Vestavné strojové učení v průmyslových aplikacích

Poslední roky zde bylo bezpočet předpovědí o tom, jak naše životy změní umělá inteligence (AI) a strojové učení (ML). Vše je také o ceně. Předpokládá se, že související trh do roku 2024 celosvětově vzroste na pozoruhodných 554 miliard dolarů.

Výroba s průmyslovým sektorem nejsou žádnou výjimkou a AI/ML se stává klíčovou součástí digitální transformace průmyslu. Počítače zde rozhodně nejsou novým trendem, vždyť zde máme takřka všude programovatelné logické automaty (PLC) i osvědčené protokoly, jako je např. SCADA. Průmyslový internet věcí (IIoT) však znamená, že na výrobní lince nyní máme senzory produkující stále větší objem dat. AI s ML představují způsob, jak všechny tyto informace plně využít s ohledem na efektivitu a další zlepšování, čímž se také posouváme k Průmyslu 4.0.

Tolik o mediálním humbuku a hantýrce. Jak ale mohou vývojáři ve skutečnosti aplikovat AI/ML, aby tím dosáhli reálného a měřitelného přínosu? A bude technologie dostatečně vyspělá na to, aby v továrnách odůvodnila svůj rozmach, nebo je na to stále brzy? Pojďme si na začátek vysvětlit jeden klíčový bod: ML není totéž co AI. Definice se sice liší, ovšem existuje shoda, že AI všeobecně ukazuje na řadu přístupů, díky kterým začínají počítače myslet. Na druhou stranu ML je možné úžeji vymezit s tím, že počítačům umožňujeme, aby se při práci s daty automaticky učily a zlepšovaly (v protikladu k člověku navrhujícímu veškeré stránky programu či řešení). V oblasti ML tvoříme algoritmy a pak se může náš systém učit tím, že predikuje a vidí, jak přesné to bylo.

Obr. 1 Výchozí školení probíhá na počítači, zatímco vestavné procesory dokážou vyvodit závěry
přímo v provozu (zdroj: Microchip)

ML se uplatní v celé řadě průmyslových oblastí, od preventivní údržby až po optimalizaci efektivity procesu u zcela jasných, ale nezbytných úkolů, jako je řízení, potřebujeme-li objednat náhradní součásti nebo spotřební zboží. Obráběcí stroj může mít např. několik snímačů teploty a vibrací. Systém ML se pak může učit, když data z takových senzorů signalizují, že je nějaká součást opotřebovaná nebo vně svého rozsahu a hrozí tudíž porucha. K tomu nám pomůže, pokud senzory přidáme buď ke stávajícímu zařízení, nebo využijeme nové stroje, které mají příslušná čidla rovnou k dispozici.

Kde se ML dnes používá?

Pojďme se na některé ze zmíněných aplikací zaměřit podrobněji a uvidíme, kde se ML v oblasti průmyslové automatizace aktuálně používá. Typické využití dnes zahrnuje:

• strojové vidění – např. pro kontrolu a řízení kvality, kde lze systém ML učit, jak rozpoznávat problémy. Může se jednat o něco tak jednoduchého, jako je ztracený předmět na dopravníku,
• rozhodování – data využijeme k automatickému a také rychlému výběru nejlepší akce v reálném čase, takže zvýšíme účinnost a omezíme prostor pro vznik lidské chyby,
• prediktivní údržbu – pokud data ze senzoru využijeme k rozpoznání možných problémů, dokážeme snížit prostoje i finanční ztráty,
• způsob, jak zvýšit bezpečnost – rozpoznání jakýchkoli událostí, které mohou znamenat nebezpečí a odpovídající reakce, od vypnutí stroje až po zabránění kolizi mezi roboty, vozidly či lidmi.

V praxi ale není každý systém vhodný pro nasazení ML. Setkáme se s omezením, jaká data lze získat a jak je i zpracovat, příp. mohou být příliš velké náklady spojené s doplněním čidel, možnostmi zpracování, napájením či síťovým propojením. Další komplikací je i zpoždění, zejména když přenášíme data do nebo ze vzdálených počítačů či cloudu.

Integrace ML v automatizaci – co lze očekávat

Dodavatel v oblasti automatizace Beckhoff vypočítává pět základních požadavků, které musí být pokaždé splněny, abychom ML v tomto oboru úspěšně integrovali. Poskytují nám užitečný odrazový můstek. Jedná se o:

• otevřená rozhraní pro zajištění vzájemné spolupráce,
• řešení ML, která jsou dost jednoduchá na to, abychom je bez hlubších znalostí použili a integrovali se stávajícím softwarem,
• řešení ML, která jsou dostatečně spolehlivá i přesná na to, aby zajistila hodnotné výstupy,
• robustní školicí metody schopné zvládnout i zarušená či nepřesná data,
• transparentnost, takže systémům ML dobře rozumíme.

Projekty ze světa AI a ML může být v praxi rovněž náročné implementovat, zejména v organizacích, které s tím nemají zkušenosti. Podle Gartneru „projekty AI často selhávají kvůli potížím s udržovatelností, rozšiřitelností a řízením“, a mezi konceptem a nasazením systému ve výrobě je tedy propastný rozdíl. Je snadné, aby se projekty vymkly kontrole, pokud máme nerealistická očekávání, kterým nelze s dostupnými prostředky vyhovět, nebo vše nevidíme a skutečné problémy zůstávají díky lidem, kteří ve firmě rozhodují, nakonec skryté.

Důležité je také zamyslet se nad praktickou stránkou implementace systému ML, resp. jak moc výpočetního výkonu potřebujeme. Pokaždé to není okamžitě zřejmé a pro každý ze systémů ML zde navíc existuje rozdíl mezi potřebami výchozího procesu školení a modelem, který se po nasazení den za dnem zlepšuje. Předvýrobní fáze může vyžadovat obrovské soubory dat a intenzivní výpočty, což znamená výkonné PC či servery. Ovšem po nasazení systému v provozu si postupná zlepšení (dosažená tím, co také nazýváme „logický úsudek“, kdy model vypilujeme na základě nových dat) žádají mnohem méně výkonu. Řešení tak bude mimořádně vhodné ke zpracování s embedded procesory.

Pokud modely ML poběží přímo na místě, ať již s využitím vestavného systému, či PC (tzv. „edge“), obdržíme zřejmé výhody oproti posílání dat do vzdáleného cloudu nebo centrálního serveru, kde jinak bývají zpracována. Bude to často rychlejší a s minimální prodlevou. Snižují se tím požadavky na šířku pásma pro data a ještě přitom zajistíme i jejich bezpečnost a soukromí.

Gartner má cenný koncept „empowered edge“ pro popis toho, jak lze organizovat výpočetní prostředky a snímače IoT. „Edge“ zde jednoduše znamená, že zdroj dat bude poblíž místa, kde jsou i zpracována. Ve stejném kontextu se pak s výrazem „embedded“ dostáváme právě na koncovou úroveň s čidly i akčními členy, které lze vybavit schopnostmi ML.

ML: proč, co, kde a jak

ML není určitě řešením pro každého, ale v řadě aplikací nabídne zřejmé výhody. Proč tedy ML používat? Spoustě firem totiž může zajistit lepší efektivitu, rozšiřitelnost a produktivitu, zatímco dále omezuje náklady. Také zde existují obavy spojené s etikou a odpovědností, ale u průmyslových operací, které se netýkají přímo zákazníků, to bude zřejmě pod kontrolou. IDC míní, že „firmy přijmou AI nejen proto, že mohou, ale protože musí“, což asi není v konkurenčním světě průmyslu přehnané tvrzení.

Abychom viděli, jak ML implementovat a které součástky budeme potřebovat, je asi nejlepší v prvé řadě zvážit, kde tak učiníme – poběží vše lokálně na vestavném systému či vzdáleně v cloudu? Místní řešení bývá často tím nejlepším, ovšem posuďte pečlivě i kompromisy, pokud jde o cenu, prodlevu, spotřebu energie, zabezpečení nebo též fyzický prostor pro výpočetní prostředky. Pro potřeby vestavného systému ML zde nyní máme spoustu výrobců nabízejících do průmyslových aplikací vhodné procesory. Uveďme si několik příkladů.

MAX78000 od Maximu je SoC (System on Chip) navržený pro aplikace s AI a ML. Nabízí jádro Arm Cortex-M4 s hardwarovou akcelerací pro realizaci „dedukcí“ a zajišťuje tak vysoký výpočetní výkon, zatímco udržuje spotřebu na nízké úrovni. Maxim rovněž připravil vývojovou sadu s aplikační platformou, takže vývojářům pomůže pracovat rychle a z obvodu MAX78000 vytěžit co nejvíce.

Obr. 2 Vývojová sada pro MAX78000 od Maximu zahrnuje SoC MAX78000, stejně jako barevný dotykový panel,
mikrofon a gyroskop/akcelerometr (zdroj: Maxim Integrated)

Jako další příklad zde máme ekosystém ML od Microchipu zahrnující vývojové sady EV18H79A SAMD21 a EV45Y33A SAMD21. Najdeme zde senzory od firem TDK a Bosch, zatímco bude vše vystavěno okolo 32bitového mikrokontroléru (MCU) Microchip SAMD21G18 s Arm Cortex-M0+.

Zmínit ještě můžeme i i.MX RT1060 Crossover MCU od NXP stavějící na MPCore Platform s Arm Cortex-M7. Vývojáři zde obdrží CPU s vysokým výkonem i spoustou rozhraní, včetně plné podpory ze strany nástrojů a softwaru od NXP.

Závěr

Je zřejmé, že ML může být pro průmyslové aplikace nutnou technologií. Dokáže totiž zlepšit výrobu, ale i další procesy tím, že navyšuje efektivitu, podporuje rozšiřitelnost a pozitivně se odráží i na produktivitě, zatímco udržuje náklady na nízké úrovni.

Implementace řešení ML však může znamenat určité komplikace a zahrnuje zvažování různých kompromisů. Jedno z klíčových rozhodnutí se pak dotýká výpočetních prostředků, které jsou buď přímo na místě, resp. vestavěny v rámci systému, nebo je řešíme na dálku v cloudu či samostatném serveru.

S implementací ML v průmyslových aplikacích pomáhá rostoucí počet špičkových embedded procesorů s podporou ze strany ekosystému – softwaru a také vývojových nástrojů od předních výrobců, jako jsou Maxim, Microchip a NXP. To znamená, že vestavění vhodného procesoru v koncových bodech výrobního systému, a tudíž i nedaleko vašich zdrojů dat může představovat praktický způsob, jak při realizaci ML obdržet co nejvíc.

www.mouser.com