i temperatura zmieniałyby się razem w zależności od obciążenia mechanicznego silnika, tj. wykreślenie prądu względem temperatury na wykresie skutkowałoby tym, że wszystkie punkty danych znajdowałyby się na linii reprezentującej związek między temperaturą a prądem. Ale co, jeśli anomalia zacznie się rozwijać lub pojawi się wartość odstająca? Zarówno temperatura, jak i natężenie prądu mogą mieścić się w dopuszczalnych granicach, jednak odchylenia i anomalie wskazują, że coś jest nie tak. AI/ML świetnie sobie z tym radzi.
Zaawansowane możliwości inteligentnego widzenia i konserwacji predykcyjnej są wykorzystywane w fabrykach na całym świecie, a także w wielu innych zastosowaniach, w tym w bezpieczeństwie, motoryzacji, lotnictwie, odnawialnych źródłach energii i w transporcie. Jeśli chodzi o wdrażane systemy, wymagają one podstawowych (elektronicznych) bloków konstrukcyjnych w celu obsługi AI i ML (coraz częściej wykonywanych „na krawędzi”, tj. w źródle danych i tam, gdzie należy podjąć działania). Podczas gdy większość mikrokontrolerów i mikroprocesorów (odpowiednio MCU i MPU) nadaje się dla tradycyjnego robota produkcyjnego, cobot potrzebuje czegoś więcej.
Na przykład MPU SAMA5D27 można wdrożyć w celu sterowania operacjami robotycznymi w typowych scenariuszach automatyzacji fabryki, takich jak przesuwanie, cięcie, gięcie, prasowanie lub łączenie elementów lub części. Ponadto SAMA5D27 zbiera i przetwarza dane z czujników, raportuje stan swojej pracy, obsługuje dyrektywy, zapewnia tryb awaryjnego wyłączania i monitoruje swoje otoczenie w celu uzyskania informacji związanych z konserwacją.
Jednak osadzanie ML to coś więcej niż tylko posiadanie mikrokontrolerów lub jednostek MPU zdolnych do hostowania algorytmów i modeli. Wymagany jest zintegrowany przepływ pracy, który usprawnia rozwój modelu ML. Mając to na uwadze, w 2023 roku firma Microchip uruchomiła pakiet MPLAB Machine Learning Development Suite, zestaw narzędzi programowych, który można wykorzystać w całym portfolio mikrokontrolerów i jednostek MPU. Obsługuje on nie tylko 32-bitowe mikrokontrolery i jednostki MPU - które są kojarzone z ML - ale także urządzenia 16-, a nawet 8-bitowe.
Następne etapy przepływu pracy ML nie obejmują MPLAB, ale warto je omówić:
Bezprzewodowa łączność między częściami fabryki i łączność z chmurą są wymagane w większości scenariuszy inteligentnej wizji i predykcyjnej konserwacji, więc rozważmy kilka innych elementów składowych. Kontrolery sieciowe IEEE 802.11 b/g/n firmy Microchip dla aplikacji IoT zapewniają niezawodną łączność Wi-Fi i sieci oraz łączą się z dowolnym z mikrokontrolerów SAM lub PIC firmy przy minimalnych wymaganiach dotyczących zasobów. Dzięki w pełni zintegrowanemu wzmacniaczowi mocy, wzmacniaczom o niskim poziomie szumów oraz funkcjom przełączania i zarządzania energią, urządzenia te zapewniają również wewnętrzną pamięć Flash do przechowywania oprogramowania układowego. Ponadto seria produktów SAM R30 wykorzystuje IEEE 802.15.4 w kanałach sub-GHz pasma radiowego przemysłowego, naukowego i medycznego (IS), a ich tryby uśpienia o niskim poborze mocy zużywają mniej niż 1 µA.
Źródło: Microchip Technology Inc. Tłumaczenie: Gamma Sp. z o.o.
Gamma Sp. z o.o. jest autoryzowanym dystrybutorem rozwiązań firmy Microchip Technology w Polsce. Zapraszamy do kontaktu z naszym działem handlowym.
Digi X-ON™ to bezpieczne, skalowalne i niezawodne rozwiązanie typu edge-to-cloud, pochodzące od jednego zaufanego...
Miniaturowa antena BT25B0150 firmy Pulse Electronics zaprojektowana, aby sprostać rosnącym wymaganiom komunikacji IoT.
Dołącz do nadchodzącego bezpłatnego warsztatu firmy Microchip, który odbędzie się w Krakowie już 18 marca 2025r.
Nowej generacji sterowniki bramek izolowanych klasy Value i Performance w postaci układów Si82Ax/Bx/Cx/Dx/Ex/Fx.
Moduły Digi XBee wdrażane w szerokim zakresie zastosowań na całym świecie wpływają na pozytywne zmiany w naszym...
Czwarta rewolucja przemysłowa (znana również jako Przemysł 4.0) przeniosła automatyzację na zupełnie nowy poziom.