Máte v chladničce pět surovin a nevíte, jak z nich uvařit večeři? Chcete z fotografie z dovolené vymazat letadlo a přidat dítě, které se do záběru nevešlo? Je to snadné, stačí zadat pokyn ChatuGPT nebo AI generátoru a během pár vteřin je vyřešeno. Zatímco v každodenním životě používáme umělou inteligenci především k řešení poměrně jednoduchých úkolů, v průmyslových aplikacích toho dokáže mnohem víc, než bychom čekali.
Umělá inteligence (AI) a strojové učení (ML) umožňuje projektantům a datovým specialistům strukturovat, analyzovat a vyhodnocovat velké objemy dat a využívat je nejrůznějšími způsoby v celém životním cyklu výrobku. Mohou nabízet rozličná doporučení, provádět generativní návrhy, odhalovat anomálie nebo optimalizovat preventivní údržbu.
„Aby řešení s prvky umělé inteligence v průmyslu fungovala spolehlivě a přinášela další přidanou hodnotu, musí jednotlivé aplikace bez problémů komunikovat se softwarem, automatizačními technologiemi i příslušnou IT infrastrukturou,“ vysvětluje Tomáš Froněk, vedoucí oddělení Factory Automation z českého Siemensu. „Využít obrovský potenciál umělé inteligence a aplikací, které s ní pracují, jde nejlíp v otevřeném ekosystému,“ dodává.
Umělá inteligence pomůže zvýšit kvalitu výrobků
Snížit na minimum počet vadných produktů je cílem každého výrobce, ovšem cesta k jeho dosažení může být dlouhá, složitá a nákladná. V závodě Siemens Elektronikwerk Amberg vytvořili algoritmus, který předpovídá pravděpodobnost vad, pro zefektivnění rentgenových testů desek s plošnými spoji.
Zajistit bezchybnost pájených spojů na deskách s plošnými spoji představuje důležitou součást procesu zabezpečení jakosti. V závodě Siemens Elektronikwerk Amberg (EWA) zaznamenali, že celkový výkon továrny zpomaluje doba obrátky při rentgenovém testování desek na výstupu z výrobní linky. Místo aby využili tradiční řešení a nainstalovali další rentgenové přístroje, rozhodli se v EWA sáhnout po umělé inteligenci a vytvořili algoritmus pro prediktivní analýzu kvality. Model, který využívá možnosti umělé inteligence, je začleněn do vysoce automatizovaného prostředí a přispívá k výrobě s nulovými vadami.
Model na bázi umělé inteligence nazvaný analytika s uzavřenou smyčkou, využívá analýzu procesních dat na úrovni provozu k řízení a optimalizaci základního procesu v reálném čase. Tímto procesem je v daném případě rentgenové testování pájených spojů na výstupu z linky v rámci kontroly desek.
Edge aplikace na bázi umělé inteligence shromažďuje a předzpracovává data, která potřebuje pro predikce kvality pájených spojů přímo u zdroje. Všechny údaje důležité pro výrobu zůstávají ve výrobním prostředí. Edge aplikace následně sdílí svou předpověď, to je zda deska s plošnými spoji vyžaduje rentgenový test, či nikoli, s výrobním informačním IT systémem Simatic. Systém pak rozhodne, zda rentgenový test zvolí, nebo vynechá. Každý neprovedený test pak usnadňuje plynulost výroby komponentů řídicích systémů Simatic, kterých závod vyrobí přes 17 milionů ročně.
Flexibilní úchop díky strojovému učení
Roboty se dnes využívají v nejrůznějších odvětvích k opakovaným úlohám nebo u pevně daných, naplánovaných úkonů. Jejich celkový výkon se odvíjí od přesnosti řídicích systémů, které sledují předem nastavené pohyby. Schopnost robotu poradit si s komplexními prostředími a samostatně vykonávat konkrétní úkoly, jako je například flexibilní úchop neznámých předmětů různých tvarů a v rozličných pozicích, je stále velmi omezená. Jakmile však roboty tyto schopnosti získají díky umělé inteligenci, otevírají se tím neomezené možnosti v průmyslu i intralogistice.
Uchopit jakýkoliv předmět a správně ho položit na dané místo umožňuje robotům řídicí systém Simatic Robot Pick AI. Ten představuje předem vytrénované řešení pro rozpoznávání a strojové vidění založené na hlubokém učení (ML) pro roboty, které manipulují, polohují nebo přemisťují objekty. Díky tomuto softwaru dokáže robot na správném místě uchopit různorodé a náhodně přicházející předměty a přesně je položit. Řešení Simatic Robot Pick AI lze snadno použít s libovolným šestiosým robotem, a to prostřednictvím uživatelsky přívětivého rozhraní s přímým napojením do řídicího systému Simatic S7. Simatic Robot Pick AI během několika milisekund rozhoduje o úchopných bodech na základě hloubky a barev snímku z 3D kamerového senzoru. Jako snímač lze použít 3D kamery od různých dodavatelů, od jednoduchých až po systémy s vysokým rozlišením. Software běží na jakémkoli průmyslovém počítači s operačním systémem Linux, a to i na menších zařízeních bez dedikovaného GPU nebo akcelerátoru AI.
Řídicí systém Simatic Robot Pick AI dává robotům schopnost uchopit jakýkoli neznámý výrobek z úložného kontejneru a umístit jej do přepravního kontejneru s více než 98procentní úspěšností na první pokus. Unikátní software pro rozpoznávání a vidění, který řídí umělá inteligence, přeměňuje systémy „zboží–člověk“ na autonomní systémy „zboží–robot“ a umožňuje vysoce efektivní plnění objednávek.
Umělá inteligence pomůže řešit nedostatek pracovní síly
Operace nazývaná bin picking, tedy odebírání neuspořádaných předmětů, představuje jednu z nejnákladnějších a nejpracnějších činností ve skladu nebo ve výrobě. Více než 90 procent všech úkonů takzvaného vychystávání se stále provádí ručně, což představuje významnou část provozních nákladů. Řešení s využitím systému Simatic Robot Pick AI může vyřešit problém nedostatku pracovních sil a neustále se měnících požadavků zákazníků. Systém umožňuje automatizaci a podporu lidské práce i v nejsložitějších prostředích, včetně online obchodu, maloobchodu (balené potraviny), módy nebo farmaceutických výrobků. Roboty řízené systémem Simatic Robot Pick AI mohou pracovat také v kolaborativním režimu, tedy v přímé spolupráci s člověkem.
Průmyslová AI se uplatní i v zemědělství
Na rodinné farmě Ráječek u Brna na letošní úrodě jahod otestovali novou generaci robotů Fravebot. Roboty jsou vybaveny řídicím systémem Simatic S7‑1500 a dalšími technologiemi Siemens a mají za úkol sklízet zralé jahody a monitorovat zdravotní stav rostlin a plodů. Navigace robotu je simulována a trénována na digitálním dvojčeti v prostředí Nvidia Isaac, umělá inteligence pro detekci chorob a škůdců se cvičí na digitálním dvojčeti rostlin a plodů v prostředí Nvidia Omniverse.
Stáhněte si přílohu v PDF
Ve fóliovnících farmy Ráječek se prohánějí hned dva Fraveboty: Fravebot Scout monitoruje zdraví jahodníků a plodů a samozřejmě také jejich zralost, zatímco Fravebot Harvestor pomáhá se sklizní. Zcela unikátním rysem řešení od Fravebotu je trénování robotu v prostředí digitálního dvojčete. Tým vývojářů ze společnosti Fravebot umí generovat takzvaná syntetická data a v omniversu, který běží na Nvidia grafických kartách, nasimulovat jednotlivé řádky jahod. Díky tomu, že simulační nástroje dnes umí simulovat i fyzikální zákony (například tíhu jahod), je možné dopředu natrénovat neuronové sítě robotu bez toho, že by se musel pohybovat v reálném prostředí. Tím se výrazně urychlí proces vývoje robotu a současně se i ušetří náklady, poněvadž učení robotu v reálném prostředí je vždy drahé. Trénink neuronové sítě pro konkrétní projekt a konkrétního zákazníka navíc může začít ještě dříve, než se robot fyzicky postaví.
Přes všechen pokrok, kterého jsme dosáhli, vyžaduje umělá inteligence v průmyslových procesech zapojení člověka. Zavádění umělé inteligence v průmyslu si musí poradit se stejnými výzvami jako při vývoji autonomních vozidel. Je však zřejmé, že společnosti, které budou možností této nové technologie využívat s pečlivým a partnerským přístupem, nejlépe využijí potenciálu produktivity, který nabízí.
Článek vznikl ve spolupráci se společností Siemens. Text nevyjadřuje názor redakce.
Článek byl publikován ve speciální příloze HN Umělá inteligence.
