Новини

Модел на зрение, който се представя добре в лаборатория, все още може да се провали във фабричен цех, ако хардуерът, който стои зад него, е грешен. Изборът на компютър с изкуствен интелект за производство е по-малко свързан с пикови показатели за сравнение и повече с детерминистична производителност, съответствие на входно-изходните операции, термично поведение и дългосрочна експлоатационна годност при реални условия на завода.

Производствените екипи не купуват хардуер с изкуствен интелект за експерименти. Те го купуват, за да инспектират части с линейна скорост, да откриват аномалии преди натрупване на скрап, да насочват роботи, да класифицират дефекти и да намаляват намесата на оператора, без да въвеждат още една точка на повреда. Това променя критериите за подбор изцяло.

Компютър с изкуствен интелект за производство · Практическо ръководство за избор за инженери и производители на оригинално оборудване

Една периферна система с изкуствен интелект в производството е разположена близо до машини, сензори и камери, където се създават данни и решенията трябва да се вземат бързо. Този локален модел на обработка намалява латентността, ограничава трафика за пренос на данни и поддържа производствената логика работеща дори когато облачната връзка е нестабилна. За оптична инспекция, прогнозна поддръжка или поддръжка на AGV, това често е разликата между полезно внедряване и такова, което създава забавяния.

Не всяко работно натоварване с изкуствен интелект на периферията изглежда еднакво. Подходящата платформа зависи от това дали системата обработва само изводи, извършва предварителна обработка на периферията или поддържа пълен стек от приложения със съхранение, мрежа и свързаност към полеви шини.

Лесно е да се префокусираме върху именуването на процесора и графичния процесор. На практика, хардуерното решение трябва да балансира ускорението, пропускателната способност на паметта, поведението на съхранението и термичния дизайн. Изводите от изкуствен интелект на периферията често разчитат на графичен процесор, виртуален процесор или други ускорителни ресурси, но задачите нагоре по веригата, като заснемане на изображения, декодиране, филтриране и контрол на комуникациите, все още натоварват процесора и подсистемата памет.

• Памет и буфериране , Многокамерна инспекционна станция, която извлича потоци с висока резолюция, може да се нуждае от повече памет, отколкото суровите TOPS данни. Буферирането, декодирането и зареждането на модела се конкурират за един и същ пул от ресурси.
• Издръжливост на съхранение , Системите с ъпгрейд на изкуствения интелект, които съхраняват локални набори от данни, регистрационни файлове на събития или изображения от инспекции, се нуждаят от индустриално хранилище с подходяща издръжливост на запис, а не от потребителски SSD дискове, които се деградират при продължителни цикли на запис.
• PCIe и I/O свободен капацитет , Устройствата за захващане на кадри, мрежовите адаптери и ускорителите на добавки изискват разширяване на честотната лента. Система без оставащ PCIe капацитет ограничава бъдещия растеж без промяна на платформата.
• Термичен дизайн при продължително натоварване , Процесор, който изглежда идеален на хартия, може да се забави при продължителни натоварвания от изкуствен интелект в корпус с ограничен въздушен поток. Платформи от индустриален клас се оценяват като цялостни системи, а не като чипове в кутия.

Много внедрявания на изкуствен интелект се провалят на интеграционен слой, не моделният слой. Компютърът може да има адекватна изчислителна мощност, но ако не може да взаимодейства безпроблемно с камери, сензори, PLC, контролери за осветление, серийни устройства и фабрични мрежи, инженерните усилия се увеличават бързо и сроковете се забавят.

Мини компютър от офис клас може да изпълнява демонстрация с изкуствен интелект. Това не го прави подходящ за шкаф до линията, запрашена зона за опаковане или среда с висока температура.

Съществува изкушение да се посочи най-високопроизводителната налична платформа, за да се избегнат бъдещи ограничения. Но прекомерното закупуване увеличава разходите, топлинното натоварване и консумацията на енергия, без да подобрява производствените резултати. По-дисциплиниран подход е да се определи размерът, съобразен с действителното натоварване плюс разумен растеж.

1. Дефиниране на работното натоварване на модела , резолюция на изображението, честота на кадрите в секунда, брой потоци и целеви стойности за латентност на инференцията.
2. Оценка на нуждите от съхранение и съхранение , Системата регистрира ли изображения, съхранява ли локално набори от данни или запазва ли история на събитията?
3. Комуникация с картата (режим) , Запитването на PLC, записите в архив, актуализациите на HMI и мрежовият трафик се конкурират с инференциалния анализ за ресурси.
4. Определете изискванията за офлайн работа , Трябва ли системата да продължи да работи локално по време на загуба на мрежа? За колко време?
5. Оценка на съвместно разположените функции , Системата с изкуствен интелект поддържа ли също SCADA, HMI или функции за архивиране, или е само за извод?
6. План за растеж без подмяна на платформата , Слотовете за разширение, свободното място за памет и пътищата за надграждане на паметта намаляват риска от бъдещ редизайн.

Купувачите в производствения сектор оценяват хардуера с изкуствен интелект през призмата на времето за работа и с право. Ако дадена платформа е трудна за подмяна, трудна за представяне или е вероятно често да променя ревизиите си, разходите за поддръжка се увеличават през целия живот на внедряването.

• Ангажимент за наличност през целия жизнен цикъл , Попитайте колко дълго се очаква платформата да остане налична. Индустриални доставчици с програми за дълъг жизнен цикъл намаляване на вероятността валидирана платформа да изчезне по средата на проекта или да промени ключови компоненти без предупреждение.
• BIOS и управление на драйвери , Индустриалните внедрявания се нуждаят от контролирани цикли на актуализация, а не от принудителни актуализации в потребителски стил, които могат да дестабилизират производствените конфигурации.
• Конфигурируеми опции за изграждане , Стандартизацията на съхранението, паметта и разширението опростява планирането на резервни части и намалява вариациите на място между разположените устройства.
• Документация и контрол на редакциите , За OEM машините и регулираните производствени работни процеси, познаването на точните промени между хардуерните ревизии е също толкова важно, колкото и производителността на обработката.
• Дълбочина на инженерната поддръжка , Бързата поддръжка, която може да обсъди работната температура, дизайна на захранването и съвместимостта на периферните устройства, съкращава времето за внедряване и значително ограничава проблемите на място.

Най-ефективният процес на оценка е ориентиран към приложението. Започнете с производствената задача, след което определете хардуера около нея.

1. Първа производствена задача , Дефинирайте работното натоварване на модела, интерфейсите на камерата или сензора и целевите стойности за латентност на извода, преди да разгледате каквито и да е спецификации на платформата.
2. Диапазон на околната среда , документирайте мястото на монтаж, диапазона на околната температура, излагането на вибрации и източника на захранване.
3. Изисквания за входно/изходно управление , Избройте всички интерфейси, които системата трябва да поддържа: протокол за камера, PLC връзка, тригерни входове/изходи, мрежови сегменти, серийни устройства.
4. Изисквания към мрежата на инсталацията , Сегментация на OT/IT, изисквания за защитна стена, отдалечен достъп и интеграция на архиватори.
5. Стратегия за разширяване и съхранение , Колко PCIe слота са необходими, какво е очакваното натоварване от запис на паметта и какъв е пътят на растеж?
6. Очаквания за жизнения цикъл , Колко дълго ще се произвежда машината или линията и съответства ли ангажиментът за наличност на доставчика на платформата?