隨著工業(yè) 4.0 時代的來臨,數(shù)字化、智能化轉(zhuǎn)型成為工業(yè)領(lǐng)域企業(yè)保持核心競爭力的必經(jīng)之路。工業(yè)制造涉及環(huán)節(jié)和場景眾多,對于各類生產(chǎn)數(shù)據(jù)的收集與處理能力是決定其自動化程度的關(guān)鍵。構(gòu)建可靠的工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)接入層,為上層平臺與應(yīng)用提供實時可靠的數(shù)據(jù)源以供分析決策,可以極大提高工作效率。

在本專題系列文章中,我們將結(jié)合 EMQ 多年來服務(wù)工業(yè)領(lǐng)域客戶的實踐經(jīng)驗,從能耗監(jiān)控、預(yù)測性維護、產(chǎn)品質(zhì)量溯源等工業(yè)領(lǐng)域常見場景需求入手,為從業(yè)者提供針對性的解決方案參考。

背景

在數(shù)以萬計的智能工廠中,一個零部件的質(zhì)量往往關(guān)系到整個產(chǎn)品是否合格、整條生產(chǎn)線的合格率、整個工廠的生產(chǎn)效率和經(jīng)濟成本,甚至是整個企業(yè)的市場競爭力。因此,產(chǎn)品的質(zhì)量檢測是生產(chǎn)企業(yè)管理者必須重視的關(guān)鍵環(huán)節(jié)。

隨著工業(yè)智能化的迅速發(fā)展,視覺 AI 缺陷檢測技術(shù)已逐步成熟并得到廣泛應(yīng)用。采用視覺 AI 缺陷檢測技術(shù)進行工業(yè)缺陷檢測,具有非接觸、高效、低成本、自動化程度高等優(yōu)點,在檢測缺陷和防止缺陷產(chǎn)品方面具有不可估量的價值。

基于視覺 AI 缺陷檢測技術(shù),工廠如何實現(xiàn)零缺陷生產(chǎn)和自我工藝優(yōu)化升級的「智慧化」,將在兩個維度對現(xiàn)有的技術(shù)提出挑戰(zhàn),一方面需要不斷訓(xùn)練、優(yōu)化AI算法模型以提升視覺檢測技術(shù)覆蓋范圍和精準(zhǔn)度;另一方面,數(shù)據(jù)可自動上傳到生產(chǎn)執(zhí)行系統(tǒng)和企業(yè)云大數(shù)據(jù)分析平臺,便于后續(xù)大數(shù)據(jù)分析做工藝的持續(xù)性優(yōu)化、生產(chǎn)線的效率提升以及管理模式的不斷改善,最終實現(xiàn)整個工廠自我糾錯、不斷改善的智慧化能力。

視覺 AI 缺陷檢測技術(shù)現(xiàn)狀分析缺乏在近生產(chǎn)線的邊緣端獨立處理事件能力

產(chǎn)品缺陷有時是工藝上不可避免,有時是生產(chǎn)線設(shè)備參數(shù)設(shè)置異常、設(shè)備故障或操作錯誤等原因?qū)е?一旦視覺 AI 缺陷檢測到產(chǎn)品缺陷,需要通過聲光等告警信號及時告知現(xiàn)場工程師進行故障排查,或通過生產(chǎn)線的自動化系統(tǒng)執(zhí)行分流、糾錯等流程,避免造成更大的經(jīng)濟損失。

告警信號觸發(fā)或執(zhí)行流程一般是通過聲光報警器或 PLC 執(zhí)行完成,邊緣端運算能力需要保障告警事件處理的實時性、高效性和獨立性。

數(shù)據(jù)異構(gòu)化、匯聚難

在智能制造生產(chǎn)過程中,產(chǎn)品的質(zhì)量數(shù)據(jù)不僅涉及缺陷檢測的圖像流,還涉及到現(xiàn)場多工序多產(chǎn)線生產(chǎn)設(shè)備的多源異構(gòu)協(xié)議數(shù)據(jù)、生產(chǎn)經(jīng)營相關(guān)業(yè)務(wù)數(shù)據(jù)和產(chǎn)品設(shè)計工藝數(shù)據(jù)采集,以及 MES、WMS、ERP 等工廠管理系統(tǒng)的對接。

這些設(shè)備或系統(tǒng)處于不同的網(wǎng)絡(luò)環(huán)境中,如生產(chǎn)網(wǎng)、辦公網(wǎng)或者云平臺等,需要構(gòu)建一條信息通道打通各個設(shè)備和系統(tǒng)之間數(shù)據(jù)交互壁壘,進行相關(guān)數(shù)據(jù)的全面感知和采集,才能實現(xiàn)基于視覺 AI 缺陷檢測和其他生產(chǎn)、業(yè)務(wù)數(shù)據(jù)的大數(shù)據(jù)分析。

新趨勢:基于「云-邊」架構(gòu)的 AI 算法模型

「云-邊」的架構(gòu)成為視覺 AI 缺陷檢測架構(gòu)的新趨勢。

「云」設(shè)立在廠級信息中心或集團的總部,掌握總體管控的功能,還可根據(jù)實際生產(chǎn)需要,選用合適的模型進行集中訓(xùn)練,再將訓(xùn)練好的模型發(fā)布給 「邊緣」進行就近推理,并接收其返回的推理結(jié)果進行存儲、管理;「邊緣」則設(shè)立在工廠內(nèi)每條生產(chǎn)線上,進行前端的數(shù)據(jù)采集、預(yù)處理以及簡單的推理工作,也在「云」的管控下,對生產(chǎn)線產(chǎn)品進行實時缺陷檢測。

全新工業(yè)視覺平臺系統(tǒng)架構(gòu)圖

EMQ 視覺 AI 缺陷檢測解決方案

針對工業(yè)領(lǐng)域視覺 AI 缺陷檢測場景現(xiàn)狀,EMQ 通過云原生技術(shù)以及云邊協(xié)同架構(gòu)提供了完整解決方案,實現(xiàn)對視覺 AI 缺陷檢測圖像流及海量工業(yè)設(shè)備數(shù)據(jù)在「產(chǎn)線-工廠-集團」的連接、移動、處理、存儲與分析。

該方案主要由以下產(chǎn)品構(gòu)成:

1.EMQ 在邊緣端提供視覺 AI 缺陷檢測數(shù)據(jù)對接處理能力。eKuiper 支持 Rest、gRPC、msgpack RPC 服務(wù)對接視覺 AI 缺陷檢測數(shù)據(jù),獲取缺陷產(chǎn)品圖像流,進行實時壓縮后在邊緣端存儲和匯聚到廠級數(shù)據(jù)中心或云端。

2.邊緣端實現(xiàn)視覺 AI 缺陷檢測設(shè)備和自動化設(shè)備聯(lián)動,在生產(chǎn)線上視覺 AI 缺陷檢測設(shè)備檢測出產(chǎn)品缺陷,可以直接通過 Neuron 下發(fā)指令到聲光報警器和 PLC,進行告警通知或者執(zhí)行分流、糾錯流程。

3.構(gòu)建「產(chǎn)線-工廠-集團」圖像流及海量工業(yè)設(shè)備數(shù)據(jù)傳輸通道。數(shù)據(jù)通過 EMQ 邊緣計算平臺匯聚,傳輸?shù)焦S的 EMQX,再橋接到云端 EMQX,并通過其規(guī)則引擎流入到時序數(shù)據(jù)庫與 AI 分析應(yīng)用,為基于全集團工廠缺陷檢測圖像數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)的大數(shù)據(jù)分析應(yīng)用奠定基礎(chǔ),實現(xiàn)生產(chǎn)質(zhì)量追溯、生產(chǎn)工藝優(yōu)化等數(shù)據(jù)價值挖掘與應(yīng)用。

4.通過 EMQ 的這套方案可以構(gòu)建完整、自循環(huán)的云邊一體 AI 模型訓(xùn)練流程:邊緣端的圖像流實時匯聚、持久化到云端,云端 AI 及時進行模型訓(xùn)練并周期性優(yōu)化算法模型發(fā)布到邊緣端,同時實時匯聚、持久化新模型推理結(jié)果,為工廠生產(chǎn)工藝進一步優(yōu)化、智慧化做好準(zhǔn)備。

EMQ 架構(gòu)優(yōu)勢多維度的數(shù)據(jù)匯聚和邏輯處理能力

EMQ 整體解決方案可以采集與反向控制工廠內(nèi) PLC、非標(biāo)自動化設(shè)備、各類儀器儀表、視覺 AI 缺陷檢測設(shè)備的圖像流和實時數(shù)據(jù),可以響應(yīng)邊緣端、工廠 MES 系統(tǒng)、云中心各級數(shù)據(jù)邏輯運算、事件流處理需求。

多維度的數(shù)據(jù)持久化能力

通過 ekuiper 和 EMQX 內(nèi)置規(guī)則引擎功能,可以在邊緣端、廠級信息中心和云端,把圖像流和業(yè)務(wù)數(shù)據(jù)流實時推送到各類數(shù)據(jù)庫中,包括 InfluxDB、TimescaleDB、MySQL、PostgreSQL 等各類時序數(shù)據(jù)庫和關(guān)系型數(shù)據(jù)庫。

EMQX 支持每秒 10 萬+TPS 的數(shù)據(jù)庫數(shù)據(jù)寫入性能,可滿足每秒千萬級數(shù)據(jù)測點的實時入庫。EMQX 將多端 Neuron、eKuiper 采集分析的數(shù)據(jù)進行統(tǒng)一匯聚,數(shù)據(jù)推送到數(shù)據(jù)庫及大數(shù)據(jù)系統(tǒng)進行持久化存儲,為企業(yè)構(gòu)建生產(chǎn)質(zhì)量分析和優(yōu)化構(gòu)建了健壯的底層數(shù)據(jù)架構(gòu)。

具備消息持久化存儲能力,以保證消息的安全。此外,消息處理平臺還需提供基于規(guī)則的處理能力,預(yù)先對消息進行處理和分析,從而支持后端場景化的業(yè)務(wù)實現(xiàn)。

云邊協(xié)同管理提升企業(yè) IT 水平

EMQ 的云邊協(xié)同框架將 Neuron、eKuiper 等眾多邊緣軟件進行遠(yuǎn)程統(tǒng)一管理,無論云邊之間的網(wǎng)絡(luò)是直連模式還是穿透模式,都可以方便地進實現(xiàn)參數(shù)配置、日志查看、實時監(jiān)控等遠(yuǎn)程管理。

此外,方案利用 KubeEdge 對邊緣軟件進行編排管理,實現(xiàn)了邊緣軟件的高可用、遠(yuǎn)程部署、軟件升級以及邊緣離線自治等功能,實現(xiàn)應(yīng)用的邊緣自治,極大提升了整體系統(tǒng)的穩(wěn)定性,并降低運維成本。

結(jié)語

通過構(gòu)建圖像流和業(yè)務(wù)數(shù)據(jù)流到廠級數(shù)據(jù)中心和云中心的數(shù)據(jù)高速通道,EMQ 面向視覺 AI 缺陷檢測場景的解決方案打破了檢測系統(tǒng)和產(chǎn)線自動化設(shè)備之間的信息孤島,基于不同業(yè)務(wù)層對事件處理的需求提供對應(yīng)的邏輯分析和數(shù)據(jù)持久化能力,為企業(yè)通過 AI 模型訓(xùn)練不斷優(yōu)化視覺 AI 缺陷檢測算法以及基于大數(shù)據(jù)分析持續(xù)改進工廠生產(chǎn)工藝和企業(yè)管理模式提供了保障,助力企業(yè)實現(xiàn)數(shù)字化轉(zhuǎn)型,提升市場競爭力。

審核編輯 黃昊宇