هوش مصنوعی و یادگیری عمیق

پروتکل های گذشته

در دهه گذشته، سیستم‌های صنعتی شاهد تغییرات بزرگی در ساختارهای دارای سیم و بدون سیم خود بوده‌اند که از 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 نفت وگاز، داروسازی، نظارت / کنترل فرآیند، می‌توان به راحتی شاهد انقلاب صنعتی چهارم بود.

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 آن‌ها استفاده می‌شود.

آشنایی با رباتیک استفاده شده در نرم افزار های اتوماسیون

در طیف گسترده‌ای از صنایع، از 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.

به عنوان مثال، ربات‌های صنعتی شش محوره می‌توانند کار رنگ آمیزی ماشین را به شکلی موثر و سودمند انجام دهد. سایر اپلیکیشن‌های مبتنی بر رباتیک‌ها شامل بسته بندی‌های خودکار، عملیات خودکار سازی ماشین‌های صنعتی، آزمایش برد مدار، فلزکاری و جوشکاری 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) به وسیله 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 مفهوم «ربات‌های شبکه‌ای» توسعه یافته است که در آن مجموعه‌ای از ربات‌ها را می‌توان از راه دور و از طریق شبکه ارتباطی با سیم یا بدون سیم کنترل کرد. IoRT شامل 3 لایه در معماری خود است که عبارتند از:

  • لایه سخت‌افزار
  • لایه شبکه
  • لایه اپلیکیشن و لایه سرویس

 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 الکترونیکی، لوازم خانگی و غیره).

لایه شبکه یا روترها (مسیریاب) و کنترل‌گرها می‌توانند عملیات ذخیره‌سازی داده‌های ابری و اشکال مختلف پروتکل‌های بدون سیم که در آن دروازه‌ها و یا ایستگاه‌های پایه برای پردازش داده‌های پیچیده‌تر به ابر متصل می‌شوند را، آسان‌تر کنند.

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

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

پروتکل‌های IoT به منظور پردازش داده‌های سبک برای تاخیر کم، بازدهی انرژی و ارتباط متمرکز ایجاد شده‌اند. از برخی پروتکل‌های داده‌ برای ربات‌هایی مانند MQTT ،CoAP ،XMPP ،IPv6 ،UDP ،DTLS ،AMQP ،uLP و LLAP.1 استفاده می‌شود.

هوش مصنوعی
هوش مصنوعی در دنیای امروز

ورود AI و ML به اتوماسیون صنعتی

برای استفاده از نرخ داده‌های بزرگ و تعداد زیادی گره‌های سنسوری، مقدار زیادی از داده‌ها باید در سیستم IoRT پردازش شوند. الگوریتم‌های یادگیری ماشینی می‌توانند به دلیل توانایی ذاتی‌شان در 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 عمل 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 برای استفاده در موقعیت‌های از پیش تعیین شده برنامه‌نویسی و طراحی شده‌اند.

البته که وقتی ربات باید با شئی پویای دیگری تعامل داشته باشد و یا موقعیتی را پیش‌بینی کند، چالش‌های جدیدتری پیش می‌آیند. انواع رویکردهای مختلف برای برنامه‌نویسی ربات‌ها به منظور ارائه خدمت در این محیط‌ها وجود دارند. 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 آموزش ببیند. برخی مثال‌ها از عملیات از راه دور عبارتند از: مریخ نورد و عمل جراحی از راه دور.

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 شده 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 موارد 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 کارخانه‌های کاملا خودکار است که می‌توان آنها را از راه دور و از طریق اتصال بی‌سیم ایمن کنترل کرد.

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.

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

یادگیری عمیق
الگوریتم یادگیری ماشینی و عمیق در صنعت

مزایای AIو ML برای رباتیک‌ها

الگوریتم‌های یادگیری عمیق، در آینده IIoT به شدت ادغام خواهند شد. خط تولید یک کارخانه کاملا خودکار بدون استفاده از الگوریتم‌های یادگیری برای انجام کارهای روزمره و همچنین کار طولانی‌ مدت، 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 استفاده می‌شوند.

ارسال یک پاسخ

لطفا دیدگاه خود را وارد کنید!
لطفا نام خود را در اینجا وارد کنید