ربات های پشتیبانی از یادگیری ماشین، انعطاف پذیری را در کنترل کیفیت برای تولید خودرو فراهم می کنند.
برای همگام شدن با پیشرفت سریع فناوری و افزایش انتظارات مشتریان، تولیدکنندگان باید خطوط تولید را به طور بیشتر و بیشتر و در مدت زمان کوتاهتری اصلاح کنند.
با در نظر گرفتن این وضعیت، گروه BMW از یک راه حل انعطاف پذیر در خط تولید در کارخانه خود در Dingolfing آلمان استفاده می کند.
این راه حل ربات های صنعتی سبک وزن قابل برنامه ریزی مجدد، بینایی کامپیوتر و مدل های یادگیری مبتنی بر هوش مصنوعی را ترکیب می کند. این باعث افزایش انعطاف پذیری و کنترل کیفیت بهینه شده است.
پردازش تصویر مبتنی بر هوش مصنوعی اکنون یک روش استاندارد برای کنترل کیفیت بصری برای اجزای صنعتی است. از آنجایی که فناوری همیشه در حال پیشرفت است، قطعاتی که از خطوط تولید عبور می کنند نیز با سرعت فزاینده ای تغییر می کنند.
هر گونه تغییر در اجزاء به طور سنتی با تغییرات کار و زمان فشرده در خط تولید همراه بوده است که به نوبه خود می تواند بر درآمد تأثیر بگذارد.
مشتریان امروزی زمانهای تحویل کوتاهتری را میخواهند، اما تمایلی به سازش در کیفیت یا هزینه ندارند.
این موضوع این سوال را مطرح کرد که چگونه می توان اصلاحات را در خط تولید بهینه کرد تا با همه چالش ها همگام شود و در عین حال طیف گسترده ای از نیازهای برنامه را برآورده کند.
هدف یافتن راه حلی بود که هم عمومی و هم به اندازه کافی انعطاف پذیر باشد تا بتواند به راحتی با یک بازار جهانی که به سرعت در حال تغییر است هماهنگ شود.
ابتدا، خط تولید نیاز به طراحی مدولار با واحدهای تولیدی داشت که میتوان آن را به سرعت و به طور مکرر اصلاح کرد.
دوم، تصویربرداری باید به واحدهای متحرک منتقل شود که می توانند در طراحی مدولار ادغام شوند.
در نهایت، عملکرد صاف و سالم به ماژول ها بستگی دارد که بتوانند داده های حسگر و دستورات محرک را به سرعت و ایمن مبادله کنند.
ربات های مشترک و سبک وزن برای تکمیل انعطاف پذیری انسان در خطوط تولید در کارخانه های متعدد استفاده می شوند.
برای اطمینان از دوام آینده خود، رباتهای صنعتی مدرن را میتوان دوباره برنامهریزی کرد و به اجزای اضافی مانند دوربینها مجهز کرد، همانطور که سناریوی تولید حکم میکند.
پیشرفت در رباتیک عصر جدیدی از پیاده سازی بدون کد را آغاز کرده است، زیرا آموزش ربات های صنعتی دیگر نیازی به دانش تخصصی ندارد.
استارتآپ درسدن، Wandelbots GmbH، یک پلتفرم نرمافزاری بدون کد ایجاد کرد که حرکات یک دستگاه ورودی دستی - TracePen - را ضبط میکند و آن را به زبان برنامهنویسی مربوطه و مخصوص ربات ترجمه میکند.
به این ترتیب نرم افزار امکان آموزش و برنامه ریزی همزمان چند ربات را فراهم می کند و داده ها را در اختیار سایر ربات ها قرار می دهد.
با استفاده از رویکرد بدون کد، شرکتهای تولید میتوانند به سرعت به تغییرات در الزامات تولید واکنش نشان دهند، در حالی که تجهیز رباتها به دوربین به آنها امکان میدهد تا تصاویر را برای کنترل کیفیت خودکار بر اساس بینایی رایانه جمعآوری کنند.
حرکات بازوهای رباتیک را می توان برای ثبت تصاویر مربوط به یک جزء خاص یا سناریوی کاربردی تنظیم کرد.
این رویکرد با اطمینان از اینکه هیچ چیز جلوی دید دوربین را نمیگیرد و با تنظیم دقیق زاویه تشخیص برای چشماندازی بهینه، تصاویری با کیفیت بالاتر ارائه میکند.
تصاویر با کیفیت بالاتر، دقت ارزیابی مبتنی بر هوش مصنوعی و به نوبه خود، کارایی تضمین کیفیت کارخانه را افزایش میدهد.
برای تعیین اینکه آیا یک قطعه تولید شده با استانداردهای تضمین کیفیت مطابقت دارد یا خیر، ربات ها از ارزیابی تصاویری که با استفاده از مدل های هوش مصنوعی جمع آوری کرده اند استفاده می کنند.
این مدلها را میتوان به سرعت و به راحتی ایجاد کرد، زیرا رباتها به پلتفرم نرمافزار Realtime Computer Vision (RCV) که توسط Robotron Datenbank-Software GmbH، متخصص دیجیتالیسازی مستقر در درسدن، توسعه یافته است، متصل هستند.
و Robotron از عملیات یادگیری ماشینی Microsoft Azure (MLOps) برای خودکارسازی اطلاعات مربوطه و گردش کار RCV، شامل حاشیه نویسی تصویر، آموزش مدل هوش مصنوعی، استقرار و زیر ساخت استنتاج برای کنترل کیفیت بصری استفاده می کند.
همچنین MLOps قدرت محاسباتی قابل توجه واحد پردازش گرافیکی (GPU) مورد نیاز برای آموزش تکراری مدلهای یادگیری ماشین را در اختیار دانشمندان داده شرکت قرار میدهد.
بهترین کارت گرافیگی (GPU) را شرکت ابر فردوسی ارایه میکند.
همچنین مقیاس پذیری پویا معمولی در فضای ابری را ارائه می دهد، زیرا نیازهای GPU Robotron می تواند در کوتاه مدت ده برابر افزایش یابد.
دانشمندان داده به این قدرت محاسباتی که به سرعت مقیاسپذیر است، به اندازه این واقعیت که MLOps کل چرخه عمر مدلهای یادگیری ماشین را پوشش میدهد، ارزش قائل هستند و در عین حال رابطهایی را برای سیستمهای شخص ثالث ارائه میدهند.
دکتر دیپا کاسیناتان، مدیر محصول و رهبر گروه در Robotron Datenbank-Software GmbH توضیح می دهد:
«خط لوله انتها به انتها همه ویژگی های مورد نیاز برای توسعه و حفظ مدل های یادگیری ماشینی در طول چرخه عمرشان را دارد. ما در واقع از خط لوله آموزش یادگیری ماشین خودمان استفاده میکنیم که میتوانیم آن را از طریق رابطها به خط لوله انتشار Azure MLOps متصل کنیم تا کل چرخه زندگی یادگیری ماشین را ترسیم کنیم.»
این یک روش صرفه جویی در زمان برای آموزش مدل ها و عملیاتی کردن آنها تنها با چند کلیک فراهم می کند.
و MLOps با ایجاد خودکار یک مسیر حسابرسی و محافظت از یکپارچگی دارایی ها، الزامات نظارتی را برآورده می کند.
همچنین Microsoft Azure Active Directory مفهوم ایدهآلی برای مجوزها و نقشها برای اطمینان از همکاری یکپارچه بین تیمهای IT، DevOps و علم داده ارائه میکند - حتی اگر این نقشها در یک شرکت نباشند.
در همین حال، فناوری خود ربات ها به سرعت در حال پیشرفت است. Robotron به عنوان یک متخصص هوش مصنوعی اولین پذیرنده نوآوریهای هوش مصنوعی مایکروسافت و یادگیری ماشین بود و در تستهای بتا بسته مربوطه شرکت کرد.
این شرکت در حال حاضر در حال کار بر روی گسترش مفهوم خود برای رباتهای سریعآموز است که شامل برنامههای کاربردی دیگر نیز میشود. در Wandelbots، برنامهنویسی بدون کد این شرکت از طیف گستردهای از موارد استفاده نیز پشتیبانی میکند.
کنترل کیفیت بصری تنها یکی از بسیاری از موارد است. بر این اساس، Wandelbots در حال حاضر یک راه حل اولیه، Robot Fleet Management، بر اساس پلتفرم بدون کد خود در Azure Marketplace ارائه می دهد و به طور مداوم برای ارائه مدل های مقیاس پذیرتر کار می کند.
از آنجایی که ربات های سبک وزن قابل برنامه ریزی مجدد می توانند وظایف زیادی را انجام دهند، بهترین گزینه برای خطوط تولید ماژولار و انعطاف پذیر هستند.
آنها یک پلت فرم منعطف برای مراحل تولید، از جمله تضمین کیفیت بصری با استفاده از بینایی کامپیوتر مبتنی بر هوش مصنوعی که بر پایه مدلهای یادگیری ماشین است، فراهم میکنند.
برای آموزش، استقرار و ممیزی، Microsoft Azure Machine Learning یک محیط ابری قابل اعتماد، پویا و مقیاس پذیر ارائه می دهد که کل چرخه زندگی یادگیری ماشین را پوشش می دهد.
با پیشگامی در این راه حل ها، گروه BMW کارخانه Dingolfing خود را با یک راه حل تولیدی مجهز کرده است که به همان اندازه کارآمد است که چابک است.
راه حل را می توان به راحتی به سایر خطوط تولید منتقل کرد و شتاب جدیدی را به صنعت خودرو به ارمغان آورد. در عین حال، فناوریهای درگیر راه را برای تولید صنعتی چابک در همه بخشها هموار میکنند.
" ما در واقع از خطوط آموزش یادگیری ماشین خودمان استفاده میکنیم، که میتوانیم آن را از طریق رابطها به خطوط انتشار Azure MLOps متصل کنیم تا کل چرخه زندگی یادگیری ماشین را ترسیم کنیم."
دکتر دیپا کاسیناتان: مدیر محصول و رهبر گروه