西門子解決方案

工業 Edge 上的人工智慧套件

此架構描述如何使用西門子 Industrial Edge 在工廠樓層開發、部署和操作 AI 模型。AI Suite 提供連接設備、擷取生產資料、在邊緣裝置上執行 AI 推論以及管理多個站點的 AI 解決方案的基礎架構。

概述

使用西門子工業 AI 套件的 AI 模型是必要的先決條件，讓用戶可以自由選擇自己選擇的 MLOPS 工作流程，或擴展它以將 AI 模型帶到廠房。

西門子 AI SDK 可將您現有的 AI 模型封裝成可在廠房裝置上離線執行的執行階段工件，並完整定義與雲端或內部部署環境中的其他系統的資料交換接口。AI 資產管理器充當模型分配、部署和監控的營運中心。AI 推論伺服器在機器附近的邊緣裝置上本機執行模型。

連接

透過預先配置的連接器，將供應商無關的廠房設備連接至 Industrial Edge。

跑

在 Industrial Edge 上執行 AI 和工業應用程式，不同使用案例 — 視覺、時間序列或批次資料推論。

一站式服務

AI 資產管理員在 Industrial Edge（虛擬）設備上運行，充當所有 AI 相關活動的一站式服務。AI 解決方案管理、分銷和營運。

開發、驗證和封裝

在雲端或內部環境中使用西門子 AI SDK 開發、驗證和封裝 AI 模型。

下載 PDF 文件

對於大多數製造商來說，AI 擴展的障礙並不在於模型的質量，而是使這些模型在生產設備上運行並確保它們在許多站點上可靠運行所需的基礎架構。每個機器、生產線或工廠都帶來新的整合挑戰，而資料科學環境與自動化系統之間的差距在大多數組織中都沒有自然橋樑。

AI 套件提供專為工業 AI 營運而打造的完整的分層基礎架構來消除了這種障礙。Industrial Edge 裝置可連線到任何廠商的設備，並在本機執行 AI 推論，而無需雲端連線即時決策。AI 資產管理員提供單一控制點，可在任意數量的設備上進行模型部署、版本控制和監控。西門子 AI SDK 可讓資料科學家在自己選擇的環境（AWS、Azure 或內部部署）中封裝和驗證模型，並將它們封裝成人工智能資產管理員可以將其分發給機隊。

結果是從原始生產資料到部署的 AI 推論可重複且可擴充的路徑，建立在開放標準上建立，並由自動化工程師無需深入的 MLOP 專業知識操作。

詳細架構

下載詳細架構 (PDF)

下載詳細的 PDF

領域層級：Industrial Edge 作為 AI 執行層

Industrial Edge 裝置直接位於廠房，並使用 PROFINET、S7、OPC UA、乙太網路 /IP、Modbus TCP 等預先配置的連接器連接到 PLC、驅動器人、機器人、相機和任何其他自動化設備。由於連接器程式庫涵蓋任何廠商的設備，因此該架構也適用於 BROWN FIELD 環境，而不需要硬體更換。

一組本地應用程序在邊緣設備上與連接器一起執行：

AI 推論伺服器用於裝置上模型執行，支援視覺、時間序列和批次推論使用
案件
視覺連接器應用程序，用於連接 GigE 工業相機和 RTSP 攝像機，以提供視覺數據以供推論
視覺資料收集器用於從攝影機和視覺系統擷取影像和中繼資料，以及運行時的推論結果，以供應 (重新) 訓練資料管道
Industrial Information Hub，在數據離開設備之前將原始 PLC 標籤和推論結果映射到一致的語義數據模型
LivetWin 和虛擬 PLC 用於數位雙人模擬和虛擬控制
Mendix on Edge，適用於跨越邊緣和上游系統的角色型操作員介面
Energy Manager 和 Performance Insight 適用於包括能源消耗和 OEE 在內的營運關鍵績效指標
用於連接企業系統的 IT 連接器

以 MQTT 為基礎的 Databus，將這些應用程式相互連接在裝置上，並提供發佈訂閱的骨幹，用於傳遞推論結果、感測器讀數和事件到工廠級別。視覺連接器和推論伺服器之間的視覺資料是使用 ZMQ 傳輸，以處理較大的高頻承載。

工廠級別：AI 作業層

AI 資產管理員在工廠級的虛擬 Industrial Edge 設備上運行，並充當工廠內所有 AI 相關活動的一站式服務。它位於上面的開發環境和下面的邊緣設備之間，協調 AI 解決方案的完整營運生命週期。

AI 資產管理員：模型分配和營運

AI 資產管理員的工作是從開發環境接收封裝的 AI 模型，將它們部署到整個叢集中的正確 AI 推論伺服器執行個體，並收集模型效能和推論活動的指標。它管理 AI 解決方案版本控制，監控設備層級部署狀態，並提供操作介面，自動化團隊可透過該操作介面來管理 AI，而無需與開發工具鏈進行交互。

使用 AI 資產管理器執行下列作業：

從 IT 級開發管道中擷取封裝模型，並將其分配到邊緣裝置
管理整個 Industrial Edge 裝置群組的模型版本，包括倒回和分段式推出
從已部署的模型收集推論指標和效能資料
提供所有設備和站點的 AI 解決方案狀態的單一操作視圖

AI 資產管理器不是開發工具。它不會訓練模型、驗證資料集或管理開發基礎架構。這些職責屬於雲端或內部部署開發環境中的 MLOPS 工作流程。AI SDK 將 AI 模型封裝，並將讀取部署工件傳遞到工廠級架構層，在此處，AI 資產管理員的範圍開始 [AN1]，並在操作指標回饋到開發週期時結束。

Industrial Edge 管理 (虛擬、專業版或雲端) 可處理更廣泛的裝置管理層：部署應用程式、推送韌體和組態更新、監控裝置健康狀況，以及管理 Industrial Edge Hub 作為全球應用程式儲存庫。它與 AI 資產管理員一起工作，而不是替換它 — 邊緣管理處理平台；AI 資產管理員處理該平台上運行的 AI 解決方案。

IT 和企業級別：AI 開發環境

模型開發是使用西門子 AI SDK 在雲端或內部部署環境中進行。此層級的管線涵蓋了模型到達工廠之前的完整開發生命週期。

西門子 AI 開發套件：模型開發和包裝

AI SDK 為數據科學家提供工具，可以在自己選擇的環境中包裝和驗證他們的 AI 模型。它是一個 python 庫，它提供了與其他系統（例如自動化）定義 AI 模型的數據接口的方法，定義運行時需求，並將 AI 模型以及業務邏輯封裝到可以在工廠完全離線執行的文件中。

使用 AI 開發套件執行下列作業：

為 AI 資產管理員封裝 AI 模型並生成經過驗證的可部署的工件，最終可以通過工廠上的 AI 推論伺服器執行，使用來自各種來源的即時生產資料。
與 AWS、Azure 或內部部署 MLOPS 環境整合，將封裝的 AI 模型傳遞到工廠層級

包裝後，模型將由 AI 資產管理員拉出並分發到車隊。針對新生產資料所訓練的更新模型遵循相同的路徑，關閉開發到部署的循環。

為什麼完整套件一起部署

現實的部署結合使用所有三個層級，因為它們可以處理不同的問題。考慮在電子裝配線上進行視覺質量檢測部署：

視覺資料收集器與視覺連接器應用程式，可在每個檢測站上擷取組裝板的影像。影像和中繼資料流入資料登陸區域 (雲端儲存空間、(S) FTP)，以供 MLops 工作流程使用
資料科學家使用自己的 MLOPS 工作流程，在該生產資料上（重新）訓練缺陷分類 AI 模型，驗證它，並使用 AI SDK 將其封裝為可部署的神器
AI 資產管理員提取封裝模型並將其部署到所有檢測站上的相關 Industrial Edge 裝置上的 AI 推論伺服器
Vision Connector 應用程式提供與工作站攝影機的連線功能，以擷取主機板影像，並將其作為推論伺服器上 AI 模型的輸入提供
AI 推論伺服器在每個站台本地執行模型，即時將主機板分類為通過或失敗，而無需雲端依賴性
推論結果發佈到數據庫和 ro
適用於品質管理系統或操作員儀表板
資產管理員還會從每個部署中收集指示性指標，並允許使用者使用儀表板，以便於根據規則進行視覺化和警報
缺陷影像和分類結果會透過視覺資料收集器返回資料管道中。該模型在擴展數據上進行重新培訓，重新包裝並推送回車隊

如果沒有 AI 推論伺服器，推論需要雲端連線，並引入與線速度檢測不相容的延遲，除了每個資料交易所產生的成本外。如果沒有 AI 資產管理員，將更新的模型部署到三個站點的五十個工作站，將需要五十個手動操作。如果沒有視覺資料收集器和結構化資料管道，訓練資料就不會反映實際的生產條件，而且模型品質會隨著時間的推移而降低。AI SDK 可以通過標準化交付的文物來組合可重複的交付，而不同於部署的 AI 模型的類型。