Przetwarzanie brzegowe, sztuczna inteligencja, innowacje w automatyce

Fot. rawpixel.com - www.freepik.com

Przetwarzanie brzegowe może pomóc inżynierom obniżyć koszty i opracować nowe rozwiązania, takie jak analiza danych z hali produkcyjnej i przewidywanie jakości. Sztuczna inteligencja (SI) poprawia wydajność i zwiększa dokładność w prowadzeniu operacji.

Przetwarzanie brzegowe i sztuczna inteligencja (SI) przyczyniają się do rozwoju informatyki przemysłowej i uczenia maszynowego w celu zwiększenia liczby zastosowań w halach fabrycznych. Od czasu gwałtownego rozwoju technologii automatyki przemysłowej w latach 70. i rozwoju technologii komputerowej, nowe technologie wciąż rozwijają możliwości programowalnego sterownika logicznego (PLC), programowalnego sterownika automatyki (PAC), przemysłowego komputera PC (IPC), rozproszonego systemu sterowania (DCS) i systemu sterowania procesem (PCS). W XXI wieku niektórzy mogą się zastanawiać, czy technologia automatyki osiągnęła już maksymalny poziom rozwoju? Jednak wraz z rozwojem przetwarzania brzegowego oraz sztucznej inteligencji wydaje się, że technologia automatyki znalazła swój przyszły kierunek rozwoju. Coraz więcej producentów automatyki przyczynia się do rozwoju produktów i praktycznego zastosowania tych technologii. Jakie zmiany w automatyce mogą przynieść przetwarzanie brzegowe i SI?

Edge computing, pomoc w chmurze

Przemysłowe przetwarzanie brzegowe przenosi zalety chmury na poziom hali produkcyjnej. W przeszłości, przed pojawieniem się przetwarzania brzegowego, koszt rozwoju i utrzymania połączonych ze sobą aplikacji na poziomie hali produkcyjnej był bardzo wysoki. Platformy przetwarzania brzegowego pozwalają inżynierom na opracowanie tańszych, nowszych aplikacji, takich jak analiza danych z hali produkcyjnej i przewidywanie jakości. Przetwarzanie brzegowe wypełnia również lukę pomiędzy tradycyjną technologią operacyjną (OT) a technologią informacyjną (IT) i pozwala na wykorzystanie zalet każdej z nich.

SI przyspiesza optymalizację maszyn

Jakie korzyści dla automatyki przemysłowej zapewnia SI? Na poziomie fabryki wydajność i dokładność prowadzenia operacji można poprawić dzięki aplikacjom SI, upraszczając i zwiększając efektywność wykonywanych zadań. W przeszłości automatycy pisali programy logiki sterowania w oparciu o swoje rozumienie zasad mechaniki i fizyki. Ograniczenia wzrastają wraz ze wzrostem złożoności. Jeśli wprowadzi się metody uczenia maszynowego i głębokiego uczenia, można analizować ukryte trendy i automatycznie obliczać optymalne reakcje. Aplikacje przetwarzania brzegowego i sztuczna inteligencja mogą współpracować, nawzajem się uzupełniając. Modele SI wymagają ciągłej iteracji i aktualizacji, a w tym pomocne jest przetwarzanie brzegowe. Przemysłowe przetwarzanie brzegowe ma bardzo dobrą zdolność gromadzenia danych; zebrane dane mogą być również dostarczane do SI. SI w ramach przetwarzania brzegowego może zapewnić, że wiele danych jest analizowanych lokalnie, zmniejszając ryzyko wycieku wrażliwych danych. Poprzez mechanizm rozwoju back-end, aplikacje SI mogą być dystrybuowane z pomocą frameworków wysokiego poziomu. Dzięki wzajemnemu wsparciu SI i przetwarzania brzegowego 1+1>2.

Przykłady zastosowania nauczania maszynowego i sztucznej inteligencji w przemyśle automatyki

W ciągu ostatnich dwóch lat powstało wiele produktów automatyki wspierających przetwarzanie brzegowe. Obecnie firma Advantech oferuje kontroler przetwarzania brzegowego, który wykonuje tradycyjne sterowanie logiczne i sterowanie ruchem oraz niezależnie uruchamia pulpitowy system operacyjny (OS). Programowanie w językach wysokiego poziomu, przetwarzanie dźwięku i obrazu oraz programy użytkowe w czasie pracy mogą być zaimplementowane na IPC i połączone z chmurą. W kwietniu Siemens wypuścił na rynek WinCC Unified HMI; interfejs człowiek-maszyna (HMI), który może uruchamiać aplikacje i wykonywać obliczenia brzegowe. W aplikacjach automatyki pojawia się coraz więcej produktów wykorzystujących sztuczną inteligencję. W 2019 roku Rockwell Automation zaprezentował moduł AI LogixAI sterownika ControlLogix, aby zrealizować operacje wykorzystujące moduł sztucznej inteligencji na PLC. W tym roku Siemens zaoferował jednostkę procesu neuronowego, aby umożliwić wykorzystanie SI w sterowniku S7-1500, który może analizować i wnioskować odpowiednie dane na poziomie fabryki w oparciu o sieć neuronową. Na najnowszej platformie TwinCAT3 firmy Beckhoff Automation zintegrowano silnik wnioskowania TF380x uczenia maszynowego oraz silnik wnioskowania sieci neuronowych TF381x. Różne modele uczenia maszynowego, takie jak Matlab z MathWorks i oprogramowanie open source TensorFlow z Google Brain Team mogą być importowane do sterownika w celu wykonania analiz wykorzystujących sztuczną inteligencję.


Stone Shi jest redaktorem naczelnym Control Engineering China.