AI正在成為一種熱潮，不斷的引發(fā)產(chǎn)業(yè)的關(guān)注。而在制造業(yè)，AI同樣正在成為各個(gè)自動(dòng)化廠商、機(jī)械制造商、用戶關(guān)注的焦點(diǎn)。作為自動(dòng)化領(lǐng)域的技術(shù)領(lǐng)導(dǎo)企業(yè)，貝加萊一直在關(guān)注著AI的進(jìn)程，并在其產(chǎn)品技術(shù)研發(fā)、工程實(shí)踐中，不斷的引入AI來(lái)解決實(shí)際制造業(yè)中的問題。
人工智能-隱性知識(shí)的挖掘
自動(dòng)化系統(tǒng)正是用機(jī)器和系統(tǒng)來(lái)代替和幫助人的工作，而因此，機(jī)器和系統(tǒng)需要像人一樣的思考。而人的思維方式主要是演繹法和歸納法，我們可以理解為對(duì)應(yīng)了物理建模（Physics-based Modeling）和數(shù)據(jù)驅(qū)動(dòng)建模（Data-Driven Modeling）。物理建模具有良好的可解釋性、可預(yù)測(cè)、算力低、安全等優(yōu)點(diǎn)。但是，它并不產(chǎn)生新知識(shí)，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(shí)，如隱藏在技師腦中的經(jīng)驗(yàn)，它無(wú)法被有效的描述進(jìn)而復(fù)用。并且，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(guò)數(shù)據(jù)驅(qū)動(dòng)的建模，包括統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)，深度學(xué)習(xí)的方式是更好的知識(shí)挖掘—而“學(xué)習(xí)”是人工智能的基礎(chǔ)能力。
圖1-工業(yè)知識(shí)的軟件化過(guò)程
圖1顯示了工業(yè)軟件的本質(zhì)在于知識(shí)的復(fù)用，知識(shí)是顯性，可被物理化學(xué)公式描述的，而經(jīng)驗(yàn)則是隱性的-需要被挖掘。實(shí)際上，自動(dòng)化系統(tǒng)進(jìn)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(shí)、最優(yōu)優(yōu)化、模糊控制、自適應(yīng)控制等領(lǐng)域。而工程實(shí)踐中，AI也作為一種重要的工具輔助問題的解決。
自動(dòng)化開發(fā)工業(yè)AI優(yōu)勢(shì)
與商業(yè)AI不同，工業(yè)AI在可解釋性、實(shí)時(shí)性、穩(wěn)定與安全等有著特殊的需求。這使得自動(dòng)化領(lǐng)域的工程師，必須依據(jù)工業(yè)的特殊場(chǎng)景，基于AI的方法和工具，來(lái)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(dòng)化領(lǐng)域有著先天的優(yōu)勢(shì)。這包括了以下幾個(gè)方面：
● 在數(shù)據(jù)方面的資源
自動(dòng)化領(lǐng)域有豐富的現(xiàn)場(chǎng)數(shù)據(jù)采集與處理，包括邏輯、運(yùn)動(dòng)控制的扭矩、速度、位置，振動(dòng)信號(hào)、視覺等專用的I/O模塊。以及在內(nèi)存中的中間計(jì)算量等，這些數(shù)據(jù)可以被直接訪問，也可以被訪問。
● 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(yùn)行的OT系統(tǒng)與邊緣、云端系統(tǒng)，經(jīng)由通信規(guī)范來(lái)實(shí)現(xiàn)連接。例如OPC UA可以通過(guò)Pub/Sub機(jī)制在OT與云平臺(tái)之間進(jìn)行數(shù)據(jù)的上下行訪問。
● 機(jī)電經(jīng)驗(yàn)積累的專家
在工業(yè)自動(dòng)化領(lǐng)域，工程師們通常需要對(duì)機(jī)電對(duì)象的物理特性，如對(duì)材料的張力特性、機(jī)械摩擦、模態(tài)等的了解，才能更好的進(jìn)行控制。而同樣，這些經(jīng)驗(yàn)豐富的機(jī)電專家，在AI的數(shù)據(jù)采集、特征工程、訓(xùn)練模型的評(píng)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?yàn)椋I(yè)數(shù)據(jù)的背后是機(jī)電的強(qiáng)耦合關(guān)系，這些關(guān)系的判斷，對(duì)于AI如何去訓(xùn)練具有非常重要的指導(dǎo)意義。
圖2-自動(dòng)化在工業(yè)AI應(yīng)用中的優(yōu)勢(shì)
● 智能執(zhí)行
AI可以讓機(jī)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(chǎng)執(zhí)行。基于工業(yè)的控制系統(tǒng)、運(yùn)動(dòng)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(jī)構(gòu)去執(zhí)行。而工業(yè)自動(dòng)化可以現(xiàn)場(chǎng)執(zhí)行—實(shí)現(xiàn)整個(gè)的邏輯閉環(huán)。
AI應(yīng)用場(chǎng)景分析
在工業(yè)場(chǎng)景中，較為常見的AI應(yīng)用需求包括：
● 機(jī)器人智能導(dǎo)引：
在離散產(chǎn)品組裝線上，機(jī)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(jī)器人將完成更多、更復(fù)雜場(chǎng)景的工作，例如：隨機(jī)物料的隊(duì)列排序、配合包裝容器變化的撿取，配合加工工站的加工動(dòng)作—最為重要的是，它可以通過(guò)更為簡(jiǎn)單的示教，讓機(jī)器自動(dòng)學(xué)習(xí)，而非傳統(tǒng)的既有規(guī)則下的編程實(shí)現(xiàn)。
圖3-AI在制造業(yè)中的常用場(chǎng)景
● 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(diǎn)、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(shì)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(guò)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(duì)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(guò)為歷史數(shù)據(jù)和實(shí)時(shí)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(jì)
在新的系統(tǒng)設(shè)計(jì)方法中，創(chuàng)成式設(shè)計(jì)在機(jī)械、動(dòng)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(dòng)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(jì)尋找創(chuàng)新的靈感，使得設(shè)計(jì)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(duì)于較為復(fù)雜的傳動(dòng)鏈，它非常依賴于專家及長(zhǎng)期的故障復(fù)現(xiàn)才能實(shí)現(xiàn)預(yù)測(cè)。而基于數(shù)據(jù)的方式，在于不依賴這些物理知識(shí)下，通過(guò)數(shù)據(jù)的挖掘來(lái)實(shí)現(xiàn)故障預(yù)測(cè)與定位，如果能夠結(jié)合物理方法，兩者發(fā)揮各自優(yōu)勢(shì)，將會(huì)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(zhǎng)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(jì)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(zhǎng)在這復(fù)雜的背后，尋找那些路徑最短和基于評(píng)價(jià)指標(biāo)（如成本、能耗、時(shí)間最優(yōu)的約束條件）的調(diào)度組合。
軟硬件架構(gòu)
在AI應(yīng)用中，貝加萊可以提供多個(gè)層級(jí)的IT與OT融合架構(gòu)
● 根據(jù)多個(gè)層級(jí)的算力需求的硬件架構(gòu)
在對(duì)算力需求并不高的場(chǎng)景里，嵌入式系統(tǒng)如X20的PLC本身也可以作為一個(gè)簡(jiǎn)單的AI訓(xùn)練和推理單元。
● 邊緣側(cè)的訓(xùn)練
對(duì)于較高算力，及邊緣側(cè)的全局?jǐn)?shù)據(jù)訓(xùn)練，可以通過(guò)APC/Panel PC方式進(jìn)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(duì)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(guò)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(zhǎng)周期數(shù)據(jù)訓(xùn)練
對(duì)于較長(zhǎng)周期的大數(shù)據(jù)訓(xùn)練，貝加萊的PLC/PC可以通過(guò)OPC UA Pub/Sub的方式建立與云端的連接。運(yùn)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(zhǎng)周期的訓(xùn)練。并通過(guò)OPC UA下發(fā)至本地推理。
圖4-貝加萊的整體AI與控制集成架構(gòu)
如圖4，通過(guò)Hypervisor技術(shù)的PC，在Linux平臺(tái)的數(shù)據(jù)訓(xùn)練方法可以進(jìn)行本地的AI訓(xùn)練和推理，也可以長(zhǎng)周期的云端訓(xùn)練，并通過(guò)通信系統(tǒng)部署本地推理。而整個(gè)系統(tǒng)可以實(shí)現(xiàn)底層數(shù)據(jù)采集、通信傳輸、模型訓(xùn)練、現(xiàn)場(chǎng)執(zhí)行，構(gòu)成完整的應(yīng)用閉環(huán)。
應(yīng)用場(chǎng)景
案例1:X光輪胎缺陷檢測(cè)
由于輪胎關(guān)乎乘用車輛的安全性，因此，缺陷檢測(cè)環(huán)節(jié)在出廠前是一個(gè)必須的環(huán)節(jié)。在過(guò)去，通過(guò)X光成像后的缺陷標(biāo)定，都特別依賴于經(jīng)驗(yàn)豐富的技術(shù)人員，效率也比較低。而對(duì)于X光的圖片而言，由于其背景對(duì)缺陷本身的干擾，使得這個(gè)檢測(cè)會(huì)變得較為困難。輪胎的缺陷也具有多樣性，如內(nèi)部氣泡、鋼絲圈的纏繞中的錯(cuò)位、斷裂，內(nèi)部褶皺等，這些缺陷之間也會(huì)產(chǎn)生相似性的干擾，這為輪胎缺陷檢測(cè)帶來(lái)了復(fù)雜性。
如圖5所示，輪胎經(jīng)由X光機(jī)采樣，提供圖像給AI分析系統(tǒng)進(jìn)行處理。
圖5-采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輪胎缺陷檢測(cè)
通過(guò)采用卷積神經(jīng)網(wǎng)絡(luò)CNN算法，對(duì)來(lái)自X光機(jī)的圖像進(jìn)行識(shí)別，系統(tǒng)將不斷對(duì)各種缺陷進(jìn)行類型判定、缺陷位置定位，并將這些學(xué)習(xí)到的模型部署到本地的品檢站數(shù)據(jù)庫(kù)。由生產(chǎn)管理系統(tǒng)對(duì)其進(jìn)行相應(yīng)的處理，并作為依據(jù)為前道的生產(chǎn)提供改善參數(shù)。
案例2：預(yù)測(cè)性維護(hù)
預(yù)測(cè)性維護(hù)是比較多的場(chǎng)景，過(guò)去，專家型系統(tǒng)昂貴是一方面，另外就是場(chǎng)景適用性比較單一。隨著AI算力的成本不斷下降，使得產(chǎn)業(yè)更為關(guān)注在更為普遍的關(guān)鍵設(shè)備上部署預(yù)測(cè)性維護(hù)系統(tǒng)。
圖6-預(yù)測(cè)性維護(hù)架構(gòu)
圖6是貝加萊在相關(guān)設(shè)備領(lǐng)域提供的機(jī)器早期故障預(yù)警的系統(tǒng)架構(gòu)。通過(guò)AI的數(shù)據(jù)分析，可以為機(jī)器的長(zhǎng)周期穩(wěn)定運(yùn)行提供預(yù)警。通過(guò)預(yù)警，實(shí)現(xiàn)幾個(gè)關(guān)鍵的制造過(guò)程管控。首先是制定停機(jī)和備件計(jì)劃，而對(duì)于OEM而言，它可以提供在出廠前振動(dòng)分析和運(yùn)行中設(shè)備的過(guò)程中預(yù)警，并可以返回作為改善設(shè)計(jì)的依據(jù)。
貝加萊未來(lái)的AI投資
貝加萊一直在專注于AI與自動(dòng)化技術(shù)的融合，并在其未來(lái)的產(chǎn)品技術(shù)中，融入AI元素，增強(qiáng)自動(dòng)化系統(tǒng)解決制造問題的能力。
1.Automation Studio Copilot生成式編程
在即將到來(lái)的Automation Studio開發(fā)平臺(tái)中，生成式AI將幫助工程師來(lái)提高代碼開發(fā)的效率。
圖7-生成式AI應(yīng)用于PLC編程
在圖7中，我們可以看到，點(diǎn)擊“提問”，以語(yǔ)音/文本輸入給系統(tǒng)，它會(huì)自動(dòng)去進(jìn)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(yǔ)言生成程序
● 注釋和代碼優(yōu)化
● 提供對(duì)開發(fā)者問題的生成式響應(yīng)能力
圖8-生成式AI與自動(dòng)化工程開發(fā)
深度學(xué)習(xí)機(jī)器視覺
通過(guò)與AI領(lǐng)域的軟硬件伙伴合作，在貝加萊的機(jī)器視覺中增強(qiáng)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(píng)估和熱圖，使用所有基于規(guī)則的函數(shù)對(duì)熱圖進(jìn)行詳細(xì)的分析。
圖9-AI集成的機(jī)器視覺
貝加萊的機(jī)器視覺本身具有集成性，將光源、相機(jī)和AI處理集成于一體，可以實(shí)現(xiàn)與運(yùn)動(dòng)控制、機(jī)器人、邏輯任務(wù)實(shí)現(xiàn)高精度的同步。極高響應(yīng)的AI視覺可以讓處理過(guò)程更高精度、更快的響應(yīng)-這在制造過(guò)程中會(huì)降低初始的開機(jī)廢料，以及運(yùn)行中的品質(zhì)一致性。
機(jī)器人的手-眼標(biāo)定
在新的機(jī)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(jī)器人快速去學(xué)習(xí)人在機(jī)器人與機(jī)器中心、路徑等方面的能力。
圖10-機(jī)器人的眼-手示教
它將降低機(jī)器人在生產(chǎn)變化中的示教時(shí)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。
集成AI能力的伺服驅(qū)動(dòng)器
AI加持伺服驅(qū)動(dòng)器的參數(shù)自適應(yīng)
在機(jī)器控制中，伺服電機(jī)連接的機(jī)械負(fù)載在速度、加速度變化，以及負(fù)載慣量的變化時(shí)，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(shí)間的產(chǎn)出，也會(huì)因?yàn)榍€的光滑與否關(guān)系機(jī)器的運(yùn)行壽命。通常這些伺服參數(shù)由經(jīng)驗(yàn)豐富的工程師在機(jī)器設(shè)計(jì)時(shí)，為其建模并能夠進(jìn)行良好的控制。這樣帶來(lái)的問題就是，它比較依賴于電氣工程師對(duì)機(jī)械對(duì)象的理解，而通過(guò)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(yùn)動(dòng)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。
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(dòng)系統(tǒng)等，未來(lái)AI將更多的融入自動(dòng)化開發(fā)平臺(tái)中，為用戶帶來(lái)更具創(chuàng)新，而又效率更高、成本更低的自動(dòng)化解決方案。