你還在用傳統方式巡檢設備、安排維護嗎？你還在為突發故障、停機損失而感到焦慮嗎？現在，真正的智慧時代已經來臨——電腦視覺與人工智慧的結合，正以前所未有的速度，重塑製造業的每一個細節！
別以為電腦視覺只是「新潮玩意」，它的基礎早在60年前就已經奠定。如今，智慧相機、機器視覺、協作機器人、工業物聯網……這些曾經只出現在科幻電影中的場景，正在全球工廠真實上演。工業4.0的浪潮席捲而來，智慧視覺系統讓生產線上的每一個環節都變得透明、可控、智能。協作機器人不需要安全圍欄，能與人類並肩作戰，大幅提升了生產效率和安全性。
更令人振奮的是，AI 驅動的預測性維護，正在讓「設備故障」成為歷史！透過即時監控和智能分析，企業可以提前預警、精準維護，徹底告別「等壞了再修」的被動局面。維護成本大幅下降，產能利用率大幅提升，企業競爭力實現質的飛躍！
這不僅僅是技術升級，更是一場產業革命！誰能率先擁抱智能視覺和AI，誰就能在新一輪工業變革中搶占先機，成為行業的領跑者！
還在等什麼？加入智慧製造的浪潮，讓你的企業立於不敗之地！
從智慧視覺到預測性維護
本文討論了用於工業監控和控制的 AI 和 ML 解決方案。
Microchip Technology Inc.
資深顧問級行銷經理
Nilam Ruparelia
計算機視覺在自動化領域的發展 許多人認為計算機視覺在製造、過程控制和其他自動化應用中的應用是一項相對較新的技術，但它實際上可以追溯到麻省理工學院在 20 世紀 60 年代對 3D 機器視覺的研究。後來，在 20 世紀 70 年代，麻省理工學院的人工智慧（AI）實驗室開設了機器視覺課程，涵蓋了邊緣檢測和分割等主題。
“智慧相機”一詞也誕生於 20 世紀 70 年代，用於描述一種獨立的視覺系統，該系統配備影像感測器，例如電荷耦合元件（CCD）或基於 CMOS 的主動像素感測器。此外，針對特定應用的智慧相機可以感知人類視覺範圍之外的頻率；例如，它們可以（並且正在）用於熱成像。
智能相機的影像一旦數位化，即可由電腦或可程式邏輯控制器（PLC）進行解讀。這在20世紀80年代改變了自動化的格局，並極大地促進了工業機器對機器（M2M）技術的發展；該技術在20世紀90年代蓬勃發展，但其根源可追溯至20世紀70年代的電信行業。如今，M2M 使用公共有線和無線網路（例如乙太網和行動網路）在機器之間共享數據，無需人工干預。
最近，在2010年代中期，第四次工業革命（又稱工業4.0，見圖1）正式展開，將自動化提升到了一個全新的層次。工業4.0還包括數位孿生和擴增實境，以及供應鏈內部的自動化，例如零件訂購、材料和運輸。
圖 1 – 上圖展示了四次工業革命及其所採用的技術。
工業 4.0 以 M2M、智慧攝影機和其他先進感測技術為基礎，以資訊物理系統（CPS）、大數據和雲端運算為支撐，並與工業物聯網（IIoT）密切相關。此外，人工智慧（AI）和機器學習（ML：AI 的一個分支）正日益為工業 4.0 做出貢獻，並不斷增強其功能。工業 4.0 到 5.0 智慧視覺系統在大量生產和過程監控應用中發揮著至關重要的作用。例如，配備視覺系統的機器人可以執行焊接和雷射切割等任務，同時監控焊接/切割的品質。此外，智慧視覺也使所謂的協作機器人（cobot）成為可能。
就傳統製造機器人而言，其尺寸（通常包含安全圍欄）以及針對特定任務的詳細編程需求，限制了它們在某些行業的應用。而協作機器人則不需要安全圍欄，它們透過使用智慧攝影機、力傳感器和接近傳感器來偵測人員的存在。它們還能對特定的人體動作和語音指令做出反應，而且得益於機器學習，它們可以說是具備學習能力的機器。
協作機器人可以在工廠（例如組裝產品）以及倉庫和配送中心（例如揀選和包裝）與人類並肩工作。此外，雖然很難想像工業4.0之後的時代（它包羅萬象），但協作機器人被認為是邁向工業5.0演進中不可或缺的一部分——而這場演進已經在進行中。
歐盟表示，工業 5.0 “……提供了一種超越效率和生產力的工業願景，並強化了工業在社會中的作用和貢獻。”此外：“它將工人的福祉置於生產過程的核心，並利用新技術在尊重地球生產極限的同時，創造超越就業和增長的繁榮。”
預測性維護
工業4.0（以及新興的工業5.0）中人工智慧和機器學習的加入，正幫助企業享受預測性維護帶來的停機時間減少和產量提升的優勢。例如，大多數工業機器人設備都會經歷高強度的振動，這會導致元件和系統隨著時間推移而性能下降。工廠運營人員希望增強對振動影響的意識，可以使用人工智慧/機器學習分析來解讀數據，在問題發生之前識別問題，並在系統故障發生之前及時且經濟高效地解決問題。
具體來說，預測性維護策略——包括監測振動水平、溫度、電流消耗以及任何其他可能指示部件磨損/故障的參數——使製造商能夠擺脫定期安排維護的傳統方法，這種方法通常會導致在部件壽命尚可時就更換它們。這種方法過於謹慎，但成本效益和環保性都不是特別高，也無法完全避免意外故障。
隨著現代製造業中的機器人系統日益複雜，工廠管理人員需要即時掌握維護需求，並了解常規和關鍵服務計劃，以避免服務中斷並提高零件的使用率。此外，持續監控關鍵系統參數意味著，在快速故障發生時，可以發出設備警報，或在必要時自動關閉故障的機器以及下游設備，以防止損壞。
多年來，製造和服務人員已經習慣了電腦化維護管理系統（CMMS）以及以可靠性為中心的維護（RCM）方法所帶來的進步，這些方法都是以營運數據為基礎。而轉向基於人工智慧/機器學習（AI/ML）的預測性維護模型，利用豐富的即時數據，可以更有效地使用易磨損部件（以及其他消耗品，例如潤滑油），從而提升成本效益，並更好地預防意外故障。
此外，由於人工智慧和機器學習能夠推斷事物——這些事物它們未必被教授過，因此它們非常擅長異常檢測和發現異常值。例如，考慮對馬達溫度和電流消耗的監控。被監控的兩個參數都有臨界值，超過臨界值就會發出警報。電流（消耗）和溫度預計會根據馬達的機械負載一起變化，例如，在圖表上繪製電流與溫度的關係圖，所有數據點都會位於或接近一條代表溫度與電流之間關係的直線上。但是，如果出現異常或異常值怎麼辦？請參見圖 2。
圖 2 – 異常表明行為發生變化，需要進行調查。異常值通常是偶然造成的（例如，錯誤的數據樣本），需要注意，但不一定需要採取行動。
溫度和電流可能都在各自的範圍內，但異常值和異常情況表明存在問題，而 AI/ML 非常擅長發現這些問題。
建構模組和工作流程
智能視覺和預測性維護的先進功能正被世界各地的工廠採用，同時也應用於安全、汽車、航空航太、再生能源和交通運輸等各種其他應用領域。
就已部署的系統而言，它們需要基礎（電子）構建模組來支援人工智慧和機器學習（這些功能越來越多地在「邊緣」執行，也就是在數據來源和需要採取行動的地方）。儘管大多數單片機和微處理器（分別為 MCU 和 MPU）適用於傳統的製造機器人，但協作機器人需要更多功能。
例如，我們的 SAMA5D27 MPU 可用於驅動典型工廠自動化場景中的機器人操作，例如移動、切割、彎曲、壓制或連接零件或部件。此外，SAMA5D27 還能收集和處理感測器數據、報告運行狀態、支援指令、提供緊急關機模式，並監控其環境以獲取可操作的維護相關資訊。
然而，嵌入機器學習不僅僅是擁有能夠承載演算法和模型的 MCU 或 MPU。需要一個整合的工作流程，以簡化機器學習模型的開發。考量到這一點，我們於 2023 年推出了 MPLAB® 機器學習開發套件，這是一款可用於各種 MCU 和 MPU 產品的軟體工具包。它不僅支援通常與機器學習相關的 32 位 MCU 和 MPU，還支援 16 位甚至 8 位的裝置。
以下是 MPLAB 在整合工作流程中的使用方式。
- 資料收集配備感測器的邊緣設備會收集被監控設備或系統的相關數據。這些數據可能包括感測器讀數、溫度、振動、壓力或任何其他相關參數。這些數據將以原始檔案或 .csv 檔案的形式匯入 MPLAB。
- 資料預處理在 MPLAB 機器學習開發套件中，對收集到的數據進行預處理，以清理、規範化並將其轉換為適合分析的格式。這可能涉及移除異常值（如上所述）、處理缺失值或縮放數據。
- 特徵擷取從預處理數據中提取相關特徵。特徵提取技術可以包括統計分析、時間序列分析、傅立葉變換、小波分析或其他特定領域的方法。這也可以在開發套件中完成。
- 模型開發使用提取的特徵在套件中開發機器學習模型，例如分類或異常檢測演算法。這可能涉及決策樹、神經網路或集成方法等技術。該套件會根據目標 MCU 或 MPU 自動優化模型的記憶體大小和準確性。
- 模型訓練和更新機器學習模型使用歷史數據進行訓練，並考慮正常和故障運行情況。該模型還可以透過訓練識別未知數據形式的類似情況。
ML 工作流程的接下來三個階段不涉及 MPLAB，但值得討論：
- 模型部署訓練完成的模型部署在邊緣設備使用的 MCU 或 MPU 上，使其能夠即時進行預測或在本地檢測異常，而無需依賴集中式伺服器。這可以加快反應時間並減少對網路連線的依賴。
- 警報生成與決策基於已部署模型的預測或檢測到的異常，該模型可以在邊緣設備上生成警報或通知。這可以實現快速回應和決策，例如安排維護活動或採取糾正措施以防止設備故障。
- 持續監控和優化邊緣設備持續即時監控設備或系統並收集新數據。基於基線數據與新數據之間的變化，機器學習模型可以進行重新訓練和更新。這一迭代過程有助於持續提升預測性維護系統的準確性和有效性。
大多數智慧視覺和預測性維護場景都需要工廠各部分之間的無線連接以及與雲端的連接，因此讓我們考慮一些其他建構模組。
我們的 IEEE 802.11 b/g/n 物聯網網路控制器提供可靠的 Wi-Fi® 和網路功能，並以極低的資源需求連接到公司的任何 SAM 或 PIC® MCU。這些元件具有完全集成的功率放大器、低噪聲放大器以及開關和電源管理功能，還提供內部快閃記憶體來存儲韌體。
此外，我們的 SAM R30 系列產品在工業、科學和醫療（ISM）頻段的 sub-GHz 信道中使用 IEEE 802.15.4，其低功耗休眠模式的電流消耗不到 1 µA。
綜合生態系統
智能視覺、智能預測維護系統或任何其他支援 AI/ML 的平台的開發，都需要一個生態系統，其中包括硬體、軟體、開發環境、評估板、開發工具包參考設計和技術支援。
圖 3 – Microchip 運營著一個正式的 AI/ML 設計合作夥伴計劃
我們創建了這樣一個生態系統，它不僅包括我們自己的產品、工具和支援服務，還擴展到與專門從事預測性維護、人機介面（HMI）、過程控制、手勢識別和感測器數據分析等領域的公司建立正式的合作計畫。
評論