کارخانه تاریک – ساخت هوشمند آینده
Industry 4.0 کلمه ای پر سر و صدا است که در آن تولید و فناوری اطلاعات برای دیجیتالی شدن دست به دست هم داده اند. افراد، ماشینها و سیستمها در زمان واقعی با کمک به بهبود در زمینه IoT برای فعال کردن تولید مستقل ارتباط برقرار میکنند.
یکی از کشورهای پیشرو در دیجیتالی شدن، جهشی را در پیاده سازی تولید هوشمند با تمام فناوری های روز انجام داده است. این کشور دارای 2700 شرکت مهندسی تولید کننده کالاهای ضروری در صنایع مختلف مانند پزشکی، هوافضا و نیمه هادی ها می باشد.
اختلال در فناوریهای دیجیتال راه را برای کارخانههای تاریک هموار کرده بود که به عنوان محیط خاموش نور کاملاً خودکار نامیده میشود و در کارخانه تاریک شیائومی واقعیت دارد. ما این را به عنوان کارخانه آینده می گوییم و با پیشرفت روباتیک و نرم افزارهای تاسیس شده مانند MOM (مدیریت عملیات تولید)، مفهوم سازی کامل چراغ خاموش کارخانه تا اجرا بسیار امکان پذیر است.
مشاغلی که در آن دخالت های انسانی خطرناک است می توانند از مزایای اتوماسیون کامل بهره ببرند. سناریوهایی از سکوهای نفتی را تصور کنید که در آن نشت مواد باید در مکانهای پیچیدهای اندازهگیری شود که فرستادن انسان در آن خطرآفرین است یا سناریوهایی را در نظر بگیرید که شرایط نظارت برای انسان خطرات سلامتی ایجاد میکند. ما می توانیم از روبات ها برای اندازه گیری، نظارت و مداخله استفاده کنیم. اجازه دهید از چند مورد استفاده بگذریم که مفهوم کارخانه تاریک را می توان اعمال کرد.
بیشتر سناریوهای مربوط به موارد بازرسی که ربات ها می توانند مفید باشند به شرح زیر است:
- شناسایی عیوب، خوردگی، نشت نفت از دکل های بزرگ
- خسارات
- فرسایش
- شکستگی قطعات باعث ناکارآمدی تولید در خطوط می شود
- زنگ زدگی و بسیاری از این عیوب بسته به محصول.
نظارت ایمنی با ربات ها شامل حالات زیر است:
- تشخیص نفوذ – سقوط اجسام از کارخانه تاریک
- تجاوز به منطقه خطر
- ریختن مایعات و گازهای مضر با اختلاف دما
- قطعات شل یا آسیب دیده ماشین آلات که باعث ایجاد اثرات مضر برای تکمیل واحد کارخانه می شود
در زیر مدل ربات از Boston Dynamics است که می تواند برای این موارد استفاده از اجرای کارخانه تاریک استفاده شود:
Photo credits to Boston Dynamics
بیایید ببینیم که چگونه این را در AWS و جزئیات معماری راه حل پیاده سازی می کنیم.
Spot از Boston Dynamics میتواند تصاویر محلی را با دوربینهای روبات استاندارد خود یا با سایر دوربینهای سفارشی بر اساس ترجیح ما ثبت کند.
داده های تصویر گرفته شده را می توان با مدل CV (Computer Vision) ML استنباط کرد. تشخیصها از استنتاج ML را میتوان در فضای ذخیرهسازی ربات ذخیره کرد، تا زمانی که Spot به منطقهای برسد که اتصال شبکه در آن قابل دسترسی است. فناوریهای مورد استفاده برای پیادهسازی عبارتند از AWS IoT Greengrass 2.0 و Amazon SageMaker Edge Manager. مدلهای ML در نقطهای مستقر میشوند که با اتصال متناوب شبکه به Edge عمل میکند، زیرا به مکانهای پیچیده سفر میکند.
داده ها از فیدهای دوربین Spot به طور مداوم از طریق دروازه دستگاه به AWS IoT Core پخش می شوند. ما دروازه لبه ای را در نظر گرفته ایم که به دوربین ها متصل می شود و داده های دستگاه به AWS IoT Core هدایت می شود. دروازه Edge دارای عملکردهای AWS Greengrass و عملکرد لامبدا است و عکسها از طریق توابع لامبدا از حافظه Edge به AWS S3 منتقل میشوند.
فیدها و عکسهای بلادرنگ در پوشه سری زمانی در AWS S3 و مکان عکسها به همراه ابرداده در DynamoDB ذخیره میشوند. داشبوردهای مدیریت با استفاده از Grafana ایجاد می شوند که در آن هشدارها و همچنین کیفیت تصاویر پیش بینی شده می توانند به طور مداوم توسط مدیر مشاهده شوند.
داده های تاریخی در مورد سایت تولید با میلیون ها عکس گرفته شده است. عکسهای واقعی که در S3 ذخیره میشوند و همچنین تصاویر تاریخی ارائه شده توسط مشتری ما در S3 با چسب AWS تجزیه و تحلیل میشوند. دادههای انتخابشده در AWS S3 برای برچسبگذاری ذخیره میشوند و کار برچسبگذاری AWS SageMaker در جایی که AWS GroudTruth برای برچسبگذاری استفاده میشود، ایجاد میشود. داده های برچسب گذاری شده دوباره در S3 ذخیره می شوند. این داده ها به داده های آموزشی (80%) و آزمون (20%) تقسیم می شوند. الگوریتم CV که به صورت سفارشی برای سناریوهای ما ساخته شده بود با داده های ذخیره شده در S3 با استفاده از GPU آموزش داده می شود. هنگامی که آموزش کامل شد، مدل از نظر دقت با داده های آزمایشی آزمایش می شود.
پیشبینیهای مدل اعتبارسنجی میشوند و پس از دستیابی به دقت مطلوب، مدل برای استنباط در Spot منتشر میشود. مدلها استنباط میشوند و نتایج به AWS IoT Core ارسال میشوند.