Инференция на Edge AI в производството означава изпълнение на обучени модели за машинно обучение на хардуер, физически разположен на производствения под, до машините, вместо да се изпращат сурови данни към отдалечен облак за становище.
Моделът все още се обучава централизирано, често в облака където изчисленията са евтини и в изобилие, но моментът на вземане на решение (дали заварката е дефектна, дали лагерът ще се повреди скоро) се случва на локално устройство, свързано към линията. Три сили тласкат това решение към периферията: латентност, пропусквателна способност и местонахождение на данните.
Тази статия обяснява всяка една, разглежда числата за клетка за визуална инспекция и показва къде пасва слойът за данни в реално време.
Защо пътуването до облака се проваля при бърза линия Камера, инспектираща детайли при 30 кадъра в секунда, ви дава приблизително 33 милисекунди на кадър, за да решите „запазва се“ или „отхвърля се“ преди да пристигне следващата част.
Изпращането на изображение с пълна резолюция до облачен регион, изпълнението на инференция и получаването на отговора рядко се побира в този времеви бюджет. Дори при здраво свързване плащате мрежова латентност от порядъка на 20, 80 милисекунди в едната посока, плюс опашки и накладни разходи за TLS, плюс самата инференция.
Ако актуаторът за отхвърляне трябва да сработи за конкретната детайл на движеща се лента, едно забавено кръгопътуване означава дефект, който вече е изпратен надолу по потока. Edge инференцията сръщва този път.
Моделът седи на устройство в същата локална мрежа като камерата, така че цикълът за вземане на решение се измерва в едни цифрени милисекунди и никога не напуска сградата. За всичко, свързано с физическо задействане (пневматичен отклонител, сигнал за спиране, робот за захват), локалното не е лукс, а единственият начин контролният цикъл да се затвори навреме.
Това е същата логика, която управлява детерминираните системи за управление, и е полезно да се разбира заедно с това как SCADA системите наблюдават операциите в реално време.
Изчисленията за пропусквателната способност почти никога са в полза на поточното предаване на сурови данни Визията генерира огромни обеми данни и облачният трафик не е проектиран да поглъща непрекъснато сурово фабрично видео.
Най-евтината и най-надеждна архитектура запазва тежките пиксели локално и изпраща нагоре само леки резултати (флаг преминал/неуспешен, клас на дефекта, ограничителна кутия, степен на увереност). 1. Съхраняването на сурови данни е скъпо и често безсмислено. Не е нужно да пазите всяка годна част завинаги.
Дръжте цикличен буфер локално и ескалирайте нагоре само изображенията, които моделът маркира като гранични или дефектни. 2. Резултатите са малки. JSON становище е няколкостотин байта срещу рамки от няколко мегабайта. Това е разликата между връзка, която се справя, и такава, която се наситва. 3. Устойчивостта се подобрява.
Когато инференцията е локална, прекъсване на WAN влошава отчетността, а не производството. Линията продължава да инспектира. Местонахождение и суверенитет на данните като твърдо ограничение За много производители в ЕС мястото, където физически се намират данните, не е предпочитание, а изискване от регулаторен и договорен характер.
Производствените изображения могат да разкрият собствени инструменти, геометрии на детайли и ноу-хау на процеса, които заводът няма да експортира в чужд регион при никакви обстоятелства.
Edge инференцията по подразбиране задържа суровите оперативни данни вътре в завода: моделът се изпълнява на място и само абстрахираният резултат (никога самото изображение или сигнал) преминава през граница, която вие изберете да разрешите.
Тази локална по подразбиране позиция е далеч по-лесна за защитаване пред одитори и клиенти, отколкото обещанието, че доставчикът на облачни услуги ще държи данните в регионалните си граници. Пресметнат пример: възвръща ли се инвестицията от Edge за една инспекционна клетка?
Вземете една станция за визуална инспекция, работеща при 30 fps в рамките на две производствени смени (около 16 часа) на ден, 250 дни в годината. Всеки кадър е приблизително 6 мегабайта некомпресиран. - Кадри на година: 30 x 3 600 x 16 x 250 = 432 милиона кадъра.
- Суров обем при стрийм към облак: 432 000 000 x 6 MB ≈ 2 592 терабайта годишно от една камера. Непрекъснатото изкарване на това извън сайта не е нито практично, нито по джоба. - Алтернатива с Edge: изпълнявайте инференция локално и приемете, че 2 процента от частите се маркират за преглед.
Качвате само тези изображения плюс малък запис с резултат за всяка част. - Маркирани изображения, качени: 432 000 000 x 0.02 x 6 MB ≈ 51.8 терабайта годишно, което е приблизително 98% намаление, а метаданните преминал/неуспешен за всички части добавят само няколко гигабайта.
По отношение на латентността същата клетка показва защо решението трябва да е локално: при 30 fps бюджетът на кадър е около 33 милисекунди, а скромно кръгопътуване до облака само (да кажем 40 милисекунди в едната посока) вече излиза извън този лимит преди да е започнала инференцията.
Локалната инференция на целево устройство обикновено връща становище за няколко милисекунди, комфортно в рамките на бюджета. Шаблонът не е екзотичен: пазете пикселите и решението на пода, изпращайте значението нагоре.
Вкарването на тези дефектни становища в жив изглед на процент на отпадъци и Общ индекс на оборудването (OEE) е това, което превръща суровата инференция в нещо, върху което екипът по експлоатация може да действа.
Откриване на аномалии извън камерата Визията е очевидният случай за Edge, но същият аргумент важи и за сигнално-базирано откриване на аномалии на въртящо се и реципрочно оборудване.
Вибрации, потребление на ток, температура и акустични подписи, пробвани с висока честота, е най-добре да се оценяват близо до актива, където моделът може да маркира развиваща се повреда в момента, в който подписът се отклони.
Това е сензорната гръбнака на поддръжката, базирана на състоянието, при която интервенциите се задействат от измерено състояние, а не по фиксиран календар. Тя допълва по-широкия преход от реактивна към проактивна поддръжка, а суровите събитийни данни, които произвежда, влизат директно в метрики за надеждност като MTBF и MTTR.
Важно е да бъдем честни: модел на аномалии на периферията, който маркира отклонение, не е същото като валидирана програма за предиктивна поддръжка. Моделът подава сигнал; дисциплиниран анализ, статистическо мислене като статистически контрол на процесите и структуриран работен поток превръщат този сигнал в надеждна практика.
Практически ограничения при изпълнение на модели в цеха Edge инференцията не е без компромиси и прилъгването, че е иначе, обрича проектите на провал. - Управление на парк от устройства. Модел, разположен на 40 устройства в три завода, се нуждае от версиониране, мониторинг и безопасен път за връщане назад.
Дрифтове на една линия никога не трябва да се разпространяват тихомълком. - Хардуерни ограничения. Устройствата на пода имат ограничени изчислителни ресурси, памет, термален резерв и често нямат стабилно електрозахранване. Моделите трябва да бъдат квантизирани или олекотени, за да паснат, което разменя част от точността за скорост. - Цикъл на повтарящо се обучение.
Маркираните изображения, които качвате, стават тренировъчен набор за следващата версия на модела. Тази обратна връзка е цялата точка на запазването на гранични случаи, така че планирайте работния процес по анотиране съзнателно. - Интеграция. Решението от инференция е полезно само ако стигне до място, където човек или работна поръчка може да действа.
CMMS, който превръща маркирана аномалия в планирана инспекция, е мястото, където стойността се улавя. Къде се вписва Fabrico Fabrico е основата за данни в реално време, която седи под инференцията на периферията, а не самият инференционен двигател.
Тя предоставя наблюдение на OEE и производство в реално време, така че когато edge модел маркира дефект или забавен цикъл, загубата се появява веднага в числата за ефективност, а не в месечен отчет.
Fabrico също така включва компютърно зрение за машини без PLC, давайки ви начин да инструктирате по-стари активи, които никога не са били окабелени за цифрови данни.
И е готово за полеви CMMS: работни поръчки, регистри на активи, превантивно планиране и проследяване на резервни части, така че аномалия, маркирана на периферията, да стане възложима и проследима задача. Fabrico е разработено в ЕС с изискване за съхранение на данните в ЕС, което съвпада с целта оперативните данни да остават в региона.
Можете да сравните възможностите за MES и наблюдение на OEE и решението за CMMS, за да видите как основата за данни и работният процес за поддръжка се свързват. Често задавани въпроси Трябва ли ми все още облакът, ако изпълнявам инференция на периферията? Да, но за други задачи.
Облакът е мястото, където тренирате и преобучавате модели, агрегирайте резултати от различни обекти, изпълнявате анализи с по-дълъг хоризонт и съхранявате курирани данни, които избирате да запазите. Периферията се грижи за времево критичното решение. Здравият модел е: обучавайте централизирано, инферирайте локално и синхронизирайте нагоре само леки резултати и маркирани проби.
Може ли Edge AI инференцията да ми даде предиктивна поддръжка готова за използване? Не сама по себе си. Модел за аномалии на периферията открива, че сигналът се е отклонил от нормалното, което е истински полезно ранно предупреждение.
Превръщането на това в надеждна практика за предиктивна поддръжка изисква валидирани модели на откази, достатъчно етикетирана история и дисциплиниран работен процес около алармите. Третирайте откриването на аномалии на периферията като силен вход за работа по надеждността, а не като завършен предиктивен продукт. Какво прави edge инференцията по отношение на местонахождението и суверенитета на данните?
Защото моделът работи на място, суровите оперативни данни (изображения, високочестотни сигнали) не е нужно да напускат завода. Само абстрахираното становище преминава през граница, която вие позволите, и вие решавате дали дори това да остане в региона.
За производители в ЕС с изисквания за суверенитет това локално по подразбиране поведение е много по-лесно за доказване и защита, отколкото да се разчита на регионалните гаранции на отдалечен доставчик. Искате ли да видите как основа за данни в реално време за OEE и CMMS превръща становищата от edge инференция в действие на вашия под? Резервирайте демо на Fabrico и ще го разгледаме спрямо вашите линии.
Вход
Блог
