Ewolucja widzenia komputerowego (Machine Vision) w automatyzacji

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.

Przemysł 4.0 do 5.0

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”.

Konserwacja predykcyjna

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.

Bloki konstrukcyjne i przepływ pracy

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.

Oto, w jaki sposób MPLAB byłby używany w ramach zintegrowanego przepływu pracy.

• Zbieranie danych: urządzenia brzegowe wyposażone w czujniki zbierają istotne dane o monitorowanym sprzęcie lub systemie. Dane te mogą obejmować odczyty czujników, temperaturę, wibracje, ciśnienie lub inne istotne parametry. Dane te są importowane do MPLAB jako plik surowy lub .csv. Wstępne przetwarzanie danych: W pakiecie MPLAB Machine Learning Development Suite zebrane dane są wstępnie przetwarzane w celu ich oczyszczenia, znormalizowania i przekształcenia do formatu odpowiedniego do analizy. Może to obejmować usuwanie wartości odstających (jak omówiono powyżej), obsługę wartości brakujących lub skalowanie danych.
• Ekstrakcja cech: odpowiednie cechy są ekstrahowane z wstępnie przetworzonych danych. Techniki ekstrakcji cech mogą obejmować analizę statystyczną, analizę szeregów czasowych, transformacje Fouriera, analizę falkową lub inne metody specyficzne dla domeny. Jest to również wykonywane w pakiecie programistycznym.
• Rozwój modelu: modele ML, takie jak algorytmy klasyfikacji lub wykrywania anomalii, są opracowywane w pakiecie przy użyciu wyodrębnionych cech. Może to obejmować techniki, takie jak drzewa decyzyjne, sieci neuronowe lub metody zespołowe. Pakiet automatycznie optymalizuje model pod kątem rozmiaru pamięci i dokładności w zależności od docelowego MCU lub MPU.
• Szkolenie i aktualizacja modelu: model ML jest trenowany przy użyciu danych historycznych i uwzględnia zarówno normalne, jak i wadliwe warunki pracy. Model można również nauczyć rozpoznawania analogicznych warunków w postaci niewidzianych danych.

Następne etapy przepływu pracy ML nie obejmują MPLAB, ale warto je omówić:

• Wdrożenie modelu: wytrenowany model jest wdrażany na MCU lub MPU używanym w urządzeniu brzegowym, co pozwala mu na dokonywanie przewidywań w czasie rzeczywistym lub wykrywanie anomalii lokalnie bez polegania na scentralizowanym serwerze. Umożliwia to szybsze czasy reakcji i zmniejsza zależność od łączności sieciowej.
• Generowanie alertów i podejmowanie decyzji: na podstawie przewidywań lub wykrytych anomalii z wdrożonego modelu, model może generować alerty lub powiadomienia na urządzeniu brzegowym. Umożliwia to szybką reakcję i podejmowanie decyzji, takich jak planowanie działań konserwacyjnych lub podejmowanie działań naprawczych w celu zapobiegania awariom sprzętu.
• Ciągły monitoring i optymalizacja: urządzenie brzegowe nadal monitoruje sprzęt lub system w czasie rzeczywistym i zbiera nowe dane. Na podstawie przesunięcia między danymi bazowymi a nowymi, model ML może zostać ponownie wytrenowany i zaktualizowany. Ten iteracyjny proces pomaga w ciągłym zwiększaniu dokładności i skuteczności systemu konserwacji predykcyjnej.

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.