Haberler

Laboratuvarda iyi performans gösteren bir görüntü işleme modeli, arkasındaki donanım yanlışsa fabrika ortamında yine de başarısız olabilir. Üretim için uç yapay zeka bilgisayarı seçimi, en yüksek performans rakamlarından ziyade, gerçek fabrika koşulları altında belirleyici performans, G/Ç uyumluluğu, termal davranış ve uzun vadeli hizmet verebilirlik ile ilgilidir.

Üretim ekipleri yapay zeka donanımını deneme amaçlı satın almıyor. Bunun yerine, üretim hattı hızında parçaları incelemek, hurda birikmeden önce anormallikleri tespit etmek, robotları yönlendirmek, kusurları sınıflandırmak ve başka bir arıza noktası oluşturmadan operatör müdahalesini azaltmak için satın alıyorlar. Bu da seçim kriterlerini tamamen değiştiriyor.

Üretim için Uç Yapay Zeka Bilgisayarı · Mühendisler ve OEM'ler için Pratik Seçim Kılavuzu

Üretimde kullanılan uç yapay zeka sistemleri, verilerin oluşturulduğu ve kararların hızlı bir şekilde alınması gereken makinelere, sensörlere ve kameralara yakın konumda bulunur. Bu yerel işlem modeli, gecikmeyi azaltır, geri bağlantı trafiğini sınırlar ve bulut bağlantısı tutarsız olduğunda bile üretim mantığının çalışmasını sağlar. Optik inceleme, öngörücü bakım veya AGV desteği için bu, genellikle faydalı bir uygulama ile gecikmelere neden olan bir uygulama arasındaki farkı oluşturur.

Her uç yapay zeka iş yükü aynı görünmez. Doğru platform, sistemin yalnızca çıkarım yapıp yapmadığına, uçta ön işleme yapıp yapmadığına veya depolama, ağ iletişimi ve alan veri yolu bağlantısıyla tam bir uygulama yığınını destekleyip desteklemediğine bağlıdır.

CPU ve GPU isimlendirmesine aşırı odaklanmak kolaydır. Pratikte, donanım kararı hızlandırma, bellek bant genişliği, depolama davranışı ve termal tasarım arasında bir denge kurmalıdır. Uç noktadaki yapay zeka çıkarımı genellikle GPU, VPU veya diğer hızlandırıcı kaynaklarına dayanır, ancak görüntü yakalama, kod çözme, filtreleme ve kontrol iletişimi gibi yukarı yönlü görevler yine de CPU ve bellek alt sistemine yük bindirir.

• Bellek ve tamponlama , Yüksek çözünürlüklü akışları çeken çok kameralı bir inceleme istasyonu, ham TOPS'tan daha fazla bellek alanına ihtiyaç duyabilir. Tamponlama, kod çözme ve model yükleme işlemlerinin tümü aynı kaynak havuzu için rekabet eder.
• Depolama dayanıklılığı , Yerel veri kümelerini, olay günlüklerini veya denetim görüntülerini saklayan uç yapay zeka sistemleri, sürekli yazma döngülerinde bozulan tüketici SSD'leri yerine, uygun yazma dayanıklılığına sahip endüstriyel sınıf depolama birimlerine ihtiyaç duyar.
• PCIe ve G/Ç kapasitesi , Görüntü yakalayıcılar, ağ adaptörleri ve ek hızlandırıcılar genişletme bant genişliğine ihtiyaç duyar. PCIe kapasitesi kalmamış bir sistem, platform değişikliği yapılmadığı takdirde gelecekteki büyümeyi sınırlar.
• Sürekli yük altında termal tasarım , Kağıt üzerinde ideal görünen bir işlemci, sınırlı hava akışına sahip bir ortamda sürekli yapay zeka iş yükleri altında performans düşüşü yaşayabilir. Endüstriyel sınıf platformlar Bunlar, kutu içindeki çipler olarak değil, eksiksiz sistemler olarak değerlendirilir.

Birçok yapay zeka uygulaması şu aşamada başarısız olur: entegrasyon katmanı, Model katmanı değil. Bir bilgisayar yeterli işlem gücüne sahip olabilir, ancak kameralar, sensörler, PLC'ler, aydınlatma kontrolörleri, seri cihazlar ve fabrika ağlarıyla sorunsuz bir şekilde arayüz oluşturamıyorsa, mühendislik çabası hızla artar ve zaman çizelgeleri aksıyor.

Ofis tipi mini bir bilgisayar yapay zeka demosunu çalıştırabilir. Ancak bu, onu üretim hattı kenarındaki bir kabine, tozlu bir paketleme alanına veya yüksek sıcaklıktaki bir işlem ortamına uygun hale getirmez.

Gelecekteki sınırlamalardan kaçınmak için mevcut en yüksek performanslı platformu belirleme eğilimi vardır. Ancak aşırı satın alma, üretim sonuçlarını iyileştirmeden maliyeti, termal yükü ve güç tüketimini artırır. Daha disiplinli bir yaklaşım, gerçek iş yüküne ve makul büyümeye göre boyutlandırma yapmaktır.

1. Model iş yükünü tanımlayın. , Görüntü çözünürlüğü, kare hızı, akış sayısı ve çıkarım gecikmesi hedefleri.
2. Saklama ve depolama ihtiyaçlarını tahmin edin. , Sistem görüntüleri kaydediyor mu, veri kümelerini yerel olarak depoluyor mu veya olay geçmişini saklıyor mu?
3. Harita iletişim yükü , PLC sorgulaması, geçmişe dönük kayıtlar, HMI güncellemeleri ve ağ trafiği, kaynaklar için çıkarım işlemiyle rekabet eder.
4. Çevrimdışı gereksinimleri belirleyin , Ağ bağlantısı kesildiğinde sistemin yerel olarak çalışmaya devam etmesi gerekiyor mu? Ne kadar süreyle?
5. Aynı yerde bulunan işlevleri değerlendirin. , Yapay zeka sistemi SCADA, HMI veya veri geçmişi işlevlerini de barındırıyor mu, yoksa sadece çıkarım mı yapıyor?
6. Platform değiştirmeden büyümeyi planlayın , Genişleme yuvaları, bellek kapasitesi ve depolama yükseltme yolları, gelecekteki yeniden tasarım riskini azaltır.

Üretim yapan alıcılar, yapay zeka donanımını çalışma süresi açısından değerlendirir ve bu da haklıdır. Bir platformun değiştirilmesi zorsa, imajlanması zorsa veya sık sık revizyon değiştirme olasılığı varsa, destek maliyetleri kullanım ömrü boyunca artar.

• Yaşam döngüsü kullanılabilirlik taahhüdü , Platformun ne kadar süreyle kullanıma açık kalmasının beklendiğini sorun. Uzun yaşam döngüsü programlarına sahip endüstriyel tedarikçiler Onaylanmış bir platformun proje ortasında ortadan kaybolma veya haber verilmeksizin temel bileşenlerini değiştirme olasılığını azaltır.
• BIOS ve sürücü yönetimi , Endüstriyel uygulamalar, üretim yapılandırmalarını istikrarsızlaştırabilecek tüketici tarzı zorunlu güncellemeler yerine, kontrollü güncelleme döngülerine ihtiyaç duyar.
• Yapılandırılabilir yapı seçenekleri , Depolama, bellek ve genişletme standartlaştırması, yedek parça planlamasını basitleştirir ve konuşlandırılmış birimler genelinde saha varyasyonunu azaltır.
• Dokümantasyon ve revizyon kontrolü , OEM makineleri ve düzenlenmiş üretim iş akışları için, donanım revizyonları arasında tam olarak nelerin değiştiğini bilmek, işlem performansı kadar önemlidir.
• Mühendislik desteği derinliği , Çalışma sıcaklığı, güç tasarımı ve çevre birim uyumluluğu hakkında bilgi verebilen hızlı yanıt veren destek, devreye alma süresini kısaltır ve saha sorunlarını önemli ölçüde azaltır.

En etkili değerlendirme süreci uygulama odaklıdır. Üretim göreviyle başlayın, ardından donanımı onun etrafında yapılandırın.

1. Önce üretim görevi. , Platform özelliklerine bakmadan önce model iş yükünü, kamera veya sensör arayüzlerini ve çıkarım gecikmesi hedeflerini tanımlayın.
2. Çevresel aralık , Montaj yerini, ortam sıcaklığı aralığını, titreşime maruz kalmayı ve güç kaynağını belgeleyin.
3. G/Ç gereksinimleri , Sistemin desteklemesi gereken her arayüzü listeleyin: kamera protokolü, PLC bağlantısı, tetikleyici giriş/çıkış, ağ segmentleri, seri cihazlar.
4. Tesis ağı gereksinimleri , OT/IT segmentasyonu, güvenlik duvarı gereksinimleri, uzaktan erişim ve geçmiş kayıt entegrasyonu.
5. Genişleme ve depolama stratejisi , Kaç adet PCIe yuvasına ihtiyaç duyuluyor, beklenen depolama yazma yükü nedir ve büyüme yolu nasıl?
6. Yaşam döngüsü beklentileri , Makine veya üretim hattı ne kadar süreyle üretimde kalacak ve platform sağlayıcısının bulunabilirlik taahhüdü buna uygun mu?