Skip to main content

物联网虚拟化在工厂自动化中的潜力

工厂自动化

工业制造商本质上是保守的。他们的设备价值和潜在责任意味着他们通常不会运用新技术,除非这些新技术是预先经过验证的用例。

因此,尽管人工智能和物联网将会推动物联网工厂自动化,但工业数字化转型所需的许多支持技术仍然必须完成从设计到概念验证 (PoC) 的流程。此流程以人工智能物联网系统架构为基础,但像工作负载整合这样的理念尚未在真实工厂中成功地完成大规模演示。

事实上,许多自动化专业人员可能仍然不熟悉工作负载整合,以及为什么它对实现智能工厂目标来说如此重要。简单地说,它指的是一种多核处理器虚拟化方法。通过这种方法,制造商可以消除整个冗余系统,降低总能耗,最大限度地减少延迟,并降低成本

这看似简单,但事实并非如此。工作负载整合尚未在自动化用例中经过充分验证的一个原因在于,人工智能物联网工作负载(如图像处理和深度学习)中使用的图形处理器难以实现虚拟化。实际上,如果没有在第 12 代智能英特尔® 酷睿 处理器(原名为 Alder Lake)中设计的接口虚拟化和 I/O 共享等高级功能,它们根本无法实现虚拟化。

这些技术已在真实工业 PoC 中完成了演示。但要充分理解这些技术,我们首先必须了解为什么需要它们。

虚拟显卡正在观望

虽然物联网虚拟化不是新鲜事物,但一些工作负载比其它工作负载更易于虚拟化。由于图形处理单元 (GPU) 通常是主机处理器外设,因此开发人员在尝试对显卡硬件进行虚拟化时付出了巨大的努力。作为专用外设,GPU 可以从主机处理器导出到另一个虚拟机 (VM),但它们本身没有支持虚拟化的功能。

换句话说,GPU 资源难以在多个 VM 之间共享。

开发人员可以不惜代价模拟虚拟 GPU,将其作为驱动程序和物理 GPU 之间的中间技术,但这种技术会大幅增加延迟,大多数边缘应用程序都无法承受。

帮助虚拟 GPU 充分发挥潜力

为了使工作负载整合和人工智能物联网技术达到工业领域的临界点,需要进行硬件加速的 GPU 虚拟化。幸运的是,对于物联网工厂自动化专业人员来说,虚拟 GPU 性能改进是第 12 代智能英特尔® 酷睿 处理器的众多增强功能之一。

这些处理器通过连接 GPU 外设的 I/O 解决了异构架构的问题,以及图形执行单元数量超出边缘系统可用数量的问题。方法是在英特尔® Graphics Virtualization Technology(英特尔® GVT)中增加对 PCI-SIG 规范的支持(称为单根 I/O 虚拟化 (SR-IOV)),英特尔® GVT 使 VM 能够访问 GPU PCI Express 端口的物理功能。

这样可以将一个 GPU 以接近本机的性能水平分布在工作负载整合系统中。简单地说,它直接在硬件中实施资源共享,而非完全在软件中实施。

第 12 代智能英特尔® 酷睿 处理器是首款同时支持英尔® XE GPU 架构和 SR-IOV 虚拟化功能的处理器。高性能计算技术全球供应商 DFI, Inc. 提供 microATX 主板 ADS310-R680E,这是第一个配备 GFX SR-IOV 功能的平台。它还支持多达四个外部显示器、英特尔® OpenVINO 工具套件深度学习和基于 Linux 内核的虚拟机 (KVM)。

工业工作负载整合的验证

对于工业自动化设备而言,要向人工智能物联网无缝过渡,必须在不损失确定性的情况下增加功能。无论在物理主机上还是以虚拟方式执行程序,SR-IOV 等优化都使工程师能够充分利用现代软件技术的灵活性,同时仍然能够提供本机硬件性能。

ADS310 是最近与英特尔联合推出的 SR-IOV PoC 的一部分,演示了显卡虚拟化在工业自动化技术堆栈中的性能。在 ADS310 中,OpenVINO 人工智能算法在 Ubuntu 容器中运行,并分析摄像头图像,然后通过 HDMI 将其传递给本地显示器。该数据还被馈送至由 KVM 管理程序分区的两个 Windows 10 操作系统,然后通过 Wi-Fi 和 HDBaseT 以太网转发到远程显示器。

在未安装 SR-IOV 的情况下,这两个 Windows 10 实例获得了 28 fps 的帧速率。使用 SR-IOV 时,VM 的帧速率提升至 60 fps,这是实现流畅图形渲染的一个常见目标。

向工作负载整合系统架构迁移的效率、工作效率、易用性和成本效益都是显而易见的,并已得到充分证明。现在,由于第 12 代智能英特尔® 酷睿 处理器的集成功能,这些方面也经过了实践验证。

自动化行业已做好转型准备。

 

本文由 insight.tech 的编辑副主管 Georganne Benesch 编辑

作者简介

Brandon brings more than a decade of high-tech journalism and media experience to his current role as Editor-in-Chief of the electronics engineering publication Embedded Computing Design. His 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. Brandon leads interactive YouTube communities around platforms like the Embedded Toolbox video interview series and Dev Kit Weekly hardware reviews, and co-hosts the Embedded Insiders Podcast. Drop him a line at brandon.lewis@opensysmedia.com or DM him on Twitter @techielew.

Profile Photo of Brandon Lewis