圖片來源:貝加萊
未來AI將更多的融入自動化開發(fā)平臺中,為用戶帶來更具創(chuàng)新而又效率更高、成本更低的自動化解決方案。
AI正在成為一種熱潮,不斷地引發(fā)產(chǎn)業(yè)的關(guān)注。而在制造業(yè),AI同樣正在成為各個自動化廠商、機械制造商、用戶關(guān)注的焦點。
01 人工智能-隱性知識的挖掘
自動化系統(tǒng)是用機器和系統(tǒng)來代替和幫助人的工作,而因此,機器和系統(tǒng)需要像人一樣的思考。人的思維方式主要是演繹法和歸納法,我們可以理解為對應(yīng)了物理建模(Physics-based Modeling)和數(shù)據(jù)驅(qū)動建模(Data-Driven Modeling)。物理建模具有良好的可解釋性、可預(yù)測、算力低、安全等優(yōu)點。但是,它并不產(chǎn)生新知識,并且它的控制是在既定規(guī)則下的控制,具有局限性。而工程中更多的隱性的知識,如隱藏在技師腦中的經(jīng)驗,它無法被有效的描述進而復(fù)用。工程中必然存在著大量的不確定、非線性問題,尚未被認(rèn)知,因此,通過數(shù)據(jù)驅(qū)動的建模,包括統(tǒng)計學(xué)、機器學(xué)習(xí),深度學(xué)習(xí)的方式是更好的知識挖掘,而“學(xué)習(xí)”是人工智能的基礎(chǔ)能力。
圖1顯示了工業(yè)軟件的本質(zhì)在于知識的復(fù)用,知識是顯性,可被物理化學(xué)公式描述的,而經(jīng)驗則是隱性的,需要被挖掘。實際上,自動化系統(tǒng)進行AI的訓(xùn)練具有先天的條件。而現(xiàn)代控制理論的研究中,控制科學(xué)與工程領(lǐng)域的專家通常也兼具AI專家。主要在系統(tǒng)辨識、最優(yōu)優(yōu)化、模糊控制、自適應(yīng)控制等領(lǐng)域。而工程實踐中,AI也作為一種重要的工具輔助問題的解決。
▲圖1:工業(yè)知識的軟件化過程
02 自動化開發(fā)工業(yè)AI優(yōu)勢
與商業(yè)AI不同,工業(yè)AI在可解釋性、實時性、穩(wěn)定與安全等有著特殊的需求。這使得自動化領(lǐng)域的工程師,必須依據(jù)工業(yè)的特殊場景,基于AI的方法和工具來解決復(fù)雜的問題。因此,在工業(yè)AI的應(yīng)用開發(fā)中,自動化領(lǐng)域有著先天的優(yōu)勢。這包括了以下幾個方面:
1 在數(shù)據(jù)方面的資源
自動化領(lǐng)域有豐富的現(xiàn)場數(shù)據(jù)采集與處理,包括邏輯、運動控制的扭矩、速度、位置,振動信號、視覺等專用的I/O模塊,以及在內(nèi)存中的中間計算量等,這些數(shù)據(jù)可以被直接訪問,也可以被訪問。
2 工業(yè)通信與信息建模
通信,除了底層的物理層與數(shù)據(jù)鏈路層的網(wǎng)絡(luò)協(xié)議,也包括用于信息建模的垂直行業(yè)模型,如PackML、EUROMAP、Unimat、Automation ML等。信息模型使得數(shù)據(jù)被結(jié)構(gòu)化,并提供周期性采樣與傳輸能力。包括OPC UA/MQTT,可以建立在運行的OT系統(tǒng)與邊緣、云端系統(tǒng),經(jīng)由通信規(guī)范來實現(xiàn)連接。例如OPC UA可以通過Pub/Sub機制在OT與云平臺之間進行數(shù)據(jù)的上下行訪問。
3 機電經(jīng)驗積累的專家
在工業(yè)自動化領(lǐng)域,工程師們通常需要對機電對象的物理特性,如對材料的張力特性、機械摩擦、模態(tài)等的了解,才能更好的進行控制。而同樣,這些經(jīng)驗豐富的機電專家,在AI的數(shù)據(jù)采集、特征工程、訓(xùn)練模型的評估、參數(shù)調(diào)校、泛化方面給出自己的洞見(Insight)——這非常關(guān)鍵,因為,工業(yè)數(shù)據(jù)的背后是機電的強耦合關(guān)系。這些關(guān)系的判斷對于AI如何去訓(xùn)練具有非常重要的指導(dǎo)意義。
4 智能執(zhí)行
AI可以讓機器變得更聰明,但是,聰明的大腦還需要有力的臂膀去在現(xiàn)場執(zhí)行?;诠I(yè)的控制系統(tǒng)、運動控制、輸送技術(shù)——AI優(yōu)化的參數(shù)、模型,可以被本地推理,并發(fā)送給智能的執(zhí)行機構(gòu)去執(zhí)行。而工業(yè)自動化可以現(xiàn)場執(zhí)行,實現(xiàn)整個的邏輯閉環(huán)。
03 AI應(yīng)用場景分析
在工業(yè)場景中,較為常見的AI應(yīng)用需求包括:
■ 機器人智能導(dǎo)引:在離散產(chǎn)品組裝線上,機器人目前已經(jīng)廣泛應(yīng)用于產(chǎn)品分揀等,但是,隨著AI的智能導(dǎo)引訓(xùn)練的加入,機器人將完成更多、更復(fù)雜場景的工作。例如:隨機物料的隊列排序、配合包裝容器變化的撿取,配合加工工站的加工動作。最為重要的是,它可以通過更為簡單的示教,讓機器自動學(xué)習(xí),而非傳統(tǒng)的既有規(guī)則下的編程實現(xiàn)。
■ 視覺缺陷分析:視覺的高維度參數(shù)中包含了各種可能性,而缺陷包括劃痕、斑點、輪廓線的偏差、褶皺、波紋等,可以用于更多的產(chǎn)品缺陷分析。而圖形圖像的處理,正是AI發(fā)揮優(yōu)勢的所在。
■ 工藝參數(shù)優(yōu)化:這是傳統(tǒng)的控制科學(xué)與工程研究領(lǐng)域,在過去,囿于算力成本,它并未被大量的應(yīng)用。隨著算力成本的降低,對于各種閉環(huán)控制,在PID參數(shù)、前饋、濾波等參數(shù)的尋優(yōu)方面,AI可以發(fā)揮其作用。通過為歷史數(shù)據(jù)和實時數(shù)據(jù)建立約束條件,使得參數(shù)可以被收斂到更為高效的匹配中。
■ 創(chuàng)成式設(shè)計:在新的系統(tǒng)設(shè)計方法中,創(chuàng)成式設(shè)計在機械、動力學(xué)領(lǐng)域開始有應(yīng)用。而隨著AGI的快速發(fā)展,其在自動化工程領(lǐng)域也有了潛力。它可以為工程師在重復(fù)性,以及更為廣泛的開源設(shè)計尋找創(chuàng)新的靈感,使得設(shè)計不僅高效,并且更具創(chuàng)新性。
■ 故障預(yù)警:故障早期預(yù)警是較為普遍的使用,傳統(tǒng)基于斷裂力學(xué)、疲勞力學(xué)等物理建模方式往往需要非常久的積累,對于較為復(fù)雜的傳動鏈,它非常依賴于專家及長期的故障復(fù)現(xiàn)才能實現(xiàn)預(yù)測。而基于數(shù)據(jù)的方式,在于不依賴這些物理知識下,通過數(shù)據(jù)的挖掘來實現(xiàn)故障預(yù)測與定位,如果能夠結(jié)合物理方法,兩者發(fā)揮各自優(yōu)勢,將會讓AI發(fā)揮事半功倍的效果。
■ 排程與調(diào)度:隨著產(chǎn)品多樣性、流程復(fù)雜性,以及長流程生產(chǎn)中的復(fù)雜組合,背后形成的龐大可能性很難被人工計算,以獲得效率最高的生產(chǎn)排程和任務(wù)調(diào)度能力。而AI正是擅長在這復(fù)雜的背后,尋找那些路徑最短和基于評價指標(biāo)(如成本、能耗、時間最優(yōu)的約束條件)的調(diào)度組合。
04 軟硬件架構(gòu)
在AI應(yīng)用中,貝加萊可以提供多個層級的IT與OT融合架構(gòu):
■ 根據(jù)多個層級的算力需求的硬件架構(gòu)。在對算力需求并不高的場景里,嵌入式系統(tǒng)如X20的PLC本身也可以作為一個簡單的AI訓(xùn)練和推理單元。
■ 邊緣側(cè)的訓(xùn)練。對于較高算力,及邊緣側(cè)的全局?jǐn)?shù)據(jù)訓(xùn)練,可以通過APC/Panel PC方式進行訓(xùn)練。這里,APC本身采用了諸如Intel Apollo Lake算力較高的處理器,對于更高性能要求的,可以采用了aPCI插槽可以插入AI加速器。貝加萊通過與專業(yè)的AI硬件(如HAILO)及軟件企業(yè)(MVtec的HALCON)合作,在其硬件和軟件方面集成AI訓(xùn)練方法集。
■ 云端長周期數(shù)據(jù)訓(xùn)練。對于較長周期的大數(shù)據(jù)訓(xùn)練,貝加萊的PLC/PC可以通過OPC UA Pub/Sub的方式建立與云端的連接。運行在云服務(wù)上的模型訓(xùn)練可提供更大容量的數(shù)據(jù),更長周期的訓(xùn)練。并通過OPC UA下發(fā)至本地推理。
05 AI與自動化技術(shù)的融合
貝加萊一直在專注于AI與自動化技術(shù)的融合,并在其未來的產(chǎn)品技術(shù)中融入AI元素,增強自動化系統(tǒng)解決制造問題的能力。
■ Automation Studio Copilot生成式編程。在即將到來的Automation Studio開發(fā)平臺中,生成式AI將幫助工程師來提高代碼開發(fā)的效率。通過點擊“提問”,以語音/文本輸入給系統(tǒng),它會自動去進行代碼的編寫,并生成代碼。Automation Studio Copilot版本中將包含以下AI代碼生成:采用ST語言生成程序;注釋和代碼優(yōu)化;提供對開發(fā)者問題的生成式響應(yīng)能力。
■ 深度學(xué)習(xí)機器視覺。通過與AI領(lǐng)域的軟硬件伙伴合作,在貝加萊的機器視覺中增強了AI處理能力。它集成了基于規(guī)則(Rule-based)的圖像處理系統(tǒng)中。深度學(xué)習(xí)網(wǎng)絡(luò)將提供評估和熱圖,使用所有基于規(guī)則的函數(shù)對熱圖進行詳細(xì)的分析。貝加萊的機器視覺本身具有集成性,將光源、相機和AI處理集成于一體,可以實現(xiàn)與運動控制、機器人、邏輯任務(wù)實現(xiàn)高精度的同步。極高響應(yīng)的AI視覺可以讓處理過程更高精度、更快的響應(yīng)——這在制造過程中會降低初始的開機廢料,以及運行中的品質(zhì)一致性。
·機器人的手-眼標(biāo)定。在新的機器人集成應(yīng)用中,貝加萊將集成“eye-hand”的手眼標(biāo)定技術(shù),這就是讓機器人快速去學(xué)習(xí)人在機器人與機器中心、路徑等方面的能力。它將降低機器人在生產(chǎn)變化中的示教時間,減少編程所需的工作,并能夠適應(yīng)快速的生產(chǎn)任務(wù)變化(圖2)。
▲圖2:機器人的眼-手示教
■ 集成AI能力的伺服驅(qū)動器。在機器控制中,伺服電機連接的機械負(fù)載在速度、加速度變化,以及負(fù)載慣量的變化時,它都需要更好的控制參數(shù)匹配,以獲得更優(yōu)的控制效果。這關(guān)系到加工精度,單位時間的產(chǎn)出,也會因為曲線的光滑與否關(guān)系機器的運行壽命。通常這些伺服參數(shù)由經(jīng)驗豐富的工程師在機器設(shè)計時,為其建模并能夠進行良好的控制(圖3)。這樣帶來的問題就是,它比較依賴于電氣工程師對機械對象的理解,而通過AI可以經(jīng)由電流、速度、位置等反饋,由AI學(xué)習(xí)并訓(xùn)練出優(yōu)化的運動控制參數(shù),例如在電子凸輪裁切、各種印刷包裝領(lǐng)域的材料張力閉環(huán)控制、注塑開合模等。
▲圖3:AI加持伺服驅(qū)動器的參數(shù)自適應(yīng)
在貝加萊的持續(xù)創(chuàng)新中,也包括邊緣側(cè)的控制器、AI集成的驅(qū)動系統(tǒng)等,未來AI將更多的融入自動化開發(fā)平臺中,為用戶帶來更具創(chuàng)新,而又效率更高、成本更低的自動化解決方案。