Ştiri

Un model de vizualizare care funcționează bine într-un laborator poate totuși să eșueze într-o fabrică dacă hardware-ul din spatele său este greșit. Alegerea unui computer cu inteligență artificială de ultimă generație pentru producție nu se bazează atât pe valorile maxime ale testelor de performanță, cât pe performanța deterministă, compatibilitatea I/O, comportamentul termic și capacitatea de service pe termen lung în condiții reale de fabricație.

Echipele de producție nu cumpără hardware de inteligență artificială pentru experimentare. Îl cumpără pentru a inspecta piesele la viteza liniei de producție, a detecta anomalii înainte ca deșeurile să se acumuleze, a ghida roboții, a clasifica defectele și a reduce intervenția operatorilor, fără a introduce un alt punct de defecțiune. Acest lucru schimbă complet criteriile de selecție.

Computer Edge AI pentru producție · Un ghid practic de selecție pentru ingineri și producători de echipamente originale (OEM)

Un sistem de inteligență artificială de la marginea producției se află aproape de mașini, senzori și camere, unde datele sunt create și deciziile trebuie luate rapid. Acest model de procesare locală reduce latența, limitează traficul backhaul și menține logica de producție în funcțiune chiar și atunci când conectivitatea cloud este inconsistentă. Pentru inspecția optică, mentenanța predictivă sau asistența AGV, aceasta este adesea diferența dintre o implementare utilă și una care creează întârzieri.

Nu toate sarcinile de lucru de inteligență artificială (AI) de la margine arată la fel. Platforma potrivită depinde de faptul dacă sistemul gestionează doar inferența, preprocesarea la margine sau suportă o stivă completă de aplicații cu stocare, rețea și conectivitate fieldbus.

Este ușor să te concentrezi prea mult pe denumirea procesorului și a plăcii grafice. În practică, decizia privind hardware-ul ar trebui să echilibreze accelerația, lățimea de bandă a memoriei, comportamentul stocării și designul termic. Inferența inteligenței artificiale la periferie se bazează adesea pe GPU, VPU sau alte resurse de accelerare, dar sarcinile din amonte, cum ar fi capturarea imaginilor, decodarea, filtrarea și comunicațiile de control, încă solicită subsistemul procesorului și al memoriei.

• Memorie și buffering , O stație de inspecție cu mai multe camere care extrage fluxuri de date de înaltă rezoluție poate necesita mai mult spațiu de memorie decât TOPS brute. Buffering-ul, decodarea și încărcarea modelului concurează pentru același grup de resurse.
• Rezistență la stocare , Sistemele de inteligență artificială Edge care păstrează seturi de date locale, jurnale de evenimente sau imagini de inspecție necesită stocare de nivel industrial cu o rezistență la scriere adecvată, nu SSD-uri de consum care se degradează în timpul ciclurilor de scriere susținute.
• Spațiu maxim PCIe și I/O , Capturile de frame, adaptoarele de rețea și acceleratoarele suplimentare necesită lățime de bandă extinsă. Un sistem fără capacitate PCIe rămasă limitează creșterea viitoare fără o schimbare de platformă.
• Design termic sub sarcină susținută , Un procesor care arată ideal pe hârtie s-ar putea limita de lucru sub sarcini de lucru susținute de inteligență artificială într-o carcasă cu flux de aer limitat. Platforme de calitate industrială sunt evaluate ca sisteme complete, nu ca cipuri într-o cutie.

Multe implementări de inteligență artificială eșuează la strat de integrare, nu stratul modelului. Un computer poate avea un proces de calcul adecvat, dar dacă nu poate interacționa perfect cu camerele, senzorii, PLC-urile, controlerele de iluminat, dispozitivele seriale și rețelele din fabrici, efortul de inginerie crește rapid, iar termenele se întârzie.

Un mini PC de birou poate rula o demonstrație de inteligență artificială. Asta nu îl face potrivit pentru un dulap lateral de linie, o zonă de ambalare prăfuită sau un mediu de procesare cu temperaturi ridicate.

Există tentația de a specifica platforma cu cea mai mare performanță disponibilă pentru a evita limitele viitoare. Însă achiziționarea excesivă crește costurile, sarcina termică și consumul de energie fără a îmbunătăți rezultatele producției. O abordare mai disciplinată este dimensionarea pentru volumul de lucru real plus o creștere rezonabilă.

1. Definiți sarcina de lucru a modelului , rezoluția imaginii, rata de cadre, numărul de fluxuri și țintele de latență ale inferenței.
2. Estimați nevoile de păstrare și depozitare , Sistemul înregistrează imagini, stochează seturi de date local sau păstrează istoricul evenimentelor?
3. Costul de comunicare al hărții , Interogările PLC, scrierile istoricului, actualizările HMI și traficul de rețea concurează cu inferența pentru resurse.
4. Determinați cerințele offline , Trebuie ca sistemul să continue să funcționeze local în timpul unei pierderi de rețea? Pentru cât timp?
5. Evaluează funcțiile colocate , Sistemul de inteligență artificială găzduiește și funcții SCADA, HMI sau istoric sau este doar de inferență?
6. Planificați creșterea fără înlocuirea platformei , Sloturile de expansiune, spațiul de memorie și căile de upgrade pentru stocare reduc riscul de reproiectare viitoare.

Cumpărătorii din industria prelucrătoare evaluează hardware-ul AI prin prisma timpului de funcționare, și pe bună dreptate. Dacă o platformă este dificil de înlocuit, dificil de imaginat sau este probabil să modifice reviziile frecvent, costurile de asistență cresc pe durata implementării.

• Angajamentul de disponibilitate pe durata de viață , Întrebați cât timp se preconizează că platforma va rămâne disponibilă. Furnizori industriali cu programe cu ciclu de viață lung reduce șansa ca o platformă validată să dispară în mijlocul proiectului sau să modifice componente cheie fără notificare prealabilă.
• BIOS și gestionarea driverelor , Implementările industriale necesită cicluri de actualizare controlate, nu actualizări forțate de tip consumer, care pot destabiliza configurațiile de producție.
• Opțiuni de compilare configurabile , Standardizarea stocării, memoriei și expansiunii simplifică planificarea pieselor de schimb și reduce variațiile de pe teren între unitățile implementate.
• Documentație și control al reviziilor , Pentru mașinile OEM și fluxurile de lucru de producție reglementate, cunoașterea exactă a modificărilor între reviziile hardware este la fel de importantă ca și performanța de procesare.
• Adâncimea suportului tehnic , Asistența receptivă, care poate discuta despre temperatura de funcționare, designul alimentării și compatibilitatea perifericelor, scurtează timpul de implementare și limitează semnificativ problemele de teren.

Cel mai eficient proces de evaluare este cel bazat pe aplicație. Începeți cu sarcina de producție, apoi mapați hardware-ul din jurul acesteia.

1. Sarcina de producție mai întâi , definiți sarcina de lucru a modelului, interfețele camerei sau senzorilor și țintele de latență ale inferenței înainte de a analiza specificațiile platformei.
2. Gama de mediu , documentați locația de montare, intervalul de temperatură ambientală, expunerea la vibrații și sursa de alimentare.
3. Cerințe I/O , Enumerați fiecare interfață pe care sistemul trebuie să o suporte: protocolul camerei, conexiunea PLC, intrările/ieșirile de declanșare, segmentele de rețea, dispozitivele seriale.
4. Cerințe ale rețelei de instalații , Segmentare OT/IT, cerințe firewall, acces la distanță și integrare istoric.
5. Strategia de extindere și depozitare , Câte sloturi PCIe sunt necesare, care este sarcina de scriere așteptată pentru stocare și care este calea de creștere?
6. Așteptările privind ciclul de viață , Cât timp va fi în producție mașina sau linia și se respectă angajamentul de disponibilitate al furnizorului platformei?