Skip to main content

工业

将人工智能和计算机视觉引入到工业车间

机器视觉正在转变质量控制模式。现代检查系统可以做的不仅仅是接受或拒绝零件。正是得益于深入学习,它们可以自动调整制造流程,减少浪费并提高效率。

试着想想诸如焊接和 3D 打印等增材制造流程。这些流程可能对温度、线速、机器校准和材料变化等因素极其敏感。当参数超出技术规格范围时,可能会很快出现故障零件。

标准检查系统可以识别出有故障的零件,但它无法识别出故障原因。这可能是人的局限性造成的,因为人们只能在检查到报废零件之后才能调整流程。相比之下,深入学习检查系统可以更深入地了解问题的本质。

我们来看看金属增材制造流程。标准检查系统可能只评估已完成的产品,并作出简单的接受或拒绝决定。相比之下,深入学习系统可以自行监控制造流程,不断评估熔化的金属轨道的一致性。这提供了在发生问题时解决的机会,挽救了不解决问题的话可能会被拒绝的零件。

在更传统的制造生产线中,深入学习系统可以进行调整,例如指示 PLC 降低线速或提高工艺温度。这种恒定的调整可大幅减少废弃零件数量。

部署挑战

开发人员面临的挑战是寻找部署机器视觉的方法。一种常用方法是构建围绕图形处理单元 (GPU) 的自定义硬件。虽然这种方法可以提供所需的性能,但是 GPU 通常不满足工业可靠性要求。电源也是一个问题,因为 GPU 倾向于运行时过热并需要冷却风扇,不是非常适合用于苛刻的工业环境。

完整的自定义系统所需的工作量也是个问题。除了创建自定义硬件的基本困难之外,工程师还必须将其设计集成到控制环路。给定用于控制工业设备的 PLC 的专业性,这会是一个不平凡的挑战。

更容易的人工智能集成

为了解决这些问题,SIEMENS AG 和英特尔® 协作,合力开发用于 Siemens SIMATIC S7 系列 PLC 的新的深入学习模块。“借助此模块,用户只需要添加一个用于本地干预的人工智能扩展模块,就可以扩大用于控制机器的现有 PLC 系统的功能,” 英特尔的技术客户经理 Thomas Dietrich 说道,“如果您已经安装了 SIMATIC S7-1500 控制器,那它就是一个简单的附加件。您只需插入人工智能扩展模块和一个摄像头或非视觉传感器,硬件设置就完成了。”

SIMATIC S7-1500 TM NPU 是一个基于英特尔® Mmovidius Myriad X 视觉处理单元 (VPU) 的 PLC 扩展模块。专为高能效的人工智能而设计,此英特尔技术使得该模块可处理多达 720 个来自多个摄像头数据流的立体声对,并仅通过被动冷却,以接近实时的方式运行计算机视觉,而不牺牲能耗或准确性。与其它平台相比,它在 VGA 分辨率方面实现分辨率提高 3 倍,或者与 30 Hz 的其它平台相比提高 6 倍。

该模块处理可视化或非可视化数据(如音频或振动),然后通过底板将分析结果发送到 PLC。PLC 随后使用分析数据作为输入来运行控制算法,并调整控制流程。

图 1 显示了一个示例,说明生产线可如何在取放情景中使用该系统。生产项目进入左侧的传送带。头顶 LED 照明照亮项目。安装在平台上的摄像头采集图像并将其传输至 PLC 扩展模块。PLC 转而指引机械臂方向以拾取项目,并将其放在右侧传送器。

图 1. 西门子视觉系统在拾放以及其它使用案例中表现出色。(资料来源:西门子)

该模块将人工智能模型用于抓取,它会在几毫秒内计算给定对象的数以百计的抓取点,并选择为最佳的抓取点。然后,它可以将此信息中继给控制机械手的 PLC,以便以最佳方式中拾取对象 – 通过专用硬件 PLC SIMATIC S7-1500 系列或基于 PC 的 SIMATIC ET 200SP Open Controller v2,后者提供了一个 Windows 分区以用于其它应用程序。

编者注:此演示会在将于 2019 年 4 月 1 日至 5 日举办的汉诺威工业博览会上显示。如果您要亲自看到它,请造访位于 9 厅 35 展位的西门子展位。

这种自动化模式可以节省大量的人工。“例如,当今时代,在离散的制造线上有很多手动过程,用于依靠肉眼进行的质量控制或组装混合零件,如印刷电路板制造中的通孔技术,” Dietrich 说道,“在这些使用情形中,人工智能可通过提高自动化程度来帮助提高质量和/或产量。”

不是机械手提升项目,而是 PLC 可以指引任何其它种类的工厂设备,例如上文提到的焊接设备或 CNC 机械加工工具。事实上,该系统已不再仅限于视觉。“主要使用案例是视频,但是您可以做其它事情,” Dietrich 说道,“它打开另一个可能的使用情形范围,例如用于进行预测性维护的振动或者甚至是声音分析。”

构建人工智能模型

当然,只有在您构建深入学习模型之后,这个令人印象深刻的硬件才能发挥作用。同样,英特尔和西门子通过协作来解决了这个问题,集成了他们的工具链来获得端到端解决方案。

它从使用 Caffe 或 Tensorflow 等最常用的人工智能框架开发深入学习模型开始,然后可将其优化并使用 SD 卡与一个小应用程序一起部署到该模块。通常,您可以从使用免费提供的现有 DL 模型开始,并通过可用的制造数据重新训练,根据您的具体使用案例调整它。从这里,可以在西门子工程框架 TIA Portal 中配置该模块,以在 PLC 程序中实施和使用来自 TM NPU 模块的数据。

不远未来的想法是能够提供人工智能工作台,以简化创建、部署和实现工业人工智能解决方案,并使它们不但可以供人工智能专家访问,而且可以供自动化工程师访问。

机器视觉的新外观

对于制造商,这种更为简单的开机器视觉方法打开了无限可能的世界。不再局限于在问题出现后解决问题,制造商可以持续调整其流程以获得最大效率。并且借助西门子公司追求的高度集成的方法,制造商让这些机器视觉系统投入运行速度远胜从前。

作者简介

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.

Profile Photo of Erik Sherman