边缘计算如何赋能智能制造?


    互联网大厂单双周假期变更能上热搜,但很多更繁重的工作却乏人关注。电子设备的质检工,通常每天要完成1万多个零件的人眼检测,平均每分钟检测十几个产品,连续工作超10个小时并不鲜见。
    高负荷导致工人精力跟不上,出现漏检、错检在所难免。如何缓解质检工的工作压力、提升制造企业的产品品质,成为亟待解决的难题。
    浪潮携手思谋科技,基于深度学习算法打造边缘工业智能质检解决方案,通过实时读取质检图片,对瑕疵产品进行推理、定位,即时给出缺陷类型、大小和处理建议。同时,这些数据还会反馈到云端,进一步优化AI质检模型算法。
    
    据《IT创事记》了解,这一解决方案已应用于钢铁、3C电子、汽车等行业的智能工厂,缺陷检出率从原来的90%提升到99%,不放过每一个缺陷,过检率≤3%,不会造成大量的“错杀”,同时日均处理产品件数大幅提升,对产品品质控制和生产效率优化助益显著。
    边缘计算在智能制造中的角色,类似于古时的御前带刀侍卫。巡逻、查夜、看守库房是带刀侍卫的日常职责,危急时刻作为“人肉盾牌”保护圣驾更是责无旁贷;边缘计算就像智能制造的贴身侍卫,用火眼金睛发现问题、监控环境,以顺风耳实现与云端的协同,遇到突发状况也会挺身而出,为智能制造的平稳运行保驾护航。
    智能制造面临多元挑战
    基于中商产业研究院的数据,2020年中国智能制造装备产值规模达20900亿元。制造业景气度整体维持在高位,为智能制造的快速发展奠定了坚实基础。
    与欧美发达国家相比,我国智能制造还有相当大的发展空间。亿欧智库的调研显示:当前90%的制造业企业配有自动生产线,但仅有40%实现数字化管理,5%打通工厂数据,1%使用智能化技术。预计到2025年,数字化、网络化、智能化制造企业占比将分别达到70%、30%、10%。
    智能制造的未来是星辰大海,但脚下的路却并不平坦。
    首先要面临复杂多元算力的挑战。伴随深度学习不断发展,分类算法AlexNet分析224×224大小的图像需要720FLOPS,使用工控机处理需要1秒左右;而实际生产中常使用的ResNet50视频处理的计算量是AlexNet的数十倍,复杂度越来越高,算力结构性缺口日益凸显。
    其次是巨量数据贯通的障碍。从2015年迄今,国内机器人装机量从25万台猛增到100万台,数控机床、PLC的市场规模从1400亿增长到2000多亿,系统平台从以人为核心的ERP、CRM扩展到以物为核心的IIOT、MES、PLM等。智能化装备、各类生产线以及跨领域系统平台的巨量涌现,让工厂的数据量呈指数级增长,海量数据的贯通和深度挖掘计算成为难题。
    此外,高并发实时处理的需求激增也带来困扰。智能制造过程广泛使用装配机器人,对智能机器人的目标识别、轨迹规划的计算实时性、复杂性提出了更高要求。工业现场单个摄像头每天会产生约330G的视频数据,完全传输至云端不仅占用带宽,亦难以满足实时性(毫秒级)的业务需求。
    边缘计算生逢其时
    应对智能制造面临的多元挑战,需要系统性的解决方案,而边缘计算也许是分量最重的利器。
    国际知名调研机构IDC将企业数字化成熟度划分为入门者、探索者、组织者、转型者、颠覆者5个阶段,目前中国制造企业数字化转型总体处在中间阶段,第四、五阶段的占比很低。人工智能、物联网等技术在制造行业应用落地过程中,企业迫切需要边缘侧强大的算力支持智能制造发展,而这正是国内市场最明显的短板。
    一组数据也印证了上述判断:2020年有超过500亿台设备连接在一起,每个工厂每天收集的数据点超14.4亿,这意味着对边缘侧的计算能力、服务速度的期望值前所未有。
    边缘计算在靠近数据源头端提供计算及存储服务,能够有效缓解网络带宽与数据中心的压力,增强服务的响应能力,并对工厂内的隐私数据进行保护,提升数据和生产的安全性。通过与云端的交互协作,还可实现系统整体的智能化。
    中国信通院技术与标准研究所互联网中心高级项目经理宋平博士认为,边缘计算是一个技术赋能平台,可以天然地与AI、大数据、区块链等新一代ICT技术进行深度融合,进而推动不同行业朝网络化、数字化、智能化方向转型升级。
    
    作为“带刀侍卫”,边缘计算对智能制造面临的三重挑战给出了强有力的回应:
    控制层智慧化运营管理:以深度学习为代表的复杂优化方法在自动化领域有较多应用,边缘计算可以为其提供基础设施,保证相关的计算任务安全、快速、高效地完成。例如在随机订单的混沌生产场景,利用边缘智能构建多个智能体系统,通过不同智能体之间的行为交互提高自主决策能力,增强生产过程的自适应性。
    贯通层海量数据分析挖掘:数据贯通层需要分布在边缘侧的计算节点统一协同,实现海量工业数据的挖掘。在工业生产中,产品、部件在传送带上流动,数据信息也在流动,利用边缘计算能快速感知工厂内各环节设备、产品异常,并基于RFID、蓝牙等技术对生产线上流动产品进行定位和质量评估。
    感知层更低时延诊断预警:数据感知层故障诊断与缺陷监测是应用边缘计算最多的领域。基于工厂产线零件识别与缺陷检测、轴承故障诊断、钢炉热异常检测、电力设备检修等场景,可以通过边缘计算进行更低时延的诊断预警,提高生产检测效率,缩短订单交付周期。
    “带刀侍卫”的烦恼与对策
    在智能制造产业升级进程中,边缘计算无疑发挥着举足轻重的作用。但“带刀侍卫”也有自己的烦恼,还存在一些妨碍其大展身手的制约因素。
    首当其冲的是AI技术链条与制造业的产业链条彼此脱节。据埃森哲等咨询机构的研究,70%以上有AI技术的研究机构、科技公司缺少需求场景及行业领域的知识和数据,与此同时,70%以上的行业用户欠缺技术人才和AI平台的实施能力,这种状况严重制约了智能制造的发展速度。
    思谋科技首席架构师侯力政对此深有体会:“我们很多的研发人员是研究机构或互联网公司出身,掌握高精尖的算法,但对整个工业领域缺少切实的体会。智能制造的应用场景比较碎片化,同一个客户不同的生产线也可能差异很大。一开始因为数据支撑较少,需要case by case地去做,接触的相似场景更多之后,就可以从中抽离出对应的核心算法。”
    云边协同缺乏一整套资源管理和任务调度的解决方案,也是症结所在。边缘计算的核心是将分析和决策下沉到网络边缘侧,对用户而言需要从算法、云平台、边缘资源管理平台、硬件产品等方面实现软硬件结合的系统性突破。
    消费级算力产品稳定性较差,成为智慧工厂的心病。很多边缘计算设备成熟度低,稳定性差。例如:不少工厂应用的工控机,工作一周就要下线10分钟——这些设备使用了桌面级的芯片做设计,在室外部署环境中无法保证稳定、可靠的持续运行。
    针对产业链脱节、生态离散的顽疾,已有嗅觉敏锐的企业开启“破圈”尝试。本文开头提到的智慧工厂案例,就是强强携手的典范。在国内AI和边缘计算服务器领域独占鳌头的浪潮,与致力于AI系统架构在智能制造行业落地应用的思谋科技,以跨界联手的方式促成了边缘计算的逆袭。
    早在2016年,浪潮就开始布局边缘计算,经过多年深耕,取得丰硕成果。围绕智能制造、智慧能源、智慧交通等场景,浪潮打造出边缘微服务器、便携AI服务器、边缘服务器和边缘微中心四大产品系列,并汇聚智能制造领域系统、算法、应用等伙伴,形成多种智能制造解决方案。
    工业机器人“智能体检”即是具有示范效应的典型应用。浪潮与展湾科技共同开发了一套“智能体检模型”,能够实时监控智能工厂内机器人健康参数,通过“物联网+算法模型” 在线监控和预测机器人系统的故障隐患,将传统基于时间的维护转变为对设备状态进行管理——根据设备健康参数提供分析图表,可提前将有问题的设备进行更换,避免机器人非计划停机,保证了全自动化产线连续、稳定、高效地运转。
    24小时在线的“安全监督员”也是比较成熟的解决方案。目前各行业的作业现场安全监督仍以人工管理为主,无法做到实时不间断监控。借助边缘计算技术,对生产全过程进行智能化监管,已成为各行业保障安全的优先发展方向。基于计算机视觉的AI智能监管,可以通过摄像机采集现场视频,依托安全帽和防护服监测、人脸检测等算法来判断工人的行为是否符合安全规范,并自动进行告警和记录。
    浪潮边缘计算事业部总经理孙波认为,以短平快灵活开发的模式去支撑边缘计算的不同场景,是浪潮在智能制造领域脱颖而出的关键。
    “我们在产品研发端采用模块化架构设计,揉合不同客户的差异化需求;供应链端实现小规模定制的柔性生产,哪怕只需要一台服务器,也能按客户需求供货。”孙波一语道破天机——在纷繁复杂的场景中积极求变,也许正是边缘计算的生存之道。