AI Suite på Industrial Edge

Last ned detaljert arkitektur (PDF)

Last ned detaljert PDF

Feltnivå: Industrial Edge som AI-utførelseslag

Industrial Edge-enheter sitter direkte på verkstedsgulvet og kobles til PLC-er, stasjoner, roboter, kameraer og annet automatiseringsutstyr ved hjelp av forhåndskonfigurerte kontakter for PROFINET, S7, OPC UA, EtherNet/IP, Modbus TCP og andre. Fordi koblingsbiblioteket dekker utstyr fra alle leverandører, passer arkitekturen også til brownfield-miljøer uten å kreve utskifting av maskinvare.

Et sett med lokale apper kjører på kantenheten ved siden av kontaktene:

• AI Inference Server for utførelse av modeller på enheten, som støtter visjon, tidsserier og batchinferensbruk

  saker

• Vision Connector-applikasjon for tilkobling til GigE industrikameraer og RTSP-kameraer for å levere synsdata for slutning
• Vision Data Collector for å ta bilder og metadata fra kameraer og synssystemer, sammen med slutningsresultater fra kjøretid, for å mate (re) treningsdatapilinen
• Industrial Information Hub, som kartlegger rå PLC-koder og slutningsresultater til en konsistent semantisk datamodell før data forlater enheten
• LiveTwin og Virtual PLC for digital tvillingsimulering og virtuell kontroll
• Mendix on Edge for rollebaserte operatørgrensesnitt som spenner over både kant- og oppstrømssystemer
• Energy Manager og Performance Insight for operasjonelle KPIer inkludert energiforbruk og OEE
• IT-kontakter for tilkobling til bedriftssystemer

Databus, basert på MQTT, kobler disse appene til hverandre på enheten og gir ryggraden for publisering og abonnement for å overføre slutningsresultater, sensoravlesninger og hendelser opp til fabrikknivå. Visjonsdata mellom visjonskontakt og inferensserver overføres ved hjelp av ZMQ for håndtering av større, høyfrekvente nyttelaster.

Fabrikknivå: AI-operasjonslaget

AI Asset Manager kjører på en virtuell Industrial Edge-enhet på fabrikknivå og fungerer som one-stop-shop for alle AI-relaterte aktiviteter på verkstedsgulvet. Den sitter mellom utviklingsmiljøet ovenfor og kantenhetene nedenfor, og koordinerer hele driftslivssyklusen til AI-løsninger.

AI Asset Manager: modelldistribusjon og drift

AI Asset Managers jobb er å motta pakkede AI-modeller fra utviklingsmiljøet, distribuere dem til riktige AI Inference Server-forekomster på tvers av flåten, og samle inn beregninger om modellytelse og slutningsaktivitet. Den administrerer versjonering av AI-løsninger, overvåker distribusjonsstatus på enhetsnivå, og gir det operative grensesnittet som automatiseringsteam administrerer AI gjennom uten å måtte samhandle med utviklingsverktøykjeder.

Bruk AI Asset Manager til:

• Henter pakkede modeller fra utviklingsrørledningen på IT-nivå og distribuerer dem til kantenheter
• Administrere modellversjoner på tvers av en flåte av Industrial Edge-enheter, inkludert tilbakestilling og trinnvis utrulling
• Samle inn inferensberegninger og ytelsesdata fra distribuerte modeller
• Tilbyr en enkelt operativ visning av AI-løsningsstatus på tvers av alle enheter og nettsteder

AI Asset Manager er ikke et utviklingsverktøy. Den trener ikke modeller, validerer datasett eller administrerer utviklingsinfrastruktur. Dette ansvaret tilhører MLOPS-arbeidsflyten i skyen eller det lokale utviklingsmiljøet. AI SDK pakker AI-modellen og leverer lese-til-distribusjon-artefakter til arkitekturlaget på fabrikknivå, der AI Asset Manager-omfanget begynner [AN1] og slutter når operasjonelle beregninger går tilbake til utviklingssyklusen.

Industrial Edge Management (Virtual, Pro eller Cloud) håndterer det bredere enhetsadministrasjonslaget: distribusjon av apper, publisering av fastvare- og konfigurasjonsoppdateringer, overvåking av enhetshelse og administrasjon av Industrial Edge Hub som det globale applagringsstedet. Det fungerer sammen med AI Asset Manager i stedet for å erstatte den - Edge Management håndterer plattformen; AI Asset Manager håndterer AI-løsningene som kjører på den plattformen.

IT- og bedriftsnivå: AI-utviklingsmiljøet

Modellutvikling foregår i sky- eller lokale miljøer ved hjelp av Siemens AI SDK. Rørledningen på dette nivået dekker hele utviklingslivssyklusen før modellene når fabrikken.

Siemens AI SDK: modellutvikling og emballasje

AI SDK gir dataforskere verktøyet for å pakke og validere AI-modellene sine i et miljø etter eget valg. Det er et python-bibliotek som gir metoder for å definere datagrensesnitt for AI-modeller med andre systemer (for eksempel automatisering), definere kjøretidskrav og pakke AI-modellen sammen med forretningslogikken til en artefakt som kan kjøres helt offline på verkstedsgulvet.

Bruk AI SDK til:

• Pakke AI-modeller og generer validerte, distribuerbare artefakter for AI Asset Manager, som til slutt kan utføres av AI Inference Server på verkstedsgulvet, ved hjelp av sanntidsproduksjonsdata fra forskjellige kilder.
• Integrering med AWS-, Azure- eller lokale MLOPs-miljøer for å levere pakkede AI-modeller til fabrikknivå

Når de er pakket, trekkes modellene av AI Asset Manager og distribueres til flåten. Oppdaterte modeller som er opplært på nye produksjonsdata følger samme vei, og lukker utviklings-til-distribusjonssløyfen.

Hvorfor hele pakken distribueres sammen

En realistisk distribusjon bruker alle tre nivåene i kombinasjon fordi de håndterer forskjellige problemer. Vurder en visuell kvalitetsinspeksjonsutplassering på et elektronikksamlebånd:

• Vision Data Collector sammen med visjonskontaktapplikasjonen tar bilder av monterte brett på hver inspeksjonsstasjon. Bilder og metadata flyter inn i datalandingssonen (Cloud Storage, (S) FTP) for forbruk av MLops-arbeidsflyten
• Dataforskere bruker sin egen MLOPs-arbeidsflyt for å (re) trene en AI-modell for feilklassifisering på disse produksjonsdataene, validere den og pakke den som en distribuerbar gjenstand ved hjelp av AI SDK
• AI Asset Manager henter den pakkede modellen og distribuerer den til AI Inference Server på de relevante Industrial Edge-enhetene på tvers av alle inspeksjonsstasjoner
• Vision Connector-applikasjonen gir tilkobling til stasjonskameraene for å fange bildet av kortet og gir det som en inngang til AI-modellen på inferensserveren
• AI Inference Server kjører modellen lokalt på hver stasjon, og klassifiserer tavler som bestått eller mislykkes i sanntid uten skyavhengighet
• Inferensresultater publiseres til Databus og ro

  tilpasset kvalitetsstyringssystemer eller operatørdashbord

• Asset Manager samler også veiledende beregninger fra hver distribusjon og lar brukeren dashbordet for enkel visualisering og alarmering basert på regler
• Defektbilder og klassifiseringsresultater flyter tilbake til datapipelinen via visjonsdatainnsamler. Modellen omskoleres på utvidede data, pakkes om og skyves tilbake til flåten

Uten AI Inference Server krever inferens skytilkobling og introduserer ventetid som er uforenlig med linjehastighetsinspeksjon, bortsett fra kostnadene som påløper for hver datatransaksjon. Uten AI Asset Manager ville distribusjon av en oppdatert modell til femti stasjoner på tre nettsteder være femti manuelle operasjoner. Uten visjonsdatainnsamleren og en strukturert datapipeline gjenspeiler ikke treningsdata reelle produksjonsforhold, og modellkvaliteten forringes over tid. AI SDK gjør det mulig å sette sammen den repeterbare leveransen ved å standardisere den leverte gjenstanden, agnostisk til den typen AI-modell som distribueres.