AI-svit på Industrial Edge

Ladda ner detaljerad arkitektur (PDF)

Ladda ner detaljerad PDF

Fältnivå: Industrial Edge som AI-exekveringslager

Industrial Edge-enheter sitter direkt på verkstadsgolvet och ansluts till PLC:er, enheter, robotar, kameror och annan automationsutrustning med förkonfigurerade kontakter för PROFINET, S7, OPC UA, EtherNet/IP, Modbus TCP och andra. Eftersom anslutningsbiblioteket täcker utrustning från alla leverantörer passar arkitekturen även brownfield-miljöer utan att behöva byta ut hårdvara.

En uppsättning lokala appar körs på kantenheten bredvid anslutningarna:

• AI Inference Server för körning av modeller på enheten, stöd för vision, tidsserier och batchinferensanvändning

  fall

• Vision Connector Applikation för anslutning till GigE industrikameror och RTSP-kameror för att leverera syndata för inferens
• Vision Data Collector för att fånga bilder och metadata från kameror och visionssystem, tillsammans med inferensresultat från körtid, som matar (om) träningsdatapilinen
• Industrial Information Hub, som kartlägger råa PLC-taggar och slutledningsresultat till en konsekvent semantisk datamodell innan data lämnar enheten
• LiveTwin och Virtual PLC för digital tvillingsimulering och virtuell styrning
• Mendix on Edge för rollbaserade operatörsgränssnitt som spänner över både edge- och uppströmssystem
• Energy Manager och Performance Insight för operativa nyckeltal inklusive energiförbrukning och OEE
• IT-kontakter för anslutning till företagssystem

Databus, baserat på MQTT, ansluter dessa appar till varandra på enheten och tillhandahåller ryggraden för publicering och prenumeration för att skicka inferensresultat, sensoravläsningar och händelser upp till fabriksnivå. Visionsdata mellan visionskontakt och inferensserver överförs med ZMQ för hantering av större, högfrekventa nyttolaster.

Fabriksnivå: AI-driftskiktet

AI Asset Manager körs på en virtuell Industrial Edge-enhet på fabriksnivå och fungerar som one-stop-shop för alla AI-relaterade aktiviteter på verkstadsgolvet. Den sitter mellan utvecklingsmiljön ovan och edge-enheterna nedan och samordnar hela operativa livscykeln för AI-lösningar.

AI Asset Manager: modelldistribution och drift

AI Asset Managers jobb är att ta emot paketerade AI-modeller från utvecklingsmiljön, distribuera dem till rätt AI Inference Server-instanser över hela flottan och samla in mätvärden om modellprestanda och inferensaktivitet. Den hanterar versionshantering av AI-lösningar, övervakar distributionsstatus på enhetsnivå och tillhandahåller det operativa gränssnittet genom vilket automatiseringsteam hanterar AI utan att behöva interagera med utvecklingsverktygskedjor.

Använd AI Asset Manager för:

• Dra ut paketerade modeller från utvecklingspipelinen på IT-nivå och distribuera dem till edge-enheter
• Hantera modellversioner över en flotta av Industrial Edge-enheter, inklusive återställning och stegvis utrullning
• Samla in inferensmätvärden och prestandadata från distribuerade modeller
• Tillhandahåller en enda operativ vy över AI-lösningsstatus på alla enheter och platser

AI Asset Manager är inte ett utvecklingsverktyg. Det tränar inte modeller, validerar datamängder eller hanterar utvecklingsinfrastruktur. Dessa ansvarsområden hör till MLOPS-arbetsflödet i molnet eller den lokala utvecklingsmiljön. AI SDK paketerar AI-modellen och levererar läs-till-distribution-artefakter till arkitekturlagret på fabriksnivå, där AI Asset Manager-tillämpningsområdet börjar [AN1] och slutar när operativa mätvärden matas tillbaka in i utvecklingscykeln.

Industrial Edge Management (Virtual, Pro eller Cloud) hanterar det bredare enhetshanteringsskiktet: distribuerar appar, skickar firmware- och konfigurationsuppdateringar, övervakar enhetens hälsa och hanterar Industrial Edge Hub som det globala appförvaret. Det fungerar tillsammans med AI Asset Manager snarare än att ersätta den - Edge Management hanterar plattformen; AI Asset Manager hanterar AI-lösningarna som körs på den plattformen.

IT- och företagsnivå: AI-utvecklingsmiljön

Modellutveckling sker i moln- eller lokala miljöer med Siemens AI SDK. Pipelinen på denna nivå täcker hela utvecklingslivscykeln innan modellerna når fabriken.

Siemens AI SDK: modellutveckling och förpackning

AI SDK ger datavetare verktygen för att paketera och validera sina AI-modeller i en miljö som de väljer. Det är ett pythonbibliotek som tillhandahåller metoder för att definiera datagränssnitt för AI-modeller med andra system (automatisering, till exempel), definiera körtidskrav och paketera AI-modellen tillsammans med affärslogiken till en artefakt som kan köras helt offline på butiksgolvet.

Använd AI SDK för:

• Paketera AI-modeller och generera validerade, distribuerbara artefakter för AI Asset Manager, som så småningom kan köras av AI Inference Server på verkstadsgolvet, med hjälp av produktionsdata i realtid från olika källor.
• Integrera med AWS-, Azure- eller lokala MLOPs-miljöer för att leverera paketerade AI-modeller till fabriksnivå

När de är förpackade dras modellerna av AI Asset Manager och distribueras till flottan. Uppdaterade modeller utbildade i nya produktionsdata följer samma väg och stänger kretsloppet mellan utveckling och distribution.

Varför hela sviten distribueras tillsammans

En realistisk distribution använder alla tre nivåerna i kombination eftersom de hanterar distinkta problem. Överväg en visuell kvalitetsinspektion på en elektronikmonteringslinje:

• Vision Data Collector tillsammans med visionsanslutningsapplikationen tar bilder av monterade brädor vid varje inspektionsstation. Bilder och metadata flödar in i datalandningszonen (molnlagring, (S) FTP) för konsumtion av MLops-arbetsflödet
• Datavetare använder sitt eget MLOPs-arbetsflöde för att (åter) träna en AI-modell för defektklassificering på produktionsdata, validera den och paketera den som en distribuerbar artefakt med hjälp av AI SDK
• AI Asset Manager hämtar den paketerade modellen och distribuerar den till AI Inference Server på relevanta Industrial Edge-enheter på alla inspektionsstationer
• Vision Connector-applikationen ger anslutning till stationskamerorna för att fånga bilden av kortet och ger den som en ingång till AI-modellen på inferensservern
• AI Inference Server kör modellen lokalt på varje station och klassificerar kort som godkända eller misslyckade i realtid utan molnberoende
• Inferensresultat publiceras till Databus och ro

  används för kvalitetsledningssystem eller operatörspaneler

• Tillgångsförvaltaren samlar också in vägledande mätvärden från varje distribution och låter användaren instrumentpanelen för enkel visualisering och alarmering baserat på regler
• Defektbilder och klassificeringsresultat flyter tillbaka till datapipelinen via visionsdatainsamlare. Modellen omskolas på utökade data, packas om och skjuts tillbaka till flottan

Utan AI-inferensservern kräver inferens molnanslutning och introducerar latens som är oförenlig med linjehastighetsinspektion, bortsett från de kostnader som uppstår för varje datatransaktion. Utan AI Asset Manager skulle det vara femtio manuella operationer att distribuera en uppdaterad modell till femtio stationer på tre platser. Utan visionsdatainsamlaren och en strukturerad datapipeline återspeglar träningsdata inte verkliga produktionsförhållanden och modellkvaliteten försämras med tiden. AI SDK gör det möjligt att sätta ihop den repeterbara leveransen genom att standardisera den levererade artefakten, agnostisk för den typ av AI-modell som distribueras.