Σουίτα τεχνητής νοημοσύνης στο Industrial Edge

Κατεβάστε λεπτομερή αρχιτεκτονική (PDF)

Κατεβάστε αναλυτικό PDF

Επίπεδο πεδίου: Industrial Edge ως επίπεδο εκτέλεσης AI

Οι συσκευές Industrial Edge τοποθετούνται απευθείας στο εργοστάσιο και συνδέονται με PLC, μονάδες δίσκου, ρομπότ, κάμερες και οποιονδήποτε άλλο εξοπλισμό αυτοματισμού χρησιμοποιώντας προδιαμορφωμένους συνδέσμους για PROFINET, S7, OPC UA, EtherNet/IP, Modbus TCP και άλλα. Επειδή η βιβλιοθήκη συνδετήρων καλύπτει εξοπλισμό από οποιονδήποτε προμηθευτή, η αρχιτεκτονική ταιριάζει επίσης σε περιβάλλοντα brownfield χωρίς να απαιτείται αντικατάσταση υλικού.

Ένα σύνολο τοπικών εφαρμογών εκτελείται στη συσκευή edge παράλληλα με τις υποδοχές:

• AI Inference Server για εκτέλεση μοντέλου στη συσκευή, υποστήριξη χρήσης όρασης, χρονοσειρών και παρτίδας συμπερασμάτων

  περιπτώσεις

• Εφαρμογή Vision Connector για σύνδεση με βιομηχανικές κάμερες GigE και κάμερες RTSP για την παροχή δεδομένων όρασης για συμπεράσματα
• Vision Data Collector για τη λήψη εικόνων και μεταδεδομένων από κάμερες και συστήματα όρασης, μαζί με αποτελέσματα συμπερασμάτων από το χρόνο εκτέλεσης, τροφοδοτώντας τον αγωγό δεδομένων (re) training
• Industrial Information Hub, το οποίο χαρτογραφεί ακατέργαστες ετικέτες PLC και αποτελέσματα συμπερασμάτων σε ένα συνεπές μοντέλο σημασιολογικών δεδομένων πριν τα δεδομένα φύγουν από τη συσκευή
• LiveTwin και εικονικό PLC για ψηφιακή διπλή προσομοίωση και εικονικό έλεγχο
• Mendix on Edge για διεπαφές χειριστή που βασίζονται σε ρόλους που καλύπτουν τόσο τα συστήματα edge όσο και τα ανοδικά συστήματα
• Energy Manager και Performance Insight για λειτουργικούς δείκτες απόδοσης, συμπεριλαμβανομένων της κατανάλωσης ενέργειας και του OEE
• Υποδοχές πληροφορικής για συνδεσιμότητα με εταιρικά συστήματα

Το Databus, βασισμένο στο MQTT, συνδέει αυτές τις εφαρμογές μεταξύ τους στη συσκευή και παρέχει τη ραχοκοκαλιά δημοσίευσης-εγγραφής για τη μετάδοση αποτελεσμάτων συμπερασμάτων, μετρήσεων αισθητήρων και συμβάντων έως εργοστασιακό επίπεδο. Τα δεδομένα όρασης μεταξύ του συνδετήρα όρασης και του διακομιστή συμπερασμάτων μεταδίδονται χρησιμοποιώντας ZMQ για το χειρισμό μεγαλύτερων ωφέλιμων φορτίων υψηλής συχνότητας.

Εργοστασιακό επίπεδο: το επίπεδο λειτουργιών AI

Το AI Asset Manager λειτουργεί σε μια εικονική συσκευή Industrial Edge σε εργοστασιακό επίπεδο και λειτουργεί ως το ενιαίο κατάστημα για όλες τις δραστηριότητες που σχετίζονται με την τεχνητή νοημοσύνη στο εργαστήριο. Βρίσκεται μεταξύ του περιβάλλοντος ανάπτυξης παραπάνω και των συσκευών edge παρακάτω, συντονίζοντας τον πλήρη λειτουργικό κύκλο ζωής των λύσεων AI.

Διαχειριστής περιουσιακών στοιχείων AI: διανομή μοντέλων και λειτουργίες

Η δουλειά του AI Asset Manager είναι να λαμβάνει πακέτα μοντέλων AI από το περιβάλλον ανάπτυξης, να τα αναπτύσσει στις σωστές εμφανίσεις AI Inference Server σε όλο το στόλο και να συλλέγει μετρήσεις σχετικά με την απόδοση του μοντέλου και τη δραστηριότητα συμπερασμάτων. Διαχειρίζεται τη διαχείριση εκδόσεων λύσεων AI, παρακολουθεί την κατάσταση ανάπτυξης σε επίπεδο συσκευής και παρέχει τη λειτουργική διεπαφή μέσω της οποίας οι ομάδες αυτοματισμού διαχειρίζονται την τεχνητή νοημοσύνη χωρίς να χρειάζεται να αλληλεπιδρούν με αλυσίδες εργαλείων ανάπτυξης.

Χρησιμοποιήστε το AI Asset Manager για:

• Εξαγωγή πακέτων μοντέλων από τον αγωγό ανάπτυξης σε επίπεδο πληροφορικής και διανομή τους σε συσκευές αιχμής
• Διαχείριση εκδόσεων μοντέλων σε ένα στόλο συσκευών Industrial Edge, συμπεριλαμβανομένης της επαναφοράς και της σταδιακής διάθεσης
• Συλλογή μετρήσεων συμπερασμάτων και δεδομένων απόδοσης από μοντέλα που έχουν αναπτυχθεί
• Παροχή ενιαίας λειτουργικής προβολής της κατάστασης λύσης τεχνητής νοημοσύνης σε όλες τις συσκευές και τοποθεσίες

Ο διαχειριστής περιουσιακών στοιχείων AI δεν είναι εργαλείο ανάπτυξης. Δεν εκπαιδεύει μοντέλα, επικυρώνει σύνολα δεδομένων ή διαχειρίζεται υποδομές ανάπτυξης. Αυτές οι ευθύνες ανήκουν στη ροή εργασίας MLOPS στο περιβάλλον ανάπτυξης cloud ή εσωτερικής εγκατάστασης. Το AI SDK συσκευάζει το μοντέλο AI και παραδίδει αντικείμενα ανάγνωσης για ανάπτυξη στο επίπεδο αρχιτεκτονικής σε επίπεδο εργοστασίου, όπου ξεκινά το πεδίο εφαρμογής του AI Asset Manager [AN1] και τελειώνει όταν οι λειτουργικές μετρήσεις τροφοδοτούνται ξανά στον κύκλο ανάπτυξης.

Το Industrial Edge Management (Virtual, Pro ή Cloud) χειρίζεται το ευρύτερο επίπεδο διαχείρισης συσκευών: ανάπτυξη εφαρμογών, προώθηση ενημερώσεων υλικολογισμικού και διαμόρφωσης, παρακολούθηση της υγείας της συσκευής και διαχείριση του Industrial Edge Hub ως παγκόσμιου αποθετηρίου εφαρμογών. Λειτουργεί παράλληλα με το AI Asset Manager αντί να το αντικαθιστά - η Edge Management χειρίζεται την πλατφόρμα. Ο AI Asset Manager χειρίζεται τις λύσεις AI που εκτελούνται σε αυτήν την πλατφόρμα.

Πληροφορική και επιχειρηματικό επίπεδο: το περιβάλλον ανάπτυξης τεχνητής νοημοσύνης

Η ανάπτυξη μοντέλων πραγματοποιείται σε περιβάλλοντα cloud ή εσωτερικής εγκατάστασης χρησιμοποιώντας το Siemens AI SDK. Ο αγωγός σε αυτό το επίπεδο καλύπτει τον πλήρη κύκλο ζωής ανάπτυξης πριν τα μοντέλα φτάσουν στο εργοστάσιο.

Siemens AI SDK: ανάπτυξη μοντέλων και συσκευασία

Το AI SDK παρέχει στους επιστήμονες δεδομένων το εργαλείο για τη συσκευασία και την επικύρωση των μοντέλων AI τους σε ένα περιβάλλον της επιλογής τους. Είναι μια βιβλιοθήκη python που παρέχει μεθόδους για τον καθορισμό διεπαφών δεδομένων για μοντέλα AI με άλλα συστήματα (αυτοματοποίηση, για παράδειγμα), τον καθορισμό απαιτήσεων χρόνου εκτέλεσης και τη συσκευασία του μοντέλου AI μαζί με την επιχειρηματική λογική σε ένα τεχνούργημα που μπορεί να εκτελεστεί εντελώς εκτός σύνδεσης στο κατάστημα.

Χρησιμοποιήστε το AI SDK για:

• Συσκευασία μοντέλων AI και δημιουργία επικυρωμένων, αναπτυσσόμενων τεχνουργημάτων για το AI Asset Manager, τα οποία τελικά μπορούν να εκτελεστούν από το AI Inference Server στο εργαστήριο, χρησιμοποιώντας δεδομένα παραγωγής σε πραγματικό χρόνο από διάφορες πηγές.
• Ενσωμάτωση με περιβάλλοντα AWS, Azure ή MLOP εσωτερικής εγκατάστασης για την παράδοση πακέτων μοντέλων τεχνητής νοημοσύνης σε εργοστασιακό επίπεδο

Μόλις συσκευαστούν, τα μοντέλα τραβιούνται από το AI Asset Manager και διανέμονται στον στόλο. Τα ενημερωμένα μοντέλα που εκπαιδεύονται σε νέα δεδομένα παραγωγής ακολουθούν την ίδια πορεία, κλείνοντας τον βρόχο ανάπτυξης έως ανάπτυξης.

Γιατί η πλήρης σουίτα αναπτύσσεται μαζί

Μια ρεαλιστική ανάπτυξη χρησιμοποιεί και τα τρία επίπεδα σε συνδυασμό επειδή χειρίζονται διαφορετικά προβλήματα. Εξετάστε την ανάπτυξη οπτικής ποιοτικής επιθεώρησης σε μια γραμμή συναρμολόγησης ηλεκτρονικών ειδών:

• Ο Συλλέκτης Δεδομένων Vision μαζί με την εφαρμογή σύνδεσης όρασης καταγράφει εικόνες συναρμολογημένων πινάκων σε κάθε σταθμό επιθεώρησης. Εικόνες και μεταδεδομένα εισέρχονται στη ζώνη προσγείωσης δεδομένων (Cloud storage, (S) FTP) για κατανάλωση από τη ροή εργασίας MLops
• Οι επιστήμονες δεδομένων χρησιμοποιούν τη δική τους ροή εργασίας MLOPS για να (εκ νέου) εκπαιδεύσουν ένα μοντέλο AI ταξινόμησης ελαττωμάτων σε αυτά τα δεδομένα παραγωγής, να το επικυρώσουν και να το συσκευάσουν ως αναπτυσσόμενο τεχνούργημα χρησιμοποιώντας το AI SDK
• Το AI Asset Manager τραβάει το συσκευασμένο μοντέλο και το αναπτύσσει στον διακομιστή AI Inference στις σχετικές συσκευές Industrial Edge σε όλους τους σταθμούς επιθεώρησης
• Η εφαρμογή Vision Connector παρέχει συνδεσιμότητα με τις κάμερες σταθμών για τη λήψη της εικόνας της πλακέτας και την παρέχει ως είσοδο στο μοντέλο AI στον διακομιστή συμπερασμάτων
• Ο διακομιστής συμπερασμάτων AI εκτελεί το μοντέλο τοπικά σε κάθε σταθμό, ταξινομώντας τους πίνακες ως περασμένους ή αποτυχημένους σε πραγματικό χρόνο χωρίς εξάρτηση από το σύννεφο
• Τα αποτελέσματα των συμπερασμάτων δημοσιεύονται στο Databus και ro

  προσαρμοσμένα σε συστήματα διαχείρισης ποιότητας ή πίνακες ελέγχου χειριστών

• Ο διαχειριστής περιουσιακών στοιχείων συλλέγει επίσης ενδεικτικές μετρήσεις από κάθε ανάπτυξη και επιτρέπει στον χρήστη να ελέγχει τον πίνακα ελέγχου για εύκολη απεικόνιση και ανησυχία βάσει κανόνων
• Οι εικόνες ελαττωμάτων και τα αποτελέσματα ταξινόμησης επιστρέφουν στον αγωγό δεδομένων μέσω του συλλέκτη δεδομένων όρασης. Το μοντέλο επανεκπαιδεύεται σε διευρυμένα δεδομένα, επανασυσκευάζεται και προωθείται πίσω στον στόλο

Χωρίς το AI Inference Server, το συμπέρασμα απαιτεί συνδεσιμότητα στο cloud και εισάγει καθυστέρηση ασύμβατη με την επιθεώρηση ταχύτητας γραμμής, εκτός από το κόστος που προκύπτει για κάθε συναλλαγή δεδομένων. Χωρίς το AI Asset Manager, η ανάπτυξη ενός ενημερωμένου μοντέλου σε πενήντα σταθμούς σε τρεις τοποθεσίες θα ήταν πενήντα χειροκίνητες λειτουργίες. Χωρίς τον συλλέκτη δεδομένων όρασης και έναν δομημένο αγωγό δεδομένων, τα δεδομένα εκπαίδευσης δεν αντικατοπτρίζουν τις πραγματικές συνθήκες παραγωγής και η ποιότητα του μοντέλου υποβαθμίζεται με την πάροδο του χρόνου. Το AI SDK επιτρέπει τη συναρμολόγηση της επαναλαμβανόμενης παράδοσης τυποποιώντας το παραδοθέν τεχνούργημα, ανεξάρτητα από το είδος του μοντέλου AI που αναπτύσσεται.