当人工智能遇到西门子中国的首座数字化工厂

  • 来源:网络
  • 更新日期:2020-05-26

摘要:比起消费领域,人工智能技术应用在工业领域面临更大、更复杂的挑战:数据量的局限性、数据标注的不均衡、数据本身的质量等,加上工业领域很多问题没有清晰的规则和边界、垂直行业

比起消费领域,人工智能技术应用在工业领域面临更大、更复杂的挑战:数据量的局限性、数据标注的不均衡、数据本身的质量等,加上工业领域很多问题没有清晰的规则和边界、垂直行业知识专业度较高等。这些都成为人工智能落地工业的难点。西门子的人工智能更懂工业,西门子的专家团队通过提供定制化的人工智能解决方案,成功帮助多个领域的客户降本增效,其中就有这座久负盛名的数字化工厂。

西门子工业自动化产品成都生产及研发基地(SEWC)是西门子在德国以外建立的首座数字化工厂,在中国工业界久负盛名。在这里,工业人工智能技术已经落地开花。专家团队通过将人工智能的重要分支计算机视觉、小样本学习、多模态融合等技术应用于SEWC,帮助工厂降本增效。与此同时,SEWC也正在搭建第一个基于云和边缘计算的人工智能系统,释放人工智能在工业领域的应用潜力,引领工业人工智能的发展方向。

颠覆电子元件质量检测

印制电路板(PCBA板)是电子工业的重要部件之一。传统的质量检测方式分为两步:首先,在经过表面组装技术(SMT)贴片工艺后,PCBA板会进入THT工艺进行通孔焊接,之后会到达自动光学检测设备(AOI),AOI会根据预设的检测参数对产品质量进行初步预判;接下来,由AOI筛选出的可能存在质量问题的产品,将送至质检员进行人工复判。在这样的传统方式中,AOI只是基于一些简单的规则进行判断,效果其实并不理想。事实上,在预判显示存在质量问题的产品中,高达80%经过复判都证明是没有问题的,即所谓的“假错”。这意味着,在AOI预判后仍有大量产品需要质检员复判,人力成本非常高。

对产品质量好坏的定义比较粗浅是传统方式预判准确率低的关键原因。如今,西门子人工智能专家团队将产品质量数据定义为两类:一是有明确界限的数据,如锡珠的大小和数量;二是没有明确界限的数据,如焊接质量。针对两种不同的数据,分别采用针对图像特定特征的提取方法和聚类的人工智能算法,以及有监督的深度学习方法来训练机器,使得AOI预判准确率显著提高,需要人工复判的产品数量减少了75%,在大大降低人力成本的同时还能够保证问题产品的逃逸几率为零。而且,AI模块是非侵入式的应用程序,不会改变AOI的自身程序,因此可适用于所有AOI软件。

自动光学检测设备

工业废料分拣的新突破

人工智能也被应用到SEWC工业废料的自动分拣环节。当废料进入处理工站时,人工智能通过收集、分析废料的图片信息,分辨废料种类,如危险品、一般废料、可回收还是纸箱等,从而指导机械手臂将废料分拣至对应的处理流程。

以前的废料分拣是基于规则,意味着每当废料类别形态或定义发生变化时,就需要人工判断新类型的特点,设置新的规则,指导机械手臂适应分拣的变化。如今,得益于核心技术自动机器学习(AutoML)以及多模态融合的应用,分拣精确率从70%左右提升至97%。此外,分拣过程也更加智能和灵活,对于废料类别形态或定义的变化,机器可以自动学习、适应并优化分拣规则,避免了重新训练模型以及人为调整参数的步骤。

解锁数据奥秘,降低生产成本

以前,人机交互显示器(HMI)功能检测工站的产品测试时间比其它工站都长,这里成为了整条产线的生产瓶颈。如今,专家团队借助数据分析、统计学、人工智能等方法以及技术,使得检测数据透明化,从而推进参数优化、测试过程优化、预测性维护等功能的实现。这些优化建议让HMI产品的检测时间缩短了9%,年节约成本约40万元人民币。

人工智能系统通过发现一些以前无法发现的数据之间的关联,比如检测机器的部件与检测准确率之间的关系,为提升检测速率提供新的洞察和建议,帮助提升效率。人工智能的应用还覆盖SEWC的印刷电路板装配(PCBA)环节,利用企业各层级的数据实现闭环数据分析,创造更大价值。

HMI检测工站加入数据分析、人工智能等技术解锁数据奥秘,节约生产成本

直面挑战:大数据时代的小样本学习

西门子专家团队将小样本学习技术应用在SEWC质量检测环节中,以加强机器识别新缺陷的能力。当出现新的场景时,机器只需要极少量的样本就可以调整算法模型以适应新场景。这对于生产更迭速度快、灵活度高的电子行业来说意义重大。

未来,对于未知的新型产品质量缺陷,即使是在数据量极小的情况下,比如只有一张照片,人工智能也可能实现质检准确率90%以上。而当产线上的产品种类有所调整时,也只需采集小样本,就能对新的产品进行高准确率的质量检测。

首个基于工业物联网的人工智能系统

为了进一步探索创新科技的工业潜力,SEWC正在搭建首个基于工业物联网的人工智能系统。它架构于西门子基于云的开放式物联网操作系统MindSphere,能够将生产数据上云,并在云端进行机器学习模型的训练,进而将训练后的算法模型下发至边缘端,实现基于人工智能技术的实时数据分析与推理。未来,这个极具示范意义的系统将集中部署于产品质量检测、工业废料自动分拣以及工厂中其它人工智能技术的应用场景。

这些解决方案从产品质量检测、物料(垃圾)分拣、生产工艺参数优化等场景着手,基于先进的人工智能技术,成功提高了SEWC生产环节的质量和效率,为西门子以及全球电子制造行业提供了非常好的基于人工智能的生产技术革新参考。同时,应用场景的成功实现也推动了工业数据分析、边缘计算、云技术的落地,标志着西门子在将人工智能和工业制造进行深度融合的探索道路上又往前更进一步。

“SEWC作为‘全球最先进工厂’之一、工业4.0概念的践行者,我们一直在不断突破自我,致力于在创新和数字化领域,为行业树立标杆,为中国新基建的进程贡献价值。”SEWC总经理李永利先生介绍道。

术语科普:

深度学习:深度学习是以神经网络技术为基础,自动学习数据的有效表示形式的机器学习方法。它的最终目标是通过有效的数据表示方法让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等等。

人工智能聚类算法:聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。

计算机视觉:研究如何使人工系统从图像或多维数据中“感知”的科学。

多模态融合:多模态融合的知识获取是指从文本、图片、视音频等不同模态数据中交叉融合获取知识的过程。

新网数码