Industrial Edge 上的人工智能套件

下载详细架构 (PDF)

下载详细的 PDF

现场级别：作为 AI 执行层的 Industrial Edge

Industrial Edge 设备直接位于车间，使用预先配置的 PROFINET、S7、OPC UA、以太网/IP、Modbus TCP 等连接器连接到可编程控制器、驱动器、机器人、摄像头和任何其他自动化设备。由于连接器库涵盖来自任何供应商的设备，因此该架构也适合棕地环境，无需更换硬件。

一组本地应用程序在边缘设备上与连接器一起运行：

• 用于设备端模型执行的 AI 推理服务器，支持视觉、时间序列和批量推理的使用

  案件

• 视觉连接器应用程序，用于连接 GigE 工业相机和 RTSP 相机以提供用于推理的视觉数据
• Vision Data Collector 用于捕获来自相机和视觉系统的图像和元数据，以及运行时的推理结果，为（重新）训练数据管道提供信息
• Industrial Information Hub，它在数据离开设备之前将原始 PLC 标签和推理结果映射到一致的语义数据模型
• LiveTwin 和虚拟 PLC 用于数字双胞胎仿真和虚拟控制
• Mendix on Edge 提供跨边缘和上游系统的基于角色的操作员界面
• 运营 KPI（包括能耗和 OEE）的 Energy Manager 和 Performance Insight
• 用于连接企业系统的 IT 连接器

基于 MQTT 的 Databus 将这些应用程序在设备上相互连接，并提供发布-订阅主干，用于将推理结果、传感器读数和事件传递到出厂级别。视觉连接器和推理服务器之间的视觉数据使用 ZMQ 传输，用于处理更大的高频有效负载。

工厂级别：AI 操作层

人工智能资产管理器在工厂级别的虚拟 Industrial Edge 设备上运行，是车间所有与人工智能相关的活动的一站式商店。它位于上方的开发环境和下面的边缘设备之间，协调人工智能解决方案的整个运营生命周期。

AI 资产管理器：模型分发和运营

AI 资产管理器的工作是从开发环境接收打包的 AI 模型，将它们部署到队列中正确的 AI 推理服务器实例上，并收集有关模型性能和推理活动的指标。它管理人工智能解决方案版本控制，监控设备级部署状态，并提供操作接口，自动化团队无需与开发工具链交互即可管理人工智能。

使用 AI 资产管理器进行：

• 从 IT 级开发管道中提取打包模型并将其分发到边缘设备
• 管理一系列 Industrial Edge 设备的模型版本，包括回滚和分阶段部署
• 从已部署的模型中收集推理指标和性能数据
• 为所有设备和站点的 AI 解决方案状态提供单一操作视图

AI 资产管理器不是开发工具。它不训练模型、验证数据集或管理开发基础架构。这些职责属于云端或本地开发环境中的 MLOps 工作流程。AI SDK 打包 AI 模型，并将准备部署的工件交付到工厂级架构层，人工智能资产管理器的范围从 [AN1] 开始，到运营指标反馈到开发周期时结束。

工业边缘管理（虚拟、专业版或云端）处理更广泛的设备管理层：部署应用程序、推送固件和配置更新、监控设备运行状况，以及将工业边缘中心作为全球应用存储库进行管理。它与人工智能资产管理器一起工作，而不是取而代之——边缘管理负责平台；人工智能资产管理器负责处理在该平台上运行的人工智能解决方案。

IT 和企业层面：人工智能开发环境

模型开发使用西门子 AI SDK 在云端或本地环境中进行。该级别的管道涵盖了模型出厂之前的整个开发生命周期。

西门子 AI SDK：模型开发和打包

AI SDK 为数据科学家提供了在他们选择的环境中打包和验证他们的 AI 模型的工具。它是一个 python 库，它提供了为人工智能模型与其他系统（例如自动化）定义数据接口、定义运行时要求以及将人工智能模型和业务逻辑打包成可在车间完全离线执行的工件的方法。

使用 AI SDK 来：

• 打包 AI 模型，为 AI 资产管理器生成经过验证的、可部署的工件，这些工件最终可以由车间的 AI 推理服务器使用来自不同来源的实时生产数据执行。
• 与 AWS、Azure 或本地 mLOps 环境集成，将打包的 AI 模型交付到工厂级别

打包后，模型将由 AI 资产管理器提取并分发给队列。根据新的生产数据训练的更新模型遵循相同的路径，从而结束了从开发到部署的循环。

为什么要一起部署完整套件

实际部署将所有三个级别组合在一起，因为它们处理不同的问题。考虑在电子装配线上部署视觉质量检测：

• 视觉数据收集器与视觉连接器应用程序一起在每个检查站捕获组装电路板的图像。图像和元数据流入数据着陆区（云存储，（S）FTP），供 MLOps 工作流程使用
• 数据科学家使用他们自己的 MLOps 工作流程（重新）在该生产数据上训练缺陷分类 AI 模型，对其进行验证，并使用 AI SDK 将其打包为可部署的工件
• AI Asset Manager 提取打包后的模型，并将其部署到所有检查站的相关 Industrial Edge 设备上的 AI 推理服务器
• Vision Connector 应用程序提供与工作站摄像机的连接，用于捕获电路板的图像，并将其作为推理服务器上的 AI 模型的输入提供
• AI 推理服务器在每个站点本地运行模型，将电路板实时分类为通过或失败，无需依赖云端
• 推理结果发布到数据库总线和 ro

  适用于质量管理系统或操作员仪表板

• 资产管理器还收集每次部署的指示性指标，并允许用户使用仪表板，以便根据规则轻松实现可视化和警报
• 缺陷图像和分类结果通过视觉数据采集器流回数据管道。该模型根据扩展的数据进行重新训练，重新打包，然后推回舰队

如果没有 AI 推理服务器，推理需要云连接，除了每笔数据交易产生的成本外，还会带来与线速检查不兼容的延迟。如果没有 AI 资产管理器，将更新后的模型部署到三个站点的五十个站点将需要进行五十次手动操作。如果没有视觉数据收集器和结构化数据管道，training 数据无法反映实际生产条件，模型质量会随着时间的推移而下降。AI SDK 支持通过标准化交付的工件来整合可重复的交付，与所部署的 AI 模型类型无关。