隨著工業 4.0 時代的來臨,數字化、智能化轉型成為工業領域企業保持核心競爭力的必經之路。工業制造涉及環節和場景眾多,對于各類生產數據的收集與處理能力是決定其自動化程度的關鍵。構建可靠的工業物聯網數據接入層,為上層平臺與應用提供實時可靠的數據源以供分析決策,可以極大提高工作效率。

在本專題系列文章中,我們將結合 EMQ 多年來服務工業領域客戶的實踐經驗,從能耗監控、預測性維護、產品質量溯源等工業領域常見場景需求入手,為從業者提供針對性的解決方案參考。

背景

在數以萬計的智能工廠中,一個零部件的質量往往關系到整個產品是否合格、整條生產線的合格率、整個工廠的生產效率和經濟成本,甚至是整個企業的市場競爭力。因此,產品的質量檢測是生產企業管理者必須重視的關鍵環節。

隨著工業智能化的迅速發展,視覺 AI 缺陷檢測技術已逐步成熟并得到廣泛應用。采用視覺 AI 缺陷檢測技術進行工業缺陷檢測,具有非接觸、高效、低成本、自動化程度高等優點,在檢測缺陷和防止缺陷產品方面具有不可估量的價值。

基于視覺 AI 缺陷檢測技術,工廠如何實現零缺陷生產和自我工藝優化升級的「智慧化」,將在兩個維度對現有的技術提出挑戰,一方面需要不斷訓練、優化AI算法模型以提升視覺檢測技術覆蓋范圍和精準度;另一方面,數據可自動上傳到生產執行系統和企業云大數據分析平臺,便于后續大數據分析做工藝的持續性優化、生產線的效率提升以及管理模式的不斷改善,最終實現整個工廠自我糾錯、不斷改善的智慧化能力。

視覺 AI 缺陷檢測技術現狀分析缺乏在近生產線的邊緣端獨立處理事件能力

產品缺陷有時是工藝上不可避免,有時是生產線設備參數設置異常、設備故障或操作錯誤等原因導致,一旦視覺 AI 缺陷檢測到產品缺陷,需要通過聲光等告警信號及時告知現場工程師進行故障排查,或通過生產線的自動化系統執行分流、糾錯等流程,避免造成更大的經濟損失。

告警信號觸發或執行流程一般是通過聲光報警器或 PLC 執行完成,邊緣端運算能力需要保障告警事件處理的實時性、高效性和獨立性。

數據異構化、匯聚難

在智能制造生產過程中,產品的質量數據不僅涉及缺陷檢測的圖像流,還涉及到現場多工序多產線生產設備的多源異構協議數據、生產經營相關業務數據和產品設計工藝數據采集,以及 MES、WMS、ERP 等工廠管理系統的對接。

這些設備或系統處于不同的網絡環境中,如生產網、辦公網或者云平臺等,需要構建一條信息通道打通各個設備和系統之間數據交互壁壘,進行相關數據的全面感知和采集,才能實現基于視覺 AI 缺陷檢測和其他生產、業務數據的大數據分析。

新趨勢:基于「云-邊」架構的 AI 算法模型

「云-邊」的架構成為視覺 AI 缺陷檢測架構的新趨勢。

「云」設立在廠級信息中心或集團的總部,掌握總體管控的功能,還可根據實際生產需要,選用合適的模型進行集中訓練,再將訓練好的模型發布給 「邊緣」進行就近推理,并接收其返回的推理結果進行存儲、管理;「邊緣」則設立在工廠內每條生產線上,進行前端的數據采集、預處理以及簡單的推理工作,也在「云」的管控下,對生產線產品進行實時缺陷檢測。

全新工業視覺平臺系統架構圖

EMQ 視覺 AI 缺陷檢測解決方案

針對工業領域視覺 AI 缺陷檢測場景現狀,EMQ 通過云原生技術以及云邊協同架構提供了完整解決方案,實現對視覺 AI 缺陷檢測圖像流及海量工業設備數據在「產線-工廠-集團」的連接、移動、處理、存儲與分析。

該方案主要由以下產品構成:

1.EMQ 在邊緣端提供視覺 AI 缺陷檢測數據對接處理能力。eKuiper 支持 Rest、gRPC、msgpack RPC 服務對接視覺 AI 缺陷檢測數據,獲取缺陷產品圖像流,進行實時壓縮后在邊緣端存儲和匯聚到廠級數據中心或云端。

2.邊緣端實現視覺 AI 缺陷檢測設備和自動化設備聯動,在生產線上視覺 AI 缺陷檢測設備檢測出產品缺陷,可以直接通過 Neuron 下發指令到聲光報警器和 PLC,進行告警通知或者執行分流、糾錯流程。

3.構建「產線-工廠-集團」圖像流及海量工業設備數據傳輸通道。數據通過 EMQ 邊緣計算平臺匯聚,傳輸到工廠的 EMQX,再橋接到云端 EMQX,并通過其規則引擎流入到時序數據庫與 AI 分析應用,為基于全集團工廠缺陷檢測圖像數據和業務數據的大數據分析應用奠定基礎,實現生產質量追溯、生產工藝優化等數據價值挖掘與應用。

4.通過 EMQ 的這套方案可以構建完整、自循環的云邊一體 AI 模型訓練流程:邊緣端的圖像流實時匯聚、持久化到云端,云端 AI 及時進行模型訓練并周期性優化算法模型發布到邊緣端,同時實時匯聚、持久化新模型推理結果,為工廠生產工藝進一步優化、智慧化做好準備。

EMQ 架構優勢多維度的數據匯聚和邏輯處理能力

EMQ 整體解決方案可以采集與反向控制工廠內 PLC、非標自動化設備、各類儀器儀表、視覺 AI 缺陷檢測設備的圖像流和實時數據,可以響應邊緣端、工廠 MES 系統、云中心各級數據邏輯運算、事件流處理需求。

多維度的數據持久化能力

通過 ekuiper 和 EMQX 內置規則引擎功能,可以在邊緣端、廠級信息中心和云端,把圖像流和業務數據流實時推送到各類數據庫中,包括 InfluxDB、TimescaleDB、MySQL、PostgreSQL 等各類時序數據庫和關系型數據庫。

EMQX 支持每秒 10 萬+TPS 的數據庫數據寫入性能,可滿足每秒千萬級數據測點的實時入庫。EMQX 將多端 Neuron、eKuiper 采集分析的數據進行統一匯聚,數據推送到數據庫及大數據系統進行持久化存儲,為企業構建生產質量分析和優化構建了健壯的底層數據架構。

具備消息持久化存儲能力,以保證消息的安全。此外,消息處理平臺還需提供基于規則的處理能力,預先對消息進行處理和分析,從而支持后端場景化的業務實現。

云邊協同管理提升企業 IT 水平

EMQ 的云邊協同框架將 Neuron、eKuiper 等眾多邊緣軟件進行遠程統一管理,無論云邊之間的網絡是直連模式還是穿透模式,都可以方便地進實現參數配置、日志查看、實時監控等遠程管理。

此外,方案利用 KubeEdge 對邊緣軟件進行編排管理,實現了邊緣軟件的高可用、遠程部署、軟件升級以及邊緣離線自治等功能,實現應用的邊緣自治,極大提升了整體系統的穩定性,并降低運維成本。

結語

通過構建圖像流和業務數據流到廠級數據中心和云中心的數據高速通道,EMQ 面向視覺 AI 缺陷檢測場景的解決方案打破了檢測系統和產線自動化設備之間的信息孤島,基于不同業務層對事件處理的需求提供對應的邏輯分析和數據持久化能力,為企業通過 AI 模型訓練不斷優化視覺 AI 缺陷檢測算法以及基于大數據分析持續改進工廠生產工藝和企業管理模式提供了保障,助力企業實現數字化轉型,提升市場競爭力。

審核編輯 黃昊宇