AI Suite på Industrial Edge

Download detaljeret arkitektur (PDF)

Download detaljeret PDF

Feltniveau: Industrial Edge som AI-eksekveringslaget

Industrial Edge-enheder sidder direkte på butiksgulvet og opretter forbindelse til PLC'er, drev, robotter, kameraer og andet automatiseringsudstyr ved hjælp af forudkonfigurerede stik til PROFINET, S7, OPC UA, EtherNet/IP, Modbus TCP og andre. Da forbindelsesbiblioteket dækker udstyr fra enhver leverandør, passer arkitekturen også til brownfield-miljøer uden at kræve udskiftning af hardware.

Et sæt lokale apps kører på kantenheden sammen med stikkene:

• AI Inference Server til udførelse af modeller på enheden, understøtter vision, tidsserier og batchinferensbrug

  sager

• Vision Connector Applikation til tilslutning til GigE industrikameraer og RTSP-kameraer for at levere visionsdata til inferens
• Vision Data Collector til optagelse af billeder og metadata fra kameraer og synssystemer sammen med inferensresultater fra runtime, der tilfører (re) træningsdatapilinen
• Industrial Information Hub, der kortlægger rå PLC-tags og inferensresultater til en konsistent semantisk datamodel, før data forlader enheden
• LiveTwin og Virtual PLC til digital tvillingesimulering og virtuel kontrol
• Mendix on Edge til rollebaserede operatørgrænseflader, der spænder over både edge- og opstrømssystemer
• Energy Manager og Performance Insight for operationelle KPI'er, herunder energiforbrug og OEE
• IT-stik til tilslutning til virksomhedssystemer

Databus, baseret på MQTT, forbinder disse apps til hinanden på enheden og giver publicerings-abonner-rygraden til at videregive inferensresultater, sensoraflæsninger og begivenheder op til fabriksniveau. Visionsdata mellem visionsstik og inferensserver transmitteres ved hjælp af ZMQ til håndtering af større, højfrekvente nyttelaster.

Fabriksniveau: AI-operationslaget

AI Asset Manager kører på en virtuel Industrial Edge-enhed på fabriksniveau og fungerer som one-stop-shop for alle AI-relaterede aktiviteter på butiksgulvet. Det sidder mellem udviklingsmiljøet ovenfor og edge-enhederne nedenfor og koordinerer den fulde operationelle livscyklus for AI-løsninger.

AI Asset Manager: modeldistribution og drift

AI Asset Managers job er at modtage pakkede AI-modeller fra udviklingsmiljøet, implementere dem til de korrekte AI Inference Server-forekomster på tværs af flåden og indsamle målinger om modelydelse og inferensaktivitet. Det administrerer versionering af AI-løsninger, overvåger implementeringsstatus på enhedsniveau og giver den operationelle grænseflade, hvorigennem automatiseringsteams administrerer AI uden at skulle interagere med udviklingsværktøjskæder.

Brug AI Asset Manager til:

• Trækning af pakkede modeller fra udviklingspipelinen på it-niveau og distribution af dem til kantenheder
• Håndtering af modelversioner på tværs af en flåde af Industrial Edge-enheder, herunder tilbagekaldelse og trinvis udrulning
• Indsamling af inferensmålinger og ydeevnedata fra implementerede modeller
• Tilvejebringelse af en enkelt operationel visning af AI-løsningsstatus på tværs af alle enheder og websteder

AI Asset Manager er ikke et udviklingsværktøj. Det træner ikke modeller, validerer datasæt eller administrerer udviklingsinfrastruktur. Disse ansvarsområder hører til MLOPS-arbejdsgangen i clouden eller det lokale udviklingsmiljø. AI SDK pakker AI-modellen og leverer read-to-deploy-artefakter til arkitekturlaget på fabriksniveau, hvor AI Asset Manager-omfanget begynder [AN1] og slutter, når operationelle målinger føres tilbage i udviklingscyklussen.

Industrial Edge Management (Virtual, Pro eller Cloud) håndterer det bredere enhedsadministrationslag: udrulning af apps, udsendelse af firmware- og konfigurationsopdateringer, overvågning af enhedens tilstand og administration af Industrial Edge Hub som det globale applager. Det fungerer sammen med AI Asset Manager snarere end at erstatte det - Edge Management håndterer platformen; AI Asset Manager håndterer AI-løsningerne, der kører på denne platform.

IT- og virksomhedsniveau: AI-udviklingsmiljøet

Modeludvikling finder sted i cloud- eller lokale miljøer ved hjælp af Siemens AI SDK. Rørledningen på dette niveau dækker hele udviklingslivscyklussen, før modellerne når fabrikken.

Siemens AI SDK: modeludvikling og emballering

AI SDK giver dataforskere værktøjet til at pakke og validere deres AI-modeller i et miljø efter eget valg. Det er et python-bibliotek, der giver metoder til at definere datagrænseflader til AI-modeller med andre systemer (for eksempel automatisering), definere runtime-krav og pakke AI-modellen sammen med forretningslogikken i en artefakt, der kan udføres helt offline på butiksgulvet.

Brug AI SDK til:

• Pakning af AI-modeller og generer validerede, implementerbare artefakter til AI Asset Manager, som i sidste ende kan udføres af AI Inference Server på butiksgulvet ved hjælp af produktionsdata i realtid fra forskellige kilder.
• Integration med AWS-, Azure- eller MLOPS-miljøer i det lokale miljø for at levere pakkede AI-modeller til fabriksniveau

Når de er pakket, trækkes modellerne af AI Asset Manager og distribueres til flåden. Opdaterede modeller, der er trænet i nye produktionsdata, følger den samme vej og lukker kredsløbet udvikling til implementering.

Hvorfor hele pakken implementeres sammen

En realistisk implementering bruger alle tre niveauer i kombination, fordi de håndterer forskellige problemer. Overvej en implementering af visuel kvalitetsinspektion på et elektroniksamlebånd:

• Vision Data Collector sammen med vision-forbindelsesapplikationen tager billeder af samlede plader på hver inspektionsstation. Billeder og metadata flyder ind i datalandingszonen (Cloud storage, (S) FTP) til forbrug af MLops-arbejdsgangen
• Dataforskere bruger deres egen MLOPS-arbejdsgang til (gen) at træne en AI-model for fejlklassificering på disse produktionsdata, validere den og pakke den som en implementerbar artefakt ved hjælp af AI SDK
• AI Asset Manager trækker den pakkede model og implementerer den til AI Inference Server på de relevante Industrial Edge-enheder på tværs af alle inspektionsstationer
• Vision Connector-applikationen giver forbindelse til stationskameraerne til optagelse af billedet af kortet og giver det som et input til AI-modellen på inferensserveren
• AI Inference Server kører modellen lokalt på hver station og klassificerer tavler som bestået eller fejlet i realtid uden skyafhængighed
• Inferensresultater offentliggøres til Databus og ro

  udnyttet til kvalitetsstyringssystemer eller operatørdashboards

• Asset Manager indsamler også vejledende målinger fra hver implementering og giver brugeren mulighed for at indstille dashboardet for nem visualisering og alarmering baseret på regler
• Fejlbilleder og klassificeringsresultater strømmer tilbage i datapipelinen via visionsdataindsamler. Modellen omskoles på udvidede data, pakkes om og skubbes tilbage til flåden

Uden AI Inference Server kræver inferens cloud-forbindelse og introducerer latenstid, der er uforenelig med linjehastighedsinspektion, bortset fra de omkostninger, der afholdes for hver datatransaktion. Uden AI Asset Manager ville implementering af en opdateret model til halvtreds stationer på tværs af tre steder være halvtreds manuelle operationer. Uden visionsdataindsamleren og en struktureret datapipeline afspejler træningsdata ikke reelle produktionsforhold, og modelkvaliteten forringes over tid. AI SDK gør det muligt at sammensætte den gentagelige levering ved at standardisere den leverede artefakt, agnostisk over for den slags AI-model, der implementeres.