Diese Architektur beschreibt, wie KI-Modelle in der Fabrik mithilfe von Siemens Industrial Edge entwickelt, bereitgestellt und betrieben werden. Die AI Suite bietet die Infrastruktur, um Geräte zu verbinden, Produktionsdaten zu erfassen, KI-Inferenzen auf Edge-Geräten durchzuführen und KI-Lösungen standortübergreifend zu verwalten.
Es ist eine Grundvoraussetzung, ein KI-Modell für die Nutzung der Siemens Industrial AI Suite zu haben, sodass Benutzer die Freiheit haben, einen MLOps-Workflow ihrer Wahl zu wählen oder ihn zu erweitern, um KI-Modelle in die Werkstatt zu bringen.
Das KI-SDK von Siemens verpackt Ihre vorhandenen KI-Modelle in ein Laufzeitartefakt, das offline auf Geräten in der Werkstatt ausgeführt werden kann, komplett mit der Definition von Datenaustauschschnittstellen mit anderen Systemen aus Cloud- oder lokalen Umgebungen. Der AI Asset Manager fungiert als operatives Zentrum für die Verteilung, Bereitstellung und Überwachung von Modellen. Der AI Inference Server führt Modelle lokal auf dem Edge-Gerät aus, in der Nähe des Computers.
Verbinden Sie herstellerunabhängige Werkstattausrüstung über vorkonfigurierte Anschlüsse mit Industrial Edge.
Führen Sie KI- und Industrieanwendungen auf Industrial Edge aus, unabhängig von Anwendungsfällen — Bildverarbeitung, Zeitreihen- oder Batch-Dateninferenz.
AI Asset Manager läuft auf einem (virtuellen) Industrial Edge Edge-Gerät und fungiert als zentrale Anlaufstelle für alle KI-bezogenen Aktivitäten. Verwaltung, Vertrieb und Betrieb von KI-Lösungen.
Entwickeln, validieren und verpacken Sie KI-Modelle mit dem Siemens AI SDK in Cloud- oder lokalen Umgebungen.
Für die meisten Hersteller ist das Hindernis für die Skalierung von KI nicht die Qualität der Modelle, sondern die Infrastruktur, die erforderlich ist, um diese Modelle auf Produktionsanlagen zum Laufen zu bringen und sie an vielen Standorten zuverlässig laufen zu lassen. Jede Maschine, Linie oder Anlage bringt neue Integrationsherausforderungen mit sich, und die Kluft zwischen datenwissenschaftlichen Umgebungen und Automatisierungssystemen hat in den meisten Organisationen keine natürliche Brücke.
Die AI Suite beseitigt diese Barriere, indem sie eine komplette, mehrschichtige Infrastruktur bietet, die speziell für den industriellen KI-Betrieb entwickelt wurde. Industrial Edge Edge-Geräte stellen eine Verbindung zu Geräten von beliebigen Anbietern her und führen KI-Inferenz lokal aus, ohne dass Cloud-Konnektivität für Entscheidungen in Echtzeit erforderlich ist. Der AI Asset Manager bietet einen zentralen Kontrollpunkt für die Modellbereitstellung, Versionierung und Überwachung auf einer beliebigen Anzahl von Geräten. Das KI-SDK von Siemens ermöglicht es Datenwissenschaftlern, Modelle in der Umgebung ihrer Wahl — AWS, Azure oder vor Ort — zu verpacken und zu Artefakten zu verpacken, die der AI Asset Manager an die Flotte verteilen kann.
Das Ergebnis ist ein wiederholbarer, skalierbarer Pfad von den Rohdaten der Produktion zur eingesetzten KI-Inferenz, der auf offenen Standards basiert und von Automatisierungstechnikern ohne tiefgehendes MLOps-Fachwissen bedient werden kann.
Laden Sie das ausführliche PDF herunter
Industrial Edge Edge-Geräte befinden sich direkt in der Werkstatt und werden über vorkonfigurierte Anschlüsse für PROFINET, S7, OPC UA, Ethernet/IP, Modbus TCP und andere mit SPS, Antrieben, Robotern, Kameras und anderen Geräten verbunden. Da die Connector-Bibliothek Geräte aller Anbieter umfasst, passt die Architektur auch in Brownfield-Umgebungen, ohne dass ein Hardwareaustausch erforderlich ist.
Eine Reihe lokaler Apps wird auf dem Edge-Gerät zusammen mit den Connectoren ausgeführt:
Fälle
Databus, basierend auf MQTT, verbindet diese Apps auf dem Gerät miteinander und bietet das Publish-Subscribe-Backbone für die Weitergabe von Inferenzergebnissen, Sensorwerten und Ereignissen bis zur Werksebene. Bilddaten zwischen Vision Connector und Inferenzserver werden mit ZMQ übertragen, um größere, hochfrequente Nutzlasten zu verarbeiten.
Der AI Asset Manager läuft auf einem virtuellen Industrial Edge Edge-Gerät auf Werksebene und dient als zentrale Anlaufstelle für alle KI-bezogenen Aktivitäten in der Werkstatt. Es befindet sich zwischen der Entwicklungsumgebung oben und den Edge-Geräten unten und koordiniert den gesamten Betriebszyklus von KI-Lösungen.
Die Aufgabe des AI Asset Managers besteht darin, gebündelte KI-Modelle aus der Entwicklungsumgebung zu empfangen, sie auf den richtigen AI Inference Server-Instances in der gesamten Flotte bereitzustellen und Kennzahlen zur Modellleistung und Inferenzaktivität zu sammeln. Es verwaltet die Versionierung von KI-Lösungen, überwacht den Bereitstellungsstatus auf Geräteebene und bietet die Betriebsoberfläche, über die Automatisierungsteams KI verwalten, ohne mit Entwicklungs-Toolchains interagieren zu müssen.
Verwenden Sie den AI Asset Manager für:
Der AI Asset Manager ist kein Entwicklungstool. Es trainiert keine Modelle, validiert keine Datensätze und verwaltet keine Entwicklungsinfrastruktur. Diese Verantwortlichkeiten gehören zum MLOps-Workflow in der Cloud oder der lokalen Entwicklungsumgebung. Das KI-SDK verpackt das KI-Modell und liefert Read-to-Deploy-Artefakte auf der Factory-Ebene, wo der Geltungsbereich des AI Asset Managers beginnt [AN1] und endet, wenn betriebliche Kennzahlen in den Entwicklungszyklus einfließen.
Industrial Edge Management (Virtual, Pro oder Cloud) kümmert sich um die umfassendere Geräteverwaltungsebene: die Bereitstellung von Apps, die Bereitstellung von Firmware- und Konfigurationsupdates, die Überwachung des Gerätezustands und die Verwaltung des Industrial Edge Hub als globales App-Repository. Es arbeitet mit dem AI Asset Manager zusammen, anstatt ihn zu ersetzen — Edge Management kümmert sich um die Plattform; der AI Asset Manager kümmert sich um die KI-Lösungen, die auf dieser Plattform laufen.
Die Modellentwicklung erfolgt in Cloud- oder lokalen Umgebungen mit dem Siemens AI SDK. Die Pipeline auf dieser Ebene deckt den gesamten Entwicklungszyklus ab, bevor die Modelle die Fabrik erreichen.
Das KI-SDK bietet Datenwissenschaftlern die Tools, um ihre KI-Modelle in einer Umgebung ihrer Wahl zu verpacken und zu validieren. Es ist eine Python-Bibliothek, die Methoden bereitstellt, um Datenschnittstellen für KI-Modelle mit anderen Systemen zu definieren (z. B. Automatisierung), Laufzeitanforderungen zu definieren und das KI-Modell zusammen mit der Geschäftslogik in ein Artefakt zu packen, das komplett offline in der Werkstatt ausgeführt werden kann.
Verwenden Sie das AI-SDK für:
Sobald die Modelle verpackt sind, werden sie vom AI Asset Manager abgerufen und an die Flotte verteilt. Aktualisierte Modelle, die mit neuen Produktionsdaten trainiert wurden, folgen demselben Pfad und schließen den Kreislauf von der Entwicklung bis zur Bereitstellung.
Bei einem realistischen Einsatz werden alle drei Ebenen in Kombination verwendet, da sie unterschiedliche Probleme lösen. Ziehen Sie eine visuelle Qualitätsprüfung an einer Elektronikmontagelinie in Betracht:
An Qualitätsmanagementsysteme oder Bediener-Dashboards angepasst
Ohne den KI-Inferenzserver erfordert Inferenz Cloud-Konnektivität und führt zu einer Latenz, die mit der Überprüfung der Leitungsgeschwindigkeit nicht vereinbar ist, abgesehen von den Kosten, die für jede Datentransaktion anfallen. Ohne den AI Asset Manager würde die Bereitstellung eines aktualisierten Modells auf fünfzig Stationen an drei Standorten fünfzig manuelle Operationen bedeuten. Ohne den Bilddatensammler und eine strukturierte Datenpipeline spiegeln die Trainingsdaten nicht die realen Produktionsbedingungen wider und die Modellqualität verschlechtert sich im Laufe der Zeit. Das KI-SDK ermöglicht es, die wiederholbare Bereitstellung zusammenzustellen, indem das gelieferte Artefakt standardisiert wird, unabhängig von der Art des eingesetzten KI-Modells.
Industrial Edge stellt über Standardprotokolle eine Verbindung zu den Geräten jedes Automatisierungsanbieters her. Funktioniert in Brownfield-Umgebungen ohne Hardwareaustausch oder Bindung an einen einzigen Anbieter.
Das KI-SDK passt zu Data-Science-Workflows; der AI Asset Manager kümmert sich um die Bereitstellung in der Werkstatt. Techniker implementieren ohne MLOps-Fachwissen; Datenwissenschaftler entwickeln ohne lernende Automatisierungsinfrastruktur.
Die lokale Ausführung von Inferenzen auf dem Edge-Gerät macht Cloud-Roundtrips für latenzsensitive Entscheidungen überflüssig. Defekterkennung, Anomaliekennzeichnung und Parameterüberwachung erfolgen an der Maschine.
Der Vision Data Collector und der Industrial Information Hub erfassen konsistent strukturierte Daten von realen Produktionsbedingungen. Modelle werden anhand der Realität in der Werkstatt trainiert, nicht anhand synthetischer Daten oder Labordaten.
Dieselbe Architektur betreibt eine Inspektionsstation oder Hunderte von Standorten. Durch die zentrale Verwaltung über AI Asset Manager und Industrial Edge Management ist die Skalierung eine Frage der Konfiguration, nicht der Neuentwicklung
• KI-Inferenzserver für die Ausführung von Modellen auf dem Gerät für Vision-, Zeitreihen- und Batch-Inferenz-Anwendungsfälle
• Vision Data Collector für Bild- und Metadatenerfassung von Werkstattkameras und Bildverarbeitungssystemen
• AI Asset Manager: Modellverteilung, Einsatzkoordination, Versionsmanagement, Inferenzmetriken und Betriebsüberwachung in der gesamten Flotte
• (S) FTP-Server: Bild- und Metadaten-Staging zwischen Edge und IT-Ebene
• KI-SDK von Siemens für Modellpaketierung, Validierung und Bereitstellung (AWS, Azure, vor Ort)
• Datenlandezone für die strukturierte Erfassung von Produktionsdaten
• Paketierte Modellartefakte zur Verteilung über AI Asset Manager