Zprávy

Model vidění, který funguje dobře v laboratoři, může selhat v továrně, pokud je hardware, který za ním stojí, špatný. Výběr počítače s umělou inteligencí na okraji výroby není ani tak o špičkových benchmarkových hodnotách, jako spíše o deterministickém výkonu, vhodnosti I/O, tepelném chování a dlouhodobé provozuschopnosti v reálných podmínkách závodu.

Výrobní týmy si nekupují hardware s umělou inteligencí pro experimentování. Kupují si ho pro kontrolu dílů rychlostí linky, detekci anomálií před nahromaděním odpadu, řízení robotů, klasifikaci vad a snížení zásahů obsluhy, aniž by zaváděly další bod selhání. To zcela mění kritéria výběru.

Počítač s umělou inteligencí na okraji výroby · Praktický průvodce výběrem pro inženýry a výrobce originálního vybavení

Systém umělé inteligence na okraji výroby se nachází v blízkosti strojů, senzorů a kamer, kde se vytvářejí data a kde je třeba rychle přijímat rozhodnutí. Tento lokální model zpracování snižuje latenci, omezuje provoz zpětného přenosu a udržuje výrobní logiku v chodu i v případě nekonzistentního cloudového připojení. V případě optické kontroly, prediktivní údržby nebo podpory AGV je to často rozdíl mezi užitečným nasazením a nasazením, které způsobuje zpoždění.

Ne každá úloha umělé inteligence na okraji sítě vypadá stejně. Správná platforma závisí na tom, zda systém zpracovává pouze inferenci, předzpracování na okraji sítě nebo podporuje kompletní aplikační stack s úložištěm, sítí a konektivitou fieldbus.

Je snadné se příliš zaměřit na pojmenování CPU a GPU. V praxi by hardwarové rozhodnutí mělo vyvážit akceleraci, šířku pásma paměti, chování úložiště a tepelný design. Inference umělé inteligence na okraji sítě se často spoléhá na GPU, VPU nebo jiné akcelerační zdroje, ale úkoly v předstihu, jako je snímání obrazu, dekódování, filtrování a řídicí komunikace, stále zatěžují CPU a paměťový subsystém.

• Paměť a vyrovnávací paměť , Vícekamerová inspekční stanice, která zpracovává datové toky s vysokým rozlišením, může potřebovat více paměťového prostoru než nezpracované TOPS. Ukládání do vyrovnávací paměti, dekódování a načítání modelu soupeří o stejný fond zdrojů.
• Skladovací výdrž , Systémy EDGE AI, které uchovávají lokální datové sady, protokoly událostí nebo inspekční snímky, potřebují úložiště průmyslové úrovně s odpovídající odolností proti zápisu, nikoli spotřebitelské SSD disky, které se při dlouhodobých cyklech zápisu degradují.
• PCIe a rezerva pro I/O , Zachytávače frame grabberů, síťové adaptéry a akcelerátory doplňků vyžadují rozšiřující šířku pásma. Systém bez zbývající kapacity PCIe omezuje budoucí růst bez změny platformy.
• Tepelný návrh při trvalém zatížení , Procesor, který na papíře vypadá ideálně, se může při trvalém zatížení umělou inteligencí uvnitř skříně s omezeným prouděním vzduchu zpomalit. Průmyslové platformy jsou hodnoceny jako kompletní systémy, nikoli jako čipy v krabici.

Mnoho nasazení umělé inteligence selhává na integrační vrstva, ne vrstva modelu. Počítač může mít dostatečný výpočetní výkon, ale pokud se nedokáže čistě propojit s kamerami, senzory, PLC, regulátory osvětlení, sériovými zařízeními a továrními sítěmi, inženýrské úsilí rychle roste a časové harmonogramy se zkracují.

Kancelářský mini počítač může spustit demo s umělou inteligencí. To z něj nedělá vhodné místo pro umístění do rozvaděče u linky, prašného prostoru pro balení nebo procesního prostředí s vysokou teplotou.

Existuje pokušení specifikovat nejvýkonnější dostupnou platformu, aby se předešlo budoucím omezením. Nadměrné nákupy však zvyšují náklady, tepelnou zátěž a spotřebu energie, aniž by se zlepšily výrobní výsledky. Disciplinovanějším přístupem je dimenzování s ohledem na skutečné pracovní zatížení a přiměřený růst.

1. Definování modelové pracovní zátěže , rozlišení obrazu, snímková frekvence, počet streamů a cílové hodnoty latence inference.
2. Odhad potřeb uchovávání a skladování , Zaznamenává systém obrazy, ukládá lokálně datové sady nebo uchovává historii událostí?
3. Režie mapové komunikace , Dotazování PLC, zápisy do historie, aktualizace HMI a síťový provoz – to vše soupeří s inferencí o zdroje.
4. Určete požadavky pro offline provoz , Musí systém i během výpadku sítě pokračovat v lokálním provozu? Jak dlouho?
5. Posouzení sdílených funkcí , Obsahuje systém umělé inteligence také funkce SCADA, HMI nebo historie dat, nebo se jedná pouze o inferenci?
6. Plán růstu bez výměny platformy , Rozšiřující sloty, paměťová kapacita a možnosti upgradu úložiště snižují riziko budoucího redesignu.

Nákupčí ve výrobě hodnotí hardware umělé inteligence optikou provozuschopnosti, a právem. Pokud je platformu obtížné nahradit, obtížně si ji představit nebo je pravděpodobné, že se u ní budou často měnit revize, náklady na podporu v průběhu doby nasazení rostou.

• Závazek dostupnosti po celý život , Zeptejte se, jak dlouho se očekává, že platforma zůstane dostupná. Průmysloví dodavatelé s programy s dlouhým životním cyklem snížit pravděpodobnost, že ověřená platforma zmizí uprostřed projektu nebo bez upozornění změní klíčové komponenty.
• Správa BIOSu a ovladačů , Průmyslová nasazení potřebují řízené cykly aktualizací, nikoli vynucené aktualizace ve spotřebitelském stylu, které mohou destabilizovat produkční konfigurace.
• Konfigurovatelné možnosti sestavení , Standardizace úložiště, paměti a rozšíření zjednodušuje plánování náhradních dílů a snižuje variabilitu v terénu mezi nasazenými jednotkami.
• Dokumentace a kontrola revizí , U strojů OEM a regulovaných výrobních pracovních postupů je stejně důležité vědět, co se mezi revizemi hardwaru změnilo, jako výkon zpracování.
• Hloubka inženýrské podpory , Rychlá podpora, která může prodiskutovat provozní teplotu, návrh napájení a kompatibilitu periferií, zkracuje dobu nasazení a výrazně omezuje problémy v terénu.

Nejefektivnější proces hodnocení je řízený aplikací. Začněte s produkčním úkolem a poté kolem něj namapujte hardware.

1. První úkol výroby , Před prozkoumáním specifikací platformy definujte pracovní zátěž modelu, rozhraní kamery nebo senzoru a cílové hodnoty latence inference.
2. Rozsah prostředí , zdokumentujte místo montáže, rozsah okolní teploty, vystavení vibracím a zdroj napájení.
3. Požadavky na I/O , Uveďte všechna rozhraní, která musí systém podporovat: protokol kamery, připojení PLC, spouštěcí I/O, síťové segmenty, sériová zařízení.
4. Požadavky na síť závodu , Segmentace OT/IT, požadavky na firewall, vzdálený přístup a integrace historianů.
5. Strategie expanze a úložiště , Kolik slotů PCIe je potřeba, jaké je očekávané zápisové zatížení úložiště a jaká je cesta růstu?
6. Očekávání životního cyklu , Jak dlouho bude stroj nebo linka ve výrobě a odpovídá tomu závazek dodavatele platformy ohledně dostupnosti?