AI و ML، آینده اینترنت اشیا برای اتوماسیون صنعتی

10:22560

پروتکل های گذشته

در دهه گذشته، سیستم‌های صنعتی شاهد تغییرات بزرگی در ساختارهای دارای سیم و بدون سیم خود بوده‌اند که از تغییر تکنولوژی‌های فیلدباس سنتی گرفته تا Ethernet(اترنت) صنعتی با پروتکل‌هایی مانند Ethernet/IP، ProfitNet و EherCAT از شبکه‌های قدیمی پیشی گرفته‌اند اما امروزه ما شاهد AI و ML و IIOT در صنعت میباشیم.

اکنون با وجود شبکه‌های حسگر بدون سیم صنعتی (IWSNs) که در صنایع عمودی نفت وگاز، داروسازی، نظارت / کنترل فرآیند، مدیریت ناوگان، مدیریت موجودی و اتوماسیون صنعتی می‌توان به راحتی شاهد انقلاب صنعتی چهارم بود.

برای بهینه‌سازی عملکرد تجهیزات ماشینی می‌توان از قابلیت اتصال تجهیزات به بخش تولید کارخانه فراتر رفت و تحلیلی جامع‌تر و نگهداری پیش‌بینی شده‌ای را انجام داد.

در این مقاله در خصوص پیاده‌سازی و فواید استفاده از هوش مصنوعی (AI) و یادگیری ماشینی (ML)در ارتباط با رباتیک‌های پیچیده‌ای بحث و گفتگو می‌کنیم که در اتوماسیون صنعتی از آن استفاده می‌شود.

آشنایی با رباتیک استفاده شده در اپلیکیشن‌های اتوماسیون صنعتی

در طیف گسترده‌ای از صنایع، از کنترل‌کننده ربات‌های صنعتی برای انجام کارهای تکراری، دشوار و دقیق استفاده شده است. رباتیک‌ها همچنین نیاز به مداخله انسان در کارهایی که بالقوه برای انسان‌ها خطرناک هستند را برطرف کرده‌اند.

مثلا رباتیک‌های صنعتی شش محوره می‌تواند کار نقاشی ماشین را به شکلی موثر و سودمند انجام دهد. سایر اپلیکیشن‌های مبتنی بر رباتیک‌ها شامل بسته بندی‌های خودکار، عملیات خودکار ماشین‌های صنعتی، آزمایش برد مدار، مونتاژ مدار انتخاب و جای‌گذاری، فلزکاری و جوشکاری سپر است.

دقت بالای این دستگاه‌ها آنها را قادر ساخته است تا در انجام وظایف‌شان با نرخ خطای پایین، خصوصا در مقایسه با خطوط مونتاژی که در آنها از نیروی انسانی استفاده می‌شود، بسیار موفق باشند. اینترنت اشیای رباتیک (IoRT) با نیاز به ترکیبی از ارتباطات با بازدهی نسبتا بالا، تاخیر کم و قابلیت اطمینان بالا سبب شده است تا IIoT به اوج خود برسد.

سلسله مراتب معمول برای کنترل

این مفهوم طی دهه 90 با «رباتیک‌های شبکه‌ای» توسعه یافته است که در آن مجموعه‌ای از رباتیک‌ها را می‌توان از راه دور و از طریق شبکه ارتباطی با سیم یا بدون سیم کنترل کرد.

این می‌تواند بین کنترل ربات واحد برای انجام چندین کار تا چندین کار برای مجموعه‌ای از ربات‌ها که کارهای مختلفی را انجام می‌دهند، متفاوت باشد. IoRT شامل 5 لایه در معماری خود است که عبارتند از:

      لایه سخت افزار

  • لایه شبکه
  • لایه اپلیکیشن و لایه سرویس

شکل 1 سخت افزار و نرم‌افزاری را نشان می‌دهد که حول این جنبه‌های مختلف IoRT می‌چرخند. لایه سخت‌افزار شامل سنسورها، عملگرها‌ و رباتیک‌های مختلفی است که می‌توانند از راه دور تجهیزات را نظارت و کنترل کنند (مثلا ربات‌ها، وسایل نقلیه، تجهیزات جنگ الکترونیکی، لوازم خانگی، گره‌های حسگر صنعتی و غیره).

لایه شبکه روترها (مسیریاب)، کنترل‌گرها، ذخیره‌سازی داده‌های ابری و اشکال مختلف پروتکل‌های بدون سیم است که می‌توان از آنها برای اتصال به سایر گره‌های درون شبکه‌ای استفاده کرد که در آن دروازه‌ها و یا ایستگاه‌های پایه برای پردازش داده‌های پیچیده‌تر به ابر متصل می‌شوند.

این پروتکل‌ ها بین ارتباطات سلولی (مثلا 2G/3G,4G LTE، LTE-A یا 5G) با ارتباطات برد کوتاه با Wi-Fi، BLE، Zigbee، Z-wave، 6LoWPAN و ارتباط میدان نزدیک می‌تواند متفاوت باشد.

برخی پروتکل‌ های خاص IIoT شامل WirlessHART و ISA 100.11a هستند. هر دو این پروتکل‌ها، پروتکل‌های برد متوسط (<200m)، توان متوسط (250kbps) با تاخیرهای تضمین‌شده تا 10 میلی‌ثانیه هستند.

پروتکل‌ هایی با برد بیشتر نیز از طرح‌های مدولاسیون توان پایین با بارهای کم و کم پهنای خاص (NB) و فوق العاده کم پهنا (UNB) استفاه می‌کنند. این ویژگی‌ها در شبکه‌های گسترده کم توان (LPWANs) مانند LoRaWAN، Sigfox، Weightless و LPWANهای خاص سلولی مانند NB-IoT و LTE-M یافت می‌شوند.

لایه سرویس و اپلیکیشن شامل مجموعه‌ای متمرکز از داده‌های گرفته شده از هر گره با روترهای ابری، تلفن‌های هوشمند، AI و ML برای تحلیل و مدیریت داده‌ها برای عملکرد و نگهداری کوتاه و بلند مدت است.

پروتکل‌های IoT برای پردازش داده‌های سبک برای تاخیر کم، بازدهی انرژی و ارتباط متمرکز ایجاد شده است. از برخی پروتکل‌های داده‌ها برای رباتیک‌هایی مانند MQTT، CoAP، XMPP، IPv6، UDP، DTLS، AMQP، uLP و LLAP.1 استفاده می‌شود.

این لایه همچنین شامل زیرساختی برای پشتیبانی و ردیابی همه این داده‌ها است که برای پردازش‌های اتوماسیون ملایم با استفاده از سیستم‌های ابری کسب وکار IoT، نرم‌افزار برنامه‌ریزی منبع شرکتی، سرویس داده‌های بزرگ و پشتیبانی پلتفرم رباتیک بسیار مهم هستند. این میان‌افزار (IaaS، PaaS، Saas) پلتفرم پشتیبان را برای به‌کارگیری آسان‌تر IIoT فراهم می‌کند.

ورود AI و ML به اتوماسیون صنعتی

برای استفاده از نرخ داده‌های بزرگ و تعداد زیادی گره‌های سنسور، مقدار زیادی از داده‌ها باید در سیستم IoRT پردازش شوند. الگوریتم‌های یادگیری ماشینی می‌توانند به دلیل توانایی ذاتی‌شان در ایجاد امکان برای توانایی یادگیری از داده‌ها، این کار را به شکلی منحصر به فرد انجام دهند.

لایه انتزاعی امکان پیش‌بینی‌های مبتنی بر داده را فراهم می‌کند که نقطه مقابل پاسخ به برنامه‌ریزی مستقیم است. این نیز امکان پردازش پیچیده‌تر و بلندمدت‌تر را فراهم می‌سازد که در تعمیر و نگهداری پیشگویانه قطعات و چرخه‌های عمر دستگاه کاربرد دارد. اپلیکیشن‌های رباتیک که دارای ML یکپارچه هستند عبارتند از:

  • دید ربات
  • هدایت ربات
  • رباتیک میدانی
  • رباتیک انسان نما
  • حرکت پاها
  • مدل سازی دینامیک وسیله نقلیه
  • رباتیک‌های پزشکی و جراحی
  • هدایت ربات متحرک در زمین‌های ناهموار

یادگیری ماشینی برای اصلاح تعامل ربات با محیط‌های دینامیک

رباتیک‌های قدیمی به‌لحاظ سنتی برای محیط‌های ساکن با نتایج قابل پیش‌بینی و با استفاده از موقعیت‌های از پیش تعیین شده ربات و برنامه نویسی مستقیم طراحی شدند.

اگرچه وقتی ربات باید با شئی پویای دیگری تعامل داشته باشد و بسته به بازخورد دیداری یا حسی، موقعیتی را پیش‌بینی کند، چالش‌های جدیدتری پیش می‌آیند. انواع رویکردهای مختلف برای برنامه‌نویسی ربات برای ارائه خدمت در این محیط وجود دارد از جمله یادگیری تقلیدی و یادگیری تقویتی.

در یادگیری تقلیدی، ربات می‌تواند یاد بگیرد چگونه به شکلی سودمند و بر اساس بازخورد از حرکات قبلی و تعامل با محیط خود، حرکت کند. در آموزش حرکتی، می‌توان حرکات دستی ربات را برای بازخورد و یادگیری ثبت کرد.

همچنین ربات می‌تواند از طریق یادگیری تقلیدی توسط عملیات کنترل از راه دور و عملیات از راه دور با اپراتوری که در فاصله جغرافیایی بسیار دوری قرار دارد، آموزش ببیند. برخی مثال‌ها از عملیات از راه دور عبارتند از: مریخ نورد و عمل جراحی از راه دور.

در این مورد ربات می‌تواند از طریق یادگیری موقعیت‌های دستی خود، بواسطه بازخورد سنسور/ ویدئو (مثلا عکس‌های فوری، تشخیص حرکت/ موقعیت و غیره) و هم از طریق اطلاعات اضافی که از کنترل‌گر به دست آورده است (مثلا بازخورد لمسی، جوی استیک (اهرمک)، دستکش‌های افزوده وغیره) به داده‌هایی دست یابد.

در یادگیری تقویتی، ربات می‌تواند کار خود را با برنامه‌ای سخت برای انجام کار و ارتقای خودش بر اساس بازخوردهای مثبت و منفی از محیط آغاز کند. در این حالت ربات می‌تواند کارهای جدیدی را یاد بگیرد که قبلا فقط با هدف غیرمستقیم نشان داده نشده بود (مثلا پریدن، راه رفتن سریع و غیره).

اپلیکیشن‌های یادگیری ماشینی در تنظیمات صنعتی

بسیاری از اپلیکیشن‌های صنعتی صرفا به انجام وظایف تکراری با کمترین تغییر و درجات آزادی برای حرکت نیاز دارند. در بسیاری از موراد همکاری انسان- ربات می‌تواند صورت گیرد که به‌موجب آن انسان‌ها و ربات‌ها قسمت‌های از پیش تعیین‌شده یک کار خاص را انجام می‌دهند.

آینده IIoT نیز شامل استفاده کارخانه‌های کاملا خودکار است که می‌توان آنها را از راه دور و از طریق اتصال بی سیم ایمن کنترل کرد. هر دوی این کارخانه‌ها از مزایای بهره‌برداری بهینه از طریق AI و ML بهره‌مند می‌شوند.

اپلیکیشن‌های دید ماشینی می‌توانند از طریق رویکرد مبتنی بر پیکسل یا مبتنی بر ویژگی، بازرسی دیداری انجام دهند که در آن پیکسل‌ها دستکاری می‌شوند تا اطلاعات مربوط به نقص دستگاه مانند خراش، زبری سطح و حباب‌ها را به دست آورند یا از ویژگی‌های کلی برای بازرسی عبور/ شکست استفاده می‌شود.

در هر صورت می‌توان از الگوریتم یادگیری ماشینی مناسب (مثلا درخت تصمیم گیری) نه تنها برای آموزش طبقه‌بندی بلکه برای تشخیص خطا و طبقه‌بندی دقیق معایب هر قطعه استفاده کرد.

ماشین‌های انتخاب و جای‌گذاری نیز برای استخراج ویژگی و تشخصیص اشیا در زمان واقعی و همچنین الگوریتم‌های یادگیری اضافی برای پیش‌بینی مکان‌ها بر اساس آزمایش آزمون و خطا به شدت بر دید ماشینی متکی هستند.

با استفاده از AGV و AMR همزمان با سیستم‌های مکان‌یابی در زمان واقعی، مدیریت تجهیزات خط تولید کارخانه به آسانی و به صورت خودکار انجام می‌شود.

مزایای AIو ML برای رباتیک‌ها

الگوریتم‌های یادگیری عمیق، در آینده IIoT به شدت ادغام شده‌اند. خط تولید کارخانه کاملا خودکار بدون استفاده از الگوریتم‌های یادگیری برای انجام کارهای روزمره و همچنین کار طولانی‌مدت کارخانه امکان‌پذیر نیست به همین علت ما به AI و ML نیاز داریم

AI و ML کابردهای زیادی در رباتیک دارند و همه آنها با الگویتم‌ها و داده‌های خاصی سروکار دارند که برای هر مورد خاص صنعتی ردیابی می‌شوند. تکنولوژی‌های بی سیم و پردازش هوایی با کاربردهای اتوماسیون صنعتی پیچیده به شدت پیوند خورده‌اند.

برای خواندن مطالب بیشتر در این زمینه میتوانید مقالات چگونه اینترنت اشیاءِ صنعتی می‌تواند ارزش کمپرسورهای هوای سیار را افزایش دهد و پیش‌بینی فناوری‌ها در سال 2021: چگونه روند ارتباطات و IoT صنعت را شکل خواهند داد؟ را مطالعه بفرمایید.

همچنین لطفا مارا در شبکه اجتماعی لینکدین همراهی کنید.


117 نوشته

بدون دیدگاه

پاسخ دهید

فیلدهای مورد نیاز با * علامت گذاری شده اند