AI Suite az ipari szélen

Részletes architektúra letöltése (PDF)

Részletes PDF letöltése

Mezőszint: Industrial Edge mint AI végrehajtási réteg

Az Industrial Edge készülékek közvetlenül a műhelyszínen helyezkednek el, és a PROFINET, S7, OPC UA, Ethernet/IP, Modbus TCP és mások előre konfigurált csatlakozóival kapcsolódnak PLC-khez, meghajtókhoz, robotokhoz, kamerákhoz és bármely más automatizálási berendezéshez. Mivel a csatlakozókönyvtár bármely gyártó berendezéseit lefedi, az architektúra a barnamezelő környezetekhez is illeszkedik, anélkül, hogy hardvercserét igényelne.

Egy sor helyi alkalmazás fut a peremeszközön a csatlakozók mellett:

• AI Inferencia-kiszolgáló az eszközön belüli modellvégrehajtáshoz, a látás, az idősorok és a kötegelt következtetések használatának támogatásához

  esetek

• Vision Connector Alkalmazás GigE ipari kamerákhoz és RTSP kamerákhoz való csatlakoztatáshoz a következtetés céljából látási adatok továbbításához
• Vision Data Collector kamerákból és látórendszerekből származó képek és metaadatok rögzítéséhez, valamint a futásidőből származó következtetések eredményeinek rögzítéséhez, amely a (re) képzési adatfolyamot táplálja
• Industrial Information Hub, amely a nyers PLC-címkéket és következtetési eredményeket egységes szemantikai adatmodellre térképezi, mielőtt az adatok elhagyják az eszközt
• LiveTwin és Virtual PLC a digitális ikerszimulációhoz és a virtuális vezérléshez
• Mendix on Edge szerepalapú kezelői interfészekhez, amelyek mind az élre, mind a felfelé irányuló rendszereket érintik
• Energy Manager és Performance Insight üzemeltetési mutatókhoz, beleértve az energiafogyasztást és az OEE
• IT csatlakozók vállalati rendszerekkel való csatlakozáshoz

Az MQTT-n alapuló Databus összekapcsolja ezeket az alkalmazásokat egymással az eszközön, és biztosítja a közzétételi és előfizetési gerincet a következtetési eredmények, az érzékelők leolvasásainak és az események gyári szintre történő továbbításához. A látáscsatlakozó és a következtetési kiszolgáló közötti látásadatok a ZMQ segítségével kerülnek továbbításra a nagyobb, nagyfrekvenciás hasznos terhek kezelésére.

Gyári szint: az AI műveleti réteg

Az AI Asset Manager gyári szinten virtuális Industrial Edge eszközön fut, és egyablakos szolgáltatóként szolgál az összes mesterséges intelligenciával kapcsolatos tevékenységhez a műhelyszínen. A fenti fejlesztési környezet és az alábbi peremeszközök között helyezkedik el, összehangolva az AI megoldások teljes működési életciklusát.

AI Asset Manager: modelleosztás és műveletek

Az AI Asset Manager feladata, hogy csomagolt mesterséges intelligencia-modelleket fogadjon a fejlesztői környezetből, telepítse azokat a flotta megfelelő AI Inferencia-kiszolgáló példányaira, és mérőszámokat gyűjtsön a modell teljesítményére és következtetési tevékenységére vonatkozóan. Kezeli az AI megoldások verziókészítését, figyelemmel kíséri az eszközszintű telepítési állapotot, és biztosítja azt a működési felületet, amelyen keresztül az automatizálási csapatok kezelnek mesterséges intelligenciát anélkül, hogy interakcióba kellene lépniük a fejlesztési eszközláncokkal.

Használja az AI Asset Manager alkalmazást a következőkhöz:

• Csomagolt modellek kivonása az informatikai szintű fejlesztési csővezetékből és terjesztése a peremberendezésekre
• A modellverziók kezelése az Industrial Edge eszközök flottájában, beleértve a visszaállítást és a szakaszos bevezetést
• Következtetési mutatók és teljesítményadatok gyűjtése telepített modellekből
• Az AI megoldás állapotának egyetlen működési képe biztosítása minden eszközön és webhelyen

Az AI Asset Manager nem fejlesztőeszköz. Nem képzi a modelleket, nem validálja az adatkészleteket és nem kezeli a fejlesztési infrastruktúrát. Ezek a feladatok az MLOP munkafolyamatához tartoznak a felhőben vagy a helyszíni fejlesztési környezetben. Az AI SDK csomagolja a mesterséges intelligencia-modellt, és a telepítéshez szükséges elemeket szállít a gyári szintű architektúra rétegre, ahol az AI Asset Manager hatóköre [AN1] kezdődik és akkor ér véget, amikor a működési mutatók visszatérnek a fejlesztési ciklusba.

Az Industrial Edge Management (Virtual, Pro vagy Cloud) a szélesebb eszközfelügyeleti réteget kezeli: alkalmazások telepítését, firmware- és konfigurációs frissítések továbbítását, az eszközök állapotának figyelemmel kísérését és az Industrial Edge Hub globális alkalmazástertárként történő kezelését. Az AI Asset Manager mellett működik, ahelyett, hogy helyettesíti azt - az Edge Management kezeli a platformot; az AI Asset Manager kezeli az ezen a platformon futó AI megoldásokat.

IT és vállalati szint: az AI fejlesztési környezet

A modellfejlesztés felhőben vagy helyszíni környezetben történik a Siemens AI SDK segítségével. A csővezeték ezen a szinten lefedi a teljes fejlesztési életciklust, mielőtt a modellek eljutnak a gyárba.

Siemens AI SDK: modellfejlesztés és csomagolás

Az AI SDK az adattudósoknak olyan eszközöket biztosít, amelyek AI-modelljeiket választott környezetben csomagolják és validálják. Ez egy python könyvtár, amely módszereket biztosít az AI modellek adatinterfészeinek meghatározására más rendszerekkel (például automatizálás), meghatározza a futásidej-követelményeket, és az AI modellt az üzleti logikával együtt egy olyan műtárba csomagolja, amely teljesen offline módon végrehajtható a boltban.

Használja az AI SDK-t a következőkhöz:

• Az AI modellek csomagolása és validált, telepíthető tárgyakat generál az AI Asset Manager számára, amelyeket végül az AI Inference Server végrehajthat a boltban, valós idejű gyártási adatok felhasználásával, különböző forrásokból származó valós idejű termelési adatok felhasználásával.
• Az AWS-, Azure-beli vagy helyszíni MLOP-környezetekkel való integráció a csomagolt mesterséges intelligencia-modellek gyári szintre történő eljuttatása érdekében

A csomagolás után a modelleket az AI Asset Manager húzza ki, és elosztja a flottához. Az új gyártási adatokra képzett frissített modellek ugyanezt az utat követik, lezárva a fejlesztéstől a telepítésig terjedő folyamatot.

Miért telepítik a teljes csomagot együtt

A reális telepítés mindhárom szintet kombinációban használja, mivel különböző problémákat kezel. Fontolja meg a vizuális minőségellenőrzést egy elektronikai összeszerelővonalon:

• A Vision Data Collector és a látócsatlakozó alkalmazás minden ellenőrző állomáson rögzíti az összeszerelt táblák képeit. A képek és metaadatok az adatleszállási zónába (Cloud storage, (S) FTP) áramlanak az mLoPS munkafolyamat felhasználása céljából
• Az adattudósok saját MLOP-munkafolyamatukat használják a hibaosztályozási AI-modell (újra) kiképzésére az adott gyártási adatokon, validálására és telepíthető tárgyként csomagolására az AI SDK segítségével
• Az AI Asset Manager kihúzza a csomagolt modellt, és telepíti azt az AI Inferencia-kiszolgálóra a releváns Industrial Edge eszközökön az összes ellenőrző állomáson
• A Vision Connector alkalmazás csatlakoztatást biztosít az állomás kameráival a tábla képének rögzítéséhez, és bemenetként biztosítja azt az Inferencia-kiszolgálón lévő AI modellhez
• Az AI következtetési kiszolgáló minden állomáson helyileg futtatja a modellt, felhőfüggőség nélkül valós időben a táblákat pass-vagy hibákként osztályozva
• A következtetési eredményeket közzéteszik a Databusban és a ro-ban

  minőségirányítási rendszerekhez vagy üzemeltetői irányítópultokhoz

• Az eszközkezelő tájékoztató mutatókat is gyűjt minden telepítésről, és lehetővé teszi a felhasználó számára az irányítópultot a szabályok alapján történő egyszerű megjelenítés és riasztás érdekében
• A hibaképek és az osztályozási eredmények a látási adatgyűjtőn keresztül visszaáramlanak az adatvezetékbe. A modellt bővített adatok alapján átképzik, újracsomagolják és visszaszorítják a flottába

Az AI Inferencia-kiszolgáló nélkül a következtetés felhőkapcsolatot igényel, és késleltetést vezet be, amely nem kompatibilis a vonalsebesség ellenőrzésével, az egyes adattranzakciókhoz felmerülő költségektől eltekintve. Az AI Asset Manager nélkül egy frissített modell telepítése ötven állomásra három helyszínen ötven manuális művelet lenne. A vizuális adatgyűjtő és a strukturált adatátvitel nélkül a képzési adatok nem tükrözik a valós gyártási feltételeket, és a modell minősége idővel romlik. Az AI SDK lehetővé teszi az ismételhető szállítás összeszerelését azáltal, hogy szabványosítja a szállított tárgyat, amely agnosztikus a telepített AI modell típusához képest.