Hír

Egy laborban jól teljesítő képfeldolgozó modell mégis meghibásodhat a gyártócsarnokban, ha a mögötte lévő hardver hibás. Egy gyártáshoz használt peremhálózati mesterséges intelligenciával működő számítógép kiválasztása kevésbé a csúcsteljesítményekről, mint inkább a determinisztikus teljesítményről, az I/O illeszkedésről, a hőviselkedésről és a valós üzemi körülmények közötti hosszú távú szervizelhetőségről szól.

A gyártócsapatok nem kísérletezés céljából vásárolnak mesterséges intelligenciával hajtott hardvert. Azért veszik, hogy gyártósor sebességgel vizsgálják az alkatrészeket, a selejt felhalmozódása előtt észleljék az anomáliákat, vezessék a robotokat, osztályozzák a hibákat és csökkentsék a kezelői beavatkozást anélkül, hogy újabb meghibásodási pontot hoznának létre. Ez teljesen megváltoztatja a kiválasztási kritériumokat.

Edge AI számítógép gyártáshoz · Gyakorlati kiválasztási útmutató mérnököknek és OEM-eknek

A gyártásban használt peremhálózati mesterséges intelligenciarendszer a gépek, érzékelők és kamerák közelében helyezkedik el, ahol az adatok keletkeznek és a döntéseknek gyorsan kell megtörténniük. Ez a helyi feldolgozási modell csökkenti a késleltetést, korlátozza a backhaul forgalmat, és akkor is működteti a termelési logikát, ha a felhőkapcsolat inkonzisztens. Az optikai ellenőrzés, a prediktív karbantartás vagy az AGV-támogatás esetében gyakran ez a különbség a hasznos telepítés és a késéseket okozó telepítés között.

Nem minden peremhálózati mesterséges intelligencia alapú munkaterhelés néz ki ugyanúgy. A megfelelő platform kiválasztása attól függ, hogy a rendszer csak következtetéseket kezel, peremhálózati előfeldolgozást végez, vagy egy teljes alkalmazáscsomagot támogat tárolással, hálózatépítéssel és terepibusz-kapcsolattal.

Könnyű túl sokat koncentrálni a CPU és a GPU elnevezésére. A gyakorlatban a hardveres döntésnek egyensúlyt kell teremtenie a gyorsítás, a memória-sávszélesség, a tárolási viselkedés és a hőtervezés között. A peremhálózaton a mesterséges intelligencia következtetései gyakran a GPU, a VPU vagy más gyorsító erőforrásokra támaszkodnak, de az olyan upstream feladatok, mint a képrögzítés, a dekódolás, a szűrés és a kommunikáció vezérlése, továbbra is terhelik a CPU-t és a memória alrendszert.

• Memória és pufferelés , Egy nagy felbontású adatfolyamokat feldolgozó többkamerás vizsgálóállomásnak több memóriaterületre lehet szüksége, mint a nyers TOPS-nak. A pufferelés, a dekódolás és a modell betöltése mind ugyanarra az erőforráskészletre koncentrál.
• Tárolási tartósság , A helyi adathalmazokat, eseménynaplókat vagy vizsgálati képeket megőrző peremhálózati mesterséges intelligencia rendszereknek ipari minőségű, megfelelő írási tartósságú tárhelyre van szükségük, nem pedig fogyasztói SSD-kre, amelyek a folyamatos írási ciklusok alatt romlanak.
• PCIe és I/O tartalék , A képkocka-elfogók, hálózati adapterek és bővítő gyorsítók bővítési sávszélességet igényelnek. Egy olyan rendszer, amelyben nincs maradék PCIe-kapacitás, korlátozza a jövőbeli növekedést platformváltás nélkül.
• Hőmérséklet-tervezés tartós terhelés alatt , Egy papíron ideálisnak tűnő processzor tartós mesterséges intelligencia alapú terhelés alatt lelassulhat egy korlátozott légáramlású házban. Ipari minőségű platformok komplett rendszerként értékelik, nem pedig dobozba zárt chipként.

Sok mesterséges intelligencia telepítés kudarcot vall a kezdeti szakaszban integrációs réteg, nem a modell réteg. Egy számítógép rendelkezhet megfelelő számítási kapacitással, de ha nem tud zökkenőmentesen kommunikálni a kamerákkal, érzékelőkkel, PLC-kkel, világításvezérlőkkel, soros eszközökkel és gyári hálózatokkal, a mérnöki munka gyorsan megnő, és az ütemtervek csúsznak.

Egy irodai minőségű mini PC futtathat mesterséges intelligencia alapú demót. Ez azonban nem teszi alkalmassá gyártósor melletti szekrényben, poros csomagolási területen vagy magas hőmérsékletű folyamatkörnyezetben való használatra.

Csábító lehet a jövőbeni korlátok elkerülése érdekében a lehető legnagyobb teljesítményű platformot specifikálni. A túlvásárlás azonban növeli a költségeket, a hőterhelést és az energiafogyasztást anélkül, hogy javítaná a termelési eredményeket. Egy fegyelmezettebb megközelítés az, ha a rendszert a tényleges munkaterheléshez igazítjuk, plusz az ésszerű növekedést vesszük figyelembe.

1. A modell munkaterhelésének meghatározása , képfelbontás, képkockasebesség, streamek száma és következtetési késleltetési célok.
2. Becsülje meg a megőrzési és tárolási igényeket , A rendszer naplózza a képeket, helyben tárolja az adathalmazokat, vagy megőrzi az eseményelőzményeket?
3. Térképkommunikációs rezsi , A PLC-lekérdezések, a történészek írásai, a HMI-frissítések és a hálózati forgalom mind versenyeznek a következtetésekkel az erőforrásokért.
4. Offline követelmények meghatározása , Mennyi ideig kell a rendszernek lokálisan működnie hálózati kimaradás esetén?
5. Közösen elhelyezett funkciók értékelése , A mesterséges intelligencia rendszer SCADA, HMI vagy történeti funkciókat is tartalmaz, vagy csak következtetéseken alapul?
6. Növekedés tervezése platformcsere nélkül , A bővítőhelyek, a memória-szabad kapacitás és a tárhelybővítési lehetőségek csökkentik a jövőbeni újratervezés kockázatát.

A gyártóvállalatok vásárlói a mesterséges intelligencia hardvereit az üzemidő alapján értékelik, és jogosan. Ha egy platformot nehéz cserélni, nehéz rendszerképet készíteni róla, vagy valószínűleg gyakran módosítja a verzióit, a támogatási költségek a telepítés élettartama alatt emelkednek.

• Életciklus-rendelkezésre állási kötelezettségvállalás , Kérdezd meg, hogy a platform várhatóan meddig marad elérhető. Hosszú életciklusú programokkal rendelkező ipari beszállítók csökkentse annak az esélyét, hogy egy validált platform eltűnjön a projekt során, vagy előzetes értesítés nélkül megváltozzon a kulcsfontosságú összetevője.
• BIOS és illesztőprogram-kezelés , Az ipari telepítésekhez ellenőrzött frissítési ciklusokra van szükség, nem pedig fogyasztói stílusú kényszerített frissítésekre, amelyek destabilizálhatják az éles konfigurációkat.
• Konfigurálható építési beállítások , A tárhely, a memória és a bővítés szabványosítása leegyszerűsíti a pótalkatrészek tervezését és csökkenti a helyszíni eltéréseket a telepített egységek között.
• Dokumentáció és revízióellenőrzés , Az OEM gépek és a szabályozott gyártási munkafolyamatok esetében a hardverfrissítések között bekövetkezett változások pontos ismerete ugyanolyan fontos, mint a feldolgozási teljesítmény.
• Mérnöki támogatás mélysége , A működési hőmérsékletet, a tápellátást és a perifériás kompatibilitást megbeszélő, rugalmas támogatás lerövidíti a telepítési időt és jelentősen korlátozza a terepi problémákat.

A leghatékonyabb értékelési folyamat alkalmazásvezérelt. Kezdje az éles feladattal, majd térképezze fel a hardvert a köré.

1. Első a termelési feladat , A platformspecifikációk áttekintése előtt határozza meg a modell munkaterhelését, a kamera- vagy érzékelőinterfészeket és a következtetési késleltetési célokat.
2. Környezeti tartomány , dokumentálja a felszerelési helyet, a környezeti hőmérséklet-tartományt, a rezgésnek való kitettséget és az áramforrást.
3. I/O követelmények , Sorolja fel az összes olyan interfészt, amelyet a rendszernek támogatnia kell: kameraprotokoll, PLC-kapcsolat, trigger I/O, hálózati szegmensek, soros eszközök.
4. Üzemhálózati követelmények , OT/IT szegmentálás, tűzfalkövetelmények, távoli hozzáférés és történetíró integráció.
5. Bővítési és tárolási stratégia , Hány PCIe bővítőhelyre van szükség, mekkora a várható tárhely írási terhelése, és mi a növekedési pálya?
6. Életciklus-elvárások , Mennyi ideig lesz a gép vagy a gyártósor gyártásban, és a platform szállítójának rendelkezésre állási kötelezettsége megegyezik-e?